Xavier Conort, ผู้ร่วมก่อตั้งและ CPO ของ FeatureByte – สัมภาษณ์ซีรีส์

Xavier Conort เป็นนักวิทยาศาสตร์ข้อมูลที่มีประสบการณ์มากกว่า 25 ปีในด้านข้อมูล เขาเริ่มอาชีพของเขาในฐานะนักประกันภัยในอุตสาหกรรมประกันภัย ก่อนที่จะเปลี่ยนมาเป็นนักวิทยาศาสตร์ข้อมูล เขาเป็นนักแข่งขันที่มีผลงานสูงสุดใน Kaggle และเคยเป็น Chief Data Scientist ที่ DataRobot ก่อนที่จะร่วมก่อตั้ง FeatureByte

FeatureByte มีภารกิจในการขยาย AI ในระดับองค์กร โดยการทำให้ AI ข้อมูลง่ายขึ้นและเป็นอุตสาหกรรมยิ่งขึ้น แพลตฟอร์มการสร้างและจัดการคุณลักษณะข้อมูลช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถสร้างและแบ่งปันคุณลักษณะที่ทันสมัยและคุณภาพสูงได้ภายในไม่กี่นาที แทนที่จะเป็นหลายสัปดาห์หรือหลายเดือน

คุณเริ่มอาชีพของคุณในฐานะนักประกันภัยในอุตสาหกรรมประกันภัย ก่อนที่จะเปลี่ยนมาเป็นนักวิทยาศาสตร์ข้อมูล สิ่งใดที่ทำให้คุณเปลี่ยนใจ?

ช่วงเวลาที่สำคัญที่สุดคือการชนะการแข่งขัน GE Flight Quest ซึ่งเป็นการแข่งขันที่จัดโดย GE โดยมีรางวัลรวม 250,000 ดอลลาร์ ผู้เข้าแข่งขันต้องคาดการณ์การล่าช้าของเที่ยวบินภายในประเทศสหรัฐอเมริกา ฉันขอขอบคุณความสำเร็จนี้เป็นส่วนหนึ่งจากเทคนิคการสร้างแบบจำลอง 2 ระยะ ซึ่งช่วยควบคุมความเอนเอียงในคุณลักษณะที่ขาดการแสดงออกที่เพียงพอในข้อมูลการฝึกอบรมที่มีอยู่

ระหว่างการเดินทางใน Kaggle ฉัน cũngมีโอกาสเชื่อมต่อกับนักวิทยาศาสตร์ข้อมูลที่มีความกระตือรือร้นอื่นๆ รวมถึง Jeremy Achin และ Tom De Godoy ซึ่งต่อมาได้ก่อตั้ง DataRobot เราได้แบ่งปันประสบการณ์ร่วมกันในอุตสาหกรรมประกันภัยและได้รับผลงานที่ดีใน Kaggle เมื่อพวกเขาก่อตั้ง DataRobot ซึ่งเป็นบริษัทที่เชี่ยวชาญด้าน AutoML พวกเขาได้เชิญฉันเข้าร่วมทีมในฐานะ Chief Data Scientist

ที่ DataRobot คุณมีบทบาทสำคัญในการสร้างแผนการวิจัยและพัฒนาข้อมูลวิทยาศาสตร์ คุณเผชิญกับความท้าทายด้านข้อมูลประเภทใด?

ความท้าทายที่สำคัญที่สุดที่เราเผชิญคือคุณภาพของข้อมูลที่ให้มาเป็นข้อมูลเข้าสำหรับ AutoML ของเรา ซึ่งบ่อยครั้งทำให้เกิดการทำงานร่วมกันที่ใช้เวลานานระหว่างทีมของเราและลูกค้า หรือผลลัพธ์ที่น่าผิดหวังในการผลิตหากไม่ได้รับการแก้ไขอย่างเหมาะสม

ความท้าทายหลักๆ มาจากการใช้เครื่องมือธุรกิจอัจฉริยะสำหรับการเตรียมและจัดการข้อมูล ซึ่งไม่มีความสามารถที่จำเป็นในการรับรองความถูกต้องของข้อมูลในขณะนั้นสำหรับการเตรียมข้อมูลการเรียนรู้ของเครื่องจักร

ความไม่เข้าใจระหว่างนักวิทยาศาสตร์ข้อมูลและวิศวกรข้อมูลเป็นอีกความท้าทายหนึ่งที่ส่งผลต่อความแม่นยำของแบบจำลองในการผลิต

คุณได้รับข้อคิดเห็นใดจากประสบการณ์นี้?

ประสบการณ์ของฉันที่ DataRobot เน้นย้ำถึงความสำคัญของการเตรียมข้อมูลในกระบวนการเรียนรู้ของเครื่องจักร โดยการแก้ไขความท้าทายในการสร้างข้อมูลฝึกอบรม เช่น ความถูกต้องในขณะนั้น ช่องว่างด้านความเชี่ยวชาญ ความรู้ด้านโดเมน ข้อจำกัดของเครื่องมือ และความสามารถในการปรับขนาด เราสามารถเพิ่มความแม่นยำและความน่าเชื่อถือของแบบจำลองการเรียนรู้ของเครื่องจักรได้

เรายังได้ยินจาก Razi Raziuddin ผู้ร่วมก่อตั้งของคุณเกี่ยวกับเรื่องราวการก่อตั้ง FeatureByte คุณสามารถเล่าเรื่องราวของคุณให้เราได้ฟังหรือไม่?

เมื่อฉันแบ่งปันข้อสังเกตและข้อมูลเชิงลึกของฉันกับ Razi Raziuddin เราได้พบว่าเรามีความเข้าใจร่วมกันเกี่ยวกับความท้าทายในการเตรียมข้อมูลสำหรับการเรียนรู้ของเครื่องจักร ระหว่างการอภิปราย ฉันแบ่งปันข้อมูลเชิงลึกของฉันเกี่ยวกับการพัฒนาล่าสุดในชุมชน MLOps

เราทั้งสองคนเห็นโอกาสที่จะสร้างผลกระทบอย่างมีนัยสำคัญโดยการทำให้กระบวนการสร้างคุณลักษณะง่ายขึ้นและให้เครื่องมือและประสบการณ์ผู้ใช้ที่เหมาะสมแก่นักวิทยาศาสตร์ข้อมูลและวิศวกร ML สำหรับการทดลองคุณลักษณะและให้บริการคุณลักษณะอย่างราบรื่น

คุณเผชิญกับความท้าทายใดในการเปลี่ยนจากนักวิทยาศาสตร์ข้อมูลมาเป็นผู้ประกอบการ?

การเปลี่ยนจากนักวิทยาศาสตร์ข้อมูลมาเป็นผู้ประกอบการทำให้ฉันต้องเปลี่ยนจากมุมมองทางเทคนิคไปสู่มุมมองทางธุรกิจที่กว้างขึ้น

ในฐานะนักวิทยาศาสตร์ข้อมูล ฉันมุ่งเน้นไปที่การวิเคราะห์และตีความข้อมูลเพื่อสร้างข้อมูลเชิงลึกที่มีค่า แต่ในฐานะผู้ประกอบการ ฉันต้องเปลี่ยนความคิดไปสู่ตลาด ลูกค้า และธุรกิจโดยรวม

幸นั้น ฉันสามารถเอาชนะความท้าทายนี้ได้ด้วยประสบการณ์ของ Razi Raziuddin

เรายังได้ยินจาก Razi เกี่ยวกับเหตุผลที่ทำให้การสร้างคุณลักษณะยาก คุณมีมุมมองที่แตกต่างเกี่ยวกับเรื่องนี้หรือไม่?

การสร้างคุณลักษณะมีความท้าทายหลักๆ 2 ประการ:

1. การแปลงคอลัมน์ที่มีอยู่: สิ่งนี้เกี่ยวข้องกับการแปลงข้อมูลให้เหมาะสมสำหรับอัลกอริทึมการเรียนรู้ของเครื่องจักร เทคนิค เช่น one-hot encoding, การปรับขนาดคุณลักษณะ และวิธีการที่ซับซ้อน เช่น การแปลงข้อความและภาพ
2. การดึงคอลัมน์ใหม่จากข้อมูลในอดีต: ข้อมูลในอดีตมีความสำคัญอย่างยิ่งในการแก้ปัญหา เช่น ระบบแนะนำ การตลาด การตรวจจับการฉ้อโกง การกำหนดราคาประกันภัย และการประมวลผลข้อมูลจากเซ็นเซอร์ การดึงคอลัมน์ที่ให้ข้อมูลจากข้อมูลนี้เป็นเรื่องที่ท้าทาย

โดยรวมแล้ว การสร้างคุณลักษณะต้องการความเชี่ยวชาญ การทดลอง และการก่อสร้างท่อข้อมูลที่ซับซ้อน

คุณสามารถแบ่งปันวิธีการที่ FeatureByte ช่วยให้นักวิทยาศาสตร์ข้อมูลมีพลังในการสร้างคุณลักษณะและทำให้การสร้างคุณลักษณะง่ายขึ้นได้หรือไม่?

FeatureByte ช่วยให้นักวิทยาศาสตร์ข้อมูลมีพลังในการสร้างคุณลักษณะโดยการทำให้กระบวนการทั้งหมดง่ายขึ้น ด้วย SDK ของ Python ที่直관ง่าย มันช่วยให้สามารถสร้างและดึงคุณลักษณะได้อย่างรวดเร็วจากตารางเหตุการณ์และรายการขนาดใหญ่

นอกจากนี้ เรายังมีแพลตฟอร์มที่ครอบคลุมสำหรับการจัดการและจัดระเบียบการดำเนินงาน AI ในระดับองค์กร รวมถึงการทำงานด้านการกำกับดูแลและอินเทอร์เฟซผู้ใช้สำหรับคาตาล็อกคุณลักษณะ

คุณมีภาพอนาคตสำหรับ FeatureByte อย่างไร?

วิสัยทัศน์สูงสุดของเราสำหรับ FeatureByte คือการปฏิวัติภาคการวิทยาศาสตร์ข้อมูลและเครื่องจักรเรียนรู้โดยการให้นักวิทยาศาสตร์ข้อมูลและวิศวกร ML มีพลังในการสร้างคุณลักษณะและดึงคุณค่าจากทรัพย์สินข้อมูลของตน

เรารู้สึกตื่นเต้นเกี่ยวกับการพัฒนาที่รวดเร็วของ Generative AI และทรานส์ฟอร์เมอร์ ซึ่งเปิดโอกาสใหม่ๆ สำหรับผู้ใช้ของเรา

โดยสรุป วิสัยทัศน์ของเราสำหรับ FeatureByte คือการสร้างนวัตกรรมอย่างต่อเนื่อง โดยใช้พลังของ Generative AI และการทำให้การสร้างคุณลักษณะเป็นประชาธิปไตย

คุณมีคำแนะนำสำหรับผู้ประกอบการ AI ที่กำลังจะเริ่มต้นหรือไม่?

กำหนดพื้นที่ของคุณให้ชัดเจน และยินดีต้อนรับสิ่งใหม่ๆ

การกำหนดพื้นที่ที่คุณต้องการจะเป็นเจ้าของจะช่วยให้คุณสามารถแยกความแตกต่างและสร้างความแข็งแกร่งในพื้นที่นั้นได้

สุดท้าย แม้ว่าการมุ่งเน้นจะสำคัญ แต่อย่ากลัวที่จะยอมรับสิ่งใหม่ๆ และสำรวจความคิดใหม่ๆ ภายในพื้นที่ที่คุณกำหนดไว้ สาขา AI กำลังพัฒนาอย่างรวดเร็ว และแนวทางใหม่ๆ สามารถเปิดโอกาสใหม่ๆ ได้

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม FeatureByte เพื่อเรียนรู้เพิ่มเติม