Jerry Xu, medgrunnlegger og CEO av Datatron – Intervju-serie

Jerry har omfattende erfaring med maskinlæring, lagringsystemer, nettjenester, distribuerte systemer, virtualisering og operativsystemkjerne. Han har arbeidet med høy-ytelses- og stor-skala-systemer i selskaper som Lyft, Box, Twitter, Zynga og Microsoft (MSFT ). Han har også skrevet den åpne kildekodsprosjektet Lib Crunch og er en tre-ganger Microsoft Gold Star Award-vinner. Jerry fullførte sin mastergrad i datavitenskap ved Shanghai University. Hans siste startup er Datatron.

Når vi arbeidet i Lyft, la vi merke til at dataforskere ofte kommer fra ulike bakgrunner som matematikk, fysikk, bioingeniør osv. Det er ofte svært vanskelig for dem å forstå den tekniske delen av hvordan deres modeller fungerer, selv om de har god intuition om modellen og matematikken. Det motiverte oss til å starte Datatron. Vi prøver ikke å hjelpe dataforskere med å finne den beste algoritmen. Vi kommer bare inn i bildet etter at algoritmen er bestemt og gjør modell-utvikling, overvåking og styring mer effektiv.

Datatron ble valgt av 500 Startups til å være en del av den 18. kohorten av akselerator-selskaper. Hvordan påvirkede denne residensen deg personlig, og hvordan styrer du Datatron?

Vi lærte mye fra StartX og 500 Startup-erfaringer, som inkluderer hvordan man pitcher til investorer, hvordan man finner produkt/markeds-pass, hvordan man kjører salg/markedsføring som vi ikke har erfaring med tidligere.

Datatron er en styringsplattform for ML, AI og data-vitenskapelige modeller. Kan du forklare noen av funksjonene som tilbys av din plattform?

Vårt produkt har fire moduler nå, Modell-utvikling, Modell-overvåking, Modell-utfordring og Modell-styring.

Modell-utvikling:

Opprett og skaler modell-utviklinger på bare noen få klikk. Utvikle modeller utviklet i hvilket som helst rammeverk eller språk.

Modell-overvåking:

Ta bedre forretningsbeslutninger for å spare din teams tid og penger. Overvåk modell-ytelse og oppdag modell-forfall når det skjer.

Modell-styring:

Bruk mindre tid på modell-validering, bias-oppdaging og interne revisjonsprosesser. Gå fra modell-utvikling til intern revisjon til produksjon raskere enn noen gang.

En av brukstilfellene for Datatron er etterspørsels-prognose, som er viktig for bedrifter som må planlegge og allokerer ressurser. Hvordan spiller maskinlæring inn i dette?

Eterspørsel endrer seg vanligvis med både sesongvariasjon og trend, som er et typisk maskinlæring-problem. Maskinlæringsmodeller som ARIMA, Recurrent Neural Network (RNN) kan lære fra historiske data for å finne trend og sesongvariasjon automatisk og gjøre prediksjoner basert på det.

Hvilke rammeverks-modeller (for eksempel TensorFlow) støtter du for øyeblikket?

Vi støtter de fleste populære maskinlærings-rammeverk som sklearn, TensorFlow, H2O, R, SAS osv.

Hvilke språk må modellene være bygget i for å bli støttet av Datatron?

Vi støtter modeller i deres native språk – Python, R, Java osv.

Hvilke typer industrier er best tjent med å bruke Datatron-plattformen?

Grunnleggende sett er vår plattform en horisontal løsning som kan brukes av mange forskjellige industrier. For øyeblikket prøver vi å fokusere på finansielle tjenester og telekommunikasjon.

Hva er noen av de mest utfordrende aspektene ved data-vitenskap som bedrifter møter, og hvorfor løser Datatron dette for dem?

Mange bedrifter har forskjellige data-vitenskapelige team allerede og disse teamene bruker forskjellige verktøy for å bygge sine modeller og har forskjellige praksis for å styre sine modeller. Flere og flere bedrifter innser at modellen blir en verdi og vil påvirke deres topp-linje direkte. Å ha en plattform som kan standardisere maskinlærings-praksisen på tvers av bedriften blir kritisk og nødvendig. Vår plattform kan hjelpe med å løse disse problemene.

Er det noe annet du ville like å dele om Datatron?

Vi har fått mange innkommende interesser fra store bedrifter. Samtidig bygger vi også opp vårt salgs- og markedsførings-team for å nå ut til potensielle kunder aktivt.

For å lære mer besøk Datatron.