Razi Raziuddin, FeatureByte – haastattelusarjan perustaja ja toimitusjohtaja

Razi Raziuddin on yksi perustajista ja toimitusjohtaja FeatureByte, hänen visionsa on avata viimeinen suuri este tekoälyn skaalaamiselle yrityksessä. Razin analytiikka- ja kasvukokemus kattaa kahden yksisarvis-startupin johtoryhmän. Razi auttoi mittaamaan DataRobotin 10 työntekijästä 850 työntekijään alle kuudessa vuodessa. Hän loi edelläkävijä palveluvetoisen markkinoille pääsyn strategian, josta tuli DataRobotin nopean kasvun tunnusmerkki.

FeatureByten tehtävänä on skaalata yritysten tekoälyä yksinkertaistamalla ja teollistamalla tekoälytietoja radikaalisti. Ominaisuuden suunnittelu- ja hallintaalusta (FEM) antaa tietotutkijoille mahdollisuuden luoda ja jakaa huippuluokan ominaisuuksia ja tuotantovalmiita dataputkia minuuteissa – viikkojen tai kuukausien sijaan.

Mikä alun perin houkutteli sinua tietojenkäsittelytieteeseen ja koneoppimiseen?

Lukiossa koodaamisen aloittaneena olin kiinnostunut koneesta, jolle pystyin "puhumaan" ja jota pystyin ohjaamaan koodin avulla. Jäin heti koukkuun uusien sovellusten loputtomiin mahdollisuuksiin. Koneoppiminen edusti paradigman muutosta ohjelmointiin, jolloin koneet pystyivät oppimaan ja suorittamaan tehtäviä ilman, että edes määritellään koodin vaiheita. ML-sovellusten ääretön potentiaali saa minut innostumaan joka päivä.

Olit ensimmäinen yritysvuokraaja DataRobotilla, automatisoidulla koneoppimisalustalla, jonka avulla organisaatiot voivat tulla tekoälylähtöisiksi. Autit sitten kasvattamaan yritystä 10 työntekijästä 1,000 6 työntekijään alle kuudessa vuodessa. Mitkä olivat tärkeitä poimintoja tästä kokemuksesta?

Nollasta yhteen siirtyminen on vaikeaa, mutta uskomattoman jännittävää ja palkitsevaa. Yrityksen jokainen kehitysvaihe asettaa erilaisia ​​haasteita, mutta yrityksen kasvun ja menestymisen näkeminen on uskomaton tunne.

Kokemukseni AutoML:stä avasi silmäni näkemään tekoälyn rajattomat mahdollisuudet. On kiehtovaa nähdä, kuinka tätä tekniikkaa voidaan käyttää niin monilla eri aloilla ja sovelluksissa. Loppujen lopuksi uuden kategorian luominen on harvinainen, mutta uskomattoman palkitseva saavutus. Tärkeimmät poiminnani kokemuksesta:

• Rakenna hämmästyttävä tuote ja vältä villitysten jahtaamista
• Älä pelkää olla vastustaja
• Keskity asiakkaiden ongelmien ratkaisemiseen ja arvon tuottamiseen
• Ole aina avoin innovaatioille ja uusille asioille
• Luo ja juurruta oikea yrityskulttuuri alusta alkaen

Voitko jakaa FeatureByten taustalla olevan tarinan?

Se on tunnettu tosiasia AI/ML-maailmassa – loistava tekoäly alkaa suuresta datasta. Mutta tekoälytietojen (tai ominaisuuksien) valmistelu, käyttöönotto ja hallinta on monimutkaista ja aikaa vievää. Toinen perustajani Xavier Conort ja minä näimme tämän ongelman omakohtaisesti DataRobotissa. Vaikka mallintaminen on yksinkertaistunut huomattavasti AutoML-työkalujen ansiosta, ominaisuuksien suunnittelu ja hallinta ovat edelleen valtava haaste. Yhdistetyn kokemuksemme ja asiantuntemuksemme perusteella Xavier ja minä ajattelimme, että voimme todella auttaa organisaatioita ratkaisemaan tämän haasteen ja toteuttamaan tekoälyn lupauksen kaikkialla.

Ominaisuussuunnittelu on FeatureByten ytimessä. Voisitko selittää, mitä tämä on lukijoillemme?

Viime kädessä tietojen laatu ohjaa tekoälymallien laatua ja suorituskykyä. Tietoa, joka syötetään malleihin niiden kouluttamiseksi ja tulevien tulosten ennustamiseksi, kutsutaan ominaisuuksiksi. Ominaisuudet edustavat tietoja kokonaisuuksista ja tapahtumista, kuten kuluttajien demografisia tai psykografisia tietoja tai kortinhaltijan ja kauppiaan välistä etäisyyttä luottokorttitapahtumassa tai eri luokkiin kuuluvien tuotteiden määrää kaupasta tehdystä ostoksesta.

Prosessia, jossa raakadata muunnetaan ominaisuuksiksi – ML-mallien kouluttamiseksi ja tulevien tulosten ennustamiseksi – kutsutaan ominaisuussuunnitteluksi.

Miksi ominaisuussuunnittelu on yksi koneoppimisprojektien monimutkaisimmista puolista?

Ominaisuussuunnittelu on erittäin tärkeää, koska prosessi on suoraan vastuussa ML-mallien suorituskyvystä. Hyvä ominaisuussuunnittelu vaatii kolmen melko itsenäisen taidon yhdistämisen – toimialueen tietämyksen, datatieteen ja tietotekniikan. Aluetuntemus auttaa datatieteilijöitä määrittämään, mitä signaaleja tiedosta poimitaan tiettyä ongelmaa tai käyttötapausta varten. Tarvitset datatieteen taitoja näiden signaalien poimimiseen. Ja lopuksi tietotekniikka auttaa sinua ottamaan käyttöön putkia ja suorittamaan kaikki nämä toiminnot mittakaavassa suurilla tietomäärillä.

Suurimmassa osassa organisaatioita nämä taidot elävät eri tiimeissä. Nämä tiimit käyttävät erilaisia ​​työkaluja eivätkä kommunikoi hyvin keskenään. Tämä aiheuttaa paljon kitkaa prosessissa ja hidastaa sen hionnan pysähtymiseen.

Voisitko kertoa, miksi ominaisuussuunnittelu on heikoin lenkki tekoälyn skaalauksessa?

Tunnetun tekoälyasiantuntijan Andrew Ng:n mukaan "Soveltava koneoppiminen on pohjimmiltaan ominaisuussuunnittelua." Huolimatta siitä, että ominaisuussuunnittelu on kriittistä koneoppimisen elinkaaren kannalta, se on edelleen monimutkaista, aikaa vievää ja asiantuntijatiedosta riippuvaa. Työkaluista on vakava pula prosessin helpottamiseksi, nopeammaksi ja teollistumiseksi. Vaadittu ponnistus ja asiantuntemus estää yrityksiä ottamasta tekoälyä käyttöön laajassa mittakaavassa.

Voisitko kertoa haasteista datakeskeisen tekoälyratkaisun rakentamisessa, joka yksinkertaistaa radikaalisti datatieteilijöiden ominaisuussuunnittelua?

Tuotteen rakentaminen, jolla on 10-kertainen etu status quoon verrattuna, on erittäin vaikeaa. Onneksi Xavierilla on syvää datatieteen asiantuntemusta, jota hän käyttää ajatellessaan uudelleen koko ominaisuuden työnkulkua ensimmäisistä periaatteista alkaen. Meillä on maailmanluokan tiimi täyden pinon datatieteilijöitä ja insinöörejä, jotka voivat muuttaa visiomme todeksi. Ja käyttäjät ja kehityskumppanit neuvovat meitä UX:n virtaviivaistamisessa, jotta voimme ratkaista heidän haasteensa parhaiten.

Miten FeatureByte-alusta nopeuttaa tietojen valmistelua koneoppimissovelluksia varten?

Tietojen valmistelu ML:ää varten on iteratiivinen prosessi, joka perustuu nopeaan kokeiluun. Avoimen lähdekoodin FeatureByte SDK on ilmoittava kehys uusimpien ominaisuuksien luomiseen vain muutamalla koodirivillä ja tietoputkien käyttöönottoon minuuteissa viikkojen tai kuukausien sijaan. Näin datatieteilijät voivat keskittyä luovaan ongelmien ratkaisemiseen ja nopeaan reaaliaikaisen datan iterointiin sen sijaan, että he huolehtisivat putkistosta.

Tuloksena ei ole vain nopeampi tietojen valmistelu ja jakelu tuotannossa, vaan myös parempi mallin suorituskyky tehokkaiden ominaisuuksien ansiosta.

Voitko keskustella siitä, kuinka FeatureByte-alusta tarjoaa lisäksi mahdollisuuden virtaviivaistaa erilaisia ​​käynnissä olevia hallintatehtäviä?

FeatureByte-alusta on suunniteltu hallitsemaan ML-ominaisuuden elinkaarta päästä päähän. Deklaratiivisen viitekehyksen avulla FeatureByte voi ottaa dataputket käyttöön automaattisesti, samalla kun se poimii yleisen ympäristön hallinnan kannalta merkityksellistä metadataa. Käyttäjät voivat seurata putkilinjan kuntoa ja kustannuksia sekä hallita ominaisuuksien linjaa, versioita ja oikeellisuutta samasta käyttöliittymästä. Yritystason roolipohjaiset käyttö- ja hyväksyntätyönkulut varmistavat tietojen yksityisyyden ja turvallisuuden samalla, kun vältetään ominaisuuksien hajautuminen.

Onko jotain muuta, mitä haluaisit jakaa FeatureBytestä?

Useimmat yritysten tekoälytyökalut keskittyvät koneoppimismallien parantamiseen. Tehtävämme on auttaa yrityksiä skaalaamaan tekoälyään yksinkertaistamalla ja teollistamalla tekoälydataa. Me FeatureBytessä vastaamme tekoälyn harjoittajien suurimpaan haasteeseen: tarjoamme johdonmukaisen, skaalautuvan tavan valmistella, palvella ja hallita tietoja mallin koko elinkaaren ajalta ja samalla yksinkertaistaa koko prosessia radikaalisti.

Jos olet datatieteilijä tai insinööri, joka on kiinnostunut pysymään datatieteen kärjessä, rohkaisen sinua kokemaan FeatureByte ilmaiseksi.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä FeatureByte.