Razi Raziuddin, medgrunnlegger og CEO av FeatureByte – Intervju-serie

Razi Raziuddin er medgrunnlegger og CEO av FeatureByte, hans visjon er å løse den siste store hindringen for å skalerer AI i bedrifter. Razi’s erfaring med analyse og vekst omfatter ledelseslaget i to unicorn-startups. Razi hjalp til å skalerer DataRobot fra 10 til 850 ansatte på under seks år. Han var pioner for en tjeneste-drevet markedsstrategi som ble kjennetegnet for DataRobots raske vekst.

FeatureByte er på en misjon for å skalerer bedrifts-AI, ved å radikalt forenkle og industrialisere AI-data. Plattformen for feature-engineering og -ledelse (FEM) gir data-vitenskapsmenn mulighet til å lage og dele state-of-the-art-egenskaper og produksjonsklare data-pipelines på minutter — i stedet for uker eller måneder.

Hva var det som først tiltalte deg til datavitenskap og maskinlæring?

Som noen som startet å kode i videregående skole, var jeg fascinert av en maskin som jeg kunne “snakke” til og kontrollere gjennom kode. Jeg var umiddelbart fanget av de endelige mulighetene for nye applikasjoner. Maskinlæring representerte en paradigmeskifte i programmering, som tillot maskiner å lære og utføre oppgaver uten å angi trinnene i kode. De uendelige mulighetene for ML-applikasjoner er det som får meg til å bli spennende hver dag.

Du var den første forretningsansatte i DataRobot, en automatisert maskinlæringsplattform som gjør det mulig for organisasjoner å bli AI-drevne. Du hjalp deretter til å skalerer selskapet fra 10 til 1 000 ansatte på under 6 år. Hva var noen av de viktigste lærdommene fra denne erfaringen?

Å gå fra null til en er hardt, men ekstremt spennende og belønning. Hver fase i selskapets utvikling presenterer en annen sett med utfordringer, men å se selskapet vokse og lykkes er en fantastisk følelse.

Min erfaring med AutoML åpnet mine øyne for de ubegrensede mulighetene for AI. Det er fascinerende å se hvordan denne teknologien kan brukes over så mange forskjellige bransjer og applikasjoner. Til slutt handler det om å lage en ny kategori, noe som er en sjelden bragd, men en ekstremt belønning. Mine viktigste lærdommer fra erfaringen:

• Bygg et fantastisk produkt og unngå å jage etter trender
• Vær ikke redd for å være en kontrarian
• Fokus på å løse kunde-problemer og gi verdi
• Vær alltid åpen for innovasjon og prøving av nye ting
• Skap og innfør rett selskapskultur fra starten av

Kan du dele historien bak FeatureByte?

Det er en velkjent faktum i AI/ML-verden – at god AI starter med god data. Men å forberede, distribuere og håndtere AI-data (eller egenskaper) er komplekst og tidskrevende. Min medgrunnlegger, Xavier Conort, og jeg så dette problemet førstehånd på DataRobot. Mens modellering har blitt enormt forenklet takket være AutoML-verktøy, forblir feature-engineering og -ledelse en stor utfordring. Basert på vår kombinerte erfaring og ekspertise, følte Xavier og jeg at vi kunne hjelpe organisasjoner å løse denne utfordringen og levere på løftet om AI overalt.

Feature-engineering er i kjernen av FeatureByte, kan du forklare hva dette er for våre lesere?

Til slutt handler kvaliteten på data om kvaliteten og ytelsen til AI-modeller. Data som mates inn i modeller for å trene dem og forutsi fremtidige resultater, kalles egenskaper. Egenskaper representerer informasjon om enheter og hendelser, som demografisk eller psykografisk data om forbrukere, eller avstand mellom en kortinnehaver og forhandler for en kredittkortstransaksjon eller antall varer av forskjellige kategorier fra en butikk-kjøp.

Prosessene med å transformere rådata til egenskaper – for å trene ML-modeller og forutsi fremtidige resultater – kalles feature-engineering.

Hvorfor er feature-engineering en av de mest kompliserte aspektene av maskinlæringsprosjekter?

Feature-engineering er super viktig fordi prosessen er direkte ansvarlig for ytelsen til ML-modeller. God feature-engineering krever tre ganske uavhengige ferdigheter som må kombineres – domene-kunnskap, data-vitenskap og data-engineering. Domene-kunnskap hjelper data-vitenskapsmenn å bestemme hva signaler å trekke ut fra data for et bestemt problem eller brukstilfelle. Du trenger data-vitenskapelige ferdigheter for å trekke ut disse signalene. Og til slutt hjelper data-engineering deg å distribuere pipelines og utføre alle disse operasjonene på store datavolumer.

I de fleste organisasjoner bor disse ferdighetene i forskjellige lag. Disse lagene bruker forskjellige verktøy og kommuniserer ikke godt med hverandre. Dette fører til mye friksjon i prosessen og bremser den ned til et stoppepunkt.

Kan du dele noen innsikt i hvorfor feature-engineering er den svakeste lenken i å skalerer AI?

Ifølge Andrew Ng, en kjent ekspert i AI, «Applied machine learning er i realiteten feature-engineering». Til tross for dets kritiske betydning for maskinlærings-livssyklusen, forblir feature-engineering komplekst, tidskrevende og avhengig av ekspert-kunnskap. Det er en alvorlig mangel på verktøy for å gjøre prosessen enklere, raskere og mer industrialisert. Innsatsen og ekspertisen som kreves holder bedrifter tilbake fra å kunne distribuere AI i skala.

Kan du dele noen av utfordringene bak å bygge en data-sentrert AI-løsning som radikalt forenkler feature-engineering for data-vitenskapsmenn?

Å bygge et produkt som har en 10X fordel over status quo er super hardt. Heldigvis har Xavier dypt data-vitenskapelig ekspertise som han bruker til å tenke om hele feature-arbeidsflyten fra grunnen av. Vi har et verdensklasse-lag av full-stack data-vitenskapsmenn og ingeniører som kan omskape vår visjon til virkelighet. Og brukere og utviklingspartnere som råder oss til å strømlinje brukergrensesnittet for å løse deres utfordringer best mulig.

Hvordan vil FeatureByte-plattformen øke forberedelsen av data for maskinlærings-applikasjoner?

Data-forberedelse for ML er en iterativ prosess som avhenger av rask eksperimentering. Den åpne kildekode FeatureByte SDK er et deklarativt rammeverk for å lage state-of-the-art-egenskaper med bare noen få linjer kode og distribuere data-pipelines på minutter i stedet for uker eller måneder. Dette lar data-vitenskapsmenn fokusere på kreative problemløsninger og raskt iterere på live-data, i stedet for å bekymre seg om rørledningen.

Resultatet er ikke bare raskere data-forberedelse og tjeneste i produksjon, men også forbedret modell-ytelse gjennom kraftfulle egenskaper.

Kan du diskutere hvordan FeatureByte-plattformen vil tilby mulighet til å strømlinje forskjellige pågående ledelsesoppgaver?

FeatureByte-plattformen er designet for å håndtere hele ML-egenskaps-livssyklusen. Det deklarative rammeverket lar FeatureByte distribuere data-pipelines automatisk, mens det trekker ut metadata som er relevant for å håndtere hele miljøet. Brukere kan overvåke pipeline-helse og kostnader, og håndtere linje, versjon og riktighet av egenskaper alt fra samme GUI. Bedrifts-klasse rolle-basert tilgang og godkjenning-arbeidsflyt garanterer data-privatitet og sikkerhet, mens det unngår egenskaps-sprengning.

Er det noe annet du vil dele om FeatureByte?

De fleste bedrifts-AI-verktøy fokuserer på å forbedre maskinlærings-modeller. Vi har gjort det til vår misjon å hjelpe bedrifter å skalerer AI, ved å forenkle og industrialisere AI-data. Hos FeatureByte, løser vi den største utfordringen for AI-utøvere: Å gi en konsekvent, skalerbar måte å forberede, tjene og håndtere data over hele livssyklusen til en modell, mens det radikalt forenkler hele prosessen.

Hvis du er en data-vitenskapsmann eller ingeniør som er interessert i å holde deg på toppen av data-vitenskap, vil jeg oppmuntre deg til å oppleve kraften til FeatureByte gratis.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke FeatureByte.