ラジ・ラジウディン、FeatureByteの共同創設者兼CEO – インタビュー・シリーズ

ラジ・ラジウディンは、FeatureByteの共同創設者兼CEOです。彼のビジョンは、エンタープライズでのAIの最後の大きな障壁を解決することです。ラジの分析と成長の経験は、2つのユニコーンスタートアップのリーダーシップチームにわたります。ラジは、DataRobotを10人から850人に増やし、6年以内に成長させました。彼は、サービス主導のマーケティング戦略を立ち上げ、DataRobotの急成長の特徴となりました。

FeatureByteは、エンタープライズのAIを拡大するために、AIデータを根本的に簡素化し、工業化する使命を持っています。機能エンジニアリングと管理（FEM）プラットフォームは、データサイエンティストが最先端の機能を作成し、分単でプロダクションレディのデータパイプラインを共有できるようにします。

コンピューターサイエンスと機械学習に最初に惹かれたのは何ですか？

高校でプログラミングを始めた私は、コードで「話しかけ」て制御できる機械に魅了されました。新しいアプリケーションの無限の可能性にすぐに夢中になりました。機械学習は、コードでステップを指定せずにマシンが学習し、タスクを実行できるようにする、プログラミングの新たなパラダイムを表しました。MLアプリケーションの無限の可能性が私を毎日興奮させます。

あなたは、自動機械学習プラットフォームであるDataRobotの最初のビジネスハイヤーでした。そこで、あなたは会社を10人から1,000人に増やし、6年以内に成長させました。その経験から得た主な教訓は何ですか？

ゼロから一つを作ることは難しいですが、非常に興奮するもので、報われています。会社の進化の各段階には、異なる課題が伴いますが、会社が成長し、成功するのを見ているのは、素晴らしい気分です。

私のAutoMLの経験は、AIの無限の可能性に私の目を開かせました。さまざまな業界やアプリケーションでこのテクノロジーがどのように使用されるかを見て、面白いです。最終的に、新しいカテゴリを作成することは稀な業績ですが、非常に報われています。私の経験から得た主な教訓は：

• 素晴らしい製品を作り、流行に従わない
• 反対派であることを恐れない
• 顧客の問題を解決し、価値を提供することに焦点を当てる
• 常に革新に開かれ、新しいことを試す
• 最初から正しい会社文化を作り、浸透させる

FeatureByteの創設ストーリーを共有してください。

AI/MLの世界ではよく知られている事実ですが – グレートなAIはグレートなデータから始まります。しかし、AIデータ（または機能）の準備、展開、管理は複雑で時間がかかります。私の共同創設者であるXavier Conortと私は、DataRobotでこの問題を直接見ました。モデリングはAutoMLツールによって大幅に簡素化されましたが、機能エンジニアリングと管理はまだ大きな課題です。私たちが組み合わせた経験と専門知識に基づいて、Xavierと私は、企業がこの課題を解決し、どこでもAIを実現することを助けることができることを感じました。

FeatureByteの核となる機能エンジニアリングについて説明してください。

最終的に、データの品質がAIモデルの品質とパフォーマンスを駆り立てます。モデルのトレーニングと将来の結果の予測に使用されるデータは、機能と呼ばれます。機能は、エンティティとイベントに関する情報を表します。たとえば、消費者の人口統計または心理統計データ、またはクレジットカード取引のカード所有者と店舗間の距離、またはストア購入からのさまざまなカテゴリのアイテムの数です。

生データを機能に変換するプロセス – MLモデルをトレーニングし、将来の結果を予測するために – 機能エンジニアリングと呼ばれます。

機能エンジニアリングは、機械学習プロジェクトで最も複雑な側面の1つなぜですか？

機能エンジニアリングは非常に重要です。プロセスは直接、MLモデルのパフォーマンスに責任があります。良い機能エンジニアリングには、3つの独立したスキルが必要です。ドメイン知識、データサイエンス、データエンジニアリングです。ドメイン知識は、データサイエンティストが特定の問題またはユースケースのためにデータからどのような信号を抽出するかを決定するのに役立ちます。信号を抽出するには、データサイエンススキルが必要です。最後に、データエンジニアリングは、大きなデータボリュームでパイプラインを展開し、すべての操作を実行するのに役立ちます。

大多数の組織では、これらのスキルは別々のチームにあります。これらのチームは別々のツールを使用し、互いにうまく通信しません。これにより、プロセスに多くの摩擦が生じ、プロセスが大幅に遅くなることになります。

機能エンジニアリングがAIを拡大する上で最も弱いリンクである理由について、ご説明ください。

Andrew Ngによると、AIの専門家である「適用された機械学習は基本的に機能エンジニアリングです。」にもかかわらず、機能エンジニアリングは依然として複雑で、時間がかかり、専門知識に依存しています。プロセスを簡単にし、迅速にし、工業化するためのツールはほとんどありません。機能エンジニアリングに必要な労力と専門知識は、企業がAIを大規模に展開することを妨げています。

データ中心のAIソリューションを構築する上での課題について、ご説明ください。機能エンジニアリングを根本的に簡素化するデータサイエンティストのための。

現状を10倍以上上回る製品を作ることは非常に難しいです。幸いなことに、Xavierには深いデータサイエンスの専門知識があり、機能のワークフローを最初から再考えています。私たちは、ビジョンを現実化できるフルスタックのデータサイエンティストとエンジニアの世界クラスのチームを持っています。さらに、ユーザーと開発パートナーがいます。彼らは、課題を解決するためにUXを最適化するように私たちにアドバイスしています。

FeatureByteプラットフォームは、機械学習アプリケーションのためのデータの準備をどのように高速化しますか？

MLのデータ準備は、迅速な実験に依存する反復プロセスです。オープンソースのFeatureByte SDKは、わずか数行のコードで最先端の機能を作成し、分単でデータパイプラインを展開できる宣言型フレームワークです。これにより、データサイエンティストは、パイプラインの「配管」に気を配うのではなく、創造的な問題解決と生データでの迅速な反復に集中できます。

結果は、プロダクションでのデータの準備と提供が速くなるだけでなく、強力な機能を通じてモデルのパフォーマンスも向上します。

FeatureByteプラットフォームは、継続的な管理タスクをストリームライン化する能力をどのように提供しますか？

FeatureByteプラットフォームは、ML機能のエンドツーエンドのライフサイクルを管理するように設計されています。宣言型フレームワークにより、FeatureByteはデータパイプラインを自動的に展開し、環境を管理するための関連するメタデータを抽出します。ユーザーは、パイプラインのヘルスとコストを監視し、機能のライナリティ、バージョン、正確性をすべて同じGUIから管理できます。エンタープライズグレードのロールベースのアクセスと承認ワークフローにより、データのプライバシーとセキュリティが確保され、機能のスプロールが回避されます。

FeatureByteについてさらに共有したいことはありますか？

大多数のエンタープライズAIツールは、機械学習モデルの改善に焦点を当てています。私たちは、エンタープライズのAIを拡大することを使命としています。AIデータを簡素化し、工業化することによって。FeatureByteでは、AIプラクティショナーが直面する最大の課題に対処します。モデル全体のライフサイクルで、データを準備し、提供し、管理するための、一貫した、スケーラブルな方法を提供します。プロセス全体を根本的に簡素化します。

データサイエンティストまたはエンジニアとして、データサイエンスの最前線に立つことに興味がある場合は、FeatureByteを無料で体験することをお勧めします。

素晴らしいインタビュー、ありがとうございます。詳細を知りたい読者は、FeatureByteを訪問してください。