Domino Data: Como ajudamos cientistas de dados a executar IA

Domino Data: Como ajudamos cientistas de dados a executar IA

Bem-vindo ao Guia do Campo de Início, onde aprendemos com fundadores de startups de sucesso, de startups unicórnio, como suas empresas realmente encontraram o encaixe do mercado de produtos. Sou sua anfitriã Sandhya Hegde e hoje estarei acompanhada pelo meu parceiro e co-apresentador Wei Lien Dang para mergulhar na história da Domino Data. Mas antes de mergulharmos, um lembrete rápido de que adoramos ouvir você. Portanto, se você tiver críticas para nós ou puder compartilhar feedback sobre como podemos melhorar, que outros convidados podemos convidar, o que estamos fazendo bem e que você gostaria que fizéssemos mais, compartilhe no Podcast plataforma de sua escolha. E nos mande uma mensagem se você nos deixar uma avaliação. Temos alguns brindes incríveis do podcast chegando que adoraríamos enviar para você. E com isso, vou entregar para Wei. Hoje vamos compartilhar a história da Domino Data Lab. A Domino Data Lab foi fundada em 2013 e foi uma das primeiras inovadoras da área conhecida como MLOps. Ela fornece uma plataforma unificada para empresas construírem, implantarem e gerenciarem cargas de trabalho de aprendizado de máquina e fornece acesso a ferramentas de dados, computação e modelos em qualquer ambiente. O Domino permite que equipes de ML e dados colaborem, garantam governança e reduzam custos em escala. Hoje, estou muito animado em dar as boas-vindas a Chris Yang, CTO e co-fundador da Domino Data. Antes de fundar a Domino, Chris trabalhou na Bridgewater, um dos maiores fundos de hedge do mundo, e ajudou a entregar sua plataforma de investimentos da próxima geração. Ele possui bacharelado em ciência da computação e mestrado no MIT e publicou vários artigos em visão computacional e bancos de dados distribuídos enquanto estava lá. Bem-vindo ao Guia do Campo, Chris. Ei, muito obrigado. Fico muito feliz em estar aqui. Estou realmente animado para mergulhar em sua jornada como fundador com a Domino Data Lab e, talvez, para começar, se você voltar a 2013, caramba, 10 anos e tanto mudaram, mas se você pudesse voltar e, adoro começar perguntando qual foi a visão fundadora que o motivou e seus co-fundadores a começarem a Domino? Qual foi a história de origem da empresa? - Sim, é uma ótima pergunta. E eu sei que a audiência dessa conversa serão outros fundadores. Então eu quis me concentrar nisso por um momento. Acho que há uma versão da história que contamos sobre a Domino, que é a versão do filme. Meus co-fundadores também estavam na Bridgewater. E acho que há uma versão do filme que nós três, enquanto fazíamos esse tipo de trabalho de análise de dados na Bridgewater, chegamos a alguma visão sobre como o mundo em geral poderia fazer ciência de dados colaborativa. E isso foi a origem da empresa... E esse certamente não é o que aconteceu. Na verdade, meus dois co-fundadores já tinham decidido que queriam, na época, eles tinham uma ideia para uma plataforma de recrutamento. E eu acabei ouvindo sobre isso e me intrometi nessa relação que os dois tinham e disse: "vocês precisam de alguém para escrever o código?" Eu tentei várias abordagens diferentes no que diz respeito a essa plataforma de recrutamento, mas houve na verdade um ano, se não 18 meses, em que estávamos trabalhando nisso e em algumas outras ideias muito não relacionadas. E foi na verdade essas outras ideias que não estavam indo bem. E lembro disso vividamente. Estávamos sentados na minha sala de estar no meu apartamento em São Francisco. E nós estávamos lá, os três de nós, pensando "isso não está funcionando. Essa coisa de plataforma de recrutamento não está funcionando." E então voltamos aos básicos. Pensamos no que realmente sabíamos. E qual era uma melhor maneira para nós descobrirmos o que poderia ser construído aqui. E essa parte, esses 18 meses vagando pelo deserto é algo que cortamos da história e eu só queria contar talvez para os outros fundadores, talvez para as pessoas que estão pensando em ser fundadores, pensando em fundar uma empresa, que tipo de, oh, se eu não tiver essa versão do filme glamoroso da história, eu não tenho uma chance. E eu só quero garantir que, absolutamente, muita alteração da história aconteça quando contamos essas histórias. E, então, o que acabamos fazendo foi fazer uma lista curta de coisas que sentíamos que realmente tínhamos uma compreensão profunda, não necessariamente que tínhamos uma ideia disruptiva. Era apenas, fizemos uma lista de, ok, com o que realmente sabemos muito? Porque na época, estávamos entrando em recrutamento como pessoas que não eram recrutadoras. Não tínhamos um background de pessoas ou recrutamento. A partir daí, percebemos que o que realmente sabíamos muito era Ciência de Dados Colaborativa de Alta Complexidade. A partir daí, então iniciamos, a partir de nossa rede basicamente, o que aconteceu ao longo de alguns meses, não aconteceu tudo de uma vez, mas no final das contas foram de 30 a 60 e como cem entrevistas frias de pessoas que estavam constexto fazendo coisas de dados na época. E realmente era assim, tipo, ei, quais são os seus maiores desafios? E depois de fazer várias delas, então os padrões começaram a surgir. E mesmo essa forma de contar essa história é um pouco glamorosa, mas está muito mais próxima da verdade. E então, o que surgiu disso foram basicamente um conjunto de desafios em torno da escalabilidade, escalando a magnitude da análise que você estava fazendo, combinada com pessoas que na época chamávamos de cientistas de dados, acho que ainda os chamamos, mas esse termo se dividiu em uma série de especialidades técnicas, uma lacuna, uma lacuna de habilidades em torno de como usar a nuvem. E então olhamos para isso e dissemos: "Oh, podemos construir algo para ajudar alguém a levar essa carga de trabalho de computação para a nuvem, onde ela pode escalar infinitamente, e depois enviar os resultados de volta". Esse foi o primeiro caso de uso muito, muito pequeno. E então acho que é isso, o que surgiu disso foi essencialmente um conjunto de desafios em torno da escalabilidade, da magnitude da análise que você estava fazendo, combinada com, naquela época, o que chamamos de cientistas de dados, acho que ainda os chamamos de cientistas de dados, mas, o termo em si se dividiu em uma série de especialidades pequenas, como uma lacuna técnica, uma lacuna de habilidades em torno de como usar a nuvem. E então olhamos para isso e dissemos: "Ah, podemos construir uma coisa que ajuda alguém a levar essa carga de trabalho de computação para a nuvem, onde ela pode escalar indefinidamente, e depois envia os resultados de volta". Esse foi o primeiro caso de uso e ponto de dor, e também o primeiro MVP, que foi como o primeiro pequeno trecho do que se expandiu ao longo do tempo para se tornar a plataforma completa.