เจอร์รี่ ซู, ผู้ร่วมก่อตั้งและซีอีโอของ Datatron – ซีรีส์สัมภาษณ์

เจอร์รี่มีประสบการณ์อย่างกว้างขวางในด้านการเรียนรู้ของเครื่องจักร ระบบจัดเก็บข้อมูล บริการออนไลน์ ระบบกระจาย และ ระบบปฏิบัติการ เขาได้ทำงานในระบบที่มีประสิทธิภาพสูงและขนาดใหญ่ที่บริษัทต่างๆ เช่น Lyft, Box, Twitter, Zynga และ Microsoft (MSFT ) เขายังเป็นผู้เขียนโครงการโอเพ่นซอร์ส Lib Crunch และเป็นผู้ชนะรางวัล Microsoft Gold Star Award สามครั้ง เจอร์รี่ได้สำเร็จการศึกษาระดับมหาบัณฑิตสาขาวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยเซี่ยงไฮ้ สตาร์ทอัพล่าสุดของเขาคือ Datatron。

เมื่อเราทำงานที่ Lyft เราได้สังเกตเห็นว่านักวิทยาศาสตร์ข้อมูลมักมาจากภูมิหลังที่หลากหลาย เช่น คณิตศาสตร์ ฟิสิกส์ และวิศวกรรมชีวการแพทย์ มักจะยากสำหรับพวกเขาในการเข้าใจส่วนengineering ของโมเดล แม้ว่าพวกเขาจะมีความเข้าใจที่ดีเกี่ยวกับโมเดลและคณิตศาสตร์แล้วก็ตาม สิ่งนี้ทำให้เราเริ่มต้น Datatron เราไม่ได้พยายามช่วยเหลือนักวิทยาศาสตร์ข้อมูลในการค้นหาแอลกอริทึมที่ดีที่สุด เราเข้ามาในภาพหลังจากที่แอลกอริทึมถูกตัดสินแล้ว และช่วยให้การ_deploy_, การติดตาม และการจัดการโมเดลมีประสิทธิภาพมากขึ้น

Datron ได้รับการคัดเลือกจาก 500 Startups ให้เข้าร่วมในโครงการเร่งการเติบโตครั้งที่ 18 ของบริษัทเร่งการเติบโต คุณได้รับอิทธิพลอย่างไรจากประสบการณ์นี้ และคุณจัดการ Datatron อย่างไร

เราได้เรียนรู้มากมายจากประสบการณ์ที่ StartX และ 500 Startup รวมถึงวิธีการนำเสนอให้กับนักลงทุน วิธีการค้นหาผลิตภัณฑ์ที่เหมาะสมกับตลาด วิธีการดำเนินงานขายและการตลาด ซึ่งเราไม่มีประสบการณ์ส่วนตัวมาก่อน

Datron เป็นแพลตฟอร์มการจัดการสำหรับโมเดล ML, AI และ Data Science คุณสามารถอธิบายฟังก์ชันการทำงานบางอย่างที่แพลตฟอร์มของคุณมีให้ได้หรือไม่

ผลิตภัณฑ์ของเรามี 4 โมดูลในขณะนี้ ได้แก่ Model Deployment, Model Minoring, Model Challenger และ Model Governance

Model Deployment:

สร้างและปรับขนาดการ_deploy_ โมเดลได้ในเวลาไม่นาน Deploy โมเดลที่พัฒนาด้วยเฟรมเวิร์กหรือภาษาใดๆ ก็ได้

Model Monitoring:

ตัดสินใจทางธุรกิจที่ดีขึ้นเพื่อประหยัดเวลาและเงินของทีมของคุณ ติดตามประสิทธิภาพของโมเดลและตรวจจับการเสื่อมสภาพของโมเดลเมื่อเกิดขึ้น

Model Governance:

ใช้เวลาน้อยลงในการตรวจสอบโมเดล การตรวจจับอคติ และกระบวนการตรวจสอบภายใน ปรับโมเดลจากพัฒนาการไปสู่การตรวจสอบภายในและผลิตได้เร็วขึ้นกว่าเดิม

หนึ่งในกรณีการใช้งานของ Datatron คือ การคาดการณ์อุปสงค์ ซึ่งเป็นสิ่งสำคัญสำหรับองค์กรที่ต้องการวางแผนและจัดสรรทรัพยากร การเรียนรู้ของเครื่องจักรมีบทบาทอย่างไรในกรณีนี้

อุปสงค์มักจะเปลี่ยนแปลงไปพร้อมกับฤดูกาลและแนวโน้ม ซึ่งเป็นปัญหาการเรียนรู้ของเครื่องจักรทั่วไป โมเดลการเรียนรู้ของเครื่องจักร เช่น ARIMA, Recurrent Neural Network (RNN) สามารถเรียนรู้จากข้อมูลในอดีตเพื่อค้นหาแนวโน้มและฤดูกาลโดยอัตโนมัติ และทำการคาดการณ์ตามนั้น

คุณสนับสนุนโมเดลเฟรมเวิร์กใดบ้าง (เช่น TensorFlow) ในปัจจุบัน

เราสนับสนุนเฟรมเวิร์กการเรียนรู้ของเครื่องจักรที่เป็นที่นิยมส่วนใหญ่ เช่น sklearn, TensorFlow, H2O, R, SAS ฯลฯ

ภาษาใดที่โมเดลต้องถูกสร้างขึ้นเพื่อให้ได้รับการสนับสนุนจาก Datatron

เราสนับสนุนโมเดลในภาษาที่เป็นของตัวเอง – Python, R, Java ฯลฯ

อุตสาหกรรมใดที่ได้รับการบริการที่ดีที่สุดจากการใช้แพลตฟอร์ม Datatron

โดยพื้นฐานแล้ว แพลตฟอร์มของเราคือโซลูชันแบบแนวนอน ซึ่งหมายความว่าสามารถใช้ได้กับหลายอุตสาหกรรม ในขณะนี้ เรากำลังพยายามมุ่งเน้นไปที่บริการทางการเงินและโทรคมนาคม

สิ่งที่ท้าทายที่สุดในการวิทยาศาสตร์ข้อมูลที่บริษัทต่างๆ ต้องเผชิญคืออะไร และทำไม Datatron จึงช่วยแก้ปัญหานี้ให้กับพวกเขา

หลายบริษัทมีทีมวิทยาศาสตร์ข้อมูลที่แตกต่างกัน และทีมเหล่านั้นใช้เครื่องมือที่แตกต่างกันในการสร้างโมเดลและจัดการโมเดล มากขึ้นเรื่อยๆ บริษัทต่างๆ ตระหนักว่าโมเดลเป็นสินทรัพย์ที่จะส่งผลกระทบต่อรายได้สูงสุดโดยตรง การมีแพลตฟอร์มที่สามารถมาตรฐานการปฏิบัติงานการเรียนรู้ของเครื่องจักรทั่วทั้งบริษัทจึงเป็นสิ่งสำคัญและจำเป็น แพลตฟอร์มของเราสามารถช่วยแก้ปัญหาที่กล่าวมาเหล่านี้ได้

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Datatron

เรามีผลตอบรับจากบริษัทขนาดใหญ่มากมาย ในขณะเดียวกัน เราก็กำลังสร้างทีมขายและการตลาดเพื่อเข้าถึงลูกค้าที่มีศักยภาพอย่างแข็งขัน

เพื่อเรียนรู้เพิ่มเติมเยี่ยม Datatron.