Razi Raziuddin, Co-Fondateur et PDG de FeatureByte – Série d’entretiens

Razi Raziuddin est le Co-Fondateur et PDG de FeatureByte, sa vision est de débloquer le dernier obstacle majeur à la mise à l’échelle de l’IA dans l’entreprise. L’expérience de Razi en matière d’analyse et de croissance s’étend à l’équipe de direction de deux startups licornes. Razi a aidé à développer DataRobot de 10 à 850 employés en moins de six ans. Il a initié une stratégie de lancement de services qui est devenue la marque de fabrique de la croissance rapide de DataRobot.

FeatureByte est sur une mission pour mettre à l’échelle l’IA d’entreprise, en simplifiant radicalement et en industrialisant les données d’IA. La plateforme de génie et de gestion de fonctionnalités (FEM) permet aux data scientists de créer et de partager des fonctionnalités de pointe et des pipelines de données prêts pour la production en quelques minutes — au lieu de semaines ou de mois.

Qu’est-ce qui vous a initialement attiré vers l’informatique et l’apprentissage automatique ?

En tant que personne qui a commencé à coder au lycée, j’étais fasciné par une machine que je pouvais “parler” et contrôler grâce au code. J’étais instantanément accroché aux possibilités infinies de nouvelles applications. L’apprentissage automatique représentait un changement de paradigme dans la programmation, permettant aux machines d’apprendre et de réaliser des tâches sans même spécifier les étapes dans le code. Le potentiel infini des applications d’apprentissage automatique est ce qui me motive chaque jour.

Vous étiez le premier recrutement commercial de DataRobot, une plateforme d’apprentissage automatique automatisé qui permet aux organisations de devenir axées sur l’IA. Vous avez ensuite aidé à développer l’entreprise de 10 à 1 000 employés en moins de 6 ans. Quels ont été les principaux enseignements de cette expérience ?

Passer de zéro à un est difficile, mais incroyablement excitant et gratifiant. Chaque étape de l’évolution de l’entreprise présente un ensemble différent de défis, mais voir l’entreprise grandir et réussir est un sentiment incroyable.

Mon expérience avec AutoML m’a ouvert les yeux sur le potentiel illimité de l’IA. Il est fascinant de voir comment cette technologie peut être utilisée dans de nombreuses industries et applications différentes. À la fin de la journée, créer une nouvelle catégorie est un exploit rare, mais incroyablement gratifiant. Mes principaux enseignements de cette expérience :

• Construire un produit incroyable et éviter de courir après les modes
• Ne pas avoir peur d’être un contradicteur
• Se concentrer sur la résolution des problèmes des clients et la fourniture de valeur
• Toujours être ouvert à l’innovation et à l’essai de nouvelles choses
• Créer et inculquer la bonne culture d’entreprise dès le début

Pouvez-vous partager l’histoire de la genèse de FeatureByte ?

Il est bien connu dans le monde de l’IA/ML – que le grand IA commence avec de grandes données. Mais préparer, déployer et gérer les données d’IA (ou les fonctionnalités) est complexe et chronophage. Mon co-fondateur, Xavier Conort, et moi avons vu ce problème de visu à DataRobot. Alors que la modélisation est devenue considérablement simplifiée grâce aux outils AutoML, l’ingénierie et la gestion des fonctionnalités restent un défi énorme. Sur la base de notre expérience et de notre expertise combinées, Xavier et moi avons senti que nous pouvions vraiment aider les organisations à résoudre ce défi et à tenir la promesse de l’IA partout.

L’ingénierie de fonctionnalités est au cœur de FeatureByte, pouvez-vous expliquer ce que c’est pour nos lecteurs ?

En fin de compte, la qualité des données détermine la qualité et les performances des modèles d’IA. Les données qui sont alimentées dans les modèles pour les entraîner et prédire les résultats futurs sont appelées fonctionnalités. Les fonctionnalités représentent des informations sur les entités et les événements, telles que les données démographiques ou psychographiques des consommateurs, ou la distance entre un porteur de carte et un commerçant pour une transaction de carte de crédit ou le nombre d’articles de différentes catégories d’un achat en magasin.

Le processus de transformation des données brutes en fonctionnalités – pour entraîner les modèles d’apprentissage automatique et prédire les résultats futurs – est appelé ingénierie de fonctionnalités.

Pourquoi l’ingénierie de fonctionnalités est-elle l’un des aspects les plus compliqués des projets d’apprentissage automatique ?

L’ingénierie de fonctionnalités est super importante car le processus est directement responsable des performances des modèles d’apprentissage automatique. Une bonne ingénierie de fonctionnalités nécessite trois compétences assez indépendantes pour se combiner – connaissance du domaine, science des données et ingénierie des données. La connaissance du domaine aide les data scientists à déterminer quels signaux extraire des données pour un problème ou un cas d’utilisation particulier. Vous avez besoin de compétences en science des données pour extraire ces signaux. Et enfin, l’ingénierie des données vous aide à déployer des pipelines et à effectuer toutes ces opérations à grande échelle sur de grands volumes de données.

Dans la grande majorité des organisations, ces compétences vivent dans des équipes différentes. Ces équipes utilisent différents outils et ne communiquent pas bien les unes avec les autres. Cela entraîne beaucoup de friction dans le processus et le ralentit jusqu’à un point de rupture.

Pouvez-vous partager quelques idées sur pourquoi l’ingénierie de fonctionnalités est le maillon faible de la mise à l’échelle de l’IA ?

Selon Andrew Ng, expert renommé en IA, « L’apprentissage automatique appliqué est essentiellement l’ingénierie de fonctionnalités ». Malgré son importance critique pour le cycle de vie de l’apprentissage automatique, l’ingénierie de fonctionnalités reste complexe, chronophage et dépendante de l’expertise. Il y a un grave manque d’outils pour rendre le processus plus facile, plus rapide et plus industrialisé. Les efforts et l’expertise nécessaires freinent les entreprises dans leur capacité à déployer l’IA à grande échelle.

Pouvez-vous partager quelques-uns des défis derrière la construction d’une solution d’IA centrée sur les données qui simplifie radicalement l’ingénierie de fonctionnalités pour les data scientists ?

Construire un produit qui a un avantage de 10X par rapport à l’état actuel des choses est super difficile. Heureusement, Xavier a une expertise approfondie en science des données qu’il utilise pour repenser l’ensemble du flux de fonctionnalités à partir de principes fondamentaux. Nous avons une équipe de data scientists et d’ingénieurs full-stack de classe mondiale qui peuvent transformer notre vision en réalité. Et des utilisateurs et des partenaires de développement pour nous conseiller sur la façon de rationaliser l’UX pour résoudre au mieux leurs défis.

Comment la plateforme FeatureByte va-t-elle accélérer la préparation des données pour les applications d’apprentissage automatique ?

La préparation des données pour l’apprentissage automatique est un processus itératif qui repose sur une expérimentation rapide. Le SDK FeatureByte open source est un cadre déclaratif pour créer des fonctionnalités de pointe avec seulement quelques lignes de code et déployer des pipelines de données en quelques minutes au lieu de semaines ou de mois. Cela permet aux data scientists de se concentrer sur la résolution de problèmes créatifs et de l’itération rapide sur des données en direct, plutôt que de s’inquiéter du « plomberie ».

Le résultat est non seulement une préparation et une mise en service des données plus rapides en production, mais également de meilleures performances de modèle grâce à des fonctionnalités puissantes.

Pouvez-vous discuter de la façon dont la plateforme FeatureByte va offrir en outre la possibilité de rationaliser diverses tâches de gestion en cours ?

La plateforme FeatureByte est conçue pour gérer le cycle de vie complet des fonctionnalités d’apprentissage automatique. Le cadre déclaratif permet à FeatureByte de déployer automatiquement des pipelines de données, tout en extrayant des métadonnées pertinentes pour gérer l’environnement global. Les utilisateurs peuvent surveiller la santé et les coûts des pipelines, et gérer la lignée, la version et la correction des fonctionnalités, le tout depuis la même interface utilisateur. Les flux de travail d’approbation et d’accès basés sur les rôles de niveau entreprise garantissent la confidentialité et la sécurité des données, tout en évitant la prolifération des fonctionnalités.

Y a-t-il autre chose que vous aimeriez partager sur FeatureByte ?

La plupart des outils d’IA d’entreprise se concentrent sur l’amélioration des modèles d’apprentissage automatique. Nous nous sommes fixé pour mission d’aider les entreprises à mettre à l’échelle leur IA, en simplifiant et en industrialisant les données d’IA. Chez FeatureByte, nous nous attaquons au plus grand défi pour les praticiens de l’IA : Fournir une manière cohérente et scalable de préparer, de servir et de gérer les données tout au long du cycle de vie d’un modèle, tout en simplifiant radicalement l’ensemble du processus.

Si vous êtes un data scientist ou un ingénieur intéressé par rester à la pointe de la science des données, je vous encourage à découvrir le pouvoir de FeatureByte gratuitement.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter FeatureByte.