Xavier Conort, Co-Founder dan CPO dari FeatureByte – Seri Wawancara

Xavier Conort adalah seorang ilmuwan data visioner dengan lebih dari 25 tahun pengalaman data. Ia memulai karirnya sebagai aktuaris di industri asuransi sebelum beralih ke ilmu data. Ia adalah pesaing Kaggle teratas dan merupakan Kepala Ilmuwan Data di DataRobot sebelum menjadi co-founder FeatureByte.

FeatureByte berada pada misi untuk meningkatkan skala AI perusahaan, dengan menyederhanakan dan mengindustrialisasi data AI secara radikal. Platform rekayasa dan manajemen fitur ini memungkinkan ilmuwan data untuk menciptakan dan berbagi fitur mutakhir dan pipa data siap produksi dalam hitungan menit – bukan dalam minggu atau bulan.

Anda memulai karir Anda sebagai aktuaris di industri asuransi sebelum beralih ke Ilmu Data, apa yang menyebabkan perubahan ini?

Saat itu, saya memenangkan GE Flight Quest, sebuah kompetisi yang diselenggarakan oleh GE dengan hadiah $250K, di mana peserta harus memprediksi keterlambatan penerbangan domestik AS. Saya berhutang pada kesuksesan itu karena praktik asuransi yang berharga: pemodelan 2 tahap. Pendekatan ini membantu mengontrol bias dalam fitur yang kekurangan representasi yang cukup dalam data pelatihan yang tersedia. Bersama dengan kemenangan lainnya di Kaggle, prestasi ini meyakinkan saya bahwa latar belakang aktuaris saya memberikan keunggulan kompetitif dalam bidang ilmu data.

Selama perjalanan Kaggle saya, saya juga memiliki kesempatan untuk terhubung dengan ilmuwan data lain yang antusias, termasuk Jeremy Achin dan Tom De Godoy, yang kemudian menjadi pendiri DataRobot. Kami berbagi latar belakang yang sama di industri asuransi dan telah mencapai kesuksesan yang terkenal di Kaggle. Ketika mereka akhirnya meluncurkan DataRobot, sebuah perusahaan yang mengkhususkan diri dalam AutoML, mereka mengundang saya untuk bergabung dengan mereka sebagai Kepala Ilmuwan Data. Visi mereka untuk menggabungkan praktik terbaik dari industri asuransi dengan kekuatan pembelajaran mesin sangat menggembirakan saya, menawarkan kesempatan untuk menciptakan sesuatu yang inovatif dan berdampak.

Di DataRobot dan Anda sangat penting dalam membangun Roadmap Ilmu Data mereka. Apa tantangan data yang Anda hadapi?

Tantangan terbesar yang kami hadapi adalah kualitas data yang bervariasi yang disediakan sebagai input untuk solusi AutoML kami. Masalah ini sering menghasilkan kolaborasi yang memakan waktu antara tim kami dan klien atau hasil yang mengecewakan dalam produksi jika tidak ditangani dengan tepat. Masalah kualitas berasal dari beberapa sumber yang memerlukan perhatian kami.

Salah satu tantangan utama muncul dari penggunaan umum alat bisnis intelijen untuk persiapan dan manajemen data. Meskipun alat-alat ini berharga untuk menghasilkan wawasan, mereka kekurangan kemampuan yang diperlukan untuk memastikan kesesuaian waktu nyata untuk persiapan data pembelajaran mesin. Sebagai hasilnya, kebocoran dalam data pelatihan dapat terjadi, menyebabkan overfitting dan kinerja model yang tidak akurat.

Komunikasi yang tidak efektif antara ilmuwan data dan insinyur data adalah tantangan lain yang mempengaruhi akurasi model selama produksi. Inkonsistensi antara fase pelatihan dan produksi, yang disebabkan oleh ketidaksesuaian antara kedua tim, dapat mempengaruhi kinerja model dalam lingkungan nyata.

Apa beberapa kesimpulan utama dari pengalaman ini?

Pengalaman saya di DataRobot menyoroti pentingnya persiapan data dalam pembelajaran mesin. Dengan menangani tantangan pengembangan data pelatihan model, seperti kesesuaian waktu nyata, kesenjangan keahlian, pengetahuan domain, keterbatasan alat, dan skalabilitas, kita dapat meningkatkan akurasi dan keandalan model pembelajaran mesin. Saya menyimpulkan bahwa menyederhanakan proses persiapan data dan mengintegrasikan teknologi inovatif akan sangat penting dalam membuka potensi penuh AI dan memenuhi janji-janjiannya.

Kami juga mendengar dari Co-Founder Anda Razi Raziuddin tentang cerita asal FeatureByte, bisa kita dapatkan versi Anda dari peristiwa tersebut?

Ketika saya membahas pengamatan dan wawasan saya dengan Co-Founder Razi Raziuddin, kami menyadari bahwa kami berbagi pemahaman yang sama tentang tantangan dalam persiapan data untuk pembelajaran mesin. Selama diskusi, saya berbagi wawasan saya tentang kemajuan terbaru di komunitas MLOps. Saya bisa mengamati munculnya toko fitur dan platform fitur yang perusahaan AI-first tempatkan untuk mengurangi latensi penyajian fitur, mendorong penggunaan kembali fitur atau menyederhanakan materialisasi fitur ke dalam data pelatihan sambil memastikan konsistensi pelatihan-penyajian. Namun, jelas bagi kami bahwa masih ada celah dalam memenuhi kebutuhan ilmuwan data. Razi berbagi wawasan saya tentang bagaimana tumpukan data modern telah merevolusi BI dan analitik, tetapi tidak sepenuhnya dimanfaatkan untuk AI.

Menjadi jelas bagi Razi dan saya bahwa kami memiliki kesempatan untuk membuat dampak yang signifikan dengan menyederhanakan proses rekayasa fitur secara radikal dan memberikan ilmuwan data dan insinyur ML dengan alat dan pengalaman pengguna yang tepat untuk eksperimen fitur yang lancar dan penyajian fitur.

Apa beberapa tantangan terbesar Anda dalam membuat transisi dari ilmuwan data ke wirausaha?

Transisi dari ilmuwan data ke wirausaha memerlukan saya untuk berubah dari perspektif teknis ke mindset yang lebih luas dan berorientasi bisnis. Meskipun saya memiliki landasan yang kuat dalam memahami poin-poin kesulitan, membuat roadmap, melaksanakan rencana, membangun tim, dan mengelola anggaran, saya menemukan bahwa menciptakan pesan yang tepat yang benar-benar bersesuaian dengan audiens target saya adalah salah satu hambatan terbesar saya.

Sebagai ilmuwan data, fokus utama saya selalu pada menganalisis dan menafsirkan data untuk menghasilkan wawasan yang berharga. Namun, sebagai wirausaha, saya perlu mengarahkan pemikiran saya ke arah pasar, pelanggan, dan bisnis secara keseluruhan.

Untungnya, saya dapat mengatasi tantangan ini dengan memanfaatkan pengalaman seseorang seperti Co-Founder Razi.

Kami mendengar dari Razi tentang mengapa rekayasa fitur sangat sulit, menurut Anda apa yang membuatnya begitu menantang?

Rekayasa fitur memiliki dua tantangan utama:

1. Mengubah kolom yang ada: Ini melibatkan mengubah data menjadi format yang sesuai untuk algoritma pembelajaran mesin. Teknik seperti one-hot encoding, penskalaan fitur, dan metode lanjutan seperti transformasi teks dan gambar digunakan. Menciptakan fitur baru dari fitur yang ada, seperti fitur interaksi, dapat sangat meningkatkan kinerja model. Perpustakaan populer seperti scikit-learn dan Hugging Face menyediakan dukungan luas untuk jenis rekayasa fitur ini. Solusi AutoML juga bertujuan untuk menyederhanakan proses ini.
2. Mengambil kolom baru dari data historis: Data historis sangat penting dalam domain masalah seperti sistem rekomendasi, pemasaran, deteksi penipuan, penentuan harga asuransi, skor kredit, peramalan permintaan, dan pemrosesan data sensor. Mengambil kolom yang informatif dari data ini sangat menantang. Contoh termasuk waktu sejak acara terakhir, agregasi atas acara terkini, dan embedding dari urutan acara. Jenis rekayasa fitur ini memerlukan keahlian domain, eksperimen, keterampilan coding dan rekayasa data yang kuat, dan pengetahuan ilmu data yang mendalam. Faktor seperti kebocoran waktu, menangani dataset besar, dan eksekusi kode yang efisien juga perlu dipertimbangkan.

Secara keseluruhan, rekayasa fitur memerlukan keahlian, eksperimen, dan konstruksi pipa data ad-hoc yang kompleks dalam ketiadaan alat yang dirancang khusus untuk itu.

Bisakah Anda berbagi bagaimana FeatureByte memberdayakan profesional ilmu data sambil menyederhanakan pipa fitur?

FeatureByte memberdayakan profesional ilmu data dengan menyederhanakan proses rekayasa fitur secara keseluruhan. Dengan SDK Python yang intuitif, memungkinkan penciptaan dan ekstraksi fitur yang cepat dari Tabel Acara dan Item yang sangat besar. Perhitungan ditangani secara efisien dengan memanfaatkan skalabilitas platform data seperti Snowflake, DataBricks, dan Spark. Notebook memfasilitasi eksperimen, sementara berbagi dan penggunaan kembali fitur menghemat waktu. Pemeriksaan memastikan akurasi fitur, sementara penerapan segera menghilangkan sakit kepala manajemen pipa.

Selain kemampuan yang ditawarkan oleh perpustakaan open-source kami, solusi perusahaan kami menyediakan kerangka komprehensif untuk mengelola dan mengatur operasi AI pada skala besar, termasuk alur kerja tata kelola dan antarmuka pengguna untuk katalog fitur.

Apa visi Anda untuk masa depan FeatureByte?

Visi utama kami untuk FeatureByte adalah merevolusi bidang ilmu data dan pembelajaran mesin dengan memberdayakan pengguna untuk melepaskan potensi kreatif penuh mereka dan menghasilkan nilai yang belum pernah terjadi sebelumnya dari aset data mereka.

Kami sangat bersemangat tentang kemajuan pesat dalam AI Generatif dan transformer, yang membuka dunia kemungkinan bagi pengguna kami. Selain itu, kami berdedikasi untuk mendemokratisasi rekayasa fitur. AI Generatif memiliki potensi untuk menurunkan hambatan masuk untuk rekayasa fitur kreatif, membuatnya lebih dapat diakses oleh audiens yang lebih luas.

Secara keseluruhan, visi kami untuk masa depan FeatureByte berputar di sekitar inovasi terus-menerus, memanfaatkan kekuatan AI Generatif, dan mendemokratisasi rekayasa fitur. Kami bertujuan untuk menjadi platform yang memungkinkan profesional data untuk mengubah data mentah menjadi input yang dapat digunakan untuk pembelajaran mesin, menggerakkan terobosan dan kemajuan di seluruh industri.

Apakah Anda memiliki saran untuk wirausaha AI yang aspiratif?

Tentukan ruang Anda, tetap fokus dan sambut kebaruan.

Dengan menentukan ruang yang ingin Anda miliki, Anda dapat membedakan diri dan membangun kehadiran yang kuat di area tersebut. Riset pasar, pahami kebutuhan dan poin-poin kesulitan pelanggan potensial, dan berusaha untuk menyediakan solusi unik yang menangani tantangan tersebut secara efektif.

Tentukan visi jangka panjang Anda dan tetapkan tujuan jangka pendek yang selaras dengan visi tersebut. Fokus pada membangun fondasi yang kuat dan memberikan nilai dalam ruang yang Anda pilih.

Akhirnya, sementara penting untuk tetap fokus, jangan ragu untuk menerima kebaruan dan menjelajahi ide-ide baru dalam ruang yang telah Anda tentukan. Bidang AI terus berkembang, dan pendekatan inovatif dapat membuka peluang baru.

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