Razi Raziuddin, Współzałożyciel i Dyrektor Generalny FeatureByte – Seria wywiadów

Razi Raziuddin jest Współzałożycielem i Dyrektorem Generalnym FeatureByte, jego wizja to rozwiązanie ostatniej dużej bariery w skalowaniu sztucznej inteligencji w przedsiębiorstwach. Doświadczenie Razi’ego w dziedzinie analiz i wzrostu obejmuje zespoły kierownicze dwóch startupów o wartości ponad miliard dolarów. Razi pomógł skalować DataRobot z 10 do 850 pracowników w ciągu niespełna sześciu lat. Był pionierem strategii marketingu opartej na usługach, która stała się cechą charakterystyczną szybkiego wzrostu DataRobot.

FeatureByte ma na celu skalowanie sztucznej inteligencji w przedsiębiorstwach, poprzez radykalne uproszczenie i zunifikowanie danych AI. Platforma inżynierii i zarządzania funkcjami (FEM) umożliwia naukowcom danych tworzenie i udostępnianie funkcji stanu sztuki i gotowych do produkcji potoków danych w ciągu kilku minut — zamiast tygodni lub miesięcy.

Czym było to, co początkowo przyciągnęło Cię do informatyki i sztucznej inteligencji?

Jako osoba, która zaczęła programować w szkole średniej, byłem fascynowany maszyną, z którą mogłem “rozmawiać” i kontrolować za pomocą kodu. Byłem od razu uzależniony od nieograniczonych możliwości nowych aplikacji. Sztuczna inteligencja reprezentowała zmianę paradygmatu w programowaniu, pozwalając maszynom nauczyć się i wykonywać zadania bez określania kroków w kodzie. Nieskończone możliwości aplikacji ML to to, co mnie ekscytuje każdego dnia.

Byłeś pierwszym pracownikiem biznesowym w DataRobot, platformie automatycznego uczenia maszynowego, która umożliwia organizacjom stać się napędzanymi przez AI. Następnie pomógłeś skalować firmę z 10 do 1,000 pracowników w ciągu niespełna 6 lat. Jakie były najważniejsze wnioski z tego doświadczenia?

Przechodzenie od zera do jednego jest trudne, ale niezwykle ekscytujące i satysfakcjonujące. Każdy etap w ewolucji firmy prezentuje inny zestaw wyzwań, ale widzenie, jak firma rośnie i odnosi sukcesy, jest niesamowitym uczuciem.

Moje doświadczenie z AutoML otworzyło mi oczy na nieograniczone możliwości AI. Jest fascynujące widzieć, jak ta technologia może być wykorzystywana w tak wielu różnych branżach i aplikacjach. Na koniec dnia tworzenie nowej kategorii jest rzadkim osiągnięciem, ale niesamowicie satysfakcjonującym. Moje najważniejsze wnioski z tego doświadczenia:

• Zbuduj niesamowity produkt i unikaj gonić za modami
• Nie bój się być niezależnym
• Skoncentruj się na rozwiązywaniu problemów klientów i dostarczaniu wartości
• Zawsze bądź otwarty na innowacje i próbowanie nowych rzeczy
• Stwórz i wprowadź odpowiednią kulturę firmy od samego początku

Czy mógłbyś podzielić się historią powstania FeatureByte?

Jest to powszechnie znany fakt w świecie AI/ML – że Wielka AI zaczyna się od wielkich danych. Ale przygotowanie, wdrożenie i zarządzanie danymi AI (lub funkcjami) jest złożone i czasochłonne. Mój współzałożyciel, Xavier Conort, i ja widzieliśmy ten problem na własne oczy w DataRobot. Podczas gdy modelowanie stało się znacznie uproszczone dzięki narzędziom AutoML, inżynieria i zarządzanie funkcjami pozostają ogromnym wyzwaniem. Na podstawie naszego połączonego doświadczenia i ekspertyzy Xavier i ja czuliśmy, że możemy naprawdę pomóc organizacjom rozwiązać ten problem i spełnić obietnicę AI wszędzie.

Inżynieria funkcji jest rdzeniem FeatureByte, czy mógłbyś wyjaśnić, co to jest dla naszych czytelników?

Ostatecznie jakość danych decyduje o jakości i wydajności modeli AI. Dane, które są wprowadzane do modeli w celu ich szkolenia i przewidywania przyszłych wyników, nazywane są funkcjami. Funkcje reprezentują informacje o jednostkach i zdarzeniach, takich jak dane demograficzne lub psychograficzne konsumentów, lub odległość między posiadaczem karty a sprzedawcą w transakcji kartowej lub liczba przedmiotów z różnych kategorii z zakupu w sklepie.

Proces transformacji surowych danych w funkcje — w celu szkolenia modeli ML i przewidywania przyszłych wyników — nazywany jest inżynierią funkcji.

Dlaczego inżynieria funkcji jest jednym z najbardziej skomplikowanych aspektów projektów sztucznej inteligencji?

Inżynieria funkcji jest super ważna, ponieważ proces ten jest bezpośrednio odpowiedzialny za wydajność modeli ML. Dobra inżynieria funkcji wymaga trzech dość niezależnych umiejętności, które muszą się połączyć — wiedzy branżowej, nauki o danych i inżynierii danych. Wiedza branżowa pomaga naukowcom danych określić, jakie sygnały wyodrębnić z danych dla określonego problemu lub przypadku użycia. Potrzebujesz umiejętności naukowych, aby wyodrębnić te sygnały. I wreszcie, inżynieria danych pomaga wdrożyć potoki i wykonać wszystkie te operacje na dużą skalę na dużych wolumenach danych.

W ogromnej większości organizacji te umiejętności mieszczą się w różnych zespołach. Te zespoły używają różnych narzędzi i nie komunikują się dobrze ze sobą. To prowadzi do dużej frakcji w procesie i spowalnia go do zatrzymania.

Czy mógłbyś podzielić się niektórymi spostrzeżeniami na temat tego, dlaczego inżynieria funkcji jest najslabszym ogniwem w skalowaniu AI?

Według Andrew Ng, renomowanego eksperta w dziedzinie AI, „Stosowana sztuczna inteligencja to podstawowo inżynieria funkcji”. Pomimo jej krytycznego znaczenia dla cyklu życia sztucznej inteligencji, inżynieria funkcji pozostaje złożona, czasochłonna i zależna od wiedzy eksperckiej. Brakuje poważnych narzędzi, które mogłyby uprościć ten proces, uczynić go szybszym i bardziej zunifikowanym. Wysiłek i wiedza wymagana utrudniają przedsiębiorstwom wdrożenie AI na dużą skalę.

Czy mógłbyś podzielić się niektórymi wyzwaniami związanymi z budową rozwiązania AI, które radykalnie upraszcza inżynierię funkcji dla naukowców danych?

Budowanie produktu, który ma 10-krotną przewagę nad stanem istniejącym, jest super trudne. Na szczęście Xavier ma głęboką wiedzę w dziedzinie nauki o danych, którą wykorzystuje do przemyślenia całego procesu funkcji od podstaw. Mamy światowej klasy zespół pełnych naukowców danych i inżynierów, którzy mogą przekształcić naszą wizję w rzeczywistość. I mamy użytkowników i partnerów rozwojowych, którzy doradzają nam w streamlinowaniu UX, aby najlepiej rozwiązać ich wyzwania.

Jak platforma FeatureByte przyspieszy przygotowanie danych do aplikacji sztucznej inteligencji?

Przygotowanie danych do ML jest procesem iteracyjnym, który opiera się na szybkiej eksperymentacji. Otwarty SDK FeatureByte jest deklaracyjnym frameworkiem do tworzenia funkcji stanu sztuki za pomocą zaledwie kilku linii kodu i wdrażania potoków danych w ciągu kilku minut zamiast tygodni lub miesięcy. To pozwala naukowcom danych skoncentrować się na twórczym rozwiązywaniu problemów i szybkiej iteracji na żywych danych, zamiast martwić się o instalację.

Wynikiem jest nie tylko szybsze przygotowanie i podawanie danych w produkcji, ale także lepsze wyniki modeli dzięki potężnym funkcjom.

Czy mógłbyś omówić, jak platforma FeatureByte dodatkowo oferuje możliwość uproszczenia różnych zadań zarządzania?

Platforma FeatureByte jest zaprojektowana do zarządzania całym cyklem życia funkcji ML. Deklaracyjny framework pozwala FeatureByte na automatyczne wdrożenie potoków danych, podczas gdy wyodrębnia metadane istotne dla zarządzania środowiskiem. Użytkownicy mogą monitorować stan potoku i koszty, oraz zarządzać liniami, wersjami i poprawnością funkcji, wszystko z tego samego GUI. Enterprise-grade role-based access i approval workflows zapewniają prywatność i bezpieczeństwo danych, unikając rozpraszania funkcji.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat FeatureByte?

Większość narzędzi AI dla przedsiębiorstw koncentruje się na poprawie modeli sztucznej inteligencji. Zrobiliśmy z tego misję, aby pomóc przedsiębiorstwom skalować ich AI, upraszczając i zunifikowując dane AI. W FeatureByte zajmujemy się największym wyzwaniem dla praktyków AI: dostarczaniem spójnego, skalowalnego sposobu przygotowania, podawania i zarządzania danymi w całym cyklu życia modelu, radykalnie upraszczając cały proces.

Jeśli jesteś naukowcem danych lub inżynierem zainteresowanym pozostaniem na szczycie nauki o danych, zachęcam do doświadczenia mocy FeatureByte za darmo.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić FeatureByte.