Jerry Xu, medgrundare och VD för Datatron – Intervjuer

Jerry har omfattande erfarenhet av maskinlärning, lagringssystem, online-tjänster, distribuerade system, virtualisering och operativsystemkärna. Han har arbetat med högpresterande och storskaliga system på företag som Lyft, Box, Twitter, Zynga och Microsoft (MSFT ). Han har också skapat det öppna projektet Lib Crunch och är en tre gånger Microsoft Gold Star Award-vinnare. Jerry avslutade sin masterexamen i datavetenskap vid Shanghai University. Hans senaste startup är Datatron.

När vi arbetade på Lyft märkte vi att datavetare ofta kommer från olika bakgrunder, som matematik, fysik och bioingenjörskap. Det är ofta mycket svårt för dem att förstå den tekniska delen av hur deras modeller fungerar, även om de har bra intuition om modellen och matematiken. Det var det som motiverade oss att starta Datatron. Vi försöker inte hjälpa datavetare att hitta den bästa algoritmen. Vi kommer in i bilden först efter att algoritmen har bestämts och för att göra modelldistributionen, övervakningen och hanteringen mer effektiv.

Datatron valdes av 500 Startups att ingå i den 18:e kohorten av acceleratorföretag. Hur påverkade den här vistelsen dig personligen och hur hanterar du Datatron?

Vi lärde oss mycket av erfarenheterna från StartX och 500 Startup, som inkluderar hur man pitchar för investerare, hur man hittar produkt/marknadsfit, hur man kör försäljning/marknadsföring, som vi inte hade erfarenhet av tidigare.

Datatron är en hanteringsplattform för ML, AI och data science-modeller. Kan du förklara några av de funktioner som erbjuds av din plattform?

Vårt produkt har fyra moduler just nu, Modelldistribution, Modellövervakning, Modellutmaning och Modellstyrning.

Modelldistribution:

Skapa och skala modelldistributioner på bara några klick. Distribuera modeller som utvecklats i vilket ramverk eller språk som helst.

Modellövervakning:

Fatta bättre affärsbeslut för att spara din teams tid och pengar. Övervaka modellprestanda och upptäck modellförsämring allteftersom det händer.

Modellstyrning:

Lägg mindre tid på modellvalidering, biasdetektering och interna revisionsprocesser. Gå från modellutveckling till intern revision till produktion snabbare än någonsin.

En av användningsfallen för Datatron är efterfrågeprognos, som är viktigt för företag som behöver planera och allokera resurser. Hur spelar maskinlärning in i detta?

Efterfrågan förändras vanligtvis med både säsongsvariation och trend, vilket är ett typiskt maskinlärningsproblem. Maskinlärningsmodeller som ARIMA, Recurrent Neural Network (RNN) kan lära sig från historiska data för att hitta trenden och säsongsvariationen automatiskt och göra förutsägelser baserat på det.

Vilka ramverksmodeller (t.ex. TensorFlow) stöder du för närvarande?

Vi stöder de flesta populära maskinlärningsramverk som sklearn, TensorFlow, H2O, R, SAS etc.

Vilka språk måste modellerna byggas i för att stödjas av Datatron?

Vi stöder modeller på deras ursprungliga språk – Python, R, Java etc.

Vilka typer av branscher är bäst betjäna av att använda Datatron-plattformen?

I grunden är vår plattform en horisontell lösning, vilket innebär att den kan användas av många olika branscher. Just nu försöker vi fokusera på finansiella tjänster och telekommunikation.

Vilka är några av de mest utmanande aspekterna av data science som företag står inför, och varför löser Datatron det för dem?

Många företag har olika data science-team och de teamen använder olika verktyg för att bygga sina modeller och har olika metoder för att hantera sina modeller. Allt fler företag inser att modellen blir en tillgång och kommer att påverka deras omsättning direkt. Att ha en plattform som kan standardisera maskinlärningspraxis över hela företaget blir kritiskt och nödvändigt. Vår plattform kan hjälpa till att lösa dessa problem.

Finns det något annat du vill dela om Datatron?

Vi har fått många förfrågningar från stora företag. Samtidigt bygger vi också upp vårt sälj- och marknadsföringsteam för att aktivt nå ut till potentiella kunder.

För att lära mer, besök Datatron.