Eric Landau, Co-Fondatore e Amministratore Delegato di Encord – Serie di Interviste

Eric Landau è l’Amministratore Delegato e Co-Fondatore di Encord, una piattaforma di apprendimento attivo per la visione artificiale. Eric è stato il ricercatore quantitativo principale di un desk di equity delta-one globale, mettendo in produzione migliaia di modelli. Prima di Encord, ha trascorso quasi un decennio nel trading ad alta frequenza presso DRW. Ha un master in Fisica Applicata presso l’Università di Harvard, un master in Ingegneria Elettrica e un bachelor in Fisica presso l’Università di Stanford.

Nel tempo libero, Eric ama giocare con ChatGPT e grandi modelli linguistici e creare cocktail artigianali.

Cosa ti ha ispirato a co-fondare Encord, e come la tua esperienza nella fisica delle particelle e nella finanza quantitativa ha influenzato il tuo approccio alla risoluzione del “problema dei dati” nell’AI?

Ho iniziato a pensare al machine learning mentre lavoravo nella fisica delle particelle e gestivo grandi set di dati durante il mio tempo al Stanford Linear Accelerator Center (SLAC). Stavo utilizzando software progettato per fisici da fisici, che significa che c’era molto da desiderare in termini di esperienza utente piacevole. Con strumenti più facili, avrei potuto eseguire analisi molto più velocemente.

In seguito, lavorando nella finanza quantitativa presso DRW, ero responsabile della creazione di migliaia di modelli che venivano distribuiti in produzione. Allo stesso modo della mia esperienza nella fisica, ho scoperto che i dati di alta qualità erano fondamentali per creare modelli precisi e che la gestione di dati complessi e su larga scala è difficile. Ulrik ha avuto un’esperienza simile visualizzando grandi set di dati di immagini per la visione artificiale.

Quando ho sentito parlare della sua idea iniziale per Encord, sono stato immediatamente a bordo e ho capito l’importanza. Insieme, Ulrik e io abbiamo visto un’enorme opportunità di costruire una piattaforma per automatizzare e semplificare il processo di sviluppo dei dati per l’AI, rendendo più facile per i team ottenere i migliori dati nei modelli e costruire sistemi di AI affidabili.

Puoi elaborare sulla visione dietro Encord e su come si confronta con i primi giorni del calcolo o di Internet in termini di potenziale e sfide?

La visione di Encord è quella di essere la piattaforma fondamentale su cui le aziende possono fare affidamento per trasformare i loro dati in modelli di AI funzionali. Siamo lo strato tra i dati di un’azienda e la sua AI.

In molti modi, l’AI rispecchia gli precedenti cambiamenti di paradigma come il calcolo personale e Internet, in quanto diventerà integrato nei flussi di lavoro per ogni individuo, azienda, nazione e industria. A differenza delle precedenti rivoluzioni tecnologiche, che sono state in gran parte limitate dalla legge di Moore della crescita computazionale composta di 30x ogni 10 anni, lo sviluppo dell’AI ha beneficiato di innovazioni simultanee. Si sta quindi muovendo a un ritmo molto più veloce. Nelle parole di NVIDIA’s (NVDA ) Jensen Huang: “Per la prima volta, stiamo vedendo esponenziali composti… Stiamo compostando a un milione di volte ogni dieci anni. Non cento volte, non mille volte, un milione di volte.” Senza iperbole, stiamo assistendo alla tecnologia in più rapida evoluzione della storia.

Il potenziale qui è vasto: automatizzando e scalando la gestione dei dati di alta qualità per l’AI, stiamo affrontando un collo di bottiglia che impedisce un’adozione più ampia dell’AI. Le sfide sono simili agli ostacoli dei primi giorni delle precedenti ere tecnologiche: silos, mancanza di best practice, limitazioni per gli utenti non tecnici e carenza di astrazioni ben definite.

Encord Index è posizionato come uno strumento chiave per la gestione e la cura dei dati di AI. Come si differenzia da altre piattaforme di gestione dei dati attualmente disponibili?

Ci sono alcuni modi in cui Encord Index si distingue:

Index è scalabile: consente agli utenti di gestire miliardi, non milioni, di punti dati. Altri strumenti affrontano problemi di scalabilità per i dati non strutturati e sono limitati nel consolidare tutti i dati rilevanti in un’organizzazione.

Index è flessibile: si integra direttamente con provider di archiviazione privata e cloud come AWS, GCP e Azure. A differenza di altri strumenti che sono limitati a un singolo provider cloud o sistema di archiviazione interno, Index è agnostico su dove si trova il dato. Consente di gestire dati da molte fonti con governance e controlli di accesso appropriati che consentono di sviluppare applicazioni di AI sicure e conformi.

Index è multimodale: supporta l’AI multimodale, gestendo dati in forma di immagini, video, audio, testi, documenti e altro. Index non è limitato a una singola forma di dati come molti strumenti LLM oggi. La cognizione umana è multimodale e crediamo che l’AI multimodale sarà al cuore della prossima ondata di progressi dell’AI, che sostituirà i chatbot e gli LLM.

In che modo Encord Index migliora il processo di selezione dei dati giusti per i modelli di AI, e quale impatto ha ciò sui risultati del modello?

Encord Index migliora la selezione dei dati automatizzando la cura di grandi set di dati, aiutando i team a identificare e conservare solo i dati più rilevanti mentre rimuovono dati non informativi o distorti. Questo processo non solo riduce le dimensioni dei set di dati, ma migliora anche significativamente la qualità dei dati utilizzati per addestrare i modelli di AI. I nostri clienti hanno visto fino al 20% di miglioramento nei loro modelli mentre raggiungevano una riduzione del 35% delle dimensioni del set di dati e risparmiavano centinaia di migliaia di dollari in costi di calcolo e di annotazione umana.

Con l’integrazione rapida di tecnologie all’avanguardia come il modello Segment Anything di Meta, come fa Encord a rimanere all’avanguardia nel panorama dell’AI in rapida evoluzione?

Abbiamo costruito intenzionalmente la piattaforma per poter adattarsi rapidamente a nuove tecnologie. Ci concentriamo su un approccio software-first che incorpora facilmente innovazioni come SAM, assicurandoci che i nostri utenti siano sempre dotati degli strumenti più recenti per rimanere competitivi.

Pianifichiamo di rimanere all’avanguardia concentrandoci sull’AI multimodale. La piattaforma Encord può già gestire tipi di dati complessi come immagini, video e testi, quindi, man mano che si verificano ulteriori progressi nell’AI multimodale, siamo pronti.

Quali sono le sfide più comuni che le aziende affrontano nella gestione dei dati di AI, e come Encord aiuta a risolvere questi problemi?

Ci sono 3 sfide principali che le aziende affrontano:

• Organizzazione e controlli dei dati scadenti: mentre le aziende si preparano a implementare soluzioni di AI, spesso si trovano di fronte alla realtà dei dati isolati e non organizzati che non sono pronti per l’AI. Questi dati spesso mancano di una forte governance, limitando molti di essi dall’essere utilizzati nei sistemi di AI.
• Mancanza di esperti umani: man mano che i modelli di AI affrontano problemi sempre più complessi, ci sarà presto una carenza di esperti umani del dominio per preparare e convalidare i dati. Man mano che le richieste di AI di un’azienda aumentano, scalare quella forza lavoro umana è impegnativo e costoso.
• Strumenti non scalabili: i modelli di AI performanti sono molto avidi di dati in termini di dati necessari per il fine-tuning, la convalida, RAG e altri flussi di lavoro. La precedente generazione di strumenti non è in grado di gestire la quantità di dati e i tipi di dati richiesti per i modelli di produzione attuali.

Encord risolve questi problemi automatizzando il processo di cura dei dati su larga scala, rendendo facile identificare i dati impattanti dai dati problematici e assicurando la creazione di set di dati di addestramento e convalida efficaci. Utilizza un approccio software-first che è facile da scalare su o giù man mano che le esigenze di gestione dei dati cambiano. I nostri strumenti di annotazione assistiti da AI consentono agli esperti umani nel ciclo di lavoro di massimizzare l’efficienza del flusso di lavoro. Questo processo è particolarmente cruciale in settori come i servizi finanziari e la sanità, dove gli addestratori di AI sono costosi. Rendiamo facile gestire e comprendere tutti i dati non strutturati di un’organizzazione, riducendo la necessità di lavoro manuale.

Come Encord affronta il problema del bias dei dati e delle aree sottorappresentate all’interno dei set di dati per garantire modelli di AI equi e bilanciati?

Affrontare il bias dei dati è un focus critico per noi in Encord. La nostra piattaforma identifica automaticamente e porta in superficie le aree in cui i dati potrebbero essere distorti, consentendo ai team di AI di affrontare questi problemi prima che influenzino le prestazioni del modello. Assicuriamo anche che le aree sottorappresentate all’interno dei set di dati siano adeguatamente incluse, aiutando a sviluppare modelli di AI più equi e bilanciati. Utilizzando i nostri strumenti di cura, i team possono essere sicuri che i loro modelli siano addestrati su dati diversi e rappresentativi.

Encord ha recentemente ottenuto 30 milioni di dollari in finanziamenti di serie B. Come questo finanziamento accelererà la tua roadmap di prodotto e i piani di espansione?

I 30 milioni di dollari in finanziamenti di serie B saranno utilizzati per aumentare drasticamente le dimensioni dei nostri team di prodotto, ingegneria e ricerca di AI nei prossimi sei mesi e accelerare lo sviluppo di Encord Index e altre nuove funzionalità. Stiamo anche espandendo la nostra presenza a San Francisco con un nuovo ufficio e questo finanziamento ci aiuterà a scalare le nostre operazioni per supportare la nostra base di clienti in crescita.

Essendo la più giovane azienda di AI di Y Combinator a raccogliere un finanziamento di serie B, a cosa attribuisci la rapida crescita e il successo di Encord?

Una delle ragioni per cui siamo stati in grado di crescere rapidamente è che abbiamo adottato un focus estremamente customer-centric in tutte le aree dell’azienda. Stiamo costantemente comunicando con i clienti, ascoltando attentamente i loro problemi e “abbracciando” loro per arrivare a soluzioni. Concentrandoci iper-su esigenze dei clienti piuttosto che sull’ipérbole, abbiamo creato una piattaforma che risuona con i migliori team di AI in vari settori. I nostri clienti sono stati strumentali nel portarci dove siamo oggi. La nostra capacità di scalare rapidamente e gestire la complessità dei dati di AI ci ha reso una soluzione attraente per le aziende.

Debiamo anche molto del nostro successo ai nostri colleghi, partner e investitori, che hanno tutti lavorato instancabilmente per sostenere Encord. Lavorare con team di prodotto, ingegneria e go-to-market di classe mondiale è stato enormemente impattante nella nostra crescita.

Considerata l’importanza crescente dei dati nell’AI, come vedi il ruolo delle piattaforme di dati di AI come Encord evolversi nei prossimi cinque anni?

Man mano che le applicazioni di AI crescono in complessità, la necessità di soluzioni di gestione dei dati efficienti e scalabili aumenterà. Credo che ogni azienda avrà presto un dipartimento di AI, proprio come esistono oggi i dipartimenti di IT. Encord sarà l’unica piattaforma di cui avranno bisogno per gestire le enormi quantità di dati necessari per l’AI e portare i modelli in produzione rapidamente.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Encord.