Jorge Torres, medgrundare och VD för MindsDB – Intervjuserie

Jorge Torres är medgrundare och VD för MindsDB, en plattform som hjälper vem som helst att använda maskinlärning för att ställa förutsägbara 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 en 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 förälskade i ämnet. Det var det bästa som hänt mig. Jag blev förvånad över att datorer kunde lära sig att lösa problem, jag insåg att detta var på väg att hända 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 med om födelsen av internet, 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 en bättre plats att starta MindsDB. Våra värderingar var i linje med deras, de erbjöd oss vår första check genom UC Berkeley Skydeck Accelerator och resten, som de säger, är historia.

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

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

På hösten 2017 kom min bästa vän Adam Carrigan (COO) och jag fram till 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 att många av dessa företag använde artificiell intelligens på ett undermåligt sätt. Vi trodde att maskinlärning kunde göra data och den intelligens den kan ge, tillgänglig för alla. Därför designade vi en plattform som skulle tillåta vem som helst att använda maskinlärning för att ställa förutsägbara 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 nästa våg 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 datacentrerat snarare än maskinlärningscentrerat?

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

Men den stora majoriteten av tillämpad maskinlärning idag dra nytta av förbättrad data snarare än förbättrade modeller. Detta stämmer också väl överens med vår mission att demokratisera maskinlärning, den stora majoriteten av människor utanför ML-utrymmet 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 kommit på att använda databaser ännu, vi insåg att om ett företag var i gruppen med databaser, hade deras datamognad redan satt dem på rätt spår för att kunna tillämpa maskinlärning, medan företag som inte hade upptäckt databaser ännu, hade en lång väg att gå.

Hur närmar sig MindsDB modellering och distribution i vanligt SQL?

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

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

Människor älskar det för att det abstraherar onödiga ETL-pipelines, så det finns mindre saker att underhålla. Vårt 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 källkodsprojekt kan börja med bara en idé, och människor kommer att hjälpa dig bygga det på vägen, i den slutna källkodsansatsen måste du börja med samma antaganden, men du måste vara rätt, eftersom ingen kommer att hjälpa dig förbättra din produkt (åtminstone inte i samma volym som i öppen källkod), tänk på öppen källkod som en samarbetsbaserad produktanpassningsansats.

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

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

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