Razi Raziuddin, FeatureByten toinen perustaja ja toimitusjohtaja – Haastattelusarja

Razi Raziuddin on FeatureByte:n toinen perustaja ja toimitusjohtaja, jonka visio on poistaa 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.

FeatureByten tehtävänä on skaalata yritysten AI:ta radikaalisti yksinkertaistamalla ja teollistamalla AI-dataa. Piirteiden muodostamisen ja hallinnan alusta (FEM) antaa datatieteilijöille mahdollisuuden luoda ja jakaa huipputason piirteitä ja tuotantovalmiita data-pipelineja muutamassa minuutissa – ei viikoissa tai kuukausissa.

Mikä alun perin kiinnosti sinua tietojenkäsittelytieteeseen 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 innostavat minua joka päivä.

Olit ensimmäinen DataRobotin liiketoimintatehtäviin palkattu työntekijä, joka on organisaatioiden AI-pohjaista toimintaa tukeva automatisoidun koneoppimisen alusta. 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 pelkää kulkea vastavirtaan
• Keskity asiakkaiden ongelmien ratkaisemiseen ja arvon tarjoamiseen
• Ole aina avoin innovaatioille 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 hyvästä datasta. Mutta AI-data (tai piirteiden) valmistelu, käyttöönotto ja hallinta on monimutkaista ja aikaa vievää. Toinen 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 muodostamiseksi kutsutaan prosessia, jossa raakadatasta luodaan piirteitä koneoppimismallien kouluttamista ja tulevien tulosten ennustamista varten.

Miksi piirteiden luominen on yksi koneoppimishankkeiden monimutkaisimmista osista?

Piirteiden luominen on erittäin tärkeää, koska prosessi on suoraan vastuussa ML-mallien suorituskyvystä. Hyvä piirteiden muodostaminen edellyttää kolmen melko itsenäisen osaamisalueen yhdistämistä: toimialatuntemuksen, datatieteen ja datatekniikan. Alan tuntemus auttaa data-tutkijoita määrittämään, mitkä signaalit on poimittava datasta tiettyyn ongelmaan tai sovellukseen. Tarvitset data-tieteellisiä taitoja signaalien poimimiseen. Lopuksi datatekniikan osaamista tarvitaan dataputkien käyttöönottoon ja operaatioiden suorittamiseen suurilla datamäärillä.

Useimmissa organisaatioissa nämä taidot ovat eri tiimeissä. Nämä tiimit käyttävät eri työkaluja eivätkä kommunikoi hyvin keskenään. Tämä aiheuttaa prosessiin runsaasti kitkaa ja hidastaa sen lopulta pysähdyksiin.

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, jonka avulla hän arvioi koko piirteiden työnkulun uudelleen lähtien perusperiaatteista. 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 käyttäjäkokemusta mahdollisimman hyvin heidän haasteidensa ratkaisemiseksi.

Miten FeatureByte-alusta nopeuttaa datan valmistelua koneoppimissovelluksille?

Datan valmistelu koneoppimiselle on iteraatioprosessi, joka riippuu nopeasta kokeilusta. Avoimen lähdekoodin FeatureByte SDK on deklaratiivinen kehys huipputason piirteiden luomiseen vain muutamalla koodirivillä ja data-pipelinejen käyttöönottoon muutamassa minuutissa viikkojen tai kuukausien sijaan. Tämä mahdollistaa data-tutkijoille keskittyä luovaan ongelmanratkaisuun ja nopeaan iterointiin ajantasaisella datalla, sen sijaan, että he huolehtisivat teknisestä perusinfrastruktuurista.

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 poimii metadataa, joka on relevanttia ympäristön hallintaan. Käyttäjät voivat seurata dataputkien toimintakuntoa ja kustannuksia, ja hallita piirteiden datan alkuperää ja kulkua, versioita ja oikeellisuutta samasta käyttöliittymästä. Yritysasteisen roolipohjaisen käyttöoikeuden ja hyväksymisvirran ansiosta varmistetaan datan yksityisyys ja turvallisuus, samalla kun vältetään piirteiden hallitsematon lisääntyminen.

Onko mitään muuta, mitä haluaisit jakaa FeatureByte:sta?

Useimmat yritysten AI-työkalut keskittyvät parantamaan koneoppimismalleja. Tehtävänämme on auttaa yrityksiä skaalaamaan tekoälyä yksinkertaistamalla ja teollistamalla AI-dataa. FeatureByte:ssä ratkaistaan suurin haaste AI-ammattilaisille: 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 datatieteen kehityksen kärjessä, kannustan sinua kokeilemaan FeatureBytea ilmaiseksi.

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