เจอร์รี่ ซู, ผู้ร่วมก่อตั้งและซีอีโอของ Datatron – ซีรีส์สัมภาษณ์

เจอร์รี่มีประสบการณ์อย่างกว้างขวางในด้านการเรียนรู้ของเครื่องจักร, ระบบจัดเก็บข้อมูล, บริการออนไลน์, ระบบกระจาย, ระบบเสมือนและแกนของระบบปฏิบัติการ เขาได้ทำงานในระบบประสิทธิภาพสูงและขนาดใหญ่ที่บริษัทต่างๆ เช่น Lyft, Box, Twitter, Zynga และ Microsoft เขายังเป็นผู้เขียนโครงการโอเพ่นซอร์ส Lib Crunch และเป็นผู้ชนะรางวัล Microsoft Gold Star สามครั้ง เจอร์รี่ได้สำเร็จการศึกษาระดับมหาบัณฑิตสาขาวิทยาการคอมพิวเตอร์ที่มหาวิทยาลัยเซี่ยงไฮ้ สตาร์ทอัพล่าสุดของเขาคือ Datatron
Datron เริ่มต้นในปี 2016 หลังจากที่คุณออกจาก Lyft คุณได้สร้างแนวคิดทางธุรกิจของ Datatron อย่างไร?

เมื่อเราทำงานที่ Lyft เราสังเกตเห็นว่านักวิทยาศาสตร์ข้อมูลมักมาจากภูมิหลังที่หลากหลาย เช่น คณิตศาสตร์, ฟิสิกส์, วิศวกรรมชีวการแพทย์ เป็นต้น มักจะยากสำหรับพวกเขาในการเข้าใจส่วนของวิศวกรรมว่าโมเดลของพวกเขาทำงานอย่างไร แม้ว่าพวกเขาจะมีความเข้าใจที่ดีเกี่ยวกับโมเดลและคณิตศาสตร์ ก็ตาม สิ่งนี้ทำให้เราเริ่มต้น Datatron เราไม่ได้พยายามช่วยเหลือนักวิทยาศาสตร์ข้อมูลในการค้นหาแอลกอริทึมที่ดีที่สุด เราเข้ามาในภาพหลังจากที่แอลกอริทึมถูกตัดสินใจแล้ว และทำให้การนำโมเดลไปใช้, การติดตามและจัดการโมเดลมีประสิทธิภาพมากขึ้น

Datron ได้รับการคัดเลือกจาก 500 Startups ให้เข้าร่วมในโครงการเร่งการเติบโตรุ่นที่ 18 คุณได้รับผลกระทบอย่างไรจากประสบการณ์นี้ และคุณจัดการ Datatron อย่างไร?

เรายังได้เรียนรู้มากมายจากประสบการณ์ของ StartX และ 500 Startup ซึ่งรวมถึงวิธีการนำเสนอให้กับนักลงทุน, วิธีการค้นหาผลิตภัณฑ์ที่เหมาะสมกับตลาด, วิธีการดำเนินงานขายและการตลาด ซึ่งเรามีประสบการณ์มาก่อน

Datron เป็นแพลตฟอร์มการจัดการสำหรับโมเดล ML, AI และ Data Science คุณสามารถอธิบายฟังก์ชันการทำงานบางอย่างที่มีบนแพลตฟอร์มของคุณได้หรือไม่?

ผลิตภัณฑ์ของเรามี 4 โมดูล ได้แก่ Model Deployment, Model Monitoring, Model Challenger และ Model Governance

Model Deployment:

สร้างและปรับขนาดการนำโมเดลไปใช้ได้ในเวลาเพียงไม่กี่คลิก นำโมเดลที่พัฒนาด้วยเฟรมเวิร์กหรือภาษาใดๆ ไปใช้

Model Monitoring:

ตัดสินใจทางธุรกิจที่ดีกว่าเพื่อช่วยให้ทีมของคุณประหยัดเวลาและเงิน ติดตามประสิทธิภาพของโมเดลและตรวจจับการเสื่อมสภาพของโมเดลเมื่อเกิดขึ้น

Model Governance:

ใช้เวลาน้อยลงในการตรวจสอบโมเดล, ตรวจจับอคติและกระบวนการตรวจสอบภายใน เร่งความเร็วจากพัฒนามอเดลไปจนถึงการตรวจสอบภายในและผลิตได้เร็วขึ้นกว่าเดิม

หนึ่งในกรณีการใช้งานของ Datatron คือการคาดการณ์ความต้องการ ซึ่งเป็นสิ่งสำคัญสำหรับองค์กรที่ต้องวางแผนและจัดสรรทรัพยากรอย่างไร?

ความต้องการมักจะเปลี่ยนแปลงไปพร้อมกับฤดูกาลและแนวโน้ม ซึ่งเป็นปัญหาที่น่าสนใจของการเรียนรู้ของเครื่องจักร โมเดลการเรียนรู้ของเครื่องจักร เช่น ARIMA, Recurrent Neural Network (RNN) สามารถเรียนรู้จากข้อมูลในอดีตเพื่อค้นหาแนวโน้มและฤดูกาลได้โดยอัตโนมัติ และทำการคาดการณ์ตามนั้น

คุณสนับสนุนโมเดลเฟรมเวิร์กใดๆ (เช่น TensorFlow) ในปัจจุบัน?

เราสนับสนุนเฟรมเวิร์กการเรียนรู้ของเครื่องจักรที่ได้รับความนิยมส่วนใหญ่ เช่น sklearn, TensorFlow, H2O, R, SAS เป็นต้น

โมเดลต้องถูกสร้างขึ้นในภาษาใดจึงจะถูกสนับสนุนโดย Datatron?

เราสนับสนุนโมเดลในภาษาเดิม – Python, R, Java เป็นต้น

อุตสาหกรรมใดที่ได้รับการบริการที่ดีที่สุดโดยใช้แพลตฟอร์ม Datatron?

โดยพื้นฐานแล้ว แพลตฟอร์มของเราคือโซลูชันแบบแนวนอน ซึ่งหมายความว่าสามารถใช้ได้ในหลายอุตสาหกรรม ในปัจจุบัน เรากำลังพยายามมุ่งเน้นไปที่บริการทางการเงินและโทรคมนาคม

สิ่งที่ท้าทายที่สุดของวิทยาศาสตร์ข้อมูลที่บริษัทต่างๆ ต้องเผชิญคืออะไร และทำไม Datatron จึงช่วยแก้ปัญหาเหล่านี้ให้กับพวกเขา?

หลายบริษัทมีทีมวิทยาศาสตร์ข้อมูลที่แตกต่างกัน และทีมเหล่านั้นใช้เครื่องมือต่างๆ ในการสร้างโมเดลและปฏิบัติตามแนวปฏิบัติที่แตกต่างกันในการจัดการโมเดลของพวกเขา มากขึ้นเรื่อยๆ องค์กรต่างๆ ได้ทราบว่าโมเดลกำลังจะกลายเป็นสินทรัพย์และจะส่งผลกระทบต่อผลการดำเนินงานของพวกเขาโดยตรง การมีแพลตฟอร์มที่สามารถมาตรฐานการปฏิบัติงานการเรียนรู้ของเครื่องจักรทั่วทั้งบริษัทจึงเป็นสิ่งสำคัญและจำเป็น แพลตฟอร์มของเราสามารถช่วยแก้ปัญหาเหล่านี้ได้

มีสิ่งใดที่คุณต้องการแบ่งปันเกี่ยวกับ Datatron อีกหรือไม่?

เรามีผลตอบรับจากองค์กรขนาดใหญ่มากมาย ในขณะเดียวกัน เรากำลังสร้างทีมขายและการตลาดของเราเพื่อเข้าถึงลูกค้าที่มีศักยภาพอย่างแข็งขัน

เพื่อเรียนรู้เพิ่มเติมเยี่ยม Datatron.