Jorge Torres, Co-fondatore e Amministratore Delegato di MindsDB – Serie di Interviste

Jorge Torres, è il Co-fondatore e Amministratore Delegato di MindsDB, una piattaforma che aiuta chiunque a utilizzare il potere del machine learning per porre domande predittive ai propri dati e ricevere risposte accurate da essi. MindsDB è anche un laureato della recente classe invernale 2020 di YCombinator e è stato recentemente riconosciuto come una delle aziende di intelligenza artificiale più promettenti d’America da Forbes.

Cosa ti ha inizialmente attratto verso il machine learning?

È una storia interessante. Nel 2008, stavo vivendo e lavorando a Berkeley per una startup chiamata Couchsurfing e ho visto questa classe, (cs188- Introduzione all’AI). Sebbene non fossi affiliato all’università al momento, ho chiesto al prof. John DeNero se potevo partecipare a una lezione e lui mi ha permesso di farlo. Questo professore era brillante e ha fatto innamorare tutti del tema. È stata la migliore cosa che mi sia successa. Ero sbalordito dal fatto che i computer potessero imparare a risolvere un problema, ho capito che questo si stava muovendo velocemente e ho deciso di farne la mia carriera.

Ci sono alcuni eventi tecnologici che definiscono una generazione e che si verificano solo poche volte nella vita di una persona. Sono stato abbastanza fortunato da essere testimone della nascita di Internet, ma ero troppo giovane per essere qualcosa di più di un osservatore passivo. Credo che il Machine Learning sia l’evento generazionale successivo e ho voluto farne parte in qualche modo per spingere avanti la tecnologia e il modo in cui la utilizziamo.

MindsDB è iniziata all’UC Berkeley nel 2018, puoi condividere alcune informazioni sui primi giorni?

UC Berkeley è una delle migliori istituzioni di ricerca del mondo e ha una storia di creazione e supporto di software open-source, e abbiamo pensato che non ci fosse posto migliore per iniziare MindsDB. I nostri valori erano allineati, ci hanno offerto il nostro primo assegno attraverso l’acceleratore UC Berkeley Skydeck e il resto, come si dice, è storia.

I primi giorni non erano diversi da quelli di molte startup nella regione della Baia – Tre persone che lavoravano a lungo su qualcosa in cui credevano, ma con solo una piccola possibilità di successo. La differenza è che invece di lavorare in un garage polveroso a Palo Alto, eravamo nel relativo comfort dello spazio di coworking Skydeck Penthouse (a noleggio gratuito).

Credo che ci sia un enorme potere nei dati. Più una società ne ha, più è in grado di far progredire i propri affari. Ma solo se è in grado di ottenere informazioni significative da essi.

Nell’autunno del 2017, il mio migliore amico Adam Carrigan (COO) e io abbiamo concluso che troppe aziende affrontavano limitazioni quando si trattava di estrarre informazioni significative dai propri dati. Hanno capito che una delle maggiori limitazioni era nel fatto che molte di queste aziende stavano sottoutilizzando drasticamente il potere dell’intelligenza artificiale. Abbiamo creduto che il machine learning potesse rendere i dati, e l’intelligenza che possono fornire, accessibili a tutti. È per questo che abbiamo progettato una piattaforma che avrebbe permesso a chiunque di utilizzare il potere del machine learning per porre domande predittive ai propri dati e ricevere risposte accurate da essi.

Chiamiamo questa piattaforma MindsDB e ci concentriamo sul continuare a rendere incredibilmente facile per gli sviluppatori creare rapidamente la prossima ondata di applicazioni basate sull’intelligenza artificiale che trasformeranno il modo in cui viviamo e lavoriamo e per le aziende estrarre informazioni dai propri dati.

Perché MindsDB si è concentrata sul risolvere il problema di essere data-centric invece che machine learning-centric?

Se si guarda alla maggior parte della ricerca sull’AI, una grande percentuale proviene da istituzioni accademiche. L’ML è storicamente stato model-centric perché è qui che le istituzioni di ricerca possono aggiungere valore percepito; più ricerca migliora i modelli o ne crea di nuovi, producendo così risultati migliori. Essere data-centric, d’altra parte, aggiungere dati di migliore qualità/più rilevanti a un approccio esistente non è facilmente pubblicabile (il KPI chiave per i ricercatori).

Tuttavia, la maggior parte dei problemi di machine learning applicati oggi trae vantaggio molto di più da dati migliorati che da modelli migliorati. Ciò si allinea anche bene con la nostra missione di democratizzare il machine learning, la maggior parte delle persone al di fuori dello spazio ML non sa molto sul ML, ma sa sicuramente molto sui propri dati.

Avevamo capito che c’erano due tipi di aziende, da un lato aziende con dati nel database, dall’altro, aziende che non avevano ancora capito i database, abbiamo capito che se un’azienda faceva parte del gruppo dei database, la loro maturità dei dati li aveva già messi sulla strada giusta per applicare veramente il machine learning, mentre le aziende che non avevano ancora scoperto i database avevano ancora una lunga strada da percorrere, quindi ci siamo concentrati nel fornire valore a coloro che potevano effettivamente estrarlo.

Come MindsDB si avvicina alla modellazione e alla distribuzione in plain SQL?

Creiamo rappresentazioni di modelli come tabelle che possono essere interrogate, quindi effettivamente rimuoviamo il concetto di ‘distribuzione’ dall’immagine. Quando si digita su un database CREATE VIEW, quella vista è live non appena il comando è stato elaborato, lo stesso vale quando si fa CREATE MODEL in mindsdb.

Le persone amano MindsDB a causa della semplificazione che avete portato nel ciclo di vita del ML-Ops, perché semplificare la distribuzione del machine learning è così importante?

Le persone lo amano perché astrae pipeline ETL non necessarie, quindi meno cose da mantenere. Il nostro obiettivo è quello di far sì che gli utenti estraggano il valore del machine learning, senza dover pensare alla manutenzione dell’infrastruttura ML se già mantengono l’infrastruttura dei dati.

Quali sono alcuni dei vantaggi e dei rischi di essere una startup open-source rispetto a una startup tradizionale?

Un progetto open source può iniziare con un’idea e le persone ti aiuteranno a costruirlo lungo la strada, nell’approccio close source devi iniziare con le stesse ipotesi, ma devi essere sicuro di essere nel giusto perché nessuno ti aiuterà a migliorare il tuo prodotto (almeno non nello stesso volume di un progetto open source), pensa all’open source come a un approccio collaborativo di adattamento del prodotto.

MindsDB ha recentemente raccolto un investimento di 16,5 milioni di dollari dalla serie A di Benchmark, perché Benchmark è l’investitore perfetto e come la loro visione si allinea con la vostra?

Benchmark ha un record impeccabile nel nostro settore, Chetan ha aiutato aziende come mongodb, elastic, airbyte a diventare leader nel loro settore. Crediamo che non ci sia investitore migliore per MindsDB di Chetan e Benchmark capital.

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