Razi Raziuddin, FeatureByte’nin Kurucu Ortağı ve CEO’su – Röportaj Serisi

Razi Raziuddin FeatureByte’nin Kurucu Ortağı ve CEO’sudur, vizyonu işletmelerde AI’yi ölçeklendirme konusunda son büyük engeli ortadan kaldırmaktır. Razi’nin analitik ve büyüme deneyimi, iki unicorn startup’ın liderlik ekibini içermektedir. Razi, DataRobot’u 10’dan 850 çalışana çıkarmalarına yardımcı oldu. Bir hizmet odaklı pazara girme stratejisi geliştirdi ve bu, DataRobot’un hızlı büyümesindeki önemli bir unsur haline geldi.

FeatureByte, işletmelerde AI’yi ölçeklendirme konusunda büyük bir zorluğunsolutionunu sunmayı amaçlamaktadır: AI verilerini radikal bir şekilde basitleştirmek ve endüstrileştirmek. Özellik mühendisliği ve yönetimi (FEM) platformu, veri bilimcilerin state-of-the-art özellikler oluşturmasına ve üretim için hazır veri borularını dakikalar içinde oluşturmasına olanak tanır – haftalar veya aylar yerine.

Bilgisayar bilimi ve makine öğrenimi size neler çekici geldi?

Lisede kodlamaya başlayan biri olarak, kod aracılığıyla “konuşabileceğim” ve kontrol edebileceğim bir makineyle büyülenmiştim. Sonsuz olanakların beni her gün heyecanlandırması, makine öğreniminin bir programlama paradigmасı olduğunu ve makinelerin kodda adımları belirtmeden görevleri öğrenmesini ve gerçekleştirmesini sağladığını görmüştim. Makine öğrenimi uygulamalarının sınırsız potansiyeli beni her gün heyecanlandırıyor.

DataRobot’ta ilk iş girişimcisiniz ve şirketin 10’dan 1.000 çalışana çıkmasını 6 yıldan kısa sürede sağladınız. Bu deneyimden elde ettiğiniz bazı önemli çıkarımlar nelerdir?

Sıfırdan bir şeye başlamak zor, ancak çok heyecan verici ve ödüllendirici. Şirketin her evrim aşaması farklı zorluklar sunar, ancak şirketin büyümesini ve başarısını görmek muhteşem bir his.
Otomatik makine öğrenimi deneyimim, AI’nin sınırsız potansiyelini görmemi sağladı. Bu teknolojinin birçok farklı endüstri ve uygulamada kullanılabileceğini görmek fascinasyon uyandırıyor. Günün sonunda, yeni bir kategori yaratmak nadir bir başarı, ancak çok ödüllendirici. Deneyimlerimden elde ettiğim bazı önemli çıkarımlar:

• Müthiş bir ürün oluşturun ve modaları takip etmeyin
• Aykırı olmakten korkmayın
• Müşteri sorunlarını çözmeğe odaklanın ve değer sağlayın
• Her zaman yeniliklere ve yeni şeyleri denemeye açık olun
• Şirket kültürünü baştan doğru şekilde oluşturun ve içselleştirin

FeatureByte’nin arkasındaki hikayeyi paylaşabilir misiniz?

AI/ML dünyasında iyi bilinen bir gerçek var: Büyük AI, büyük veri ile başlar. Ancak AI verilerini (veya Özellikleri) hazırlamak, dağıtmak ve yönetmek karmaşık ve zaman alıcıdır. Kurucu ortaklarım Xavier Conort ve ben, DataRobot’ta bu sorunu bizzat gördük. Otomatik makine öğrenimi araçları sayesinde modelleme büyük ölçüde basitleştirilirken, özellik mühendisliği ve yönetimi hala büyük bir zorluk oluşturuyor. Birleşmiş deneyim ve uzmanlığımızla, bu zorluğu gerçekten çözebileceğimize ve AI’nin her yerde vaatlerini yerine getirebileceğimize inandık.

Özellik mühendisliği FeatureByte’nin çekirdeğinde yer alıyor, bu nedir ve okuyucularımız için açıklar mısınız?

Sonuç olarak, veri kalitesi AI modellerinin kalitesi ve performansını belirler. Modelleri eğitmek ve gelecekteki sonuçları tahmin etmek için kullanılan veriler Özellikler olarak adlandırılır. Özellikler, tüketicilerin demografik veya psikografik verileri, bir kredi kartı işleminde kart sahibi ve tüccar arasındaki mesafe veya bir mağaza satın alma işleminde farklı kategorilerden alınan ürünlerin sayısı gibi bilgiler hakkında bilgi sağlar.
Ham verilerin Özelliklere dönüştürülmesi süreci, makine öğrenimi modellerini eğitmek ve gelecekteki sonuçları tahmin etmek için kullanılır ve bu sürece özellik mühendisliği denir.

Neden özellik mühendisliği makine öğrenimi projelerinin en karmaşık yönlerinden biridir?

Özellik mühendisliği çok önemlidir, çünkü bu süreç doğrudan makine öğrenimi modellerinin performansından sorumludur. İyi özellik mühendisliği için üç bağımsız becerinin bir araya gelmesi gerekir – alan bilgisi, veri bilimi ve veri mühendisliği. Alan bilgisi, veri bilimcilerin belirli bir sorun veya kullanım durumu için veriden hangi sinyalleri çıkarması gerektiğini belirlemelerine yardımcı olur. Bu sinyalleri çıkarmak için veri bilimi becerilerine ihtiyaç duyulur. Son olarak, veri mühendisliği, boruları dağıtmak ve büyük veri hacimlerinde tüm bu işlemleri gerçekleştirmek için kullanılır.
Çoğu organizasyonda, bu beceriler farklı ekiplerde yaşar. Bu ekipler farklı araçlar kullanır ve birbirleriyle iyi iletişim kurmazlar. Bu, sürece çok fazla sürtüşme getirir ve süreci neredeyse durdurur.

Özellik mühendisliğinin AI’yi ölçeklendirme konusunda en zayıf halka olmasının nedenini paylaşabilir misiniz?

AI uzmanı Andrew Ng’ye göre, “Uygulamalı makine öğrenimi esas olarak özellik mühendisliğidir.” Önemine rağmen, özellik mühendisliği karmaşık, zaman alıcı ve uzman bilgisi gerektirir. Bu süreci kolaylaştıran, hızlandıran ve endüstrileştiren araçlar yok denecek kadar az. Gereken çaba ve uzmanlık, işletmelerin AI’yi ölçeklendirme yeteneğini sınırlar.

Veri odaklı bir AI çözümünü inşa etmenin, özellik mühendisliğini radikal bir şekilde basitleştiren bazı zorlukları paylaşabilir misiniz?

Mevcut durumun 10 kat üstünde bir ürün oluşturmak çok zor. Şükürler olsun ki, Xavier derin veri bilimi uzmanlığına sahip ve özellik iş akışını baştan tasarlıyor. Dünyanın en iyi tam yığın veri bilimcileri ve mühendislerinden oluşan bir ekibimiz var ve vizyonumuzu gerçeğe dönüştürebiliyoruz. Ayrıca, kullanıcılarımız ve geliştirme ortaklarımız var ve onlar bize kullanıcıların zorluklarını çözmek için en iyi şekilde nasıl çözüleceğini danışmanlık ediyor.

FeatureByte platformu, makine öğrenimi uygulamaları için veri hazırlığını nasıl hızlandırır?

Makine öğrenimi için veri hazırlama, hızlı deneyimi gerektiren bir iteratif süreçtir. Açık kaynaklı FeatureByte SDK, sadece birkaç satır kodla state-of-the-art özellikler oluşturmak ve veri borularını dakika içinde dağıtmak için bir deklaratif çerçevedir. Bu, veri bilimcilerin yaratıcı sorun çözme ve canlı verilere hızlı bir şekilde yineleme yapmasına olanak tanır, değil de borularla uğraşmasına.
Sonuç, sadece daha hızlı veri hazırlama ve üretimdeki daha iyi model performansı değil, aynı zamanda daha güçlü özelliklerdir.

FeatureByte platformunun, devam eden yönetim görevlerini basitleştirmek için nasıl bir fırsat sunacağını tartışabilir misiniz?

FeatureByte platformu, uçtan uca makine öğrenimi özellik yaşam döngüsünü yönetmek için tasarlanmıştır. Deklaratif çerçeve, FeatureByte’nin veri borularını otomatik olarak dağıtmasına ve ilgili meta verilerini çıkarmasına olanak tanır. Kullanıcılar, boru sağlığını ve maliyetlerini izleyebilir, özelliklerin soykırımını, sürümünü ve doğruluğunu aynı GUI’den yönetebilir. Kurumsal düzeyde rol tabanlı erişim ve onay iş akışları, veri gizliliği ve güvenliğini sağlar, aynı zamanda özellik yayılmasını önler.

FeatureByte hakkında paylaşmak istediğiniz başka bir şey var mı?

Çoğu işletme AI aracı, makine öğrenimi modellerini iyileştirmeye odaklanıyor. Bizim misyonumuz, işletmelerin AI’yi ölçeklemesine yardımcı olmak, AI verilerini basitleştirmek ve endüstrileştirmektir. FeatureByte’de, AI uygulayıcılarının karşılaştığı en büyük zorluğu çözüyoruz: Modelin tüm yaşam döngüsü boyunca tutarlı, ölçeklenebilir bir şekilde veri hazırlamak, sunmak ve yönetmek, aynı zamanda tüm süreci radikal bir şekilde basitleştirmek.

Eğer bir veri bilimcisi veya mühendisseniz ve veri biliminde en iyi olmak istiyorsanız, FeatureByte’i ücretsiz deneyin.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular FeatureByte’i ziyaret edebilir.