Jorge Torres, medgrundare och VD för MindsDB – Intervjuserie

Jorge Torres är medgrundare och VD för MindsDB, en plattform som hjälper alla att använda maskinlärningens kraft för att ställa prediktiva frågor till sina data och få precisa svar från dem. MindsDB är också en avknoppning från YCombinators senaste vinterbatch 2020 och har nyligen erkänts som ett av Amerikas mest lovande AI-företag av Forbes.

Vad var det som initialt drog dig till maskinlärning?

Det är en intressant historia. 2008 bodde och arbetade jag i Berkeley för ett startup-företag som hette Couchsurfing och jag såg den här klassen, (cs188 – Introduktion till AI). Även om jag inte var ansluten till universitetet vid den tiden, frågade jag professorn John DeNero om jag kunde sitta med på en lektion och han tillät mig att göra det. Den här professorn var briljant och han gjorde alla att förälska sig i ämnet. Det var det bästa som hänt mig. Jag blev förvånad över att datorer kunde lära sig att lösa ett problem, jag insåg att det här utvecklades snabbt och bestämde mig för att göra det till min karriär.

Det finns några generationsskapande händelser inom tekniken som bara inträffar några gånger under en livstid. Jag hade turen att vara vittne till internetets födelse, men var för ung för att vara något annat än en passiv åskådare. Jag tror att maskinlärning är den nästa generationsskapande händelsen, och jag ville vara en del av den på något meningsfullt sätt för att driva tekniken och hur vi använder den framåt.

MindsDB startade på UC Berkeley 2018, kan du dela några insikter från de tidiga dagarna?

UC Berkeley är ett av världens stora forskningsinstitut och har en historia av att skapa och stödja öppen källkod, och vi trodde att det inte fanns någon bättre plats att starta MindsDB. Våra värderingar var anpassade, de erbjöd oss vår första check genom UC Berkeley Skydeck Accelerator och resten, som de säger, är historia.

De tidiga dagarna var inte olika många startup-företag i Bay-området – tre personer som arbetade långa timmar med något de alla trodde på, men som bara hade en liten chans att lyckas. Den enda skillnaden är att istället för att arbeta i ett dammigt garage i Palo Alto, så var vi i den relativt bekväma Skydeck Penthouse coworking-utrymmet (hyresfritt).

Jag tror att det finns en enorm kraft i data. Ju mer en företag har, desto mer kan de driva sina verksamheter framåt. Men bara om de kan få meningsfulla insikter från dem.

På hösten 2017 kom min bästa vän Adam Carrigan (COO) och jag till slutsatsen att alltför många företag stod inför begränsningar när det gällde att extrahera meningsfull information från sina data. De insåg att en av de största begränsningarna var i hur många av dessa företag allvarligt underutnyttjade kraften i artificiell intelligens. Vi trodde att maskinlärning kunde göra data och den intelligens den kan ge, tillgänglig för alla. Det är därför vi designade en plattform som skulle tillåta alla att använda maskinlärningens kraft för att ställa prediktiva frågor till sina data och få precisa svar från dem.

Vi kallar den här plattformen MindsDB och fokuserar på att fortsätta göra det otroligt enkelt för utvecklare att snabbt skapa den nästa vågen av AI-centrerade applikationer som kommer att förändra hur vi lever och arbetar, och för företag att extrahera information från sina data.

Varför fokuserade MindsDB på att lösa problemet med att vara datacentriskt istället för maskinlärningscentriskt?

Om du tittar på den överväldigande majoriteten av forskning inom AI, kommer en stor andel från akademiska institutioner. ML har historiskt sett varit modellcentriskt eftersom det är där forskningsinstitutioner kan lägga till upplevd värde; mer forskning förbättrar modeller eller skapar nya, vilket ger bättre resultat. Att vara datacentriskt, å andra sidan, lägga till bättre kvalitet eller mer relevant data till en befintlig metod, är inte lätt att publicera (den viktigaste KPI för forskare).

Men den överväldigande majoriteten av tillämpade maskinlärningsproblem idag dra nytta mycket mer av förbättrad data än av förbättrade modeller. Detta stämmer också väl överens med vår mission att demokratisera maskinlärning, den överväldigande majoriteten av människor utanför ML-området vet inte mycket om ML, men de vet definitivt mycket om sina data.

Vi såg att det fanns två typer av företag, å ena sidan företag med data i databasen, å andra sidan företag som inte hade löst databasfrågan ännu, vi insåg att om ett företag var i gruppen med databaser, så hade deras datamognad redan satt dem på rätt spår för att kunna tillämpa maskinlärning på riktigt, medan företag som inte hade upptäckt databaser ännu, hade en lång väg att gå, så vi fokuserade på att tillhandahålla värde för de som kunde extrahera det.

Hur närmar sig MindsDB modellering och distribution i vanligt SQL?

Vi skapar representationer av modeller som tabeller som kan frågas, så effektivt tar vi bort begreppet “distribution” ur bilden. När du skriver på en databas CREATE VIEW, så är den vyn live så fort kommandot är klart, samma sak när du gör CREATE MODEL i MindsDB.

Människor älskar MindsDB på grund av den förenkling ni har infört i ML-Ops-livscykeln, varför är det så viktigt att förenkla maskinlärningsdistributionen?

Människor älskar det för att det abstraherar onödiga ETL-pipelines, så det finns färre saker att underhålla. Vår fokus är att få användare att extrahera värdet av maskinlärning, genom att inte tänka på att underhålla ML-infrastrukturen om de redan underhåller datainfrastrukturen.

Vilka är några av fördelarna och riskerna med att vara ett öppen källkods-startup jämfört med ett traditionellt startup?

Ett öppen källkods-projekt kan börja med bara en idé, och människor kommer att hjälpa dig bygga det på vägen, på den slutna källkods-approachen måste du börja med samma antaganden, men du måste vara rätt, för ingen kommer att hjälpa dig förbättra din produkt (åtminstone inte i samma volym som i öppen källkod), tänk på öppen källkod som en samarbetsbaserad produktanpassningsapproach.

MindsDB har nyligen höjt 16,5 miljoner dollar i serie A-investeringar från Benchmark, varför är Benchmark den perfekta investerarpassningen och hur matchar deras vision din?

Benchmark har en perfekt rekord inom vår bransch, Chetan har hjälpt företag som Mongodb, Elastic, Airbyte att bli världsledande inom sina områden. Vi tror att det inte finns någon bättre passning för MindsDB än Chetan och Benchmark Capital.

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