Razi Raziuddin, FeatureByte:n perustaja ja toimitusjohtaja – Haastattelusarja

Razi Raziuddin on FeatureByte:n perustaja ja toimitusjohtaja, ja hänen visionsa on avata viimeinen suuri este tekoälynhallinnan skaalautumiselle yrityksissä. Razi:n analytiikka- ja kasvukokemus kattaa kahden yksisarvisyrityksen johtoryhmän. Razi auttoi DataRobotia kasvamaan 10:stä 850 työntekijään alle kuuden vuoden sisällä. Hän kehitti palvelupohjaisen markkinointistrategian, josta tuli DataRobotin nopean kasvun tunnusmerkki.

FeatureByte on tehtävänään skaalata yritysten tekoälyä radikaalisti yksinkertaistamalla ja teollistamalla tekoälydatan. Feature-engineering- ja -hallintaplatfroma (FEM) mahdollistaa data-analyytikkojen luoda ja jakaa huipputason ominaisuuksia ja tuotantovalmiita data-pipelineja muutamassa minuutissa – ei viikoissa tai kuukausissa.

Mikä aluksi kiinnosti sinua tietokoneiden ohjelmointiin ja tekoälyyn?

Kuten koodaamisen aloittaja lukiossa, olin lumoutunut koneesta, johon voisin “puhua” ja ohjata koodilla. Olin välittömästi koukussa uusien sovellusten loputtomiin mahdollisuuksiin. Tekoäly edusti ohjelmoinnissa paradigmamuutosta, jossa koneet voivat oppia ja suorittaa tehtäviä ilman, että ohjeet on määritelty koodissa. Tekoälyn sovellusten loputon potentiaali saa minut joka päivä innoissaan.

Olit DataRobotin ensimmäinen liiketoimintavirkailija, joka on automaattinen tekoälyalusta, joka mahdollistaa organisaatioiden tulla tekoälykäyttöisiksi. Sitten auttoit yrityksen kasvattamisessa 10:stä 1 000 työntekijään alle kuuden vuoden sisällä. Mitkä olivat joitain avainopetuksia tästä kokemuksesta?

Siirtyminen 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 tekoälyn rajattomaan potentiaaliin. On mielenkiintoista nähdä, miten tätä teknologiaa voidaan soveltaa monilla eri aloilla ja sovelluksissa. Lopulta luoda uusi kategoria on harvinainen saavutus, mutta uskomattoman palkitseva. Avainopetukseni kokemuksesta:

• Rakenna uskomattoman tuote ja vältä tilapäisten muotien mukaan juoksemista
• Älä pelkää olla erilainen
• Keskity ratkaisemaan asiakkaiden ongelmia ja tarjoamaan arvoa
• Ole aina avoin uusille innovaatioille ja kokeile uusia asioita
• Luo ja omaksu oikea yrityskulttuuri alusta alkaen

Voitko kertoa FeatureByte:n syntytarinaa?

Se on hyvin tunnettu asia tekoäly/ML-maailmassa – että hyvä tekoäly alkaa hyvistä datasta. Mutta tekoälydatan (tai ominaisuuksien) valmistelu, käyttöönotto ja hallinta on monimutkainen ja aikaa vievä. Minun perustajakumppani, Xavier Conort, ja minä näimme tämän ongelman itse DataRobotissa. Vaikka mallinnus on yksinkertaistunut automaattisen tekoälytyökalun ansiosta, ominaisuusmallinnus ja hallinta ovat edelleen suuri haaste. Perustajakumppani Xavierin ja minun yhdistetty kokemus ja asiantuntemus antoivat meille mahdollisuuden auttaa organisaatioita ratkaisemaan tämän haasteen ja toimittamaan tekoälyn lupausta.

Voitko selittää, mitä ominaisuusmallinnus on lukijoillemme?

Lopulta datan laatu määrää tekoälymallien laadun ja suorituskyvyn. Dataa, jota syötetään malleihin koulutukseen ja tulevien tulosten ennustamiseen, kutsutaan ominaisuuksiksi. Ominaisuudet edustavat tietoa entiteeteistä ja tapahtumista, kuten kuluttajien demograafisista tai psykograafisista tiedoista tai etäisyydestä kuluttajan ja kauppiaan välillä luottokorttitransaktiossa tai eri kategorioista olevien tuotteiden määrästä kaupasta.

Ominaisuuksien prosessi, jossa raaka-data muunnetaan ominaisuuksiksi tekoälymallien koulutukseen ja tulevien tulosten ennustamiseen, kutsutaan ominaisuusmallinnukseksi.

Miksi ominaisuusmallinnus on yksi monimutkaisimmista tekoälyprojektien osista?

Ominaisuusmallinnus on erittäin tärkeää, koska prosessi on suoraan vastuussa tekoälymallien suorituskyvystä. Hyvä ominaisuusmallinnus vaatii kolme melko riippumatonta taitoa yhdistymään – alan tuntemus, data-analytiikka ja data-insinööritaito. Alan tuntemus auttaa data-analyytikkoja määrittämään, mitkä signaalit on extrahdittava datasta tiettyyn ongelmaan tai käyttötapaukseen. Tarvitaan data-analytiikkaa signaalien extrahointiin. Ja lopulta data-insinööritaito auttaa käyttöönotossa ja suorittaa nämä toiminnot suurilla data-määrillä.

Useimmissa organisaatioissa nämä taidot ovat eri tiimeissä. Nämä tiimit käyttävät eri työkaluja eivätkä kommunikaatio toimi hyvin toistensa kanssa. Tämä johtaa paljon kitkaa prosessissa ja hidastaa sen käyntiin.

Voitko jakaa joitain näkemyksiä siitä, miksi ominaisuusmallinnus on heikoin lenkki tekoälyn skaalautumisessa?

Andrew Ng:n mukaan, joka on tunnettu tekoälyasiantuntija, “sovellettu tekoäly on perustuvasti ominaisuusmallinnus”. Vaikka sen kriittisyys tekoäly-elinkaareen, ominaisuusmallinnus säilyy monimutkaisena, aikaa vievänä ja riippuvana asiantuntijatuntemuksesta. On vakava puute työkaluista, jotka tekisivät prosessin helpommaksi, nopeammaksi ja teollisemmaksi. Vaadittu ponnistelu ja asiantuntemus pitävät yrityksiä estäen niitä käyttämästä tekoälyä laajamittaisesti.

Voitko jakaa joitain haasteita datalähtöisen tekoälyratkaisun rakentamisesta, joka yksinkertaistaa radikaalisti ominaisuusmallinnetta data-analyytikoille?

Rakentaa tuote, jolla on 10-kertaa etua nykyiseen tilanteeseen, on erittäin vaikeaa. Onneksi Xavierilla on syvä data-analytiikka-asiantuntemus, jota hän käyttää uudelleenajattelemalla koko ominaisuusvirran alusta alkaen. Meillä on maailmanluokan tiimi täysipainoisia data-analyytikoita ja insinöörejä, jotka voivat muuttaa visiomme todelliseksi. Ja käyttäjiä ja kehityskumppaneita, jotka neuvovat meitä sujuvoittamaan käyttöliittymää parhaillaan ratkaisemaan heidän haasteitaan.

Miten FeatureByte-alusta nopeuttaa datan valmistelua tekoälysovelluksille?

Datan valmistelu tekoälylle on iteraatioprosessi, joka riippuu nopeasta kokeilusta. FeatureByte:n avoimen lähdekoodin SDK on deklaratiivinen kehys state-of-the-art-ominaisuuksien luomiseen vain muutamalla koodirivillä ja data-pipelinejen käyttöönotossa muutamassa minuutissa sen sijaan, että viikkoja tai kuukausia. Tämä mahdollistaa data-analyytikkojen keskittyä luovaan ongelmanratkaisuun ja nopeaan iterointiin live-datan kanssa, sen sijaan, että he huolehtisivat “putkistosta”.

Tuloksena on sekä nopeampi datan valmistelu ja toiminta tuotannossa, että myös parannettu mallin suorituskyky voimakkaiden ominaisuuksien ansiosta.

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

FeatureByte-alusta on suunniteltu hallitsemaan tekoäly-ominaisuuksien elinkaaren loppuun asti. Deklaratiivinen kehys mahdollistaa FeatureByte:lle data-pipelinejen automaattisen käyttöönoton, samalla kun se extrahoi metadataa, joka on relevanttia ympäristön hallintaan. Käyttäjät voivat seurata pipeline-terveyttä ja kustannuksia, ja hallita ominaisuuksien jäljitettävyyttä, versiota ja oikeellisuutta samasta käyttöliittymästä. Yritysluokan roolipohjainen käyttöoikeus ja hyväksymisvirrat varmistavat datan turvallisuuden ja estävät ominaisuus-ylivaltuuksia.

Onko muita asioita, joita haluaisit jakaa FeatureByte:sta?

Useimmat yritysten tekoälytyökalut keskittyvät parantamaan tekoälymalleja. Olemme tehneet tehtäväksemme auttaa yrityksiä skaalautumaan tekoälynsä, yksinkertaistamalla ja teollistamalla tekoälydatan. FeatureByte:ssä ratkaistaan suurin haaste tekoälypraktikoille: tarjota johdonmukainen, skaalautuva tapa valmistella, tarjoilla ja hallita dataa koko mallin elinkaaren ajan, samalla radikaalisti yksinkertaistamalla koko prosessia.

Jos olet data-analyytikko tai insinööri, joka on kiinnostunut pysymään data-analytiikan huipulla, rohkeasti kannustan sinua kokeilemaan FeatureByte:n voimaa ilmaiseksi.

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