Eric Landau, medgrunnlegger og CEO av Encord – Intervju-serie

Eric Landau er CEO og medgrunnlegger av Encord, en aktiv læringplattform for datavisualisering. Eric var den ledende kvantitative forskeren på en global aksje delta-en skrivebord, som satte tusenvis av modeller i produksjon. Før Encord, tilbrakte han nesten et tiår i høyfrekvenshandel hos DRW. Han har en S.M. i anvendt fysikk fra Harvard University, M.S. i elektroingeniør og B.S. i fysikk fra Stanford University.

På fritiden liker Eric å leke med ChatGPT og store språkmodeller og lage cocktails.

Hva inspirerte deg til å grunnlegge Encord, og hvordan har din erfaring fra partikkelfysikk og kvantitativ finans påvirket din tilnærming til å løse “data-problemet” i AI?

Jeg begynte først å tenke på maskinlæring mens jeg arbeidet med partikkelfysikk og håndterte svært store datamengder under min tid ved Stanford Linear Accelerator Center (SLAC). Jeg brukte programvare designet for fysikere av fysikere, som vil si at det var mye å ønske seg i form av en behagelig brukeropplevelse. Med enklere verktøy ville jeg ha kunnet kjøre analyser mye raskere.

Senere, mens jeg arbeidet med kvantitativ finans hos DRW, var jeg ansvarlig for å lage tusenvis av modeller som ble satt i produksjon. Liksom min erfaring fra fysikken, fant jeg at høykvalitetsdata var kritisk for å lage nøyaktige modeller, og at håndtering av komplekse, store datamengder er vanskelig. Ulrik hadde en lignende erfaring med å visualisere store bilde-datasett for datavisualisering.

Når jeg hørte om hans opprinnelige idé for Encord, var jeg umiddelbart med på og forstod viktigheten. Sammen med Ulrik og jeg så en enorm mulighet til å bygge en plattform for å automatisere og strømlinje AI-datautviklingsprosessen, og gjøre det enklere for team å få den beste dataen inn i modellene og bygge pålitelige AI-systemer.

Kan du utdype på visjonen bak Encord og hvordan den sammenlignes med de tidlige dagene av datamaskiner eller internett i forhold til potensiale og utfordringer?

Encords visjon er å være den grunnleggende plattformen som bedrifter avhenger av for å transformere deres data til funksjonelle AI-modeller. Vi er laget mellom et selskaps data og deres AI.

På mange måter speiler AI tidligere paradigmeskifter som personlige datamaskiner og internett, i og med at det vil bli en integrert del av arbeidsflyten for hver enkelt, bedrift, nasjon og bransje. I motsetning til tidligere teknologiske revolusjoner, som har vært i stor grad begrenset av Moores lov om sammensatt komputasjonsvekst på 30 ganger hver 10 år, har AI-utviklingen blitt godtatt av samtidige innovasjoner. Det beveger seg derfor i en mye raskere takt. I Jensen Huangs ord fra NVIDIA (NVDA ): “For første gang ser vi sammensatte eksponensialer … Vi kompenserer med en million ganger hver 10 år. Ikke en hundred ganger, ikke en tusen ganger, en million ganger.” Uten overdrivelse ser vi den raskeste teknologien i menneskehetens historie.

Potensialet her er enormt: ved å automatisere og skalerer håndtering av høykvalitetsdata for AI, adresserer vi en flaskehals som forhindrer en bredere AI-tilpasning. Utfordringene minner om tidlige dagens hindringer i tidligere teknologiske epoker: siloer, manglende beste praksis, begrensninger for ikke-tekniske brukere og en mangel på godt definerte abstraksjoner.

Encord Index er posisjonert som et nøkkelverktøy for å håndtere og kurere AI-data. Hvordan skiller det seg fra andre datahåndteringplattformer som er tilgjengelige nå?

Det finnes noen måter som Encord Index skiller seg ut:

Index er skalerbar: Tillater brukerne å håndtere milliarder, ikke millioner, av datapunkter. Andre verktøy møter skaleringsproblemer for ustrukturert data og er begrenset i å konsolidere all relevant data i en organisasjon.

Index er fleksibel: Integrierer direkte med private data-lagring og skytjenester som AWS, GCP og Azure. I motsetning til andre verktøy som er begrenset til en enkelt skytjeneste eller intern lagringssystem, er Index uavhengig av hvor dataene er plassert. Det lar deg håndtere data fra mange kilder med passende styring og tilgangskontroller som lar dem utvikle sikre og kompatible AI-applikasjoner.

Index er multimodal: Støtter multimodal AI, håndtering av data i form av bilder, videoer, lyd, tekst, dokumenter og mer. Index er ikke begrenset til en enkelt form for data som mange LLM-verktøy i dag. Menneskelig kognition er multimodal, og vi tror at multimodal AI vil være i hjertet av den neste bølgen av AI-fremgang, som vil erstatte chatboter og LLM-er.

På hvilke måter forbedrer Encord Index prosessen med å velge riktig data for AI-modeller, og hva er effekten på modellens ytelse?

Encord Index forbedrer datautvalget ved å automatisere kurering av store datamengder, og hjelper team med å identifisere og beholde bare de mest relevante dataene, mens de fjerner upålitelige eller forvrengte data. Denne prosessen reduserer ikke bare størrelsen på datamengdene, men forbedrer også kvaliteten på dataene som brukes til å trene AI-modeller. Våre kunder har sett opp til 20% forbedring i modellene sine, samtidig som de har oppnådd en 35% reduksjon i datamengdens størrelse og spart hundredtusener av dollar i beregnings- og menneske-annoteringskostnader.

Med den raske integreringen av fremtredende teknologier som Meta’s Segment Anything Model, hvordan holder Encord seg foran i den raskt utviklende AI-landskapet?

Vi har bygget plattformen for å kunne tilpasse seg nye teknologier raskt. Vi fokuserer på å levere en skalerbar, programvare-først-tilnærming som enkelt inkorporerer fremgang som SAM, og sikrer at våre brukere alltid er utstyrt med de siste verktøyene for å holde seg konkurransedyktige.

Vi planlegger å holde oss foran ved å fokusere på multimodal AI. Encord-plattformen kan allerede håndtere komplekse datatyper som bilder, videoer og tekst, så når flere fremgang i multimodal AI kommer vår vei, er vi klare.

Hva er de vanligste utfordringene bedrifter møter når de håndterer AI-data, og hvordan hjelper Encord med å løse disse?

Det finnes 3 hovedutfordringer bedrifter møter:

• Dårlig dataorganisering og -kontroll: Når bedrifter forbereder seg på å implementere AI-løsninger, møter de ofte virkeligheten av siloede og uorganiserte data som ikke er AI-klare. Disse dataene mangler ofte sterke styre- og kontrollmekanismer, og begrensninger for ikke-tekniske brukere.
• Mangel på menneskelige eksperter: Ettersom AI-modeller løser stadig mer komplekse problemer, vil det snart være en mangel på menneskelige domene-eksperter til å forberede og validere data. Når et selskaps AI-krav øker, er det vanskelig å skalerer opp den menneskelige arbeidsstyrken.
• Uskalerbare verktøy: Performante AI-modeller er svært data-hungry i forhold til data som trengs for finjustering, validering, RAG og andre arbeidsflyter. Den forrige generasjonen av verktøy er ikke utstyrt til å håndtere mengden av data og typene av data som kreves for dagens produksjonsklare modeller.

Encord løser disse problemene ved å automatisere prosessen med å kurere data i skala, og gjøre det enkelt å identifisere effektive data fra problematiske data, og sikre opprettelsen av effektive trening- og valideringsdatasett. Det bruker en programvare-først-tilnærming som er enkel å skalerer opp eller ned etter behov. Våre AI-assisterte annoteringsverktøy gir menneskelige eksperter mulighet til å maksimere arbeidsflyten. Dette er spesielt viktig i bransjer som finansielle tjenester og helse, hvor AI-trening er kostbar. Vi gjør det enkelt å håndtere og forstå all en organisasjons ustrukturerte data, og reduserer behovet for manuell arbeid.

Hvordan takler Encord problemet med dataforvrengning og underrepresenterte områder innenfor datasett for å sikre rettferdige og balanserte AI-modeller?

Takling av dataforvrengning er et kritisk fokusområde for oss i Encord. Vår plattform automatisk identifiserer og viser områder hvor data kan være forvrent, og lar AI-teamene løse disse problemene før de påvirker modellens ytelse. Vi sikrer også at underrepresenterte områder innenfor datasett er inkludert på en måte som utvikler rettferdigere og mer balanserte AI-modeller. Ved å bruke våre kureringverktøy, kan teamene være trygge på at modellene er trent på diverse og representative data.

Encord har nylig sikret 30 millioner dollar i Series B-finansiering. Hvordan vil denne finansieringen akselerere produktveien og ekspansjonsplanene?

De 30 millionene dollar i Series B-finansiering vil bli brukt til å øke størrelsen på vårt produkt-, ingeniør- og AI-forskningslag over de neste seks månedene, og akselerere utviklingen av Encord Index og andre nye funksjoner. Vi utvider også vår tilstedeværelse i San Francisco med et nytt kontor, og denne finansieringen vil hjelpe oss å skalerer opp operasjonene våre for å støtte vår voksende kundebase.

Som den yngste AI-selskapet fra Y Combinator til å reise en Series B, hva tilskriver du Encords raske vekst og suksess?

En av grunnene til at vi har kunnet vokse raskt, er at vi har adoptert en ekstremt kundesentrert fokus i alle områder av selskapet. Vi kommuniserer konstant med kundene, lytter nøye til deres problemer, og “omfavner” dem for å finne løsninger. Ved å hyper-fokusere på kundens behov, i stedet for hype, har vi skapt en plattform som resonerer med topp AI-team over ulike bransjer. Våre kunder har vært instrumental i å få oss til hvor vi er i dag. Vår evne til å skalerer raskt og effektivt håndtere kompleksiteten av AI-data, har gjort oss til en attraktiv løsning for bedrifter.

Vi skylder også mye av vår suksess til våre medarbeidere, partnere og investorer, som alle har arbeidet hardt for å fremme Encord. Å arbeide med verdensklasse produkt-, ingeniør- og markedsføringslag, har hatt en enorm innvirkning på vår vekst.

Hvordan ser du på rollen til AI-dataplattformer som Encord i de neste fem årene?

Som AI-applikasjoner vokser i kompleksitet, vil behovet for effektive og skalerbare datahåndteringsløsninger bare øke. Jeg tror at hver bedrift til slutt vil ha et AI-avdeling, på samme måte som IT-avdelinger eksisterer i dag. Encord vil være den eneste plattformen de trenger for å håndtere de enorme mengdene data som kreves for AI, og få modellene i produksjon raskt.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Encord.