Razi Raziuddin, Co-Fundador e CEO da FeatureByte – Série de Entrevistas

Razi Raziuddin é o Co-Fundador e CEO da FeatureByte, sua visão é desbloquear o último grande obstáculo para escalar a IA nas empresas. A experiência de Razi em análise e crescimento abrange a equipe de liderança de duas startups unicornio. Razi ajudou a escalar a DataRobot de 10 para 850 funcionários em menos de seis anos. Ele foi pioneiro em uma estratégia de mercado liderada por serviços que se tornou a marca registrada do crescimento rápido da DataRobot.

A FeatureByte está em uma missão para escalar a IA empresarial, simplificando e industrializando os dados de IA de forma radical. A plataforma de engenharia e gerenciamento de recursos (FEM) permite que os cientistas de dados criem e compartilhem recursos de ponta e pipelines de dados prontos para produção em minutos — em vez de semanas ou meses.

O que inicialmente o atraiu para a ciência da computação e o aprendizado de máquina?

Como alguém que começou a programar no ensino médio, fiquei fascinado com uma máquina que eu podia “falar” e controlar por meio de código. Fiquei instantaneamente viciado nas infinitas possibilidades de novos aplicativos. O aprendizado de máquina representou uma mudança de paradigma na programação, permitindo que as máquinas aprendessem e realizassem tarefas sem especificar os passos no código. O potencial infinito de aplicações de ML é o que me deixa animado todos os dias.

Você foi a primeira contratação de negócios da DataRobot, uma plataforma de aprendizado de máquina automatizado que permite que as organizações se tornem impulsionadas por IA. Você então ajudou a escalar a empresa de 10 para 1.000 funcionários em menos de 6 anos. Quais foram algumas das principais lições aprendidas com essa experiência?

Ir de zero a um é difícil, mas incrivelmente emocionante e gratificante. Cada etapa na evolução da empresa apresenta um conjunto diferente de desafios, mas ver a empresa crescer e ter sucesso é uma sensação incrível.

Minha experiência com o AutoML abriu meus olhos para o potencial ilimitado da IA. É fascinante ver como essa tecnologia pode ser usada em tantas indústrias e aplicações diferentes. No final do dia, criar uma nova categoria é uma proeza rara, mas incrivelmente gratificante. Minhas principais lições aprendidas com a experiência:

• Crie um produto incrível e evite perseguir modas
• Não tenha medo de ser um contrariano
• FOque em resolver problemas dos clientes e fornecer valor
• Esteja sempre aberto à inovação e à tentativa de coisas novas
• Crie e inculque a cultura certa da empresa desde o início

Poderia compartilhar a história de gênese por trás da FeatureByte?

É um fato bem conhecido no mundo da IA/ML – que uma grande IA começa com grandes dados. Mas preparar, implantar e gerenciar dados de IA (ou Recursos) é complexo e demorado. Meu co-fundador, Xavier Conort, e eu vimos esse problema em primeira mão na DataRobot. Embora a modelagem tenha se tornado vastamente simplificada graças às ferramentas de AutoML, a engenharia e gerenciamento de recursos permanecem um grande desafio. Com base em nossa experiência e expertise combinadas, Xavier e eu sentimos que poderíamos realmente ajudar as organizações a resolver esse desafio e entregar na promessa da IA em todos os lugares.

A engenharia de recursos está no cerne da FeatureByte, poderia explicar o que é isso para nossos leitores?

Em última análise, a qualidade dos dados impulsiona a qualidade e o desempenho dos modelos de IA. Os dados que são alimentados nos modelos para treinar e prever resultados futuros são chamados de Recursos. Os Recursos representam informações sobre entidades e eventos, como dados demográficos ou psicográficos de consumidores, ou a distância entre um portador de cartão e um comerciante para uma transação de cartão de crédito ou o número de itens de categorias diferentes de uma compra em uma loja.

O processo de transformar dados brutos em recursos – para treinar modelos de ML e prever resultados futuros – é chamado de engenharia de recursos.

Por que a engenharia de recursos é um dos aspectos mais complicados dos projetos de aprendizado de máquina?

A engenharia de recursos é super importante porque o processo é diretamente responsável pelo desempenho dos modelos de ML. Uma boa engenharia de recursos requer três habilidades fairly independentes para se juntarem – conhecimento de domínio, ciência de dados e engenharia de dados. O conhecimento de domínio ajuda os cientistas de dados a determinar quais sinais extrair dos dados para um problema ou caso de uso específico. Você precisa de habilidades em ciência de dados para extrair esses sinais. E, finalmente, a engenharia de dados ajuda a implantar pipelines e realizar todas essas operações em larga escala em grandes volumes de dados.

Na grande maioria das organizações, essas habilidades vivem em equipes diferentes. Essas equipes usam ferramentas diferentes e não se comunicam bem entre si. Isso leva a muita fricção no processo e o desacelera até parar.

Poderia compartilhar alguma percepção sobre por que a engenharia de recursos é o elo mais fraco na escala da IA?

De acordo com Andrew Ng, especialista renomado em IA, “Aprendizado de máquina aplicado é basicamente engenharia de recursos.” Apesar de sua criticidade para o ciclo de vida do aprendizado de máquina, a engenharia de recursos permanece complexa, demorada e dependente do conhecimento especializado. Há uma grave falta de ferramentas para tornar o processo mais fácil, rápido e mais industrializado. O esforço e a expertise necessários seguram as empresas de volta de serem capazes de implantar a IA em larga escala.

Poderia compartilhar alguns dos desafios por trás da construção de uma solução de IA centrada em dados que simplifica radicalmente a engenharia de recursos para os cientistas de dados?

Construir um produto que tenha uma vantagem de 10X sobre o status quo é super difícil. Felizmente, Xavier tem uma profunda expertise em ciência de dados que ele está empregando para repensar todo o fluxo de trabalho de recursos a partir de princípios fundamentais. Temos uma equipe de classe mundial de cientistas de dados e engenheiros full-stack que podem transformar nossa visão em realidade. E temos usuários e parceiros de desenvolvimento para aconselhar sobre como simplificar a UX para resolver melhor seus desafios.

Como a plataforma FeatureByte irá acelerar a preparação de dados para aplicações de aprendizado de máquina?

A preparação de dados para ML é um processo iterativo que depende da experimentação rápida. O SDK FeatureByte de código aberto é um framework declarativo para criar recursos de ponta com apenas algumas linhas de código e implantar pipelines de dados em minutos, em vez de semanas ou meses. Isso permite que os cientistas de dados se concentrem na resolução criativa de problemas e iterem rapidamente em dados ao vivo, em vez de se preocupar com a tubulação.

O resultado é não apenas uma preparação de dados mais rápida e servindo em produção, mas também um desempenho de modelo melhorado por meio de recursos poderosos.

Poderia discutir como a plataforma FeatureByte também irá oferecer a capacidade de simplificar várias tarefas de gerenciamento em andamento?

A plataforma FeatureByte é projetada para gerenciar o ciclo de vida completo de recursos de ML. O framework declarativo permite que a FeatureByte implante pipelines de dados automaticamente, enquanto extrai metadados relevantes para gerenciar o ambiente geral. Os usuários podem monitorar a saúde e os custos dos pipelines, e gerenciar a linhagem, versão e correção dos recursos, tudo a partir da mesma interface gráfica do usuário. Fluxos de trabalho de aprovação e acesso baseados em funções de nível empresarial garantem a privacidade e segurança dos dados, enquanto evitam a dispersão de recursos.

Há algo mais que você gostaria de compartilhar sobre a FeatureByte?

A maioria das ferramentas de IA empresariais se concentra em melhorar os modelos de aprendizado de máquina. Nossa missão é ajudar as empresas a escalarem sua IA, simplificando e industrializando os dados de IA. Na FeatureByte, abordamos o maior desafio para os praticantes de IA: fornecer uma maneira consistente e escalável de preparar, servir e gerenciar dados em todo o ciclo de vida de um modelo, enquanto simplifica radicalmente o processo como um todo.

Se você é um cientista de dados ou engenheiro interessado em permanecer à frente da curva na ciência de dados, eu o encorajo a experimentar o poder da FeatureByte gratuitamente.

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