Razi Raziuddin, mede-oprichter en CEO van FeatureByte – Interviewreeks

Razi Raziuddin is de mede-oprichter en CEO van FeatureByte, zijn visie is om de laatste grote hindernis voor het schalen van AI in het bedrijfsleven te overwinnen. Razi’s ervaring met analytics en groei omvat het leiderschapsteam van twee unicorn-startups. Razi hielp DataRobot te schalen van 10 tot 850 medewerkers in minder dan zes jaar. Hij was een pionier in een dienstgerichte go-to-marktstrategie die het handelsmerk van DataRobot’s snelle groei werd.

FeatureByte is op een missie om bedrijfs-AI te schalen, door AI-gegevens radicaal te vereenvoudigen en te industrialiseren. Het feature engineering- en managementplatform (FEM) stelt datawetenschappers in staat om state-of-the-art-functies en productieready datapipelines te creëren en te delen in minuten — in plaats van weken of maanden.

Wat trok je aanvankelijk aan tot informatica en machine learning?

Als iemand die in de middelbare school begon met programmeren, was ik gefascineerd door een machine die ik kon “praten” en controleren via code. Ik was meteen verslaafd aan de eindeloze mogelijkheden van nieuwe toepassingen. Machine learning vertegenwoordigde een paradigmaparadigmawisseling in programmeren, waardoor machines konden leren en taken uitvoeren zonder zelfs maar de stappen in code te specificeren. De oneindige potentie van ML-toepassingen is wat me elke dag zo enthousiast maakt.

Je was de eerste zakelijke aanwerving bij DataRobot, een geautomatiseerd machine learning-platform dat organisaties in staat stelt om AI-gedreven te worden. Je hielp vervolgens het bedrijf te schalen van 10 tot 1.000 medewerkers in minder dan 6 jaar. Wat waren enkele belangrijke inzichten uit deze ervaring?

Van nul tot één gaan is moeilijk, maar ongelooflijk spannend en lonend. Elke fase in de evolutie van het bedrijf brengt een andere set uitdagingen met zich mee, maar het zien van het bedrijf dat groeit en succesvol is, is een geweldig gevoel.

Mijn ervaring met AutoML opende mijn ogen voor het onbegrensde potentieel van AI. Het is fascinerend om te zien hoe deze technologie kan worden gebruikt in zo veel verschillende industrieën en toepassingen. Aan het einde van de dag is het creëren van een nieuwe categorie een zeldzame prestatie, maar een ongelooflijk lonende. Mijn belangrijkste inzichten uit deze ervaring:

• Maak een geweldig product en vermijd het najagen van grillen
• Wees niet bang om een tegenstrijdigheid te zijn
• Concentreer je op het oplossen van klantproblemen en het bieden van waarde
• Wees altijd open voor innovatie en het proberen van nieuwe dingen
• Creëer en cultiveer de juiste bedrijfscultuur vanaf het allereerste begin

Kunt u de oorsprong van FeatureByte delen?

Het is een bekend feit in de AI/ML-wereld – dat Grote AI begint met geweldige gegevens. Maar het voorbereiden, implementeren en beheren van AI-gegevens (of Functies) is complex en tijdrovend. Mijn mede-oprichter, Xavier Conort, en ik zagen dit probleem met eigen ogen bij DataRobot. Terwijl modellering enorm is vereenvoudigd dankzij AutoML-hulpmiddelen, blijft feature engineering en management een enorme uitdaging. Op basis van onze gecombineerde ervaring en expertise voelden Xavier en ik dat we organisaties echt konden helpen om deze uitdaging aan te pakken en de belofte van AI overal waar te maken.

Feature engineering is de kern van FeatureByte, kunt u uitleggen wat dit is voor onze lezers?

Uiteindelijk bepaalt de kwaliteit van de gegevens de kwaliteit en prestaties van AI-modellen. Gegevens die worden gevoerd in modellen om ze te trainen en toekomstige resultaten te voorspellen, worden Functies genoemd. Functies vertegenwoordigen informatie over entiteiten en gebeurtenissen, zoals demografische of psychografische gegevens van consumenten, of de afstand tussen een kaarthouder en handelaar voor een creditcardtransactie of het aantal items van verschillende categorieën van een winkelaankoop.

Het proces van het transformeren van ruwe gegevens in functies – om ML-modellen te trainen en toekomstige resultaten te voorspellen – wordt feature engineering genoemd.

Waarom is feature engineering een van de meest gecompliceerde aspecten van machine learning-projecten?

Feature engineering is super belangrijk omdat het proces rechtstreeks verantwoordelijk is voor de prestaties van ML-modellen. Goede feature engineering vereist drie vrij onafhankelijke vaardigheden die samen komen – domeinkennis, datawetenschap en data-engineering. Domeinkennis helpt datawetenschappers te bepalen welke signalen te extraheren uit de gegevens voor een bepaald probleem of gebruiksscenario. U hebt datawetenschapsvaardigheden nodig om die signalen te extraheren. En tenslotte helpt data-engineering u om datapipelines te implementeren en al die bewerkingen uit te voeren op grote schaal op grote hoeveelheden gegevens.

In de overgrote meerderheid van de organisaties leven deze vaardigheden in verschillende teams. Deze teams gebruiken verschillende hulpmiddelen en communiceren niet goed met elkaar. Dit leidt tot veel wrijving in het proces en vertraagt het tot een halt.

Kunt u enkele inzichten delen over waarom feature engineering de zwakste schakel is in het schalen van AI?

Volgens Andrew Ng, een bekende expert in AI, “is toegepaste machine learning eigenlijk feature engineering.” Ondanks zijn criticaliteit voor de machine learning-levenscyclus, blijft feature engineering complex, tijdrovend en afhankelijk van expertkennis. Er is een ernstig gebrek aan hulpmiddelen om het proces gemakkelijker, sneller en meer geïndustrialiseerd te maken. De inspanning en expertise die nodig zijn, houden ondernemingen tegen om AI op grote schaal te kunnen implementeren.

Kunt u enkele van de uitdagingen delen achter het bouwen van een data-centrische AI-oplossing die feature engineering radicaal vereenvoudigt voor datawetenschappers?

Het bouwen van een product dat een 10X-voordeel heeft ten opzichte van de status quo is super moeilijk. Gelukkig heeft Xavier diepe datawetenschappelijke expertise die hij gebruikt om de hele feature-workflow vanaf het begin te heroverwegen. We hebben een wereldklasse-team van full-stack datawetenschappers en ingenieurs die onze visie kunnen omzetten in realiteit. En gebruikers en ontwikkelingspartners om ons te adviseren over het stroomlijnen van de UX om hun uitdagingen het beste op te lossen.

Hoe zal het FeatureByte-platform de voorbereiding van gegevens voor machine learning-toepassingen versnellen?

Gegevensvoorbereiding voor ML is een iteratief proces dat snel experimenteerbaar is. De open source FeatureByte SDK is een declaratief kader voor het maken van state-of-the-art-functies met slechts een paar regels code en het implementeren van datapipelines in minuten in plaats van weken of maanden. Dit stelt datawetenschappers in staat om zich te concentreren op creatief probleemoplossen en snel te itereren op live gegevens, in plaats van zich zorgen te maken over de leidingen.

Het resultaat is niet alleen snellere gegevensvoorbereiding en -serving in productie, maar ook verbeterde modelprestaties door krachtige functies.

Kunt u bespreken hoe het FeatureByte-platform bovendien de mogelijkheid zal bieden om verschillende lopende beheertaken te stroomlijnen?

Het FeatureByte-platform is ontworpen om de end-to-end ML-functielevenscyclus te beheren. Het declaratieve kader stelt FeatureByte in staat om datapipelines automatisch te implementeren, terwijl metadata worden geëxtraheerd die relevant zijn voor het beheren van de totale omgeving. Gebruikers kunnen de gezondheid van de pipeline en de kosten bewaken en de afstamming, versie en correctheid van functies beheren vanuit hetzelfde GUI. Enterprise-grade rolgebaseerde toegang en goedkeuringsworkflows waarborgen gegevensprivacy en -beveiliging, terwijl functiesprawl wordt vermeden.

Is er nog iets anders dat u zou willen delen over FeatureByte?

De meeste enterprise-AI-hulpmiddelen richten zich op het verbeteren van machine learning-modellen. We hebben het tot onze missie gemaakt om ondernemingen te helpen hun AI te schalen, door AI-gegevens te vereenvoudigen en te industrialiseren. Bij FeatureByte lossen we de grootste uitdaging voor AI-praktijnen op: het bieden van een consistente, schaalbare manier om gegevens voor te bereiden, te serveren en te beheren gedurende de hele levenscyclus van een model, terwijl het hele proces radicaal wordt vereenvoudigd.

Als u een datawetenschapper of ingenieur bent die geïnteresseerd is in het blijven bij de cutting edge van datawetenschap, moedig ik u aan om de kracht van FeatureByte voor gratis te ervaren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten FeatureByte bezoeken.