ג’רי שו, מייסד-שותף ומנכ”ל של Datatron – סדרת ראיונות

ג’רי הוא בעל ניסיון רב בתחומי למידת מכונה, מערכות אחסון, שירותים מקוונים, מערכות מבוזרות, וירטואליזציה וליבת מערכת הפעלה. הוא עבד על מערכות בביצועים גבוהים ובקנה מידה גדול בחברות כגון: Lyft, Box, Twitter, Zynga ו-Microsoft. הוא גם כתב את הפרויקט הקוד הפתוח Lib Crunch והוא זוכה פעמיים בפרס Microsoft Gold Star. ג’רי סיים את התואר השני שלו במדעי המחשב באוניברסיטת שאנגחאי. הסטארט-אפ האחרון שלו הוא Datatron.
Datatron החלה ב-2016 לאחר שעזבת את Lyft. כיצד התחילתם את המושג העסקי של Datatron?
כאשר עבדנו ב-Lyft, הבחנו כי מדעני נתונים בדרך כלל מגיעים מרקע מגוון כגון מתמטיקה, פיזיקה, הנדסת ביו וכו’. לעיתים קרובות מאוד קשה להם להבין את חלק ההנדסי של האופן שבו דגמים שלהם עובדים, אף על פי שיש להם אינטואיציה טובה לגבי הדגם והמתמטיקה. זה היה המניע לנו להתחיל את Datatron. אנחנו לא מנסים לעזור למדעני נתונים למצוא את האלגוריתם הטוב ביותר. אנחנו רק מצטרפים לתמונה לאחר שהאלגוריתם נקבע ולהפוך את הפריסה, המעקב והניהול של הדגם ליעילים יותר.
 
Datron התקבלה על ידי 500 Startups להיות חלק מהקוהורט ה-18 של חברות מאיצות. כיצד השפיעה תקופת ההתמחות הזו עליך באופן אישי, וכיצד אתה מנהל את Datatron?
למדנו הרבה מהחוויות של StartX ו-500 Startup, כולל איך להציג למשקיעים, איך למצוא התאמה של מוצר/שוק, איך לרוץ מכירות/שיווק, שאותם לא היינו בעלי ניסיון אישי לפני כן.
 
Datron היא פלטפורמת ניהול למודלים של ML, AI ומדעי נתונים. האם תוכל להרחיב על חלק מהתכוניות שמוצעות על ידי הפלטפורמה שלך?
למוצר שלנו יש ארבעה מודולים כעת, פריסת מודל, מעקב אחר מודל, Model Challenger וניהול מודל.
פריסת מודל:
יצירה והגדלה של פריסות מודל בכמה קליקים. פריסת מודלים שפותחו בכל סביבה או שפה.
מעקב אחר מודל:
קבלת החלטות עסקיות טובות יותר כדי לחסוך לצוות שלך זמן וכסף. מעקב אחר ביצועי המודל וגילוי דעיכת המודל כאשר היא קורה.
ניהול מודל:
הוצאת פחות זמן על אימות מודל, גילוי הטיה ותהליכי ביקורת פנים. עבור מפיתוח מודל לביקורת פנים ולייצור מהר יותר מאי פעם.
 
אחד המקרים של Datatron הוא תחזית ביקוש, שחשובה עבור חברות שצריכות לתכנן ולהקצות משאבים. כיצד משחקת למידת מכונה תפקיד בזה?
הביקוש בדרך כלל משתנה עם עונתיות ומגמה, שהיא בעיה טיפוסית של למידת מכונה. מודלים של למידת מכונה כגון ARIMA, Recurrent Neural Network (RNN) יכולים ללמוד מנתונים היסטוריים כדי למצוא את המגמה והעונתיות באופן אוטומטי ולבצע תחזיות על בסיס זה.
 
אילו מסגרות מודל (למשל, TensorFlow) אתם תומכים בהן כרגע?
אנו תומכים ברוב המסגרות הפופולריות של למידת מכונה כגון sklearn, TensorFlow, H2O, R, SAS וכו’.
 
באילו שפות צריכים להיבנות המודלים כדי להיות תומכים על ידי Datatron?
אנו תומכים במודלים בשפות הילידיות שלהם – Python, R, Java וכו’.
 
מהם סוגי התעשיות שמשרתים בצורה הטובה ביותר את השימוש בפלטפורמה של Datatron?
באופן מהותי, הפלטפורמה שלנו היא פתרון אופקי, שמשמעותו שהיא יכולה להיות משמשת על ידי הרבה תעשיות שונות. כרגע, אנו מנסים להתמקד בשירותים פיננסיים ותקשורת.
 
מהם חלק מהיבטים המאתגרים ביותר של מדעי נתונים שחברות פונות אליהן, ולמה Datatron מפתרת אותם עבורן?
הרבה חברות כבר הקימו צוותי מדעי נתונים ואלו צוותים משתמשים בכלים שונים כדי לבנות את המודלים שלהם ויש להם פרקטיקות שונות לניהול המודלים שלהם. יותר ויותר חברות מבינות שהמודל הופך לנכס וישפיע ישירות על הרווח. היותה של פלטפורמה שיכולה לתקנן את פרקטיקות למידת המכונה ברחבי החברה היא ביקושית וחיונית. הפלטפורמה שלנו יכולה לעזור לפתור את הבעיות האלו.
 
האם יש משהו אחר שהיית רוצה לשתף אודות Datatron?
קיבלנו הרבה התעניינות מחברות גדולות. בו-זמנית, אנו גם בונים את צוותי המכירות והשיווק שלנו כדי ליצור קשר עם לקוחות פוטנציאליים באופן פעיל.
ללמוד עוד, בקרו בDatatron.