राज़ी रज़ीउद्दीन, फीचरबाइट के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

राज़ी रज़ीउद्दीन फीचरबाइट के सह-संस्थापक और सीईओ हैं, उनका उद्देश्य उद्यम में एआई को स्केल करने के लिए आखिरी बड़ी बाधा को दूर करना है। राज़ी का विश्लेषण और विकास अनुभव दो यूनिकॉर्न स्टार्टअप्स की नेतृत्व टीम में फैला हुआ है। राज़ी ने डेटारोबोट को छह साल से भी कम समय में 10 से 850 कर्मचारियों तक बढ़ने में मदद की। उन्होंने एक सेवा-नेतृत्व वाली बाजार में प्रवेश करने की रणनीति की शुरुआत की, जो डेटारोबोट की तेजी से विकास का एक महत्वपूर्ण हिस्सा बन गई।

फीचरबाइट उद्यम में एआई को स्केल करने के लिए एक मिशन पर है, एआई डेटा को आमूलचूल रूप से सरल और औद्योगिक बनाकर। फीचर इंजीनियरिंग और प्रबंधन (एफईएम) प्लेटफ़ॉर्म डेटा वैज्ञानिकों को अत्याधुनिक फीचरों और उत्पादन-तैयार डेटा पाइपलाइनों को मिनटों में बनाने और साझा करने में सक्षम बनाता है – सप्ताह या महीनों के बजाय।

आपको कंप्यूटर विज्ञान और मशीन लर्निंग में शुरू से आकर्षित क्या था?

एक व्यक्ति के रूप में जिसने हाई स्कूल में कोडिंग शुरू की, मैं एक मशीन से आकर्षित था जिससे मैं कोड के माध्यम से “बात” कर सकता था और नियंत्रित कर सकता था। मैं मशीन लर्निंग की अंतहीन संभावनाओं से तुरंत आकर्षित हुआ। मशीन लर्निंग ने प्रोग्रामिंग में एक परिवर्तनकारी परिवर्तन का प्रतिनिधित्व किया, जिससे मशीनें कोड में चरणों को निर्दिष्ट किए बिना कार्य सीखने और प्रदर्शन करने में सक्षम हो गईं। एमएल अनुप्रयोगों की अंतहीन संभावना मुझे हर दिन उत्साहित करती है।

आप डेटारोबोट में व्यावसायिक भूमिका के लिए नियुक्त पहले कर्मचारी थे, एक स्वचालित मशीन लर्निंग प्लेटफ़ॉर्म जो संगठनों को एआई-संचालित बनने में सक्षम बनाता है। आपने तब कंपनी को छह साल से भी कम समय में 10 से 1,000 कर्मचारियों तक बढ़ने में मदद की। इस अनुभव से आपके कुछ प्रमुख निष्कर्ष क्या थे?

शून्य से एक तक पहुंचना मुश्किल है, लेकिन अविश्वसनीय रूप से रोमांचक और पुरस्कृत। कंपनी के विकास के प्रत्येक चरण में एक अलग सेट की चुनौतियां होती हैं, लेकिन कंपनी को बढ़ते और सफल होते देखना एक अद्भुत अनुभव है।

AutoML के मेरे अनुभव ने एआई की असीम संभावनाओं के प्रति मेरी आँखें खोल दीं। यह देखना दिलचस्प है कि यह तकनीक इतने सारे विभिन्न उद्योगों और अनुप्रयोगों में कैसे उपयोग की जा सकती है। अंत में, एक नई श्रेणी बनाना एक दुर्लभ उपलब्धि है, लेकिन एक अविश्वसनीय रूप से पुरस्कृत एक। मेरे अनुभव से मेरे प्रमुख निष्कर्ष:

• एक अद्भुत उत्पाद बनाएं और फैड का पीछा करने से बचें
• प्रचलित सोच के विपरीत जाने से न डरें
• ग्राहक समस्याओं को हल करने और मूल्य प्रदान करने पर ध्यान केंद्रित करें
• नवाचार और नई चीजों की कोशिश करने के लिए हमेशा खुले रहें
• शुरू से ही सही कंपनी संस्कृति बनाएं और उसे प्रसारित करें

क्या आप फीचरबाइट के पीछे की उत्पत्ति कहानी साझा कर सकते हैं?

यह एक जानी-मानी बात है – एआई/एमएल दुनिया में कि महान एआई महान डेटा से शुरू होता है। लेकिन एआई डेटा (या फीचरों) को तैयार करना, तैनात करना और प्रबंधित करना जटिल और समय लेने वाला है। मेरे सह-संस्थापक, जेवियर कोनोर्ट, और मैंने डेटारोबोट में इस समस्या को पहले से देखा था। जबकि AutoML उपकरणों के कारण मॉडल बनाना बहुत सरल हो गया है, फीचर इंजीनियरिंग और प्रबंधन अभी भी एक बड़ी चुनौती है। हमारे संयुक्त अनुभव और विशेषज्ञता के आधार पर, जेवियर और मैं महसूस करते थे कि हम वास्तव में संगठनों को इस चुनौती का समाधान करने और एआई के वादे को पूरा करने में मदद कर सकते हैं।

फीचर इंजीनियरिंग फीचरबाइट के कोर में है, आप हमारे पाठकों के लिए इसकी व्याख्या कर सकते हैं?

अंततः, डेटा की गुणवत्ता एआई मॉडल की गुणवत्ता और प्रदर्शन को चलाती है। मॉडल को प्रशिक्षित करने और भविष्य के परिणामों की भविष्यवाणी करने के लिए मॉडल में डाले जाने वाले डेटा को फीचर कहा जाता है। फीचर इकाइयों और घटनाओं के बारे में जानकारी का प्रतिनिधित्व करती हैं, जैसे कि उपभोक्ताओं के लिए जनसांख्यिकी या मनोवृत्तियों और जीवनशैली से संबंधित डेटा, या एक क्रेडिट कार्ड लेनदेन के लिए व्यापारी और कार्डधारक के बीच दूरी या एक स्टोर खरीद के विभिन्न श्रेणियों से आइटम की संख्या।

कच्चे डेटा को एमएल मॉडल को प्रशिक्षित करने और भविष्य के परिणामों की भविष्यवाणी करने के लिए फीचरों में परिवर्तित करने की प्रक्रिया को फीचर इंजीनियरिंग कहा जाता है।

फीचर इंजीनियरिंग मशीन लर्निंग परियोजनाओं के सबसे जटिल पहलुओं में से एक क्यों है?

फीचर इंजीनियरिंग बहुत महत्वपूर्ण है क्योंकि प्रक्रिया सीधे एमएल मॉडल के प्रदर्शन के लिए जिम्मेदार है। अच्छी फीचर इंजीनियरिंग के लिए तीन काफी स्वतंत्र कौशलों को एक साथ लाने की आवश्यकता होती है – डोमेन ज्ञान, डेटा विज्ञान और डेटा इंजीनियरिंग। डोमेन ज्ञान डेटा वैज्ञानिकों को एक विशिष्ट समस्या या उपयोग के मामले के लिए डेटा से संकेत निकालने में मदद करता है। आपको संकेत निकालने के लिए डेटा विज्ञान कौशल की आवश्यकता है। और अंत में, डेटा इंजीनियरिंग आपको बड़े डेटा वॉल्यूम पर पाइपलाइनों को तैनात करने और सभी संचालन को पैमाने पर करने में मदद करती है।

अधिकांश संगठनों में, ये कौशल अलग-अलग टीमों में रहते हैं। ये टीमें अलग-अलग उपकरणों का उपयोग करती हैं और एक दूसरे के साथ अच्छी तरह से संवाद नहीं करती हैं। इससे प्रक्रिया में बहुत अधिक घर्षण पैदा होता है और अंततः इसे पूरी तरह रोक देता है।

फीचर इंजीनियरिंग एआई को स्केल करने में सबसे कमजोर कड़ी क्यों है?

एंड्रू एनजी, एआई में एक प्रसिद्ध विशेषज्ञ के अनुसार, “लागू मशीन लर्निंग मूल रूप से फीचर इंजीनियरिंग है।” इसकी महत्ता के बावजूद, फीचर इंजीनियरिंग जटिल, समय लेने वाली और विशेषज्ञ ज्ञान पर निर्भर रहती है। प्रक्रिया को आसान, तेज और अधिक औद्योगिक बनाने के लिए उपकरणों की एक गंभीर कमी है। प्रयास और विशेषज्ञता की आवश्यकता उद्यमों को एआई को बड़े पैमाने पर तैनात करने से रोकती है।

डेटा वैज्ञानिकों के लिए फीचर इंजीनियरिंग को रेडिकल रूप से सरल बनाने वाले एक डेटा-केंद्रित एआई समाधान बनाने के पीछे कुछ चुनौतियां साझा कर सकते हैं?

मौजूदा विकल्पों से दस गुना बेहतर उत्पाद बनाना बहुत कठिन है। सौभाग्य से, जेवियर के पास गहरी डेटा विज्ञान विशेषज्ञता है जिसका उपयोग वह पूरे फीचर कार्यप्रवाह पर बुनियादी सिद्धांतों से नए सिरे से विचार करने में करते हैं। हमारे पास फुल-स्टैक डेटा वैज्ञानिकों और इंजीनियरों की एक विश्व-स्तरीय टीम है जो हमारे दृष्टिकोण को वास्तविकता में बदल सकती है। और उपयोगकर्ताओं और विकास भागीदारों को हमें उनकी चुनौतियों को हल करने के लिए यूएक्स को स्ट्रीमलाइन करने की सलाह देने के लिए।

फीचरबाइट प्लेटफ़ॉर्म मशीन लर्निंग अनुप्रयोगों के लिए डेटा की तैयारी को कैसे तेज़ करेगा?

एमएल के लिए डेटा तैयारी एक पुनरावृत्ति प्रक्रिया है जो तेज़ प्रयोग पर निर्भर करती है। ओपन-सोर्स फीचरबाइट एसडीके एक घोषणात्मक फ्रेमवर्क है जो कुछ ही पंक्तियों के साथ अत्याधुनिक फीचरों को बनाने और मिनटों के भीतर डेटा पाइपलाइनों को तैनात करने के लिए है, न कि सप्ताह या महीनों में। इससे डेटा वैज्ञानिकों को रचनात्मक समस्या समाधान और लाइव डेटा पर तेजी से पुनरावृत्ति पर ध्यान केंद्रित करने की अनुमति मिलती है, न कि तकनीकी आधारभूत ढाँचे की चिंता करने के लिए।

परिणाम न केवल तेजी से डेटा तैयारी और उत्पादन वातावरण में डेटा उपलब्ध कराना है, बल्कि शक्तिशाली फीचरों के माध्यम से सुधारित मॉडल प्रदर्शन भी है।

फीचरबाइट प्लेटफ़ॉर्म के माध्यम से विभिन्न चल रहे प्रबंधन कार्यों को स्ट्रीमलाइन करने की क्षमता पर चर्चा कर सकते हैं?

फीचरबाइट प्लेटफ़ॉर्म एमएल फीचर लाइफसाइकल को प्रबंधित करने के लिए डिज़ाइन किया गया है। घोषणात्मक फ्रेमवर्क फीचरबाइट को डेटा पाइपलाइनों को स्वचालित रूप से तैनात करने की अनुमति देता है, जबकि प्रबंधन के लिए प्रासंगिक मेटाडेटा को निकालता है। उपयोगकर्ता पाइपलाइन स्वास्थ्य और लागत की निगरानी कर सकते हैं, और फीचरों की डेटा की उत्पत्ति और प्रवाह, संस्करण और सहीपन को एक ही जीयूआई से प्रबंधित कर सकते हैं। एंटरप्राइज़-ग्रेड रोल-आधारित एक्सेस और अनुमोदन कार्य प्रवाह डेटा गोपनीयता और सुरक्षा सुनिश्चित करते हैं, जबकि फीचरों की अनियंत्रित वृद्धि से बचते हैं।

क्या आपके पास फीचरबाइट के बारे में साझा करने के लिए कुछ और है?

अधिकांश उद्यम एआई टूल्स मॉडल को बेहतर बनाने पर ध्यान केंद्रित करते हैं। हमने एआई डेटा को सरल और औद्योगिक बनाकर उद्यमों में एआई को स्केल करने में मदद करने का एक मिशन बनाया है। फीचरबाइट में, हम एआई प्रैक्टिशनर्स के लिए सबसे बड़ी चुनौती का समाधान करते हैं: मॉडल के पूरे जीवनचक्र में डेटा की तैयारी, सेवा और प्रबंधन के लिए एक सुसंगत, स्केलेबल तरीका प्रदान करना, जबकि पूरी प्रक्रिया को रेडिकल रूप से सरल बनाना।

यदि आप एक डेटा वैज्ञानिक या इंजीनियर हैं जो डेटा विज्ञान के अग्रिम में रहने में रुचि रखते हैं, तो मैं आपको फीचरबाइट को निःशुल्क आज़माने के लिए प्रोत्साहित करता हूँ।

साक्षात्कार के लिए धन्यवाद, पाठक जो अधिक जानना चाहते हैं उन्हें फीचरबाइट पर जाना चाहिए।