Razi Raziuddin, Co-Founder & CEO of FeatureByte – Interview Series

Razi Raziuddin adalah Co-Founder & CEO dari FeatureByte, visinya adalah untuk membuka hambatan terakhir dalam menskala AI di perusahaan. Pengalaman Razi dalam analitik dan pertumbuhan meliputi tim kepemimpinan dari dua startup unicorn. Razi membantu menskala DataRobot dari 10 hingga 850 karyawan dalam waktu kurang dari enam tahun. Ia mempelopori strategi go-to-market yang dipimpin oleh layanan yang menjadi ciri khas pertumbuhan DataRobot yang cepat.

FeatureByte berada pada misi untuk menskala AI perusahaan, dengan menyederhanakan dan mengindustrikan data AI secara radikal. Platform feature engineering dan manajemen (FEM) memungkinkan ilmuwan data untuk membuat dan berbagi fitur state-of-the-art dan pipeline data yang siap produksi dalam hitungan menit — bukan dalam hitungan minggu atau bulan.

Apa yang awalnya menarik Anda ke ilmu komputer dan pembelajaran mesin?

Sebagai seseorang yang mulai mengkode di sekolah menengah, saya terpesona dengan mesin yang bisa “berbicara” dan dikendalikan melalui kode. Saya langsung ketagihan dengan kemungkinan aplikasi baru yang tak terbatas. Pembelajaran mesin mewakili perubahan paradigma dalam pemrograman, yang memungkinkan mesin belajar dan melakukan tugas tanpa harus menentukan langkah-langkah dalam kode. Potensi tak terbatas dari aplikasi ML adalah yang membuat saya bersemangat setiap hari.

Anda adalah hire bisnis pertama di DataRobot, platform pembelajaran mesin otomatis yang memungkinkan organisasi menjadi AI-driven. Anda kemudian membantu menskala perusahaan dari 10 hingga 1.000 karyawan dalam waktu kurang dari 6 tahun. Apa yang menjadi pengambilan utama dari pengalaman ini?

Pergi dari nol ke satu itu sulit, tetapi sangat menyenangkan dan memuaskan. Setiap tahap dalam evolusi perusahaan menyajikan tantangan yang berbeda, tetapi melihat perusahaan tumbuh dan sukses adalah perasaan yang luar biasa.

Pengalaman saya dengan AutoML membuka mata saya tentang potensi tak terbatas dari AI. Menarik untuk melihat bagaimana teknologi ini dapat digunakan di berbagai industri dan aplikasi. Di akhir hari, menciptakan kategori baru adalah prestasi yang langka, tetapi sangat memuaskan. Pengambilan utama saya dari pengalaman:

• Bangun produk yang luar biasa dan hindari mengejar mode
• Jangan takut untuk menjadi kontrarian
• Fokus pada memecahkan masalah pelanggan dan memberikan nilai
• Selalu terbuka untuk inovasi dan mencoba hal-hal baru
• Buat dan tanamkan budaya perusahaan yang tepat dari awal

Apakah Anda bisa berbagi cerita di balik FeatureByte?

Ini adalah fakta yang diketahui di dunia AI/ML – bahwa AI yang hebat dimulai dengan data yang hebat. Tetapi mempersiapkan, mengirim, dan mengelola data AI (atau Fitur) itu kompleks dan memakan waktu. Saya dan co-founder saya, Xavier Conort, melihat masalah ini secara langsung di DataRobot. Sementara pemodelan telah menjadi sangat disederhanakan berkat alat AutoML, feature engineering dan manajemen tetap menjadi tantangan besar. Berdasarkan pengalaman dan keahlian kami, Xavier dan saya merasa kami bisa benar-benar membantu organisasi memecahkan tantangan ini dan memenuhi janji AI di mana-mana.

Feature engineering adalah inti dari FeatureByte, bisa Anda jelaskan apa itu untuk pembaca kita?

Akhirnya, kualitas data mengemudi kualitas dan kinerja model AI. Data yang dimasukkan ke dalam model untuk melatih dan memprediksi hasil di masa depan disebut Fitur. Fitur mewakili informasi tentang entitas dan peristiwa, seperti data demografis atau psikografis konsumen, atau jarak antara pemegang kartu dan pedagang untuk transaksi kartu kredit atau jumlah item dari kategori yang berbeda dari pembelian toko.

Proses mengubah data mentah menjadi fitur – untuk melatih model ML dan memprediksi hasil di masa depan – disebut feature engineering.

Mengapa feature engineering adalah salah satu aspek paling rumit dari proyek pembelajaran mesin?

Feature engineering sangat penting karena prosesnya secara langsung bertanggung jawab atas kinerja model ML. Feature engineering yang baik memerlukan tiga keterampilan yang cukup independen untuk bersatu – pengetahuan domain, ilmu data, dan teknik data. Pengetahuan domain membantu ilmuwan data menentukan sinyal apa yang harus diekstrak dari data untuk kasus atau penggunaan tertentu. Anda memerlukan keterampilan ilmu data untuk mengekstrak sinyal tersebut. Dan akhirnya, teknik data membantu Anda mengirim pipeline dan melakukan semua operasi tersebut pada skala besar pada volume data yang besar.

Di sebagian besar organisasi, keterampilan ini hidup dalam tim yang berbeda. Tim-tim ini menggunakan alat yang berbeda dan tidak berkomunikasi dengan baik satu sama lain. Ini menyebabkan banyak gesekan dalam proses dan memperlambatnya hingga berhenti.

Apakah Anda bisa berbagi wawasan tentang mengapa feature engineering adalah mata rantai terlemah dalam menskala AI?

Menurut Andrew Ng, ahli terkenal di AI, “Pembelajaran mesin terapan pada dasarnya adalah feature engineering.” Meskipun pentingnya untuk siklus hidup pembelajaran mesin, feature engineering tetap kompleks, memakan waktu, dan bergantung pada pengetahuan ahli. Ada kekurangan serius alat untuk membuat proses lebih mudah, lebih cepat, dan lebih terindustrikan. Upaya dan keahlian yang diperlukan memegang kembali perusahaan dari kemampuan untuk mengirim AI pada skala besar.

Apakah Anda bisa berbagi beberapa tantangan di balik membangun solusi AI yang berfokus pada data yang secara radikal menyederhanakan feature engineering untuk ilmuwan data?

Membangun produk yang memiliki keunggulan 10X atas status quo itu sangat sulit. Beruntung, Xavier memiliki keahlian ilmu data yang dalam yang ia gunakan untuk memikirkan kembali seluruh alur kerja fitur dari prinsip-prinsip dasar. Kami memiliki tim kelas dunia ilmuwan data dan insinyur penuh waktu yang dapat mengubah visi kami menjadi kenyataan. Dan pengguna serta mitra pengembangan untuk memberi saran tentang menyederhanakan UX untuk memecahkan tantangan mereka.

Bagaimana platform FeatureByte akan mempercepat persiapan data untuk aplikasi pembelajaran mesin?

Persiapan data untuk ML adalah proses iteratif yang bergantung pada eksperimen cepat. SDK FeatureByte open source adalah kerangka kerja deklaratif untuk membuat fitur state-of-the-art dengan hanya beberapa baris kode dan mengirim pipeline data dalam hitungan menit bukan minggu atau bulan. Ini memungkinkan ilmuwan data untuk fokus pada pemecahan masalah kreatif dan beriterasi cepat pada data langsung, bukan khawatir tentang plumbing.

Hasilnya tidak hanya persiapan data yang lebih cepat dan penyajian di produksi, tetapi juga kinerja model yang ditingkatkan melalui fitur yang kuat.

Apakah Anda bisa membahas bagaimana platform FeatureByte juga akan menawarkan kemampuan untuk menyederhanakan berbagai tugas manajemen yang berkelanjutan?

Platform FeatureByte dirancang untuk mengelola siklus hidup fitur ML secara menyeluruh. Kerangka kerja deklaratif memungkinkan FeatureByte untuk mengirim pipeline data secara otomatis, sementara mengekstrak metadata yang relevan untuk mengelola lingkungan secara menyeluruh. Pengguna dapat memantau kesehatan pipeline dan biaya, serta mengelola garis keturunan, versi, dan kebenaran fitur semua dari GUI yang sama. Alur kerja persetujuan dan akses berbasis peran kelas perusahaan memastikan privasi dan keamanan data, sementara menghindari fitur sprawl.

Apakah ada yang lain yang ingin Anda bagikan tentang FeatureByte?

Sebagian besar alat AI perusahaan fokus pada memperbaiki model pembelajaran mesin. Kami telah membuat misi untuk membantu perusahaan menskala AI, dengan menyederhanakan dan mengindustrikan data AI. Di FeatureByte, kami mengatasi tantangan terbesar untuk praktisi AI: Menyediakan cara konsisten dan scalable untuk mempersiapkan, mengirim, dan mengelola data di seluruh siklus hidup model, sementara secara radikal menyederhanakan proses secara menyeluruh.

Jika Anda adalah ilmuwan data atau insinyur yang tertarik untuk tetap berada di ujung tombak ilmu data, saya sarankan Anda untuk mengalami kekuatan FeatureByte secara gratis.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi FeatureByte.