Edward Cui, Grundare & VD för Graviti – Intervjuserie

Edward Cui är grundare och VD för Graviti, ett företag som bygger nästa generations dataplattform som kommer att förändra hur utvecklare interagerar med ostrukturerad data. Med Graviti kan AI-utvecklare förvärva, lagra och bearbeta data snabbare och enklare – grunden som behövs för att utnyttja artificiell intelligens för att stärka alla branscher.

Du började din kandidatstudie som maskiningenjör, vad orsakade skiftet till datavetenskap och artificiell intelligens?

Jag studerade faktiskt maskinteknik som kandidat 2012. Jag tog en kurs i maskinlärande vid University of Pennsylvania, som var förbluffande, och jag visste att det var framtiden och vad jag ville göra för min karriär. Efter den kursen bytte jag till datavetenskap.

Efter examen gjorde jag forskning om förstärkt lärande vid University of Pennsylvania. 2015 gick min tidigare chef, Jeff Snyder, med i Uber och bjöd in mig att gå med i Uber ATG. Det var början på min karriär inom självkörande bilar.

Kan du dela berättelsen om Gravitis ursprung?

Att arbeta på Uber var mycket komplicerat från början eftersom människor inte använde stora maskinlärningsmodeller och vi saknade beräkningskraft och en dataplattform för att träna modeller. Data som vi samlade in för självkörande bilar var alla ostrukturerade. Till exempel var de bilder, videor, LIDAR-punkter. All den typen av data från verkliga sensorer och vi samlade in massor av ostrukturerad data varje dag. Vi gjorde en statistik som visade att mängden data som vi samlade in i en självkörande bilavdelning under en vecka var lika med den data som vi samlade in för hela restaurangbranschen globalt under hela året. Massor av ostrukturerad data ackumulerades varje dag och det skapade stora problem med hur man skulle lagra data, hantera data och använda data för att skapa värde för olika organisationer.

Efter tre år på Uber såg jag möjligheten att förbättra hur ostrukturerad data på stor skala kunde hanteras. Så jag grundade Graviti 2019 för att accelerera innovationer inom AI genom att bygga en ostrukturerad dataplattform.

Kan du diskutera hur Graviti är en plattform för att hantera och strukturera data i stor skala?

Graviti syftar till att lansera den första dataplattformen som möjliggör för organisationer att arbeta med stora mängder ostrukturerad data för att driva innovativa AI-applikationer. Den här plattformen eliminerar besväret och hjälper utvecklare att hantera stora mängder ostrukturerad data med teamet.

Medan den överväldigande majoriteten av tillgänglig information i AI-utveckling är av låg kvalitet och ostrukturerad, tillbringar utvecklingsteam vanligtvis över 50% av sin tid – inte på att bygga modeller – utan på att identifiera, förbättra eller rensa ostrukturerad data, och det är bara början på deras arbete. Graviti erbjuder ett mer expertiserat sätt att hantera data för att frigöra utvecklare och ge dem mer tid att analysera ostrukturerad data och träna artificiella intelligensmodeller.

Vi hjälper utvecklare i tre dimensioner: dataupptäckt, dataiterering och arbetsflödesautomatisering.

Dataupptäckt:

Graviti erbjuder en datahostningsfunktion som gör det enklare att organisera rådata, annoteringar och metadata genom att förenhetliga dataset och annoteringsformat. När AI-utvecklare får åtkomst till olika dataset via Graviti behöver de inte konvertera dataformat, vilket förenklar hantering, frågor, åtkomst och andra operationer som är involverade i annotering. Graviti hjälper till att minska risken för felmatchade rådata eller förlorade annoteringar. Dessutom kan Graviti-plattformen hjälpa utvecklare att utvärdera kvaliteten på dataset med en datavisualiseringsfunktion, vilket sparar minst åtta timmar per vecka för utvecklare.

Dataiterering:

När utvecklare tränar sin artificiella intelligens behöver de testa med dataset i olika versioner för att se resultaten och markera ner annoteringarna. Utmaningen är att spåra olika redigeringar och versioner med teammedlemmar som arbetar på samma projekt. Graviti erbjuder lösningen genom att möjliggöra tilldelning av olika åtkomstnivåer till anställda för att tillåta dem att ladda upp sina annoteringar för att spåra projektets framsteg och arbeta samtidigt.

Arbetsflödesautomatisering:

Med en funktion som kallas “Action” kan ingenjörer automatisera arbetsflöden och minska repetitiva, tidskrävande och manuella sysslor. Det frigör utvecklare från att skriva stora manuella skript för att uppnå dessa arbetsflöden och öppnar upp tid för dem att göra det arbete de behöver göra.

Varför är ostrukturerad data framtiden för AI?

Över 80% av företagsdata är ostrukturerad nu, inklusive bilder, inspelningar, videor, sociala medieinlägg etc. AI är nyckeln till att leverera värde från ostrukturerad data. Företag börjar utnyttja ostrukturerad data för att stödja djupgående forskning och ytterligare analys.

Graviti lanserade nyligen OpenBytes, ett icke-vinstdrivande öppet dataprojekt som värdas under Linux Foundation. Kan du diskutera vad OpenBytes är specifikt?

OpenBytes mission är att underlätta den bredare delningen av data i AI-samhället genom att skapa datastandarder, format och processer som möjliggör bidrag av data. OpenBytes omfattning inkluderar kurering av öppna dataset, öppna dataspecifikationer och samarbetsutveckling under öppna licenser som stöder missionen, inklusive dokumentation, testning, integration och skapande av andra artefakter som hjälper till utveckling, distribution, drift eller antagande av det öppna källkodsprojektet.

OpenBytes kan minska data bidragsgivares ansvarsrisker. Dataset-innehavare är ovilliga att dela sina dataset offentligt på grund av brist på kunskap om datalicenser. När dataset-bidragsgivare går med i OpenBytes kommer deras data att skyddas, och mer öppen data blir tillgänglig.

Vi genererar också ett standardiserat dataset-format när vi publicerar, delar och utbyter data. Ett enhetligt format hjälper data bidragsgivare att förstå dataset och hitta relevant data som de behöver, vilket leder till högkvalitativa öppna dataset-bidrag.

Vilka är några av fördelarna med öppen källkodsdataset?

De gynnar forskare eftersom forskare har fler fria resurser att använda för att träna modeller och slutföra forskning.

De gynnar företag, som använder dataset för att börja bygga AI-förmågor och stärka övergången från traditionella företag till AI-företag.

Hur autentiserar Graviti kvaliteten på dataset?

Även populära dataset som COCO och KITTI är inte perfekta för utvecklare. Buggar uppstår alltid när utvecklare tränar modeller och ingen har hittat ett utmärkt sätt att förbättra dataset-kvaliteter. Graviti tror att en dataset-utvärderingsmodell kommer att etableras eller att en annan teknisk revolution kommer att hjälpa samhället att lösa problemet, och det är också en del av Gravitis mission att uppnå i framtiden.

Vad är din vision för framtiden för hur utvecklare kommer åt data?

För en liten mängd data bör utvecklare kunna komma åt den data lätt. För större mängder data, som mer varierade dataset för att träna modeller, skulle federerat lärande-teknik hjälpa till att arbeta på ett samarbetsinriktat sätt genom att koppla loss förmågan att göra maskinlärande från att lagra data på en central server.

Finns det något annat som du vill dela om Graviti?

Graviti utvecklas också. Vi lyssnar på feedback från våra kunder, inklusive startups, företag, enskilda utvecklare och forskare. Vi välkomnar också alla samarbets- eller partnerskapsmöjligheter från alla.

Vi ser stora möjligheter i AI-utveckling från öppen data i den mycket nära framtiden. Vi bygger en gemenskap för att dela och bidra till öppen data. Detta kommer att gynna inte bara forskare för att driva vetenskapens gränser längre, utan också företag för att förbättra sina modeller och utveckla tekniken i en ömsesidigt gynnsam miljö.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Graviti.