Xavier Conort, FeatureByte’nin Kurucu Ortağı ve Ürün Başkanı – Röportaj Serisi

Xavier Conort 25 yılı aşkın veri deneyimine sahip bir vizyoner veri bilimcisidir. Kariyerine sigorta endüstrisinde aktüer olarak başladı ve daha sonra veri bilimine geçti. En iyi Kaggle yarışmacısı ve DataRobot’ta Baş Veri Bilimcisi olarak görev yaptı, ardından FeatureByte’i kurdu.

FeatureByte ,企业 AI’yi ölçeklendirerek, AI verilerini köklü bir şekilde basitleştirerek ve endüstrileştirerek bir misyon üzerine kurulmuştur. Özellik mühendisliği ve yönetim platformu, veri bilimcilerin devlet-sanat özellikleri ve üretim-ready veri boru hatlarını dakika içinde oluşturup paylaşmalarını sağlar – haftalar veya aylar yerine.

Kariyerinize sigorta endüstrisinde aktüer olarak başladınız, daha sonra veri bilimine geçtiniz, bu geçişin nedeni nedir?

Belirleyici bir an, GE Flight Quest’i kazanmak oldu, bu yarışmada 250.000 dolarlık bir ödül havuzu vardı ve katılımcılar ABD’nin iç hat uçuşlarını geciktirmeyi.predict etmesi gerekiyordu. Bu başarının bir kısmını, yeterli temsil edilmeyen eğitim verilerine sahip özelliklerdeki önyargıyı kontrol etmeye yardımcı olan 2 aşamalı modelleme uygulamasına borçluyum. Kaggle’deki diğer zaferlerimle birlikte bu başarı, veri biliminde aktüeryal geçmişimin bana rekabet avantajı sağladığını bana gösterdi.

Kaggle yolculuğum sırasında, DataRobot’un kurucuları olan Jeremy Achin ve Tom De Godoy gibi diğer veri bilimcileri ile tanıştım. Bizimle birlikte sigorta geçmişine sahiptik ve Kaggle’de önemli başarılar elde ettik. DataRobot’u kurduklarında, AutoML uzmanlaşmış bir şirket olarak beni Baş Veri Bilimcisi olarak katılmaya davet ettiler. Sigorta endüstrisinin en iyi uygulamalarını makine öğrenimi gücünü birleştirmeyi amaçlayan vizyonları beni heyecanlandırdı ve yenilikçi ve etkili bir şey yaratma fırsatı sundu.

DataRobot’ta veri bilim yol haritanızı oluştururken hangi tür veri zorluklarıyla karşılaştınız?

Karşılaştığımız en önemli zorluk, AutoML çözümümüze girdi olarak verilen verilerin değişen kalitesiydi. Bu sorun, ekibimiz ve müşterilerimiz arasında zaman alıcı işbirliğine veya üretim aşamasında uygun şekilde ele alınmazsa hayal kırıklığına yol açan sonuçlara neden oluyordu. Kalite sorunları, bizim dikkat etmemiz gereken birden fazla kaynaktan kaynaklanıyordu.

İş zekası araçlarının veri hazırlama ve yönetiminde kullanılması, birincil zorluklardan biriydi. Bu araçlar, içgörüler üretmek için değerli olsa da, makine öğrenimi veri hazırlama için gerekli yeteneklere sahip değildir. Bu nedenle, eğitim verisinde sızıntılar oluşabilir, bu da aşırı uyumu ve model performansını etkileyebilir.

Veri bilimcileri ve veri mühendisleri arasında yanlış iletişim, üretim aşamasında model performansını etkileyen bir başka zorluktu. Bu iki ekip arasındaki uyumsuzluk, gerçek dünya ortamında model performansını etkileyebilirdi.

Bu deneyimden elde ettiğiniz bazı önemli çıkarımlar nelerdir?

DataRobot’taki deneyimim, makine öğreniminde veri hazırlamanın önemini vurguladı. Eğitim verisi oluşturma zorluklarını ele alarak, yani zaman noktası doğruluğunu, uzmanlık açıklarını, alan bilgisini, araç sınırlamalarını ve ölçeklenebilirliği ele alarak, makine öğrenimi modellerinin doğruluğunu ve güvenilirliğini artırabiliriz. Veri hazırlama sürecini basitleştirmek ve yenilikçi teknolojileri entegre etmek, AI’nin vaatlerini yerine getirmek ve tam potansiyelini açığa çıkarmak için çok önemlidir.

Co-Founder Razi Raziuddin ile yapılan röportajda FeatureByte’nin köken hikayesini dinledik, sizin versiyonunuzu alabilir miyiz?

Razi Raziuddin ile görüşmelerimde, makine öğrenimi için veri hazırlama zorluklarını paylaştığımızı farkettik. Tartışmalarımızda, MLOps topluluğundaki recent gelişmeleri paylaştım. Feature mağazaları ve feature platformlarının AI-first teknoloji şirketleri tarafından feature sunma gecikmesini azaltmak, feature yeniden kullanımını teşvik etmek veya feature malzemesini eğitim verisine dönüştürmeyi basitleştirmek için nasıl kullanıldığını gözlemledim. Ancak, veri bilimcilerinin ihtiyaçlarını karşılamak için hala bir boşluk olduğunu farkettik.

Razi ile benim için açık olan şey, feature mühendisliği sürecini köklü bir şekilde basitleştirerek ve veri bilimcilerine ve ML mühendislerine özellik deneyimi ve özellik sunma için doğru araçları ve kullanıcı deneyimini sağlayarak önemli bir etki yaratma fırsatımız olduğu idi.

Veri bilimcisinden girişimciye geçiş yaparken karşılaştığınız en büyük zorluklar nelerdi?

Veri bilimcisinden girişimciye geçmek, teknik bir perspektiften daha geniş bir iş odaklı zihniyete geçmek anlamına geliyordu. Hala pain point’leri anlamak, yol haritası oluşturmak, planları uygulamak, takım oluşturmak ve bütçeleri yönetmek için güçlü bir temelim vardı, ancak hedef kitlemizle gerçekten rezonansa giren doğru mesajı oluşturmak benim için en büyük zorluklardan biriydi.

Veri bilimcisi olarak, odak noktam her zaman verilerin analizini ve yorumlanmasını yaparak değerli içgörüler elde etmek üzerine olmuştu. Ancak, girişimci olarak, düşünceyi pazar, müşteriler ve genel iş üzerine yöneltmek zorundaydım.

Şanslıyım ki, bu zorluğu aşmak için Razi gibi birinin deneyiminden yararlanabildim.

Razi ile yapılan röportajda feature mühendisliğinin neden zor olduğu hakkında bilgi aldık, sizin görüşünüz nedir?

Özellik mühendisliği iki ana zorluğa sahiptir:

1. Mevcut sütunları dönüştürme: Bu, verileri makine öğrenimi algoritmaları için uygun bir forma dönüştürmeyi içerir. One-hot encoding, özellik ölçekleme ve metin ve görüntü dönüşümleri gibi gelişmiş yöntemler kullanılır. Mevcut özelliklerden yeni özellikler oluşturmak, model performansını büyük ölçüde artırabilir. Scikit-learn ve Hugging Face gibi popüler kütüphaneler, bu tür özellik mühendisliği için geniş destek sağlar. AutoML çözümleri de bu süreci basitleştirmeyi amaçlar.
2. Tarihi verilerden yeni sütunlar çıkarma: Tarihi veriler, öneri sistemleri, pazarlama, dolandırıcılık tespiti, sigorta fiyatlandırması, kredi puanlaması, talep tahmini ve sensör verileri işleme gibi problem alanlarında çok önemlidir. Bu verilerden bilgilendirici sütunlar çıkarmak zorlu bir görevdir. Örnekler, son olaydan bu yana geçen süre, yakın olaylar üzerinde agregasyonlar ve olay dizilerinden gömme alanlar içerir. Bu tür özellik mühendisliği, alan uzmanlığını, deneysel çalışmayı, güçlü kodlama ve veri mühendisliği becerilerini ve derin veri bilimi bilgilerini gerektirir. Zaman sızıntısı, büyük veri kümelerini işleme ve verimli kod yürütme gibi faktörler de dikkate alınmalıdır.

Genel olarak, özellik mühendisliği uzmanlık, deneysel çalışma ve karmaşık ad-hoc veri boru hatlarının inşası gerektirir ve bu iş için özel olarak tasarlanmış araçlar olmadan yapılır.

FeatureByte nasıl veri bilimcilerini güçlendirir ve özellik boru hatlarını basitleştirir?

FeatureByte, özellik mühendisliği sürecini basitleştirerek veri bilimcilerini güçlendirir. Akıllı bir Python SDK ile, büyük olay ve madde tablolarından hızlı özellik oluşturma ve çıkarma sağlar. Hesaplama, Snowflake, DataBricks ve Spark gibi veri platformlarının ölçeklenebilirliğini kullanarak verimli bir şekilde gerçekleştirilir. Defterler, deneysel çalışmayı kolaylaştırır, özellik paylaşımı ve yeniden kullanımı zaman kazandırır, denetim özelliği doğruluğunu sağlar ve anında dağıtım, boru hattı yönetiminden kaynaklanan baş ağrılarını ortadan kaldırır.

Açık kaynak kütüphanemizdeki yeteneklerin yanı sıra, kurumsal çözümümüz, AI operasyonlarını ölçeklendirerek yönetmek ve organize etmek için kapsamlı bir çerçeve sunar, bu çerçeve içinde yönetim iş akışları ve özellik kataloğu için bir kullanıcı arayüzü bulunur.

FeatureByte’nin geleceği için vizyonunuz nedir?

FeatureByte için nihai vizyonumuz, veri bilim ve makine öğrenimi alanını, kullanıcıların veri varlıklarından daha önce görülmemiş değerler elde etmelerini sağlayarak devrimleştirerek, yaratıcı potansiyellerini açığa çıkarmaktır.

Özellikle Generatif AI ve transformers’in hızlı ilerlemesi bizi heyecanlandırıyor, bu da kullanıcılarımız için yeni olanaklar açıyor. Ayrıca, özellik mühendisliğini demokratikleştirmeye kararlıyız. Generatif AI, yaratıcı özellik mühendisliği için giriş engelini düşürerek, daha geniş bir kitleye ulaşılmasını sağlayabilir.

Özetle, FeatureByte’nin geleceği için vizyonumuz, sürekli yenilik, Generatif AI’nin gücünü kullanmak ve özellik mühendisliğini demokratikleştirmek etrafında dönüyor. Veri profesyonellerinin ham verileri makine öğrenimi için eyleme dönüştürmesini sağlayan, sektörler genelinde ilerlemeleri ve atılımları teşvik eden bir platform olmak istiyoruz.

Aspirasyon AI girişimcilerine tavsiyeniz nedir?

Alanınızı tanımlayın, odaklanın ve yeniliği karşılayın.

İstediğiniz alanı tanımlayarak, kendinizi farklılaştırabilir ve o alanda güçlü bir varlık oluşturabilirsiniz. Pazarı araştırın, potansiyel müşterilerin ihtiyaçlarını ve ağrı noktalarını anlayın ve bu zorlukları etkili bir şekilde ele alan benzersiz bir çözüm sunmaya çalışın.

Uzun vadeli vizyonunuzu tanımlayın ve bu vizyona uygun, net kısa vadeli hedefler belirleyin. Güçlü bir temel oluşturmak ve seçtiğiniz alanda değer sağlamak üzerine odaklanın.

Finally, while it’s important to stay focused, don’t shy away from embracing novelty and exploring new ideas within your defined space. The AI field is constantly evolving, and innovative approaches can open up new opportunities.

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