Jorge Torres, Co-fundador e CEO da MindsDB – Série de Entrevistas

Jorge Torres é o co-fundador e CEO da MindsDB, uma plataforma que ajuda qualquer pessoa a usar o poder do aprendizado de máquina para fazer perguntas preditivas sobre seus dados e receber respostas precisas deles. A MindsDB também é uma graduada da recente turma de inverno de 2020 do YCombinator e foi recentemente reconhecida como uma das empresas de IA mais promissoras da América pela Forbes.

O que o atraiu inicialmente para o aprendizado de máquina?

É uma história interessante. Em 2008, eu estava morando e trabalhando em Berkeley para uma startup chamada Couchsurfing e eu vi essa classe, (cs188 – Introdução ao Aprendizado de Máquina). Embora eu não estivesse afiliado à universidade na época, eu perguntei ao professor John DeNero se eu poderia participar de uma aula e ele me permitiu. Esse professor era brilhante e ele realmente fez com que todos se apaixonassem pelo assunto. Foi a melhor coisa que aconteceu comigo. Eu fiquei impressionado com o fato de que os computadores podiam aprender a resolver um problema, eu percebi que isso estava se movendo rapidamente e decidi torná-lo minha carreira.

Há alguns eventos definidores de geração na tecnologia que acontecem apenas algumas vezes na vida de uma pessoa. Eu tive a sorte de testemunhar o nascimento da Internet, mas era muito jovem para ser mais do que um observador passivo. Eu acredito que o Aprendizado de Máquina seja o próximo evento definidor de geração, e eu queria fazer parte disso de alguma forma para impulsionar a tecnologia e a forma como a usamos.

A MindsDB começou em UC Berkeley em 2018, pode compartilhar alguma visão sobre esses primeiros dias?

A UC Berkeley é uma das principais instituições de pesquisa do mundo e tem uma história de criar e apoiar software de código aberto, e pensamos que não havia lugar melhor para começar a MindsDB. Nossos valores estavam alinhados, eles nos ofereceram nosso primeiro cheque através do acelerador UC Berkeley Skydeck e o resto, como se diz, é história.

Os primeiros dias não eram muito diferentes dos de muitas startups na região da Baía – Três pessoas trabalhando longas horas em algo em que todos acreditavam, mas que tinha apenas uma pequena chance de sucesso. A única diferença é que, em vez de trabalhar em uma garagem empoeirada em Palo Alto, estávamos no conforto relativo do espaço de coworking Skydeck Penthouse (aluguel gratuito).

Eu acredito que há um enorme poder nos dados. Quanto mais dados uma empresa tiver, mais ela será capaz de impulsionar seus negócios para frente. Mas apenas se eles conseguirem extrair insights significativos deles.

No outono de 2017, meu melhor amigo Adam Carrigan (COO) e eu chegamos à conclusão de que muitas empresas enfrentavam limitações ao extrair informações significativas de seus dados. Eles perceberam que uma das principais limitações era a forma como muitas dessas empresas estavam subutilizando o poder da inteligência artificial. Acreditamos que o aprendizado de máquina poderia tornar os dados e a inteligência que eles podem fornecer acessíveis a todos. É por isso que projetamos uma plataforma que permitiria que qualquer pessoa usasse o poder do aprendizado de máquina para fazer perguntas preditivas sobre seus dados e receber respostas precisas deles.

Chamamos essa plataforma de MindsDB e estamos focados em continuar tornando-a incrivelmente fácil para os desenvolvedores criarem rapidamente a próxima onda de aplicações centradas em IA que transformarão a forma como vivemos e trabalhamos, e para as empresas extrairem informações de seus dados.

Por que a MindsDB se concentrou em resolver o problema de ser centrada em dados em vez de centrada em aprendizado de máquina?

Se você olhar para a grande maioria da pesquisa em IA, uma grande porcentagem vem de instituições acadêmicas. O aprendizado de máquina historicamente foi centrado no modelo porque é onde as instituições de pesquisa podem agregar valor percebido; mais pesquisa melhora os modelos ou cria novos, produzindo melhores resultados. Ser centrado em dados, por outro lado, agregar melhor qualidade/mais dados relevantes a uma abordagem existente não é facilmente publicável (o principal KPI para os pesquisadores).

No entanto, a grande maioria dos problemas de aprendizado de máquina aplicado hoje se beneficia muito mais de dados melhorados do que de modelos melhorados. Isso também se alinha bem com nossa missão de democratizar o aprendizado de máquina, a grande maioria das pessoas fora do espaço de ML não sabe muito sobre ML, mas elas certamente sabem muito sobre seus dados.

Vimos que havia dois tipos de empresas, por um lado, empresas com dados no banco de dados, por outro, empresas que ainda não haviam descoberto os bancos de dados, percebemos que se uma empresa estava no grupo de bancos de dados, sua maturidade de dados já a havia colocado no caminho certo para aplicar o aprendizado de máquina, enquanto as empresas que ainda não haviam descoberto os bancos de dados tinham um longo caminho a percorrer, então nos concentramos em fornecer valor para aqueles que poderiam extrair.

Como a MindsDB aborda a modelagem e o deploy em SQL simples?

Criamos representações de modelos como tabelas que podem ser consultadas, então efetivamente removemos o conceito de ‘deploy’ da imagem. Quando você digita em um banco de dados CREATE VIEW, essa visão está ao vivo assim que o comando é processado, mesmo coisa quando você faz CREATE MODEL na MindsDB.

As pessoas amam a MindsDB devido à simplificação que vocês trouxeram para o ciclo de vida do ML-Ops, por que simplificar a implantação do aprendizado de máquina é tão importante?

As pessoas amam porque isso abstrai pipelines de ETL desnecessários, então menos coisas para manter. Nosso foco é fazer com que os usuários extraiam o valor do aprendizado de máquina, sem pensar em manter a infraestrutura de ML, se eles já mantêm a infraestrutura de dados.

Quais são algumas das vantagens e riscos de ser uma startup de código aberto em vez de uma startup tradicional?

Um projeto de código aberto pode começar com apenas uma ideia, e as pessoas ajudarão a construí-lo ao longo do caminho, na abordagem de código fechado, você precisa começar com as mesmas suposições, mas você melhor precisa estar certo, porque ninguém ajudará a melhorar seu produto (pelo menos não no mesmo volume que no código aberto), pense no código aberto como uma abordagem colaborativa de ajuste de produto.

A MindsDB recentemente arrecadou um investimento de US$ 16,5 milhões em sua Série A da Benchmark, por que a Benchmark é o investidor perfeito e como a visão deles se alinha com a sua?

A Benchmark tem um registro impecável em nossa indústria, Chetan ajudou empresas como mongodb, elastic, airbyte a se tornarem líderes mundiais em seus domínios. Acreditamos que não há melhor ajuste para a MindsDB do que Chetan e a Benchmark capital.

Obrigado pela grande entrevista, os leitores que desejam aprender mais devem visitar MindsDB.