Edward Cui, Pendiri & CEO Graviti – Seri Wawancara

Edward Cui adalah Pendiri & CEO Graviti, sebuah perusahaan yang membangun platform data generasi berikutnya yang akan mengubah secara fundamental cara pengembang berinteraksi dengan data tidak terstruktur. Dengan Graviti, pengembang AI dapat memperoleh, menyimpan, dan memproses data lebih cepat dan mudah – dasar yang dibutuhkan untuk memanfaatkan kecerdasan buatan untuk memberdayakan semua industri.

Anda memulai studi sarjana sebagai insinyur mesin, apa yang menyebabkan perubahan ke ilmu komputer dan kecerdasan buatan?

Saya sebenarnya belajar teknik mesin sebagai sarjana pada tahun 2012. Saya mengambil kelas tentang pembelajaran mesin di Universitas Pennsylvania, yang sangat mengesankan, dan saya tahu itu adalah masa depan dan apa yang saya ingin lakukan untuk karir saya. Setelah kelas itu, saya pindah ke ilmu komputer.

Setelah lulus, saya melakukan penelitian tentang pembelajaran penguatan di Universitas Pennsylvania. Pada tahun 2015, mantan bos saya, Jeff Snyder, bergabung dengan Uber dan mengundang saya untuk bergabung dengan Uber ATG. Itulah awal karir saya di industri mobil self-driving.

Apakah Anda dapat membagikan cerita asal Graviti?

Bekerja di Uber sangat rumit pada awalnya karena orang tidak menggunakan model pembelajaran mesin besar dan kita kekurangan daya komputasi dan platform manajemen data untuk melatih model. Data yang kita kumpulkan untuk mobil self-driving semua tidak terstruktur. Misalnya, mereka adalah gambar, video, titik LIDAR. Semua jenis data dari sensor dunia nyata dan kita mengumpulkan banyak data tidak terstruktur setiap hari. Kami melakukan statistik yang menunjukkan bahwa jumlah data yang kita kumpulkan di divisi mobil self-driving dalam satu minggu sama dengan data yang kita kumpulkan untuk bisnis restoran secara global selama satu tahun. Banyak data tidak terstruktur yang menumpuk setiap hari dan itu menciptakan masalah besar tentang bagaimana menyimpan data, bagaimana mengelola data, dan bagaimana menggunakan data untuk menghasilkan nilai bagi berbagai organisasi.

Setelah tiga tahun bekerja di Uber, saya melihat kesempatan untuk memperbaiki cara mengelola data tidak terstruktur skala besar. Jadi, saya mendirikan Graviti pada tahun 2019 untuk mempercepat inovasi di AI dengan membangun platform manajemen data tidak terstruktur.

Bagaimana Graviti adalah platform untuk mengelola dan mengatur data skala besar?

Graviti bertujuan untuk meluncurkan platform data pertama yang memungkinkan organisasi bekerja dengan volume besar data tidak terstruktur untuk memungkinkan aplikasi AI inovatif. Platform ini menghilangkan kesulitan dan membantu pengembang mengelola jumlah besar data tidak terstruktur dengan tim.

Sementara sebagian besar informasi yang tersedia dalam pengembangan AI adalah data berkualitas rendah dan tidak terstruktur, tim pengembang biasanya menghabiskan lebih dari 50% waktu mereka – tidak untuk membangun model – tetapi untuk mengidentifikasi, meningkatkan, atau membersihkan data tidak terstruktur, dan itu hanya awal dari pekerjaan mereka. Graviti menawarkan cara manajemen data yang lebih ahli untuk membebaskan pengembang dan memberi mereka lebih banyak waktu untuk menganalisis data tidak terstruktur dan melatih model kecerdasan buatan.

Kami membantu pengembang dalam tiga dimensi: penemuan data, iterasi data, dan otomatisasi alur kerja.

Penemuan Data:

Graviti menawarkan fitur hosting data yang membuat mengatur data mentah, anotasi, dan metadata lebih mudah dengan menyatukan format dataset dan anotasi. Ketika pengembang AI mengakses dataset yang berbeda melalui Graviti, mereka tidak perlu mengonversi format data yang menyederhanakan manajemen, kueri, akses, dan operasi lainnya yang terkait dengan anotasi. Graviti membantu mengurangi kemungkinan data mentah yang tidak sesuai atau kehilangan anotasi. Selain itu, platform Graviti dapat membantu pengembang mengevaluasi kualitas dataset dengan fitur visualisasi data, yang menghemat setidaknya delapan jam per minggu untuk pengembang.

Iterasi Data:

Ketika pengembang melatih kecerdasan buatan mereka, mereka perlu menguji dengan dataset dalam versi yang berbeda untuk melihat hasil dan mencatat anotasi. Tantangan adalah melacak berbagai edit dan versi dengan anggota tim yang bekerja pada proyek yang sama. Graviti menawarkan solusi dengan memungkinkan alokasi hak akses yang berbeda kepada karyawan untuk mengunggah anotasi mereka dan melacak kemajuan proyek dan bekerja secara bersamaan.

Otomatisasi Alur Kerja:

Dengan fitur yang disebut “Tindakan”, insinyur dapat mengotomatisasi alur kerja dan mengurangi tugas yang berulang, memakan waktu, dan manual. Ini membebaskan pengembang dari menulis skrip manual besar untuk mencapai alur kerja ini dan membuka waktu bagi mereka untuk melakukan pekerjaan yang mereka butuhkan.

Mengapa data tidak terstruktur adalah masa depan AI?

Lebih dari 80% data perusahaan adalah tidak terstruktur sekarang, termasuk gambar, rekaman, video, postingan media sosial, dll. AI adalah kunci untuk menghasilkan nilai dari data tidak terstruktur. Perusahaan mulai menggunakan data tidak terstruktur untuk mendukung penelitian yang lebih mendalam dan analisis lebih lanjut.

Graviti baru-baru ini meluncurkan OpenBytes, proyek data terbuka non-profit yang dihosting di bawah Yayasan Linux. Apakah Anda dapat membahas apa itu OpenBytes secara khusus?

Misi OpenBytes adalah untuk memfasilitasi berbagi data yang lebih luas dalam komunitas AI melalui pembuatan standar data, format, dan proses yang memungkinkan kontribusi data. Ruang lingkup OpenBytes termasuk kurasi dataset terbuka, spesifikasi data terbuka, dan pengembangan kolaboratif di bawah lisensi terbuka yang mendukung misi, termasuk dokumentasi, pengujian, integrasi, dan pembuatan artefak lain yang membantu pengembangan, penerapan, operasi, atau adopsi proyek sumber terbuka.

OpenBytes dapat mengurangi risiko kewajiban kontributor data. Pemegang dataset enggan untuk berbagi dataset mereka secara publik karena kurangnya pengetahuan tentang lisensi data. Setelah kontributor dataset bergabung dengan OpenBytes, data mereka akan dilindungi, dan lebih banyak data terbuka menjadi tersedia.

Kami juga menghasilkan format dataset standar ketika menerbitkan, berbagi, dan menukar data. Format yang disatukan akan membantu kontributor data untuk memahami dataset dan menemukan data yang relevan yang mereka butuhkan, sehingga mengarah ke kontribusi dataset terbuka yang lebih berkualitas.

Apa saja manfaat dari dataset sumber terbuka?

Mereka menguntungkan peneliti karena ilmuwan memiliki lebih banyak sumber daya gratis untuk digunakan untuk melatih model dan menyelesaikan penelitian.

Mereka menguntungkan perusahaan, yang menggunakan dataset untuk memulai membangun kemampuan AI dan memperkuat transisi dari perusahaan tradisional ke perusahaan AI.

Bagaimana Graviti mengotentikasi kualitas dataset?

Even dataset populer seperti COCO dan KITTI tidak sempurna untuk pengembang. Bug selalu terjadi ketika pengembang melatih model dan tidak ada yang menemukan cara yang sangat baik untuk meningkatkan kualitas dataset. Graviti percaya bahwa model evaluasi dataset akan dibangun atau revolusi teknis lain akan membantu komunitas menyelesaikan masalah ini, dan itu juga merupakan bagian dari misi Graviti untuk dicapai di masa depan.

Apa visi Anda untuk masa depan tentang bagaimana pengembang mengakses data?

Untuk sejumlah kecil data, pengembang harus dapat mengakses data tersebut dengan mudah. Untuk jumlah data yang lebih besar, seperti dataset yang lebih beragam untuk melatih model, teknologi pembelajaran terdistribusi akan membantu bekerja secara kolaboratif dengan memisahkan kemampuan melakukan pembelajaran mesin dari menyimpan data di server pusat.

Apakah ada yang lain yang Anda ingin bagikan tentang Graviti?

Graviti juga berkembang. Kami mendengarkan umpan balik dari klien kami, termasuk startup, perusahaan, pengembang individu, dan peneliti. Kami juga menyambut setiap kesempatan kolaborasi atau kemitraan dari semua pihak.

Kami melihat peluang besar dalam pengembangan AI dari data terbuka di masa depan yang sangat dekat. Kami membangun komunitas untuk berbagi dan menyumbangkan data terbuka. Ini akan menguntungkan tidak hanya peneliti untuk mendorong batas-batas sains lebih jauh, tetapi juga bisnis untuk memperhalus model mereka dan mengembangkan teknologi dalam lingkungan yang saling menguntungkan.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Graviti.