Razi Raziuddin, співзасновник та CEO FeatureByte – Серія інтерв’ю

Razi Raziuddin є співзасновником та CEO FeatureByte, його бачення полягає у виправленні останньої великої перешкоди для масштабування штучного інтелекту в корпораціях. Досвід Разі в галузі аналітики та зростання охоплює команду керівництва двох стартапів-unicorn. Разі допоміг масштабувати DataRobot з 10 до 850 працівників за менш ніж шість років. Він запровадив послуговую стратегію виходу на ринок, яка стала візитною карткою швидкого зростання DataRobot.

FeatureByte має на меті масштабувати корпоративний штучний інтелект, радикально спрощуючи та індустріалізуючи дані штучного інтелекту. Платформа інженерії та управління функціями (FEM) дозволяє спеціалістам з даних створювати та обмінюватися функціями державного рівня та готовими до виробництва потоками даних за хвилини – замість тижнів або місяців.

Що спочатку привернуло вашу увагу до комп’ютерних наук та машинного навчання?

Як людина, яка почала програмування у школі, я був зацікавлений машиною, з якою я міг “говорити” та контролювати через код. Я був миттєво захоплений безкінечними можливостями нових застосунків. Машинне навчання представляло собою зміну парадигми програмування, яка дозволяла машинам вивчати та виконувати завдання без визначення кроків у коді. Безкінечний потенціал застосунків ML – це те, що надихає мене кожен день.

Ви були першим бізнес-наймом у DataRobot, платформі автоматизованого машинного навчання, яка дозволяє організаціям стати орієнтованими на штучний інтелект. Ви потім допомогли масштабувати компанію з 10 до 1 000 працівників за менш ніж 6 років. Які були деякі ключові висновки з цього досвіду?

Перехід від нуля до одиниці є складним, але надзвичайно цікавим та винагороджуючим. Кожна стадія еволюції компанії представляє собою інший набір викликів, але бачити, як компанія росте та успішно розвивається, – це неймовірне відчуття.

Мій досвід з AutoML відкрив мені очі на необмежений потенціал штучного інтелекту. Це захопливо бачити, як цю технологію можна застосовувати у багатьох різних галузях та застосунках. У кінцевому підсумку створення нової категорії – це рідкісний подвиг, але надзвичайно винагороджуючий. Мої ключові висновки з цього досвіду:

• Створіть чудовий продукт та уникайте погоні за модними тенденціями
• Не бійтеся бути контраверсійним
• Зосередьтеся на вирішенні проблем клієнтів та наданні цінності
• Завжди будьте відкриті до інновацій та спроб нових речей
• Створіть та впровадьте правильну корпоративну культуру з самого початку

Чи можете ви поділитися історією походження FeatureByte?

Це добре відомий факт у світі штучного інтелекту/машинного навчання – що Великий штучний інтелект починається з великих даних. Але підготовка, розгортання та управління даними штучного інтелекту (або функціями) є складним та часоємним процесом. Мій співзасновник, Ксав’є Конорт, та я побачили цю проблему особисто у DataRobot. Хоча моделювання стало значно спрощеним завдяки інструментам AutoML, інженерія та управління функціями залишаються величезним викликом. На основі нашого спільного досвіду та знань Ксав’є та я відчували, що ми можемо真正о допомогти організаціям вирішити цю проблему та виконати обіцянку штучного інтелекту всюди.

Інженерія функцій є ядром FeatureByte, чи можете ви пояснити, що це таке для наших читачів?

У кінцевому підсумку, якість даних визначає якість та продуктивність моделей штучного інтелекту. Дані, які подаються у моделі для навчання та прогнозування майбутніх результатів, називаються функціями. Функції представляють інформацію про сутності та події, такі як демографічні або психографічні дані споживачів, або відстань між власником картки та торговцем для транзакції кредитної картки чи кількість предметів різних категорій з покупки магазину.

Процес перетворення сирих даних у функції – для навчання моделей машинного навчання та прогнозування майбутніх результатів – називається інженерія функцій.

Чому інженерія функцій є однією з найбільш складних аспектів проектів машинного навчання?

Інженерія функцій надзвичайно важлива, оскільки процес безпосередньо відповідає за продуктивність моделей машинного навчання. Добра інженерія функцій вимагає трьох досить незалежних навичок, які повинні поєднатися – знання галузі, науки про дані та інженерії даних. Знання галузі допомагає спеціалістам з даних визначити, які сигнали витягнути з даних для конкретної проблеми чи випадку використання. Вам потрібні навички науки про дані, щоб витягнути ці сигнали. І, нарешті, інженерія даних допомагає вам розгортати потоки та виконувати всі ці операції у великих масштабах на великих об’ємах даних.

У більшості організацій ці навички живуть у різних командах. Ці команди використовують різні інструменти та не спілкуються добре одна з одною. Це призводить до великого тертя у процесі та сповільнює його до повної зупинки.

Чи можете ви поділитися деякими ідеями про те, чому інженерія функцій є найслабшим звеном у масштабуванні штучного інтелекту?

За словами Ендрю Нга, відомого експерта у сфері штучного інтелекту, “Застосоване машинне навчання є фактично інженерією функцій”. Незважаючи на свою критичність для циклу життя машинного навчання, інженерія функцій залишається складною, часоємною та залежною від експертних знань. Є серйозна нестача інструментів, які могли б зробити процес простішим, швидшим та більш індустріалізованим. Зусилля та знання, необхідні для цього, утримують підприємства від можливості розгортання штучного інтелекту у великих масштабах.

Чи можете ви поділитися деякими викликами, пов’язаними з побудовою даних-орієнтованого рішення штучного інтелекту, яке радикально спрощує інженерію функцій для спеціалістів з даних?

Побудова продукту, який має 10-кратну перевагу над статус-кво, надзвичайно складна. На щастя, у Ксав’є є глибокі знання у сфері науки про дані, яких він використовує для переосмислення всього робочого процесу функцій з першої засади. У нас є світовий клас команди спеціалістів з даних та інженерів, які можуть перетворити нашу бачення у реальність. І у нас є користувачі та партнери з розробки, які радять нам щодо оптимізації UX для найкращого вирішення їхніх проблем.

Як платформа FeatureByte прискорить підготовку даних для застосунків машинного навчання?

Підготовка даних для машинного навчання – це ітераційний процес, який залежить від швидкої експериментації. Відкритий вихідний код FeatureByte SDK – це декларативна структура для створення функцій державного рівня з допомогою лише декількох рядків коду та розгортання потоків даних за хвилини замість тижнів або місяців. Це дозволяє спеціалістам з даних зосередитися на творчому вирішенні проблем та швидкій ітерації на живих даних, а не турбуватися про пломби.

Результатом є не тільки швидша підготовка даних та подача у виробництві, але також покращена продуктивність моделей завдяки потужним функціям.

Чи можете ви обговорити, як платформа FeatureByte додатково пропонуватиме можливість оптимізувати різні поточні завдання з управління?

Платформа FeatureByte призначена для управління циклом життя функцій машинного навчання. Декларативна структура дозволяє FeatureByte автоматично розгортати потоки даних, витягуючи метадані, які стосуються управління загальним середовищем. Користувачі можуть контролювати здоров’я потоків та витрати, а також керувати лінією, версією та правильністю функцій з того ж інтерфейсу. Корпоративний рівень доступу на основі ролей та робочі потоки схвалення забезпечують захист даних та безпеки, а також уникнення розсіювання функцій.

Чи є щось ще, що ви хотіли б поділитися про FeatureByte?

Більшість корпоративних інструментів штучного інтелекту зосереджуються на поліпшенні моделей машинного навчання. Ми зробили місією допомогти підприємствам масштабувати свій штучний інтелект, спрощуючи та індустріалізуючи дані штучного інтелекту. У FeatureByte ми вирішуємо найбільший виклик для спеціалістів з штучного інтелекту: надання послідовного, масштабованого способу підготовки, подачі та управління даними протягом усього циклу життя моделі, радикально спрощуючи весь процес.

Якщо ви спеціаліст з даних або інженер, який цікавиться залишатися на передовому краї науки про дані, я б порадив вам досвідчувати силу FeatureByte безкоштовно.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати FeatureByte.