Разі Разіуддін, співзасновник та CEO FeatureByte – Інтерв’ю

Разі Разіуддін є співзасновником та CEO FeatureByte, його бачення полягає у тому, щоб розблокувати останню велику перешкоду для масштабування штучного інтелекту в корпораціях. Аналітичний та досвід зростання Разі охоплює команду керівництва двох стартапів-унікорнів. Разі допоміг масштабувати DataRobot з 10 до 850 працівників за менш ніж шість років. Він запровадив послугу, орієнтовану 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 ознаками (FEM) дозволяє вченим-даними створювати та обмінюватися ознаками стану мистецтва та готовими до виробництва потоками даних за хвилини – замість тижнів або місяців.

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

Як людина, яка почала програмування у школі, я був зачарований машиною, з якою я міг “говорити” та контролювати через код. Я був миттєво прив’язаний до безмежних можливостей нових застосунків. Машинне навчання представляло собою зміну парадигми програмування, дозволяючи машинам вивчати та виконувати завдання без визначення кроків у коді. Безмежний потенціал застосунків машинного навчання – це те, що надихає мене кожен день.

Ви були першим бізнес-наймом у DataRobot, автоматизованій платформі 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?

Переходити від нуля до одного – це складно, але надзвичайно цікаво та винагороджувально. Кожен етап у розвитку компанії представляє собою інший набір проблем, але бачити, як компанія росте та успішно діє, – це дивовижне відчуття.

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

• Побудуйте чудовий продукт та уникайте переслідування мод
• Не бійтеся бути контроверсійним
• Сконцентруйтесь на вирішенні проблем клієнтів та наданні цінності
• Завжди будьте відкриті до інновацій та спроб нових речей
• Створіть та вкоріните 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 ознаками) складна та тривала. Мій співзасновник, Ксав’є Конорт, та я побачили цю проблему особисто у DataRobot. Хоча моделювання стало значно спрощеним завдяки інструментам AutoML, інженерія та управління ознаками залишаються величезною проблемою. На основі нашого спільного досвіду та експертизи Ксав’є та я відчували, що ми можемо真正 допомогти організаціям вирішити цю проблему та виконати обіцянку штучного інтелекту всюди.

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

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

Процес перетворення сирих даних у ознаки – для навчання моделей машинного навчання та прогнозування майбутніх результатів – називається інженерією ознак.

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

Інженерія ознак надзвичайно важлива, оскільки процес безпосередньо відповідає за продуктивність моделей машинного навчання. Добра інженерія ознак вимагає трьох досить незалежних навичок, які повинні об’єднатися – знання галузі, наукові дані та інженерія даних. Знання галузі допомагає вченим-даними визначити, які сигнали витягнути з даних для конкретної проблеми або випадку використання. Вам потрібні навички науки про дані, щоб витягнути ці сигнали. І, нарешті, інженерія даних допомагає вам розгорнути потоки даних та виконати всі ці операції у великих обсягах даних.

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

Чи можете ви поділитися деякими ідеями про те, чому інженерія ознак є найбільш слабким зв’язком у масштабуванні штучного інтелекту?

За словами Ендрю Нга, відомого експерта у сфері штучного інтелекту, “Застосоване машинне навчання – це фактично інженерія ознак”. Незважаючи на свою критичність для життєвого циклу машинного навчання, інженерія ознак залишається складною, тривалою та залежною від експертних знань. Є серйозна нестача інструментів, які могли б зробити процес легшим, швидшим та більш індустріалізованим. Зусилля та експертиза, необхідні для цього, утримують підприємства від можливості розгортання штучного інтелекту у великих масштабах.

Чи можете ви поділитися деякими з проблем, пов’язаних із побудовою даних-орієнтованого рішення штучного інтелекту, яке радикально спрощує інженерію ознак для вчених-даних?

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

Як платформа FeatureByte прискорить підготовку даних для застосунків машинного навчання?

Підготовка даних для машинного навчання – це ітеративний процес, який залежить від швидкої експериментальної роботи. Відкритий вихідний код FeatureByte SDK – це декларативна структура для створення ознак стану мистецтва з декількома рядками коду та розгортання потоків даних за хвилини замість тижнів або місяців. Це дозволяє вченим-даними зосередитися на творчих рішеннях проблем та ітеративній роботі з живими даними, а не турбуватися про пломби.

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

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

Платформа FeatureByte призначена для управління життєвим циклом ознак машинного навчання. Декларативна структура дозволяє FeatureByte автоматично розгортати потоки даних, витягуючи метадані, які стосуються управління загальним середовищем. Користувачі можуть контролювати здоров’я потоків даних та витрати, а також керувати походженням, версією та правильністю ознак усього з того самого GUI. Підприємства класу рольових моделей доступу та робочих потоків затвердження забезпечують захист даних та безпеку, а також уникнення розсіювання ознак.

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

Більшість корпоративних інструментів штучного інтелекту зосереджені на покращенні моделей машинного навчання. Ми поставили за мету допомогти підприємствам масштабувати свій штучний інтелект, спрощуючи та індустріалізуючи дані штучного інтелекту. У FeatureByte ми вирішуємо найбільшу проблему для практиків штучного інтелекту: надання послідовного, масштабованого способу підготовки, подачі та управління даними протягом усього життєвого циклу моделі, радикально спрощуючи весь процес.

Якщо ви вчений-дані або інженер, який цікавиться залишається 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.