Hyun Kim, CEO og medgrunnlegger, Superb AI – Intervju-serie

Hyun Kim er CEO og medgrunnlegger av Superb AI, et selskap som tilbyr en ny generasjon maskinlæringsdata-plattform til AI-team så de kan bygge bedre AI på kortere tid. Superb AI Suite er en enterprise SaaS-plattform bygget for å hjelpe ML-ingeniører, produktteam, forskere og data-annotatorer å lage effektive treningdata-arbeidsflyter.

Hva var det som først tiltalte deg til feltet AI, Data Science og Robotikk?

Som bachelor-student i biomedisinsk ingeniørvitenskap ved Duke, var jeg lidenskapelig opptatt av genetikk og hvordan vi kan konstruere vår DNA for å kurere sykdommer eller skape genetisk konstruerte organismer. Jeg husker en våt-laboratorie-eksperiment som var svært frustrerende, og som varte i 6 måneder. Det mest frustrerende var at det var mye repetitivt manuelt arbeid, og at det sannsynligvis var årsaken til mange potensielle feil.

Dette frustrerende erfaringen førte til at jeg ble interessert i alt som har å gjøre med automatisering. Jeg flyttet rundt på flere laboratorier ved Duke før jeg ble med i et laboratorium som forsket på hvordan maskinlæring kan hjelpe til å diagnostisere Parkinsons sykdom ved hjelp av hjernens MRI-skanninger. Her fikk jeg en virkelig smak på det banebrytende potensialet i dyptlæringsnettverk. Jeg valgte å fortsette med en PhD-grad i datavitenskap ved Duke, og arbeidet intensivt i Intelligent Robot Lab med å lære roboter å lære ting.

I 2016 var du involvert i Amazon (AMZN ) Robotics Challenge. Hva arbeidet du med, og hvordan likte du denne erfaringen?

I Amazon Robotics Challenge, tjener lag poeng ved å gjøre roboter autonomt plukke og plassere gjenstander i en gitt tid. Robotene i fabrikker og monteringslinjer kan konstrueres for å håndtere bestemte gjenstander, men ARC-utfordringene våre roboter til å operere i svært dynamiske situasjoner. Jeg var leder av “Team Duke” og dens bevegelsesplanleggingsfunksjon. Jeg designet og implementerte robotbevegelsesplanleggingsmetoder for pick-and-place-robotmanipulasjon i et realistisk lagermiljø. Det var en spennende læringsopplevelse, da vi måtte sette sammen en mengde komplekse systemer, fra datavisningsbaserte robotperceptions-systemer til bevegelsesplanleggingsalgoritmer og tilpassede mekaniske end-effektorer.

Du arbeidet deretter i nesten 2 år som maskinlæringsforsker ved SK T-Brain. Hva var dette prosjektet?

Et år inn i min PhD, i mars 2016, beseiret Googles AlphaGo den menneskelige mesteren, Lee Sedol, i Go. Det var en banebrytende nyhet, spesielt i Korea, der Go er mye mer populært enn andre steder.

Etter denne hendelsen, begynte regjeringen og alle større selskaper å investere en mengde i AI-forskning. Et av selskapene var SKT, eller SK Telecom (SKM ), et stort koreansk konglomerat. Jeg ble tilbudt en stilling som maskinlæringsforsker ved deres nye AI-forskningslaboratorium, kalt SKT Brain. Jeg tok en pause fra min PhD og returnerte til Korea for å arbeide i omtrent 2 år.

Formålet med mitt team var å gjøre forskning på ulike AI-temaer som potensielt kunne spinne av som et produkt eller skape en forretningsmulighet for selskapet. I disse to årene, tok jeg noen forsøk på temaer som selvstyrt kjøring, spill-AI (spesielt StarCraft AI) og generative adversarial nettverk eller GAN-er.

Etter to år, valgte jeg å forlate skolen og starte mitt eget selskap, Superb AI.

Hva var inspirasjonen bak lanseringen av Superb AI?

Mens jeg forsket på robotlæring på skolen, og også mens jeg arbeidet på et korporativt forskningslaboratorium, var det svært tydelig for meg at jeg tilbrakte mesteparten av min tid på datakurering.

På skolen, tilbrakte jeg mesteparten av min tid med å lage simuleringsmiljøer for robotikk-simuleringdata. På mitt tidligere selskap, tilbrakte jeg tid med å samle inn og merke datasets for selvstyrt kjøring og spill-AI.

Og, dessverre, var det ikke bare for meg. Det var det samme for mine kolleger, og en svært vanlig smertepunkt for hver forsker og ingeniør i maskinlæringsindustrien.

Jeg ønsket å fikse dette. Som du kan se, er jeg en stor fan av maskinlæring og AI, og jeg tror at det kan virkelig revolusjonere våre liv. Jeg ønsker å se tekniske gjennombrudd skje raskere, og jeg ønsker å se dem bli anvendt i våre daglige liv.

Hvordan ville du beskrive tjenestene som tilbys av Superb AI?

Superb AI tilbyr en maskinlæringsdata-plattform kalt Superb AI Suite. Suite hjelper selskaper å lage, merke og håndtere treningdata effektivt, og å akselerere deres ML Ops-syklus.

Det er godt kjent at de fleste maskinlærings-teamene tilbringer over 50% av sin tid med å håndtere treningdatasets. Vi hjelper ingeniører å lett filtrere, søke og manipulere treningdatasets, og å integrere med deres ML Ops-stakk, som data-lagring eller dyptlærings-rammeverk gjennom en kraftig SDK og API-er.

Produktledere tilbringer også mye tid med treningdata. Vi hjelper å gjøre deres liv lettere gjennom sømløs feilsporing, data-analyse og mange samarbeids- og produktivitets-relaterte funksjoner.

Hva har vært den mest vanskelige delen av å bygge en maskinlæringsdata-plattform?

Å bygge en maskinlæringsdata-plattform stiller en interessant ingeniør-utfordring, ikke bare fordi maskinlæring krever en enorm mengde ustukturert data, som bilder og videoer, men også fordi dataene må være konstant lest og oppdatert av mange brukere rundt om i verden.

Hvilke selskaper bruker Superb AI-plattformen?

Vi har kunder av varierende størrelse over mange vertikaler. Store forbruker-elektronikk-selskaper, inkludert Samsung og LG, bruker vår plattform til å håndtere data og akselerere deres ML-utviklingsprosess. Mange bedrifter og start-ups i den selvstyrte kjøring-industrien, samt selskaper som bruker ubemannede systemer i applikasjoner fra fysisk sikkerhet til bygging, bruker vår plattform.

I tillegg bruker AR/VR- og spill-selskaper vår treningdata-plattform til å lage og håndtere datasets som kan lære ML-modeller.

I det medisinske sektoren, bruker forskningslaboratorier ved kjente internasjonale universiteter vår plattform til å håndtere treningdata og mer effektivt trene datavisnings-modeller til å gjenkjenne svulster i MR- og CT-skanninger.

Superb AI var en del av vinteren 2019-klassen av Y Combinator. Kan du beskrive denne erfaringen og hva er noen av de viktigste lærdommene du lærte?

Våre to hovedlærdommer var å lære å fokusere på brukerne, og å iterere raskt. YC’s motto er “lag noe folk ønsker”. Ofte tenderer start-ups, og spesielt tekniske start-ups, å fokusere på de tekniske innovasjonene og neglisjere hva brukerne faktisk trenger. Gjennom de tre månedene, lærte vi å være ekstremt bruker-drevne – å snakke med så mange brukere som mulig, og virkelig å forstå hva de virkelig trenger – samtidig som vi itererte på produktoppdateringer og meldinger for å tilpasse brukerbehovene. Siden det er umulig å nå et produkt eller nå markedsmessig passform på første forsøk, er det avgjørende å konstant snakke med brukerne og levere hva de ønsker. Det er veldig åpenbart når du tenker på det, men veldig vanskelig å fokusere på i praksis.

Er det noe annet du ønsker å dele om Superb AI?

Vi har nettopp forbedret vårt gratisprodukt som gir brukerne mer rå-asset-lagring og mer merking/datahåndtering/utvikler-verktøy og -funksjoner. Vi er på en virkelig misjon til å demokratisere AI og ønsker å fortelle folk at det finnes bedrifter som oss som er investert i å tilby så mye som mulig for å fremme adopsjonen og integreringen av AI i våre daglige liv.

Takk for intervjuene. Lesere som ønsker å lære mer, kan besøke Superb AI.