Razi Raziuddin, FeatureByte:n perustaja ja toimitusjohtaja – Haastattelusarja

Razi Raziuddin on FeatureByte:n perustaja ja toimitusjohtaja, jonka visio on avata viimeinen suuri este yritysten AI-skalaamiselle. Razi’n analytiikka- ja kasvukokemus kattaa kaksi yksisarvisen startupin johtoryhmää. Razi auttoi DataRobotia kasvamaan 10:stä 850 työntekijään alle kuuden vuoden aikana. Hän kehitti palvelujohtoisen markkinointistrategian, josta tuli DataRobotin nopean kasvun tunnusmerkki.

FeatureByte on tehtävänään skalaamalla yritysten AI:ta radikaalisti yksinkertaistamalla ja teollistamalla AI-dataa. Feature-engineering- ja -hallintaplatfroma (FEM) mahdollistaa data- tutkijoille luoda ja jakaa huipputason piirteitä ja tuotantovalmiita data-pipelineja muutamassa minuutissa – ei viikoissa tai kuukausissa.

Mikä alun perin kiinnosti sinua tietokoneiden ohjelmointiin ja koneoppimiseen?

Kuten joku, joka aloitti ohjelmoinnin lukiossa, olin lumoutunut koneesta, johon voisin “puhua” ja ohjata koodilla. Olin välittömästi koukussa koneen loputtomiin mahdollisuuksiin. Koneoppiminen edusti ohjelmoinnin paradigmamuutosta, jossa koneet voivat oppia ja suorittaa tehtäviä ilman, että ohjeet on määritelty koodissa. Koneoppimisen loputtomat soveltamismahdollisuudet saavat minut joka päivä innoissaan.

Olit DataRobotin ensimmäinen liiketoimintaviranomainen, joka on automaattinen koneoppimisalusta, joka mahdollistaa organisaatioiden kehittyä AI-vetoinen. Sitten auttoit yritystä kasvamaan 10:stä 1 000 työntekijään alle kuuden vuoden aikana. Mitkä olivat joitain avainoppeja tästä kokemuksesta?

Mennä nollasta yhteen on vaikeaa, mutta uskomattoman jännittävää ja palkitsevaa. Jokainen yrityksen kehitysvaihe esittää erilaisia haasteita, mutta nähdä yrityksen kasvavan ja menestyvän on uskomaton tunne.

Kokemukseni AutoML:stä avasi silmäni koneoppimisen rajattomaan potentiaaliin. On mielenkiintoista nähdä, miten tämä teknologia voidaan soveltaa moniin eri aloihin ja sovelluksiin. Lopulta luomalla uuden kategorian on harvinainen saavutus, mutta erittäin palkitseva. Joitain avainoppeja kokemuksestani:

• Rakenna uskomattoman hyvä tuote ja vältä tilapäisten muotien mukaan menemistä
• Älä pelkästä ole vastakkainen
• Keskitä asiakkaiden ongelmien ratkaisemiseen ja arvon tarjoamiseen
• Ole aina avoin uudelleen ja kokeile uusia asioita
• Luo ja omaksu oikea yrityskulttuuri alusta alkaen

Voitko jakaa FeatureByte:n synnystarinan?

On tunnettu tosiasia AI/ML-maailmassa – että hyvä AI alkaa hyvistä datasta. Mutta AI-data (tai piirteiden) valmistelu, käyttöönotto ja hallinta on monimutkaista ja aikaa vievää. Yritykseni perustaja, Xavier Conort, ja minä näimme tämän ongelman itse DataRobotissa. Vaikka mallin luominen on yksinkertaistunut AutoML-työkalujen ansiosta, piirteiden luominen ja hallinta on edelleen suuri haaste. Kokemuksemme ja asiantuntemuksemme perusteella Xavier ja minä uskoimme, että voimme auttaa organisaatioita ratkaisemaan tämän haasteen ja toteuttamaan AI:n lupausta.

Feature-engineering on FeatureByte:n ydin, voitko selittää, mitä se on lukijoillemme?

Lopulta datan laatu määrää AI-mallien laadun ja suorituskyvyn. Dataa, jota syötetään malleihin koulutukseen ja tulevien tulosten ennustamiseen, kutsutaan piirteiksi. Piirteet edustavat tietoa entiteeteistä ja tapahtumista, kuten demograafisesta tai psykograafisesta datasta kuluttajista tai etäisyydestä kortinomistajan ja kauppiaan välillä luottokorttitransaktiossa tai eri kategorioista ostettujen tuotteiden määrästä kaupasta.

Piirteiden luomisprosessi raaka-datasta, jotta voidaan kouluttaa ML-malleja ja ennustaa tulevia tuloksia, kutsutaan piirteiden luomiseksi.

Miksi piirteiden luominen on yksi koneoppimishankkeiden monimutkaisimmista osista?

Piirteiden luominen on erittäin tärkeää, koska prosessi on suoraan vastuussa ML-mallien suorituskyvystä. Hyvä piirteiden luominen vaatii kolme melko riippumatonta taitoa yhdistymään – alan tuntemus, data-tiede ja data-insinööritaito. Alan tuntemus auttaa data-tutkijoita määrittämään, mitkä signaalit on extrahdittava datasta tiettyyn ongelmaan tai sovellukseen. Tarvitset data-tieteellisiä taitoja signaalien extrahointiin. Ja lopulta data-insinööritaito auttaa käyttöönotossa ja suorittaa operaatiot suurilla data-määrillä.

Useimmissa organisaatioissa nämä taidot ovat eri tiimeissä. Nämä tiimit käyttävät eri työkaluja eivätkä kommunikaatio ole hyvää toisiinsa. Tämä johtaa paljon kitkaa prosessiin ja hidastaa sen pysähtymiseen.

Voitko jakaa jonkin näkemyksen siitä, miksi piirteiden luominen on heikoin lenkki AI:n skaalauksessa?

Andrew Ng:n mukaan, joka on tunnettu asiantuntija AI:ssa, “sovellettu koneoppiminen on perustavalla tavalla piirteiden luominen.” Vaikka se on kriittinen osa koneoppimisen elinkaarta, piirteiden luominen on edelleen monimutkaista, aikaa vievää ja riippuvainen asiantuntijatuntemuksesta. On vakava puute työkaluista, jotka tekevät prosessin helpommaksi, nopeammaksi ja teollisemmaksi. Vaadittu ponnistus ja asiantuntijatietämys hidastavat yritysten kykyä käyttää AI:ta laajamittaisesti.

Voitko jakaa joitain haasteita, jotka liittyvät datakeskeisen AI-ratkaisun luomiseen, joka radikaalisti yksinkertaistaa piirteiden luomisen data-tutkijoille?

Rakentaa tuote, jolla on 10-kertaa etu verrattuna nykyiseen, on erittäin vaikeaa. Onneksi Xavierilla on syvä data-tieteellinen asiantuntemus, jota hän käyttää uudelleen piirteiden työnkulkua periaatteista. Meillä on maailmanluokan tiimi, joka koostuu full-stack data-tutkijoista ja insinööreistä, jotka voivat muuttaa visiomme todelliseksi. Ja meillä on käyttäjiä ja kehittäjäkumppaneita, jotka neuvovat meitä sujuvoittamaan käyttöliittymää parhaillaan heidän haasteidensa ratkaisemiseksi.

Miten FeatureByte-alusta nopeuttaa datan valmistelua koneoppimissovelluksille?

Datan valmistelu koneoppimiselle on iteraatioprosessi, joka riippuu nopeasta kokeilusta. Avoin FeatureByte SDK on deklaratiivinen kehys state-of-the-art -piirteiden luomiseen vain muutamalla koodirivillä ja data-pipelinejen käyttöönottoon muutamassa minuutissa sen sijaan, että viikkoja tai kuukausia. Tämä mahdollistaa data-tutkijoille keskittyä luovaan ongelmanratkaisuun ja nopeaan iterointiin elävien datojen kanssa, sen sijaan, että he huolehtisivat putkistosta.

Tuloksena on ei vain nopeampi datan valmistelu ja toimitus tuotannossa, vaan myös parannettu mallin suorituskyky voimakkaiden piirteiden ansiosta.

Voitko keskustella siitä, miten FeatureByte-alusta tarjoaa myös mahdollisuuden sujuvoittaa eri jatkuvia hallintatehtäviä?

FeatureByte-alusta on suunniteltu hallitsemaan koneoppimisen piirteiden elinkaarta. Deklaratiivinen kehys mahdollistaa FeatureByte:lle data-pipelinejen käyttöönoton automaattisesti, samalla kun se extrahoi metadataa, joka on relevanttia ympäristön hallintaan. Käyttäjät voivat seurata pipeline-terveyttä ja kustannuksia, ja hallita piirteiden polkuja, versioita ja oikeellisuutta samasta käyttöliittymästä. Yritysasteisen roolipohjaisen käyttöoikeuden ja hyväksymisvirran ansiosta varmistetaan data-salaus ja -turvallisuus, samalla kun vältetään piirteiden sekasorto.

Onko mitään muuta, mitä haluaisit jakaa FeatureByte:sta?

Useimmat yritysten AI-työkalut keskittyvät parantamaan koneoppimismalleja. Olemme asettaneet tehtävään auttaa yrityksiä skaalata AI:ta yksinkertaistamalla ja teollistamalla AI-dataa. FeatureByte:ssä ratkaistaan suurin haaste AI-harjoittajille: tarjoamalla johdonmukainen, skaalautuva tapa valmistella, toimittaa ja hallita dataa koko mallin elinkaaren ajan, samalla kun prosessi yksinkertaistetaan radikaalisti.

Jos olet data-tutkija tai insinööri, joka haluaa pysyä data-tieteen ääriviivalla, kannustan sinua kokeilemaan FeatureByte:n ilmaiseksi.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla FeatureByte:ssa.