Razi Raziuddin, Đồng sáng lập & CEO của FeatureByte – Series Phỏng vấn

Razi Raziuddin là Đồng sáng lập & CEO của FeatureByte, tầm nhìn của ông là giải quyết rào cản lớn cuối cùng để mở rộng AI trong doanh nghiệp. Kinh nghiệm phân tích và tăng trưởng của Razi bao gồm đội ngũ lãnh đạo của hai công ty khởi nghiệp kỳ lân. Razi đã giúp DataRobot mở rộng từ 10 đến 850 nhân viên trong vòng chưa đầy sáu năm. Ông đã tiên phong một chiến lược tiếp thị dịch vụ dẫn đầu, trở thành đặc trưng của sự tăng trưởng nhanh chóng của DataRobot.

FeatureByte đang trên một nhiệm vụ để mở rộng AI doanh nghiệp, bằng cách đơn giản hóa và công nghiệp hóa dữ liệu AI một cách cơ bản. Nền tảng kỹ thuật và quản lý tính năng (FEM) cho phép các nhà khoa học dữ liệu tạo và chia sẻ các tính năng tiên tiến và đường ống dữ liệu sẵn sàng sản xuất trong vài phút — thay vì vài tuần hoặc vài tháng.

Bạn đã bị thu hút bởi khoa học máy tính và học máy ban đầu như thế nào?

Là người bắt đầu lập trình từ trường trung học, tôi đã bị thu hút bởi một máy có thể “nói” và kiểm soát thông qua mã. Tôi đã bị gắn liền với những khả năng vô tận của các ứng dụng mới. Học máy đại diện cho một sự thay đổi范式 trong lập trình, cho phép máy học và thực hiện các nhiệm vụ mà không cần chỉ định các bước trong mã. Tiềm năng vô tận của các ứng dụng ML là điều khiến tôi hào hứng mỗi ngày.

Bạn là nhân viên kinh doanh đầu tiên tại DataRobot, một nền tảng học máy tự động cho phép các tổ chức trở thành doanh nghiệp AI. Sau đó, bạn đã giúp mở rộng công ty từ 10 đến 1.000 nhân viên trong vòng chưa đầy 6 năm. Những bài học quan trọng nào bạn đã rút ra từ kinh nghiệm này?

Đi từ không đến một là khó, nhưng vô cùng thú vị và có phần thưởng. Mỗi giai đoạn trong sự tiến hóa của công ty đều mang lại một tập hợp các thách thức khác nhau, nhưng việc nhìn thấy công ty phát triển và thành công là một cảm giác tuyệt vời.

Kinh nghiệm của tôi với AutoML đã mở mắt tôi về tiềm năng vô hạn của AI. Thật thú vị khi thấy công nghệ này có thể được sử dụng trong nhiều ngành và ứng dụng khác nhau. Cuối cùng, việc tạo ra một thể loại mới là một kỳ công hiếm có, nhưng vô cùng có giá trị. Những bài học quan trọng của tôi từ kinh nghiệm này:

• Xây dựng một sản phẩm tuyệt vời và tránh chạy theo thời trang
• Đừng sợ hãi khi trở thành một người đi ngược dòng
• Tập trung vào việc giải quyết các vấn đề của khách hàng và cung cấp giá trị
• Luôn cởi mở với sự đổi mới và thử nghiệm những điều mới
• Tạo ra và truyền bá văn hóa công ty phù hợp từ đầu

Bạn có thể chia sẻ câu chuyện về nguồn gốc của FeatureByte?

Đây là một sự thật được biết đến trong thế giới AI/ML – rằng AI tuyệt vời bắt đầu với dữ liệu tuyệt vời. Nhưng việc chuẩn bị, triển khai và quản lý dữ liệu AI (hoặc Tính năng) là phức tạp và tốn thời gian. Đồng sáng lập của tôi, Xavier Conort, và tôi đã chứng kiến vấn đề này trực tiếp tại DataRobot. Trong khi việc xây dựng mô hình đã trở nên đơn giản hóa rất nhiều nhờ các công cụ AutoML, kỹ thuật và quản lý tính năng vẫn còn là một thách thức lớn. Dựa trên kinh nghiệm và chuyên môn kết hợp của chúng tôi, Xavier và tôi cảm thấy chúng tôi có thể giúp các tổ chức giải quyết thách thức này và thực hiện lời hứa của AI mọi nơi.

Kỹ thuật tính năng là cốt lõi của FeatureByte, bạn có thể giải thích điều này cho độc giả của chúng tôi?

Cuối cùng, chất lượng dữ liệu quyết định chất lượng và hiệu suất của các mô hình AI. Dữ liệu được đưa vào mô hình để đào tạo và dự đoán kết quả trong tương lai được gọi là Tính năng. Tính năng đại diện cho thông tin về các thực thể và sự kiện, chẳng hạn như dữ liệu nhân khẩu học hoặc tâm lý học của người tiêu dùng, hoặc khoảng cách giữa chủ thẻ và thương nhân cho giao dịch thẻ tín dụng hoặc số lượng mặt hàng của các danh mục khác nhau từ mua hàng.

Quá trình biến đổi dữ liệu thô thành tính năng – để đào tạo mô hình ML và dự đoán kết quả trong tương lai – được gọi là kỹ thuật tính năng.

Tại sao kỹ thuật tính năng là một trong những khía cạnh phức tạp nhất của các dự án học máy?

Kỹ thuật tính năng rất quan trọng vì quá trình này trực tiếp chịu trách nhiệm về hiệu suất của mô hình ML. Kỹ thuật tính năng tốt đòi hỏi ba kỹ năng khá độc lập phải kết hợp lại – kiến thức lĩnh vực, khoa học dữ liệu và kỹ thuật dữ liệu. Kiến thức lĩnh vực giúp các nhà khoa học dữ liệu xác định tín hiệu nào để trích xuất từ dữ liệu cho một vấn đề hoặc trường hợp cụ thể. Bạn cần kỹ năng khoa học dữ liệu để trích xuất những tín hiệu đó. Và cuối cùng, kỹ thuật dữ liệu giúp bạn triển khai đường ống và thực hiện tất cả các hoạt động đó trên quy mô lớn trên các khối lượng dữ liệu lớn.

Trong đa số các tổ chức, những kỹ năng này sống trong các đội khác nhau. Những đội này sử dụng các công cụ khác nhau và không giao tiếp tốt với nhau. Điều này dẫn đến rất nhiều ma sát trong quá trình và làm chậm nó xuống một mức độ nhất định.

Bạn có thể chia sẻ một số thông tin về lý do tại sao kỹ thuật tính năng là liên kết yếu nhất trong việc mở rộng AI?

Theo Andrew Ng, chuyên gia nổi tiếng trong lĩnh vực AI, “Học máy ứng dụng cơ bản là kỹ thuật tính năng.” Mặc dù nó rất quan trọng đối với chu kỳ sống của học máy, kỹ thuật tính năng vẫn còn phức tạp, tốn thời gian và phụ thuộc vào kiến thức chuyên môn. Có một sự thiếu hụt nghiêm trọng về các công cụ để làm cho quá trình này dễ dàng hơn, nhanh hơn và được công nghiệp hóa hơn. Sự cố gắng và chuyên môn cần thiết đang giữ các doanh nghiệp lại và không cho phép họ triển khai AI trên quy mô lớn.

Bạn có thể chia sẻ một số thách thức khi xây dựng một giải pháp AI dựa trên dữ liệu mà đơn giản hóa cơ bản kỹ thuật tính năng cho các nhà khoa học dữ liệu?

Xây dựng một sản phẩm có lợi thế 10X so với hiện trạng là rất khó. May mắn là, Xavier có chuyên môn sâu về khoa học dữ liệu mà ông đang sử dụng để suy nghĩ lại toàn bộ quy trình tính năng từ đầu. Chúng tôi có một đội ngũ đầy đủ các nhà khoa học dữ liệu và kỹ sư toàn diện có thể biến tầm nhìn của chúng tôi thành hiện thực. Và người dùng cũng như đối tác phát triển để tư vấn cho chúng tôi về việc tinh chỉnh UX để giải quyết tốt nhất các thách thức của họ.

Nền tảng FeatureByte sẽ tăng tốc quá trình chuẩn bị dữ liệu cho các ứng dụng học máy như thế nào?

Chuẩn bị dữ liệu cho ML là một quá trình lặp lại đòi hỏi phải thử nghiệm nhanh chóng. Bộ SDK FeatureByte mã nguồn mở là một khuôn khổ khai báo để tạo tính năng tiên tiến với chỉ một vài dòng mã và triển khai đường ống dữ liệu trong vài phút thay vì vài tuần hoặc vài tháng. Điều này cho phép các nhà khoa học dữ liệu tập trung vào việc giải quyết vấn đề sáng tạo và lặp lại nhanh chóng trên dữ liệu trực tiếp, thay vì lo lắng về việc lắp đặt.

Kết quả là không chỉ việc chuẩn bị và cung cấp dữ liệu nhanh hơn trong sản xuất, mà còn cải thiện hiệu suất mô hình thông qua các tính năng mạnh mẽ.

Bạn có thể thảo luận về cách nền tảng FeatureByte sẽ cung cấp khả năng streamlining các nhiệm vụ quản lý liên tục?

Nền tảng FeatureByte được thiết kế để quản lý toàn bộ chu kỳ sống của tính năng ML. Khuôn khổ khai báo cho phép FeatureByte triển khai đường ống dữ liệu tự động, đồng thời trích xuất siêu dữ liệu có liên quan đến việc quản lý môi trường tổng thể. Người dùng có thể theo dõi sức khỏe và chi phí của đường ống, cũng như quản lý dòng dõi, phiên bản và tính chính xác của tính năng tất cả từ cùng một giao diện người dùng. Các quy trình phê duyệt và quản lý quyền truy cập dựa trên vai trò cấp doanh nghiệp đảm bảo quyền riêng tư và bảo mật dữ liệu, đồng thời tránh tính năng lan rộng.

Có điều gì khác bạn muốn chia sẻ về FeatureByte?

Hầu hết các công cụ AI doanh nghiệp tập trung vào việc cải thiện mô hình học máy. Chúng tôi đã đặt nhiệm vụ giúp các doanh nghiệp mở rộng AI của họ bằng cách đơn giản hóa và công nghiệp hóa dữ liệu AI. Tại FeatureByte, chúng tôi giải quyết thách thức lớn nhất cho các nhà thực hành AI: Cung cấp một cách nhất quán, có thể mở rộng để chuẩn bị, cung cấp và quản lý dữ liệu trên toàn bộ chu kỳ sống của mô hình, đồng thời đơn giản hóa toàn bộ quá trình.

Nếu bạn là một nhà khoa học dữ liệu hoặc kỹ sư quan tâm đến việc ở trong lĩnh vực hàng đầu của khoa học dữ liệu, tôi khuyến khích bạn trải nghiệm sức mạnh của FeatureByte miễn phí.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập FeatureByte.