Razi Raziuddin, FeatureByte 공동 창립자 겸 CEO – 인터뷰 시리즈

라지 라지우딘 의 공동 설립자이자 CEO입니다. 피쳐바이트, 그의 비전은 기업에서 AI 확장에 대한 마지막 주요 장애물을 여는 것입니다. Razi의 분석 및 성장 경험은 두 유니콘 스타트업의 리더십 팀에 걸쳐 있습니다. Razi는 10년 이내에 DataRobot의 직원을 850명에서 XNUMX명으로 확장하는 데 도움을 주었습니다. 그는 DataRobot의 급속한 성장의 특징이 된 서비스 주도 시장 진출 전략을 개척했습니다.

FeatureByte는 AI 데이터를 근본적으로 단순화하고 산업화하여 엔터프라이즈 AI를 확장하는 임무를 수행하고 있습니다. 기능 엔지니어링 및 관리(FEM) 플랫폼을 사용하면 데이터 과학자가 몇 ​​주 또는 몇 달이 아닌 몇 분 만에 최첨단 기능 및 프로덕션 준비 데이터 파이프라인을 만들고 공유할 수 있습니다.

처음에 컴퓨터 과학과 기계 학습에 끌린 이유는 무엇입니까?

고등학교에서 코딩을 시작한 사람으로서 저는 코드를 통해 "대화"하고 제어할 수 있는 기계에 매료되었습니다. 저는 즉시 새로운 애플리케이션의 무한한 가능성에 매료되었습니다. 머신 러닝은 프로그래밍의 패러다임 전환을 의미하며, 코드에서 단계를 지정하지 않고도 머신이 학습하고 작업을 수행할 수 있도록 합니다. ML 애플리케이션의 무한한 잠재력은 저를 매일 흥분시키는 것입니다.

귀하는 조직이 AI 기반이 될 수 있도록 하는 자동화된 기계 학습 플랫폼인 DataRobot의 첫 번째 비즈니스 고용자였습니다. 그런 다음 10년 이내에 직원 수를 1,000명에서 6명으로 늘리는 데 도움을 주었습니다. 이 경험에서 얻은 주요 내용은 무엇입니까?

XNUMX에서 XNUMX로 가는 것은 어렵지만 매우 흥미롭고 보람이 있습니다. 회사 발전의 각 단계는 서로 다른 일련의 과제를 제시하지만 회사가 성장하고 성공하는 것을 보는 것은 놀라운 느낌입니다.

AutoML에 대한 나의 경험은 AI의 무한한 잠재력에 눈을 뜨게 했습니다. 이 기술이 다양한 산업과 응용 분야에서 어떻게 사용될 수 있는지 보는 것은 매우 흥미로운 일입니다. 결국 새로운 범주를 만드는 것은 드문 일이지만 매우 보람 있는 일입니다. 경험에서 얻은 나의 주요 테이크아웃:

• 놀라운 제품을 만들고 유행을 쫓지 마십시오.
• 반대하는 사람이 되는 것을 두려워하지 마세요
• 고객 문제 해결 및 가치 제공에 집중
• 항상 혁신에 열려 있고 새로운 것을 시도하십시오.
• 처음부터 올바른 기업 문화를 만들고 주입합니다.

FeatureByte의 기원 이야기를 공유해 주시겠습니까?

훌륭한 AI는 훌륭한 데이터에서 시작된다는 것은 AI/ML 세계에서 잘 알려진 사실입니다. 그러나 AI 데이터(또는 기능)를 준비, 배포 및 관리하는 것은 복잡하고 시간이 많이 걸립니다. 공동 설립자인 Xavier Conort와 저는 DataRobot에서 이 문제를 직접 목격했습니다. AutoML 도구 덕분에 모델링이 크게 단순화되었지만 기능 엔지니어링 및 관리는 여전히 큰 과제입니다. 결합된 경험과 전문 지식을 바탕으로 Xavier와 저는 조직이 이 문제를 해결하고 모든 곳에서 AI의 약속을 이행하도록 진정으로 도울 수 있다고 느꼈습니다.

기능 엔지니어링은 FeatureByte의 핵심입니다. 이것이 독자들에게 무엇인지 설명해 주시겠습니까?

궁극적으로 데이터의 품질은 AI 모델의 품질과 성능을 좌우합니다. 모델을 교육하고 미래 결과를 예측하기 위해 모델에 입력되는 데이터를 기능이라고 합니다. 기능은 소비자의 인구통계학적 또는 심리학적 데이터, 신용카드 거래에 대한 카드 소지자와 판매자 간의 거리 또는 상점 구매에서 다양한 범주의 항목 수와 같은 엔터티 및 이벤트에 대한 정보를 나타냅니다.

ML 모델을 교육하고 미래 결과를 예측하기 위해 원시 데이터를 기능으로 변환하는 프로세스를 기능 엔지니어링이라고 합니다.

기능 엔지니어링이 기계 학습 프로젝트의 가장 복잡한 측면 중 하나인 이유는 무엇입니까?

기능 엔지니어링은 프로세스가 ML 모델의 성능을 직접적으로 담당하기 때문에 매우 중요합니다. 우수한 기능 엔지니어링에는 도메인 지식, 데이터 과학 및 데이터 엔지니어링이라는 세 가지 상당히 독립적인 기술이 필요합니다. 도메인 지식은 데이터 과학자가 특정 문제 또는 사용 사례에 대해 데이터에서 추출할 신호를 결정하는 데 도움이 됩니다. 이러한 신호를 추출하려면 데이터 과학 기술이 필요합니다. 마지막으로 데이터 엔지니어링은 파이프라인을 배포하고 대규모 데이터 볼륨에서 이러한 모든 작업을 수행하는 데 도움이 됩니다.

대부분의 조직에서 이러한 기술은 서로 다른 팀에 있습니다. 이러한 팀은 서로 다른 도구를 사용하고 서로 원활하게 통신하지 않습니다. 이로 인해 공정에서 많은 마찰이 발생하고 연삭 정지 속도가 느려집니다.

기능 엔지니어링이 AI 확장에서 가장 약한 링크인 이유에 대한 통찰력을 공유할 수 있습니까?

유명한 AI 전문가인 Andrew Ng에 따르면 "응용 기계 학습은 기본적으로 기능 엔지니어링입니다." 기계 학습 수명 주기에 대한 중요성에도 불구하고 기능 엔지니어링은 여전히 ​​복잡하고 시간이 많이 걸리며 전문 지식에 의존합니다. 프로세스를 더 쉽고 빠르고 산업화할 수 있는 도구가 심각하게 부족합니다. 필요한 노력과 전문 지식으로 인해 기업은 AI를 대규모로 배포할 수 없습니다.

데이터 과학자를 위해 기능 엔지니어링을 근본적으로 단순화하는 데이터 중심 AI 솔루션을 구축하는 데 따르는 몇 가지 문제를 공유할 수 있습니까?

현상 유지보다 10배 유리한 제품을 만드는 것은 매우 어렵습니다. 고맙게도 Xavier는 첫 번째 원칙에서 전체 기능 워크플로를 재고하기 위해 사용하는 심층 데이터 과학 전문 지식을 보유하고 있습니다. 우리는 우리의 비전을 현실로 바꿀 수 있는 풀스택 데이터 과학자 및 엔지니어로 구성된 세계적 수준의 팀을 보유하고 있습니다. 그리고 사용자 및 개발 파트너는 문제를 가장 잘 해결할 수 있도록 UX를 간소화하는 방법에 대해 조언합니다.

FeatureByte 플랫폼은 머신 러닝 애플리케이션을 위한 데이터 준비 속도를 어떻게 향상시키나요?

ML을 위한 데이터 준비는 신속한 실험에 의존하는 반복 프로세스입니다. 오픈 소스 FeatureByte SDK는 단 몇 줄의 코드로 최신 기능을 생성하고 몇 주 또는 몇 달이 아닌 몇 분 만에 데이터 파이프라인을 배포하기 위한 선언적 프레임워크입니다. 이를 통해 데이터 과학자는 배관 공사에 대해 걱정하지 않고 창의적인 문제 해결에 집중하고 실시간 데이터를 빠르게 반복할 수 있습니다.

그 결과 프로덕션 환경에서 데이터 준비 및 제공 속도가 빨라질 뿐만 아니라 강력한 기능을 통해 모델 성능도 향상됩니다.

FeatureByte 플랫폼이 다양한 진행 중인 관리 작업을 간소화하는 기능을 추가로 제공하는 방법에 대해 논의할 수 있습니까?

FeatureByte 플랫폼은 종단 간 ML 기능 수명 주기를 관리하도록 설계되었습니다. 선언적 프레임워크를 통해 FeatureByte는 데이터 파이프라인을 자동으로 배포하는 동시에 전체 환경 관리와 관련된 메타데이터를 추출할 수 있습니다. 사용자는 파이프라인 상태 및 비용을 모니터링하고 동일한 GUI에서 기능의 계보, 버전 및 정확성을 모두 관리할 수 있습니다. 엔터프라이즈급 역할 기반 액세스 및 승인 워크플로는 데이터 개인 정보 보호 및 보안을 보장하는 동시에 기능 확장을 방지합니다.

FeatureByte에 대해 공유하고 싶은 다른 사항이 있습니까?

대부분의 엔터프라이즈 AI 도구는 기계 학습 모델 개선에 중점을 둡니다. 우리는 AI 데이터를 단순화하고 산업화하여 기업이 AI를 확장하도록 돕는 것을 사명으로 삼았습니다. FeatureByte는 AI 실무자의 가장 큰 과제를 해결합니다. 모델의 전체 수명 주기에서 데이터를 준비, 제공 및 관리하는 일관되고 확장 가능한 방법을 제공하는 동시에 전체 프로세스를 근본적으로 단순화합니다.

최첨단 데이터 과학에 관심이 있는 데이터 과학자 또는 엔지니어라면 FeatureByte 무료.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. 피쳐바이트.