เอริก ลันดาว์ Co-Founder & CEO ของ Encord – สัมภาษณ์เชิงลึก

เอริก ลันดาว์ เป็น CEO & Co-Founder ของ Encord ซึ่งเป็นแพลตฟอร์มการเรียนรู้แบบแอคทีฟสำหรับการมองเห็นของคอมพิวเตอร์ เอริก曾เป็นนักวิจัยเชิงปริมาณระดับแนวหน้าในด้านการซื้อขายหุ้นระดับโลก และได้พัฒนามอเดลหลายพันแบบให้พร้อมใช้งาน ก่อนที่จะเข้าร่วม Encord เขาใช้เวลาเกือบสิบปีในการซื้อขายหุ้นความถี่สูงกับ DRW เขาได้รับวุฒิปริญญาโทสาขาฟิสิกส์ประยุกต์จากมหาวิทยาลัยฮาร์วาร์ด ปริญญาโทสาขาวิศวกรรมไฟฟ้า และปริญญาตรีสาขาฟิสิกส์จากมหาวิทยาลัยสแตนฟอร์ด

ในช่วงเวลาว่าง เอริกชอบเล่นกับ ChatGPT และโมเดลภาษาขนาดใหญ่ และการทำค็อกเทลฝีมือ

อะไรเป็นแรงบันดาลใจให้คุณร่วมก่อตั้ง Encord และประสบการณ์ของคุณในด้านฟิสิกส์ของอนุภาคและวित्तเชิงปริมาณมีอิทธิพลต่อการแก้ปัญหา “ข้อมูล” ใน AI อย่างไร?

ฉันเริ่มคิดเกี่ยวกับการเรียนรู้ของเครื่องจักรขณะทำงานในด้านฟิสิกส์ของอนุภาคและจัดการกับเซตข้อมูลขนาดใหญ่ระหว่างที่ฉันอยู่ที่ศูนย์เร่งอนุภาคสแตนฟอร์ด (SLAC) ฉันใช้ซอฟต์แวร์ที่ออกแบบโดยนักฟิสิกส์สำหรับนักฟิสิกส์ ซึ่งหมายความว่ามีหลายสิ่งที่ต้องการในด้านประสบการณ์ผู้ใช้ที่ดี หากมีเครื่องมือที่ง่ายขึ้น ฉันจะสามารถวิเคราะห์ได้เร็วขึ้น

ต่อมา เมื่อทำงานในด้านการเงินเชิงปริมาณที่ DRW ฉันรับผิดชอบในการสร้างโมเดลหลายพันแบบที่ถูกนำไปใช้เชิงการค้า เช่นเดียวกับประสบการณ์ของฉันในด้านฟิสิกส์ ฉันพบว่าข้อมูลคุณภาพสูงมีความสำคัญอย่างมากในการสร้างโมเดลที่แม่นยำ และการจัดการข้อมูลขนาดใหญ่ที่ซับซ้อนเป็นเรื่องที่ท้าทาย Ulrik มีประสบการณ์ที่คล้ายกันในการแสดงภาพเซตข้อมูลภาพขนาดใหญ่สำหรับการมองเห็นของเครื่องจักร

เมื่อฉันฟังความคิดเริ่มต้นของ Ulrik สำหรับ Encord ฉันเห็นด้วยทันทีและเข้าใจถึงความสำคัญของมัน เมื่อรวมกันแล้ว Ulrik และฉันเห็นโอกาสที่ยิ่งใหญ่ในการสร้างแพลตฟอร์มเพื่อทำให้กระบวนการพัฒนาข้อมูล AI ง่ายขึ้น โดยทำให้ทีมสามารถรับข้อมูลที่ดีที่สุดเข้าไปในโมเดลและสร้างระบบ AI ที่น่าเชื่อถือได้

คุณสามารถอธิบายถึงวิสัยทัศน์เบื้องหลัง Encord และเปรียบเทียบกับยุคเริ่มต้นของการคำนวณหรืออินเทอร์เน็ตในแง่ของศักยภาพและความท้าทายได้อย่างไร?

วิสัยทัศน์ของ Encord คือการเป็นแพลตฟอร์มพื้นฐานที่บริษัทต่างๆ พึ่งพาในการเปลี่ยนแปลงข้อมูลของตนให้เป็นโมเดล AI ที่ใช้การทำงานได้ เราเป็นชั้นระหว่างข้อมูลของบริษัทกับ AI ของพวกเขา

ในหลายๆ ด้าน AI สะท้อนถึงการเปลี่ยนแปลงในยุคก่อนๆ เช่น การคำนวณส่วนบุคคลและอินเทอร์เน็ต ในแง่ที่ว่ามันจะกลายเป็นสิ่งจำเป็นในกระบวนการทำงานสำหรับแต่ละบุคคล ธุรกิจ ชาติ และอุตสาหกรรม ไม่เหมือนกับการปฏิวัติทางเทคโนโลยีก่อนๆ ที่ถูกจำกัดโดย กฏของ مور์ ของการเติบโตเชิงคำนวณที่ซับซ้อน 30 เท่าในทุกๆ 10 ปี การพัฒนา AI ได้รับประโยชน์จากนวัตกรรมที่เกิดขึ้นพร้อมกัน จึงเคลื่อนที่ด้วยความเร็วที่เร็วกว่ามาก ในคำพูดของ Jensen Huang จาก NVIDIA (NVDA ): “เป็นครั้งแรกที่เราเห็นการเติบโตแบบยกกำลัง… เราเติบโตแบบยกกำลัง 1 ล้านเท่าในทุกๆ 10 ปี ไม่ใช่ 100 เท่า ไม่ใช่ 1,000 เท่า แต่ 1 ล้านเท่า” โดยไม่ต้องมีการพูดเกินจริง เรากำลังเห็นเทคโนโลยีที่เคลื่อนที่เร็วที่สุดในประวัติศาสตร์ของมนุษย์

ศักยภาพที่นี่มีมาก: โดยการทำให้กระบวนการจัดการข้อมูลคุณภาพสูงสำหรับ AI ง่ายขึ้นและปรับขนาดได้ เรากำลังแก้ไขปัญหาอุปสรรคที่ขัดขวางการนำ AI ไปใช้กว้างขวาง ความท้าทายเหล่านี้ทำให้นึกถึงอุปสรรคในยุคเริ่มต้นของเทคโนโลยีก่อนๆ: การแบ่งส่วนขาดการปฏิบัติที่ดีที่สุด การจำกัดสำหรับผู้ใช้ที่ไม่ใช่เทคนิค และการขาดการสร้างความหมายที่ชัดเจน

Encord Index ถูกวางตำแหน่งเป็นเครื่องมือหลักในการจัดการและคัดเลือกข้อมูล AI คุณสามารถอธิบายได้อย่างไรว่า Encord Index แตกต่างจากแพลตฟอร์มการจัดการข้อมูลอื่นๆ ที่มีอยู่ในปัจจุบัน?

มีหลายวิธีที่ Encord Index โดดเด่น:

Index มีความสามารถในการปรับขนาด: อนุญาตให้ผู้ใช้สามารถจัดการข้อมูลได้หลายพันล้านไม่ใช่แค่ล้านข้อมูลเท่านั้น เครื่องมืออื่นๆ ต้องเผชิญกับปัญหาการปรับขนาดสำหรับข้อมูลที่ไม่มีโครงสร้างและถูกจำกัดในการรวบรวมข้อมูลที่เกี่ยวข้องทั้งหมดในองค์กร

Index มีความยืดหยุ่น: รวมเข้ากับระบบจัดเก็บข้อมูลส่วนตัวและผู้ให้บริการจัดเก็บข้อมูลบนคลาวด์ เช่น AWS, GCP และ Azure ไม่เหมือนกับเครื่องมืออื่นๆ ที่ถูกจำกัดไว้กับผู้ให้บริการคลาวด์หรือระบบจัดเก็บข้อมูลภายใน Index ไม่ขึ้นอยู่กับตำแหน่งของข้อมูล มันช่วยให้คุณสามารถจัดการข้อมูลจากหลายแหล่งพร้อมกับการควบคุมการเข้าถึงและความปลอดภัยที่เหมาะสม

Index มีความสามารถหลายรูปแบบ: รองรับ AI หลายรูปแบบในการจัดการข้อมูลในรูปแบบของภาพ วิดีโอ เสียง ข้อความ เอกสาร และอื่นๆ Index ไม่ถูกจำกัดไว้กับข้อมูลเพียงรูปแบบเดียวเหมือนเครื่องมือ LLM ที่มีอยู่ในปัจจุบัน การรับรู้ของมนุษย์เป็นแบบหลายรูปแบบ และเรามั่นใจว่า AI หลายรูปแบบจะอยู่ในใจกลางของความก้าวหน้า AI ในอนาคต ซึ่งจะมาแทนที่แชทบอทและ LLM

Encord Index เพิ่มประสิทธิภาพกระบวนการในการเลือกข้อมูลที่เหมาะสมสำหรับโมเดล AI อย่างไร และสิ่งนี้มีผลกระทบต่อประสิทธิภาพของโมเดลอย่างไร?

Encord Index เพิ่มประสิทธิภาพในการเลือกข้อมูลโดยการทำให้กระบวนการคัดเลือกข้อมูลขนาดใหญ่自动化 ช่วยให้ทีมสามารถระบุและเก็บข้อมูลที่เกี่ยวข้องในขณะที่ลบข้อมูลที่ไม่มีข้อมูลหรือมีอคติออกไป กระบวนการนี้ไม่เพียงแต่ลดขนาดของเซตข้อมูลเท่านั้น แต่ยังปรับปรุงคุณภาพของข้อมูลที่ใช้ในการฝึกโมเดล AI ของลูกค้าได้ ลูกค้าของเราพบว่าประสิทธิภาพของโมเดลได้รับการปรับปรุงสูงถึง 20% ในขณะที่ลดขนาดของเซตข้อมูลลง 35% และประหยัดเงินหลายแสนดอลลาร์ในค่าใช้จ่ายในการคำนวณและการทำเครื่องหมายข้อมูลของมนุษย์

ด้วยการรวมเทคโนโลยีล้ำสมัย เช่น โมเดล Segment Anything ของ Meta Encord จะอยู่ในระดับแนวหน้าของภูมิทัศน์ AI ที่เปลี่ยนแปลงอย่างรวดเร็วได้อย่างไร?

เราได้สร้างแพลตฟอร์มเพื่อให้สามารถปรับตัวเข้ากับเทคโนโลยีใหม่ๆ ได้อย่างรวดเร็ว เราเน้นไปที่การนำเสนอแนวทางที่มี 軟件เป็นหลัก ซึ่งสามารถรวมการปรับปรุง เช่น SAM ได้อย่างง่ายดาย เพื่อให้ผู้ใช้ของเรามีเครื่องมือล่าสุดเพื่อการแข่งขัน

เราวางแผนจะอยู่ในระดับแนวหน้าโดยการเน้นไปที่ AI หลายรูปแบบ แพลตฟอร์ม Encord สามารถจัดการข้อมูลที่ซับซ้อน เช่น ภาพ วิดีโอ และข้อความได้แล้ว ดังนั้น เมื่อมีการปรับปรุง AI หลายรูปแบบมากขึ้น เราก็พร้อมแล้ว

ความท้าทายที่พบบ่อยที่สุดสำหรับบริษัทต่างๆ ในการจัดการข้อมูล AI คืออะไร และ Encord ช่วยแก้ไขปัญหาเหล่านี้ได้อย่างไร?

มี 3 ความท้าทายหลักที่บริษัทต่างๆ ต้องเผชิญ:

• การจัดระเบียบและควบคุมข้อมูลที่ไม่ดี: เมื่อบริษัทต่างๆ เตรียมที่จะนำโซลูชัน AI มาใช้ พวกเขามักจะพบกับความเป็นจริงที่ข้อมูลถูกแบ่งส่วนและไม่ได้รับการจัดระเบียบ ซึ่งไม่พร้อมสำหรับ AI ข้อมูลนี้มักขาดการควบคุมที่เข้มงวด ทำให้ข้อมูลส่วนใหญ่ไม่สามารถใช้ในระบบ AI ได้
• การขาดผู้เชี่ยวชาญด้านมนุษย์: เมื่อโมเดล AI ต้องเผชิญกับปัญหาที่ซับซ้อนมากขึ้น จะมีการขาดผู้เชี่ยวชาญด้านมนุษย์ที่จะเตรียมและตรวจสอบข้อมูล เมื่อความต้องการ AI ของบริษัทเพิ่มขึ้น การขยายทีมงานของมนุษย์เป็นเรื่องที่ท้าทายและต้องใช้เงิน
• เครื่องมือที่ไม่สามารถปรับขนาดได้: โมเดล AI ที่มีประสิทธิภาพต้องการข้อมูลจำนวนมากสำหรับการปรับให้เหมาะสม การตรวจสอบ RAG และกระบวนการทำงานอื่นๆ เครื่องมือรุ่นก่อนไม่สามารถจัดการข้อมูลและรูปแบบข้อมูลที่ต้องการสำหรับโมเดลการผลิตได้

Encord แก้ไขปัญหาเหล่านี้โดยการทำให้กระบวนการคัดเลือกข้อมูลขนาดใหญ่自动化 ทำให้ง่ายต่อการระบุข้อมูลที่มีผลกระทบและข้อมูลที่มีปัญหา และทำให้การสร้างเซตข้อมูลฝึกอบรมและตรวจสอบที่มีประสิทธิภาพเป็นเรื่องง่าย มันใช้แนวทาง 軟件เป็นหลัก ซึ่งสามารถปรับขนาดได้ง่ายตามความต้องการในการจัดการข้อมูลของเรา เครื่องมือการทำเครื่องหมายข้อมูลที่ได้รับการช่วยเหลือจาก AI ของเราช่วยให้ผู้เชี่ยวชาญด้านมนุษย์สามารถเพิ่มประสิทธิภาพการทำงานได้ สิ่งนี้มีความสำคัญอย่างยิ่งในการใช้งานในอุตสาหกรรม เช่น บริการทางการเงินและด้านสุขภาพ ซึ่งผู้ฝึกอบรม AI มีราคาแพง เราทำให้การจัดการและทำความเข้าใจข้อมูลที่ไม่มีโครงสร้างทั้งหมดขององค์กรเป็นเรื่องง่าย ลดความจำเป็นในการทำงานด้วยมือ

Encord จัดการกับปัญหาความเอนเอียงของข้อมูลและพื้นที่ที่ไม่ได้แสดงอย่างเต็มที่ภายในเซตข้อมูลเพื่อให้แน่ใจว่าโมเดล AI มีความยุติธรรมและสมดุลได้อย่างไร?

การแก้ไขปัญหาความเอนเอียงของข้อมูลเป็นจุดสนใจที่สำคัญสำหรับเราใน Encord แพลตฟอร์มของเราจะระบุและแสดงพื้นที่ที่ข้อมูลอาจมีความเอนเอียง ทำให้ทีม AI สามารถแก้ไขปัญหาเหล่านี้ก่อนที่จะส่งผลกระทบต่อประสิทธิภาพของโมเดล เรายังดูแลให้พื้นที่ที่ไม่ได้แสดงอย่างเต็มที่ภายในเซตข้อมูลได้รับการรวมอย่างเหมาะสม ซึ่งช่วยในการพัฒนาโมเดล AI ที่ยุติธรรมและสมดุลมากขึ้น โดยใช้เครื่องมือคัดเลือกข้อมูลของเรา ทีมสามารถมั่นใจได้ว่าโมเดลของพวกเขาได้รับการฝึกอบรมจากข้อมูลที่หลากหลายและเป็นตัวแทน

Encord ได้รับการสนับสนุน 30 ล้านดอลลาร์ในรอบการระดมทุน Series B การสนับสนุนนี้จะเร่งการขยายตัวของแผนการผลิตภัณฑ์และการขยายตัวของคุณอย่างไร?

เงินทุน 30 ล้านดอลลาร์ในรอบ Series B จะถูกใช้เพื่อเพิ่มขนาดทีมผลิตภัณฑ์ วิศวกรรม และการวิจัย AI ของเราอย่างมากในอีก 6 เดือนข้างหน้า และเร่งการพัฒนา Encord Index และคุณสมบัติใหม่อื่นๆ เรากำลังขยายการมีอยู่ในซานฟรานซิสโกด้วยสำนักงานใหม่ และเงินทุนนี้จะช่วยให้เราปรับขนาดการดำเนินงานเพื่อสนับสนุนฐานลูกค้าที่เติบโตของเรา

ในฐานะบริษัท AI ที่อายุน้อยที่สุดจาก Y Combinator ที่ระดมทุน Series B คุณยกย่องอะไรให้กับการเติบโตและความสำเร็จที่รวดเร็วของ Encord?

หนึ่งในสาเหตุที่เราเติบโตได้อย่างรวดเร็วคือเราได้รับการมุ่งเน้นไปที่ลูกค้าอย่างมากในทุกด้านของบริษัท เราได้สร้างความสัมพันธ์ที่ดีกับลูกค้า ฟังปัญหาของพวกเขาอย่างใกล้ชิด และ “กอด” พวกเขาเพื่อแก้ปัญหา โดยการเน้นไปที่ความต้องการของลูกค้ามากกว่าการสร้างความฮือฮา เราได้สร้างแพลตฟอร์มที่สอดคล้องกับทีม AI ชั้นนำในอุตสาหกรรมต่างๆ ลูกค้าของเราได้ช่วยเราให้มาถึงจุดที่เราอยู่ทุกวันนี้ ความสามารถของเราในการปรับขนาดอย่างรวดเร็วและจัดการความซับซ้อนของข้อมูล AI ได้ทำให้เราเป็นโซลูชันที่น่าสนใจสำหรับองค์กร

เรายังขอขอบคุณเพื่อนร่วมงาน พันธมิตร และนักลงทุนของเราที่ทำงานอย่างไม่หยุดยั้งเพื่อสนับสนุน Encord การทำงานร่วมกับทีมผลิตภัณฑ์ วิศวกรรม และการตลาดระดับโลกได้สร้างผลกระทบอย่างมากต่อการเติบโตของเรา

เมื่อพิจารณาถึงความสำคัญที่เพิ่มขึ้นของข้อมูลใน AI คุณมองเห็นอนาคตของแพลตฟอร์มข้อมูล AI เช่น Encord ว่าจะพัฒนาไปอย่างไรในอีก 5 ปีข้างหน้า?

เมื่อการนำไปใช้ AI ที่ซับซ้อนเพิ่มขึ้น ความต้องการโซลูชันการจัดการข้อมูลที่มีประสิทธิภาพและสามารถปรับขนาดได้จะเพิ่มขึ้น ฉันเชื่อว่าทุกองค์กรจะจัดตั้งหน่วยงาน AI ของตนเองในอนาคต เช่นเดียวกับวิธีการที่แผนก IT มีอยู่ในปัจจุบัน Encord จะเป็นแพลตฟอร์มเดียวที่พวกเขาต้องการเพื่อจัดการข้อมูลจำนวนมากที่จำเป็นสำหรับ AI และนำโมเดลไปใช้อย่างรวดเร็ว

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Encord เพื่อเรียนรู้เพิ่มเติม