拉兹·拉齐丁，FeatureByte联合创始人兼CEO – 采访系列

拉兹·拉齐丁 是 FeatureByte 的联合创始人兼CEO，他的愿景是解锁企业人工智能的最后一个重大障碍。 拉兹的分析和增长经验跨越了两个独角兽初创公司的领导团队。 拉兹帮助DataRobot从10名员工增长到850名员工，仅用了六年多一点的时间。 他开创了一种服务主导的市场策略，这成为DataRobot快速增长的标志。

FeatureByte 的使命是通过大幅简化和工业化人工智能数据来扩大企业人工智能。 FeatureByte 的特征工程和管理（FEM）平台使数据科学家能够在几分钟内创建和共享最先进的特征和生产就绪的数据管道，而不是几周或几个月。

最初是什么吸引你学习计算机科学和机器学习？

作为一名高中开始编码的人，我被一台可以通过代码“交谈”和控制的机器所吸引。 我立即被新应用的无限可能性所吸引。 机器学习代表了一种编程范式的转变，允许机器在没有指定代码步骤的情况下学习和执行任务。 机器学习应用的无限潜力每天都让我感到兴奋。

您是DataRobot的第一位商业招聘人员，DataRobot是一款自动机器学习平台，能够使组织成为人工智能驱动的。 然后，您帮助公司从10名员工增长到1000名员工，仅用了六年多一点的时间。 您从这段经历中得到了什么关键的收获？

从零到一很难，但非常令人兴奋和满足。 公司的每个发展阶段都带来了不同的挑战，但看到公司的成长和成功是一种令人惊奇的感觉。

我的自动机器学习经验让我认识到了人工智能的无限潜力。看到这项技术如何在这么多不同的行业和应用中使用，真是令人着迷。归根结底，创造一个新类别是一项罕见的壮举，但也是一项非常有价值的壮举。我的经验中的一些关键收获：

• 建立一个惊人的产品，避免追逐潮流
• 不要害怕成为一个异类
• 专注于解决客户的问题和提供价值
• 始终对创新和尝试新事物保持开放的心态
• 从一开始就创建和培养正确的公司文化

您能否分享FeatureByte背后的创立故事？

人工智能/机器学习世界中一个众所周知的事实是 – 伟大的人工智能始于伟大的数据。 但是，准备、部署和管理人工智能数据（或特征）是复杂且耗时的。 我的联合创始人Xavier Conort和我在DataRobot亲身经历了这个问题。 虽然建模已经通过自动机器学习工具得到了极大的简化，但特征工程和管理仍然是一个巨大的挑战。 基于我们共同的经验和专业知识，Xavier和我觉得我们可以真正帮助组织解决这个挑战并实现人工智能无处不在的承诺。

特征工程是FeatureByte的核心，您能为我们的读者解释一下这是什么吗？

最终，数据的质量决定了人工智能模型的质量和性能。 输入模型以训练和预测未来结果的数据称为特征。 特征代表实体和事件的信息，例如消费者的人口统计或心理特征数据，或者信用卡交易时卡持有者和商家之间的距离，或者商店购买的不同类别的物品数量。

将原始数据转换为特征以训练机器学习模型和预测未来结果的过程称为特征工程。

为什么特征工程是机器学习项目中最复杂的方面之一？

特征工程非常重要，因为该过程直接负责机器学习模型的性能。 良好的特征工程需要三个相对独立的技能：领域知识、数据科学和数据工程。 领域知识帮助数据科学家确定要从数据中提取哪些信号来解决特定的问题或用例。 您需要数据科学技能来提取这些信号。 最后，数据工程帮助您部署管道并在大型数据量上执行所有这些操作。

您能否分享一些关于为什么特征工程是扩大人工智能的最弱环节的见解？

根据人工智能领域知名专家Andrew Ng的说法，“应用机器学习基本上就是特征工程。” 尽管其对机器学习生命周期的重要性，特征工程仍然复杂、耗时，并且依赖于专家知识。 缺乏简化该过程的工具，企业难以以规模部署人工智能。

您能否分享一些关于构建数据驱动的人工智能解决方案的挑战，这些解决方案可以大幅简化数据科学家的人工智能特征工程？

构建一个比现状有10倍优势的产品非常困难。 幸运的是，Xavier拥有深厚的数据科学专业知识，他正在利用这些知识从头开始重新思考整个特征工作流程。 我们拥有一个由全栈数据科学家和工程师组成的世界级团队，他们可以将我们的愿景变为现实。 并且，我们有用户和开发合作伙伴来为我们提供如何简化用户体验以最佳解决他们的挑战的建议。

FeatureByte平台将如何加速机器学习应用的数据准备？

机器学习的数据准备是一个需要快速实验的迭代过程。 FeatureByte的开源SDK是一个用于创建最先进的特征和部署数据管道的声明式框架，只需几行代码即可完成，而不是几周或几个月。 这使数据科学家能够专注于创造性问题解决和快速迭代实时数据，而不是担心管道。

您能否讨论FeatureByte平台将如何提供简化各种持续管理任务的能力？

FeatureByte平台旨在管理机器学习特征的整个生命周期。 声明式框架允许FeatureByte自动部署数据管道，同时提取管理整个环境所需的元数据。 用户可以从同一个GUI监视管道的健康状况和成本，并管理特征的血统、版本和正确性。 企业级的基于角色的访问和审批工作流确保数据隐私和安全，同时避免特征扩散。

您还想分享关于FeatureByte的其他信息吗？

大多数企业人工智能工具都专注于改进机器学习模型。 我们的使命是通过简化和工业化人工智能数据来帮助企业扩大人工智能。 在FeatureByte，我们解决人工智能实践者面临的最大挑战：提供一种一致、可扩展的方法来准备、提供和管理整个模型生命周期中的数据，同时大幅简化整个过程。

如果您是一名对数据科学或工程感兴趣的数据科学家或工程师，想要保持在数据科学的前沿，我鼓励您免费体验 FeatureByte 的力量。

感谢这次精彩的采访，希望读者能够通过访问 FeatureByte 来了解更多信息。