Eric Landau, medgrundare och VD för Encord – Intervju-serie

Eric Landau är VD och medgrundare av Encord, en aktiv inlärningsplattform för datorseende. Eric var den ledande kvantitativa forskaren på en global aktie delta-one-avdelning, där han satte tusentals modeller i produktion. Innan Encord tillbringade han nästan ett decennium med högfrekvenshandel på DRW. Han har en S.M. i tillämpad fysik från Harvard University, M.S. i elektroteknik och B.S. i fysik från Stanford University.

På fritiden tycker Eric om att leka med ChatGPT och stora språkmodeller och hantverkscocktailmakeri.

Vad inspirerade dig att medgrundare Encord, och hur har din erfarenhet inom partikelfysik och kvantitativ finans påverkat din approach för att lösa “data-problemet” i AI?

Jag började först tänka på maskinlärning medan jag arbetade inom partikelfysik och hanterade mycket stora datamängder under min tid på Stanford Linear Accelerator Center (SLAC). Jag använde programvara som utvecklats av fysiker för fysiker, vilket betyder att det fanns mycket att önska i termer av en behaglig användarupplevelse. Med lättare verktyg skulle jag ha kunnat köra analyser mycket snabbare.

Senare, när jag arbetade inom kvantitativ finans på DRW, var jag ansvarig för att skapa tusentals modeller som distribuerades i produktion. Liksom min erfarenhet inom fysik fann jag att högkvalitetsdata var avgörande för att skapa precisa modeller och att hantera komplexa, storskaliga data är svårt. Ulrik hade en liknande erfarenhet med att visualisera stora bildsats för datorseende.

När jag hörde om hans ursprungliga idé för Encord var jag omedelbart med på tåget och förstod vikten. Tillsammans med Ulrik och jag såg en enorm möjlighet att bygga en plattform för att automatisera och effektivisera AI-datautvecklingsprocessen, vilket gör det lättare för team att få den bästa datan till modellerna och bygga pålitliga AI-system.

Kan du förklara visionen bakom Encord och hur den jämför med de tidiga dagarna av datorer eller internet i termer av potential och utmaningar?

Encords vision är att vara den grundläggande plattform som företag förlitar sig på för att omvandla sin data till fungerande AI-modeller. Vi är skiktet mellan ett företags data och deras AI.

På många sätt speglar AI tidigare paradigm-skiften som persondatorer och internet, eftersom de kommer att bli en integrerad del av arbetsflöden för varje individ, företag, nation och industri. Till skillnad från tidigare teknologiska revolutioner, som har varit i stor utsträckning flaskhalsade av Moores lag om sammansatt beräkningsväxt på 30x varje 10 år, har AI-utveckling gynnats av samtidiga innovationer. Det rör sig därför i en mycket snabbare takt. I NVIDIA (NVDA ):s Jensen Huangs ord: “För första gången ser vi sammansatta exponentiella… Vi sammansätter en miljon gånger varje 10 år. Inte hundra gånger, inte tusen gånger, en miljon gånger.” Utan överdrift ser vi den snabbast rörliga tekniken i mänsklighetens historia.

Potentialen här är enorm: genom att automatisera och skala hanteringen av högkvalitetsdata för AI, hanterar vi en flaskhals som förhindrar en bredare AI-antagande. Utmaningarna är liknande de tidiga dagarnas hinder i tidigare teknologiska epoker: silos, brist på bästa praxis, begränsningar för icke-tekniska användare och en brist på väldefinierade abstraktioner.

Encord Index positioneras som ett nyckelverktyg för att hantera och kurera AI-data. Hur skiljer det sig från andra datahanteringsplattformar som för närvarande finns tillgängliga?

Det finns ett par sätt som Encord Index sticker ut:

Index är skalbart: Tillåter användare att hantera miljarder, inte miljoner, datapunkter. Andra verktyg möter skalbarhetsproblem för ostrukturerad data och är begränsade i att konsolidera all relevant data i en organisation.

Index är flexibelt: Integrerar direkt med privat data lagring och molnlagringsleverantörer som AWS, GCP och Azure. Till skillnad från andra verktyg som är begränsade till en enda molnleverantör eller intern lagringssystem är Index oberoende av var datan är belägen. Det låter dig hantera data från många källor med lämplig styrning och åtkomstkontroller som tillåter dem att utveckla säkra och regelefterlevande AI-applikationer.

Index är multimodalt: Stöder multimodalt AI, hanterar data i form av bilder, videor, ljud, text, dokument och mer. Index är inte begränsat till en enda form av data som många LLM-verktyg idag. Mänsklig kognition är multimodal, och vi tror att multimodalt AI kommer att ligga i hjärtat av den nästa vågen av AI-framsteg, som kommer att ersätta chatbots och LLM.

På vilka sätt förbättrar Encord Index processen för att välja rätt data för AI-modeller, och vilken påverkan har detta på modellens prestanda?

Encord Index förbättrar dataurvalet genom att automatisera kureringen av stora datamängder, vilket hjälper team att identifiera och behålla endast den mest relevanta datan medan de tar bort oinformativ eller partisk data. Denna process minskar inte bara storleken på datamängderna utan förbättrar också avsevärt kvaliteten på den data som används för att träna AI-modeller. Våra kunder har sett upp till 20% förbättring av sina modeller samtidigt som de uppnått en 35% minskning av datamängdens storlek och sparar hundratusentals dollar i beräknings- och mänsklig annoteringskostnader.

Med den snabba integrationen av banbrytande teknologier som Meta’s Segment Anything Model, hur stannar Encord före i den snabbt utvecklande AI-landskapet?

Vi byggde avsiktligt plattformen för att kunna anpassa sig snabbt till nya teknologier. Vi fokuserar på att tillhandahålla ett skalbart, programvaruförsta tillvägagångssätt som enkelt inkorporerar framsteg som SAM, vilket säkerställer att våra användare alltid är utrustade med de senaste verktygen för att stanna konkurrenskraftiga.

Vi planerar att stanna före genom att fokusera på multimodalt AI. Encord-plattformen kan redan hantera komplexa datatyper som bilder, videor och text, så när fler framsteg inom multimodalt AI kommer vår väg, är vi redo.

Vilka är de vanligaste utmaningarna som företag möter när de hanterar AI-data, och hur hjälper Encord till att hantera dessa?

Det finns 3 huvudsakliga utmaningar som företag möter:

• Dålig dataorganisation och kontroll: När företag förbereder sig för att implementera AI-lösningar möts de ofta av verkligheten av siloade och oorganiserade data som inte är AI-klara. Dessa data saknar ofta stark styrning runt dem, vilket begränsar mycket av dem från att användas i AI-system.
• Brist på mänskliga experter: När AI-modeller hanterar alltmer komplexa problem kommer det snart att finnas en brist på mänskliga domänexperter för att förbereda och validera data. När ett företags AI-krav ökar är det utmanande och dyrt att skala upp den mänskliga arbetsstyrkan.
• Oskaalbara verktyg: Presterande AI-modeller är mycket datahungriga när det gäller data som behövs för finjustering, validering, RAG och andra arbetsflöden. Den tidigare generationens verktyg är inte utrustade för att hantera den mängd data och datatyper som krävs för dagens produktionsklara modeller.

Encord löser dessa problem genom att automatisera processen för att kurera data i stor skala, vilket gör det lätt att identifiera effektfull data från problematisk data och säkerställa skapandet av effektiva utbildnings- och valideringsdataset. Det använder ett programvaruförsta tillvägagångssätt som är lätt att skala upp eller ned när datahanteringsbehoven ändras. Våra AI-assisterade annoteringsverktyg ger mänskliga experter möjlighet att maximera arbetsflödeseffektiviteten. Denna process är särskilt viktig i branscher som finansiella tjänster och hälsovård, där AI-tränare är dyra. Vi gör det lätt att hantera och förstå all en organisations ostrukturerade data, vilket minskar behovet av manuellt arbete.

Hur hanterar Encord frågan om datafördomar och underrepresenterade områden inom datamängder för att säkerställa rättvisa och balanserade AI-modeller?

Hantering av datafördomar är ett kritiskt fokus för oss på Encord. Vår plattform identifierar automatiskt och ytor områden där data kan vara partisk, vilket tillåter AI-team att hantera dessa frågor innan de påverkar modellens prestanda. Vi säkerställer också att underrepresenterade områden inom datamängder är ordentligt inkluderade, vilket hjälper till att utveckla rättvisare och mer balanserade AI-modeller. Genom att använda våra kureringverktyg kan team vara säkra på att deras modeller är tränade på diversifierad och representativ data.

Encord nyligen säkrade 30 miljoner dollar i serie B-finansiering. Hur kommer denna finansiering att accelerera er produktväg och expansionsplaner?

De 30 miljoner dollar i serie B-finansiering kommer att användas för att drastiskt öka storleken på vårt produkt-, ingenjörs- och AI-forskningslag under de kommande sex månaderna och accelerera utvecklingen av Encord Index och andra nya funktioner. Vi utökar också vår närvaro i San Francisco med ett nytt kontor, och denna finansiering kommer att hjälpa oss att skala våra operationer för att stödja vår växande kundbas.

Som den yngsta AI-företaget från Y Combinator att höja en serie B, vad tillskriver du Encords snabba tillväxt och framgång?

En av anledningarna till att vi har kunnat växa snabbt är att vi har antagit en extremt kundcentrerad fokus i alla områden av företaget. Vi kommunicerar ständigt med kunder, lyssnar noga på deras problem och “bear hugger” dem för att komma till lösningar. Genom att hyperfokusera på kundbehov snarare än hype har vi skapat en plattform som resoneras med topp-AI-lag över olika branscher. Våra kunder har varit instrumentala i att få oss dit vi är idag. Vår förmåga att skala snabbt och effektivt hantera komplexiteten i AI-data har gjort oss till en attraktiv lösning för företag.

Vi är också skyldiga vår framgång till våra lagkamrater, partners och investerare, som alla har arbetat outtröttligt för att främja Encord. Att arbeta med världsklassiga produkt-, ingenjörs- och marknadsföringsteam har varit enormt påverkande i vår tillväxt.

Givet den ökande betydelsen av data i AI, hur ser du på rollen för AI-dataplattformar som Encord utvecklas under de kommande fem åren?

Såsom AI-applikationer växer i komplexitet kommer behovet av effektiva och skalbara datahanteringslösningar bara att öka. Jag tror att varje företag så småningom kommer att ha ett AI-avdelning, liknande hur IT-avdelningar finns idag. Encord kommer att vara den enda plattformen de behöver för att hantera de enorma mängder data som krävs för AI och få modeller till produktion snabbt.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Encord.