ليران هاسون، المؤسس المشارك والرئيس التنفيذي لأبوريا – سلسلة المقابلات

ليران هاسون هو المؤسس المشارك والرئيس التنفيذي لأبوريا، منصة مراقبة كاملة للتعلم الآلي تستخدمها شركات فورتشن 500 وفرق العلوم البيانية في جميع أنحاء العالم لضمان RESPONSIBLE AI. تتمتع أبوريا بالتكامل السلس مع أي بنية تحتية للتعلم الآلي. سواء كان ذلك خادم FastAPI على كوبيرنيتس، أو أداة نشر مفتوحة المصدر مثل MLFlow أو منصة تعلم الآلة مثل AWS Sagemaker

قبل تأسيس أبوريا، كان ليران مهندسًا معماريًا للتعلم الآلي في Adallom (التي تم الاستحواذ عليها من قبل Microsoft (MSFT ))، ثم مستثمرًا في Vertex Ventures.

بدأت بكتابة البرامج عندما كنت في العاشرة، ماذا جذبك في البداية إلى الحواسيب، وما كنت تعمل عليه؟

كان ذلك في عام 1999، وطالبني أحد أصدقائي بالاتصال به وقال إنه بنى موقعًا إلكترونيًا. بعد كتابة عنوان طويل يحتوي على 200 حرف في متصفحي، رأيت موقعًا إلكترونيًا باسمه. كنت مذهلاً من حقيقة أنه.created شيئًا على جهازه الخاص ويمكنني رؤيته على جهازي الخاص. جعلني هذا فضولياً للغاية حول كيفية عمل ذلك وكيف يمكنني القيام بنفس الشيء. سألت أمي أن تشتري لي كتابًا عن HTML، وهو خطوتي الأولى في البرمجة.

أجد متعة كبيرة في مواجهة التحديات التكنولوجية، و随ما مر الوقت، نمت فضوليته فقط. تعلمت ASP و PHP و Visual Basic، وبالفعل استهلكت كل ما يمكنني.

عندما كنت في الثالثة عشرة، كنت أتعامل بالفعل مع بعض الوظائف الحرة، وبناء مواقع إلكترونية وتطبيقات سطح المكتب.

عندما لم يكن لدي أي عمل نشط، كنت أعمل على مشاريعي الخاصة – عادةً مواقع إلكترونية وتطبيقات تهدف إلى مساعدة الآخرين في تحقيق أهدافهم:

البرمجة الزرقاء والبيضاء – لغة برمجة عبر الإنترنت، مشابهة ل HTML، التي بنيتها بعد أن أدركت أن الأطفال في إسرائيل الذين لا يمتلكون مستوى عالٍ من الإنجليزية يتم حظرهم أو دفعهم بعيدًا عن عالم البرمجة.

الوميض – جداي الصم ويتحدثون لغة الإشارة للتواصل مع أصدقائهم. عندما ظهرت برامج الاتصال المرئي مثل Skype و ooVoo، أتاحت لهم لأول مرة التحدث مع الأصدقاء حتى لو لم يكونوا في نفس الغرفة (مثل ما نفعله جميعًا مع هواتفنا). ومع ذلك،既然 لا يستطيعون سماعها، لم يكونوا يعرفون متى لديهم مكالمة قادمة. لمساعدتهم، كتبت برنامجًا يعرف المكالمات القادمة ويحذرهم bằng التبليغ بلمبة في جهاز صغير بنيته ووصلته بجهاز الكمبيوتر.

هذه هي بعض المشاريع التي بنيتها عندما كنت مراهقًا. لم تتوقف فضوليته أبدًا، ووجدت نفسي أتعلم C و C++ و Assembly، وكيف تعمل أنظمة التشغيل، وحاولت تعلم كل ما يمكنني.

يمكنك مشاركة قصة رحلتك كمهندس معماري للتعلم الآلي في Adallom التي تم الاستحواذ عليها من قبل Microsoft؟

بدأت رحلتي في Adallom بعد خدمتي العسكرية. بعد 5 سنوات في الجيش كقائد، رأيت فرصة رائعة للانضمام إلى شركة ناشئة وسوق – كأحد أوائل الموظفين. كانت الشركة بقيادة مؤسسين رائعين، عرفتهم من خدمتي العسكرية، ومدعومة من قبل مستثمرين من الدرجة الأولى – مثل Sequoia. كانت انفجار التكنولوجيا السحابية في السوق لا يزال في مرحلة الطفولة، وكنا نبني واحدة من أولى حلول أمان السحابة. كانت الشركات الكبيرة تنتقل من على الموقع إلى السحابة، ورأينا معايير صناعة جديدة تظهر – مثل Office 365 و Dropbox (DBX ) و Marketo و Salesforce وغيرها.

خلال أسابيع قليلة، عرفت بالفعل أنني أريد أن أبدأ شركة خاصة بي. شعرت حقًا، من منظور تقني، أنني أستطيع مواجهة أي تحد يُطرح أمامي، وإذا لم أكن أنا، فقد عرفت الأشخاص المناسبين لمساعدتي في التغلب على أي شيء.

كانت Adallom تحتاج إلى شخص لديه معرفة عميقة بالتكنولوجيا ولكنه يمكن أيضًا أن يكون على اتصال مع العملاء. بعد شهر، وكنت على متن طائرة إلى الولايات المتحدة، لأول مرة في حياتي، لأجتمع مع أشخاص من LinkedIn (قبل Microsoft). بعد بضعة أسابيع، أصبحوا أول عميل مدفوع لنا في الولايات المتحدة. كان هذا واحدًا من العديد من الشركات الكبيرة – Netflix و Disney و Safeway – التي كنت أساعد في حل مشاكل حيوية لهم. كان ذلك تعليميًا للغاية وبانيًا للثقة.

对于 меня، الانضمام إلى Adallom كان حقًا حول الانضمام إلى مكان أؤمن به السوق، أؤمن بالفريق، وأؤمن بالرؤية. أنا ممتن للغاية للفرصة التي تمت لي هناك.

الغرض من ما أفعل هو مهم للغاية. بالنسبة لي، كان الأمر نفسه في الجيش، كان دائمًا مهمًا. يمكنني رؤية بوضوح كيف كان نهج Adallom في الاتصال بحلول السحابة، ثم مراقبة نشاط المستخدمين والموارد، العثور على الشوائب، وما إلى ذلك، هو كيف سيتم القيام بذلك. أدركت أن هذا سيكون نهج المستقبل. لذلك، رأيت Adallom كمؤسسة ستكون ناجحة.

كنت مسؤولاً عن بنية تحتية كاملة لبيئة التعلم الآلي. ورأيت وخبرت شخصيًا نقص الأدوات المناسبة للبيئة. نعم، كان واضحًا لي أن هناك حاجة إلى حل مخصص في مكان مركزي حيث يمكنك رؤية جميع نماذجك؛ حيث يمكنك رؤية القرارات التي يتخذها لأعمالك؛ حيث يمكنك تتبع وأخذ إجراءات وقائية مع أهداف التعلم الآلي. على سبيل المثال، كنا لدينا أوقات تعلمنا عن مشاكل في نماذج التعلم الآلي لنا متأخرة للغاية، وهذا ليس جيدًا للمستخدمين وبالتأكيد ليس للأعمال. هذا هو حيث بدأت فكرة أبوريا في التبلور.

يمكنك مشاركة قصة نشأة أبوريا؟

تجربتي الشخصية مع التعلم الآلي تبدأ في عام 2008، كجزء من مشروع تعاوني في معهد وايزمان، إلى جانب جامعة باث ومركز أبحاث صيني. هناك، بنيت نظامًا لتحديد الهوية البيومترية عن طريق تحليل صور العين. ساعدت على تحقيق دقة 94٪. كان المشروع ناجحًا وapplauded من منظور بحثي. ولكن بالنسبة لي، كنت أ建س برامجًا منذ كنت في العاشرة، وشيء ما بدا بطريقة ما غير حقيقي. لا يمكنك حقًا استخدام نظام التحديد البيومتري الذي بنيته في الحياة الواقعية لأنها تعمل جيدًا فقط للبيانات المحددة التي استخدمتها. ليس حتميًا بدرجة كافية.

هذه هي بعض الخلفية. عندما تبني نظام التعلم الآلي، على سبيل المثال، للتحديد البيومتري، تريد التنبؤات أن تكون حتمية – تريد أن تعرف أن النظام يحدد بدقة شخصًا معينًا، صحيح؟ مثل كيف لا يفتح هاتفك إذا لم يعرف الشخص الصحيح في الزاوية الصحيحة، هذا هو النتيجة المرغوبة. ولكن هذا لم يكن الحال مع التعلم الآلي في ذلك الوقت، عندما دخلت هذا المجال لأول مرة.

بعد سبع سنوات، كنت أختبر شخصيًا، في Adallom، واقع تشغيل نماذج الإنتاج بدون حواجز موثوقة، حيث يتخذون قرارات لأعمالنا تؤثر على عملائنا. بعد ذلك، كنت محظوظًا بدرجة كافية للعمل كمستثمر في Vertex Ventures، لمدة ثلاث سنوات. رأيت كيف تستخدم المزيد والمزيد من المنظمات التعلم الآلي، وكيف انتقلت الشركات من مجرد الحديث عن التعلم الآلي إلى القيام به بالفعل. ومع ذلك، واجهت هذه الشركات نفس المشاكل التي واجهناها في Adallom.

جميعهم هرعوا لاستخدام التعلم الآلي، وحاولوا بناء أنظمة مراقبة داخلية.明显، لم يكن هذا نشاطهم الأساسي، وكانت هذه التحديات معقدة للغاية. هنا أدركت أيضًا أن هذه هي فرصتي لتحقيق تأثير كبير.

يتم تبني الذكاء الاصطناعي عبر几乎 كل الصناعات، بما في ذلك الرعاية الصحية والخدمات المالية والسيارات وغيرها، وسوف يؤثر على حياة الجميع. هذا هو حيث تظهر أبوريا قيمتها الحقيقية – تمكين جميع هذه الحالات التي تغير الحياة من العمل كما هو موصوف، ومساعدة تحسين مجتمعنا. لأن، مثل أي برنامج، سيكون هناك أخطاء، والتعلم الآلي ليس مختلفًا. إذا تم إهمالها، يمكن أن تؤثر مشاكل التعلم الآلي هذه على استمرارية الأعمال وتؤثر على النتائج غير المقصودة للمجتمع. خذ محاولة Amazon (AMZN ) لتنفيذ أداة توظيف ذكية – تسبب الانحياز غير المقصود في نموذج التعلم الآلي في التوصية بشدة بالمرشحين الذكور أكثر من الإناث. هذا نتيجة غير مرغوب فيها. لذلك، هناك حاجة إلى حل مخصص للكشف عن الانحياز غير المقصود قبل أن يصل إلى الأخبار ويؤثر على المستخدمين النهائيين.

من أجل أن تثق المنظمات بشكل صحيح في التعلم الآلي وتستفيد من فوائده،她们 تحتاج إلى معرفة متى لا يعمل بشكل صحيح، والآن مع اللوائح الجديدة، غالبًا ما سيتطلب مستخدمو التعلم الآلي طرقًا لشرح تنبؤات نماذجهم. في النهاية، من الحاسم البحث والتنمية من نماذج جديدة ومشاريع مبتكرة، ولكن عندما تصل هذه النماذج إلى العالم الحقيقي وتتخذ قرارات حقيقية للأشخاص والأعمال والمجتمع، هناك حاجة واضحة إلى حل شامل للمراقبة لضمان أنهم يمكنهم الوثوق بالذكاء الاصطناعي.

يمكنك شرح أهمية الذكاء الاصطناعي الشفاف والمفسر؟

في حين قد يبدو متشابهًا، هناك تمييز مهم يجب إجراؤه بين البرامج التقليدية والتعلم الآلي. في البرامج، لديك مهندس برمجيات يكتب رمزًا، يعرف منطق التطبيق، نعرف بالضبط ما سيحدث في كل تدفق من الرمز. إنه حتمي. هذا هو كيف يتم بناء البرامج عادة، يخلق المهندسون casos اختبار، اختبار casos حافة، الحصول على تغطية 70٪ – 80٪ – تشعر بالرضا عن إطلاق الإنتاج. إذا ظهرت أي تنبيهات، يمكنك بسهولة تصحيح الخطأ و理解 ما حدث بشكل خاطئ، وإصلاحه.

هذا ليس الحال مع التعلم الآلي. بدلاً من أن يكون هناك إنسان يحدد المنطق، يتم تحديده كجزء من عملية تدريب النموذج. عندما نتحدث عن المنطق، على عكس البرامج التقليدية، إنه ليس مجموعة من القواعد، ولكن مصفوفة من ملايين ومليارات الأرقام التي تمثل عقل، دماغ نموذج التعلم الآلي. وهذا صندوق أسود، لا نعرف بالفعل معنى كل رقم في هذه المصفوفة. ولكننا نعرف إحصائيًا، وهذا هو الاحتمالي، وليس الحتمي. يمكن أن يكون دقيقًا في 83٪ أو 93٪ من الوقت. هذا يثير الكثير من الأسئلة، صحيح؟ أولاً، كيف يمكننا الوثوق بنظام لا نستطيع تفسير كيفية وصوله إلى تنبؤاته؟ ثانيًا، كيف يمكننا تفسير التنبؤات لصناعات خاضعة للتنظيم بشكل كبير – مثل القطاع المالي. على سبيل المثال، في الولايات المتحدة، يتعين على الشركات المالية قانونًا تفسير لأصحابها لماذا تم رفضهم لطلب قرض.

عدم القدرة على تفسير تنبؤات التعلم الآلي في نص قراءة بشري يمكن أن يكون عائقًا كبيرًا لاعتماد التعلم الآلي على نطاق واسع عبر الصناعات. نريد أن نعرف، كمجتمع، أن النموذج لا يتخذ قرارات متحيزة. نريد أن نتأكد من أننا نفهم ما يؤدي إلى قرار معين. هذا هو حيث يكون تفسيرية وشفافية أمرين крайيين.

كيف تعمل أداة صندوق أدوات الذكاء الاصطناعي الشفاف والمفسر لأبوريا؟

تعمل أداة صندوق أدوات الذكاء الاصطناعي الشفاف لأبوريا كجزء من نظام مراقبة التعلم الآلي الموحد. بدون رؤية عميقة لنماذج الإنتاج وحل مراقبة موثوق وحل تنبيه، من الصعب الوثوق بنتائج الذكاء الاصطناعي الشفاف – لا يوجد حاجة لتفسير التنبؤات إذا كانت النتيجة غير موثوقة. وهنا تأتي أبوريا، وتوفر إطارًا واحدًا للرؤية على جميع النماذج التي تعمل، ومراقبة قابلة للتعديل، وقدرات التنبيه، وأدوات تصحيح، وتنقيح الجذور، وتفسير الذكاء الاصطناعي. حل مراقبة مخصص لجميع المشاكل التي تطرأ في الإنتاج.

منصة أبوريا محايدة وتجهز الشركات التي تركز على الذكاء الاصطناعي، وفرق العلوم البيانية، وفرق التعلم الآلي، مع لوحة مركزية و رؤية كاملة لصحة نماذجهم، وتنبؤاتهم، و قراراتهم – تمكينهم من الوثوق بذكاءهم الاصطناعي. من خلال استخدام تفسير الذكاء الاصطناعي لأبوريا، يمكن للشركات إبقاء جميع أصحاب المصلحة ذوي الصلة على علم بتوضيح قرارات التعلم الآلي بنقرة زر – الحصول على رؤى قابلة للقراءة البشرية لتنبؤات نموذج معين أو محاكاة “ماذا لو” الحالات. بالإضافة إلى ذلك، تتبع أبوريا باستمرار البيانات التي يتم إطعامها إلى النموذج وكذلك التنبؤات، وترسل إليك تنبيهات عند حدوث أحداث مهمة، بما في ذلك تدهور الأداء، والانحياز غير المقصود، ودرift البيانات، وحتى الفرص لتحسين نموذجك. أخيرًا، مع صندوق تحقيق أبوريا، يمكنك الوصول إلى جذور أي حدث لتصحيح وتحسين أي نموذج في الإنتاج.

بعض الوظائف التي يتم تقديمها تشمل أدوات تحقيق البيانات ونقاط الزمن، كيف تساعد هذه الأدوات في منع انحياز الذكاء الاصطناعي والانجراف؟

توفير البيانات نظرة حية للبيانات التي يحصل عليها النموذج والتنبؤات التي يصنعها للأعمال. يمكنك الحصول على تغذية حية من ذلك وفهم بالضبط ما يحدث في أعمالك. هذه القدرة على الرؤية حاسمة للشفافية. وأحيانًا تتغير الأشياء مع مرور الوقت وهناك علاقة بين التغييرات المتعددة مع مرور الوقت – هذا هو دور تحقيق السلسلة الزمنية.

最近، فشلت أدوات التنبؤ بالذكاء الاصطناعي لجميع البائعين الكبار عند التنبؤ بمشاكل السلسلة الإمدادية، كيف ستحل منصة أبوريا هذه المشكلة؟

التحدي الرئيسي في تحديد هذه الأنواع من المشاكل هو الجذور في حقيقة أننا نتحدث عن تنبؤات للمستقبل. وهذا يعني أننا تنبأ بشيء سيحدث أو لن يحدث في المستقبل. على سبيل المثال، كم عدد الأشخاص الذين سيشترون قميصًا معينًا أو سيشترون جهاز PlayStation جديد.

ثم يأخذ الأمر بعض الوقت لجمع جميع النتائج الفعلية – أكثر من بضعة أسابيع. ثم، يمكننا تلخيص و قول، حسنًا، هذا هو الطلب الفعلي الذي رأيناه. هذا الإطار الزمني، نتحدث عن بضعة أشهر معًا. هذا ما يأخذنا من لحظة نموذج التنبؤ حتى يعرف العمل بالضبط إذا كان صحيحًا أو خاطئًا. وفي ذلك الوقت، عادةً ما يكون متأخرًا، فقد خسرت الأعمال إيرادات محتملة أو تم ضغط الهامش لأنهم يجب أن يبيعوا المخزون الزائد بخصومات كبيرة.

هذا هو التحدي. وهنا تأتي أبوريا إلى الصورة وتكون مفيدة جدًا لهذه المنظمات. أولاً، تسمح للمنظمات بسهولة الحصول على الشفافية والرؤية في القرارات التي يتم اتخاذها – هل هناك أي تقلبات؟ هل هناك شيء لا يعقل؟ ثانيًا، كما نتحدث عن بائعين كبيرين، نتحدث عن كميات هائلة من المخزون، ومراقبته يدوياً أمر مستحيل تقريبًا. هنا يتم تقدير أبوريا من قبل الشركات وأفرق التعلم الآلي على أنها نظام مراقبة تلقائي ويمكن تعديله على مدار 24/7. تتبع أبوريا باستمرار البيانات والتنبؤات، وتحلل السلوك الإحصائي لهذه التنبؤات، ويمكنها توقع وتحديد التغييرات في سلوك المستهلكين والتغييرات في سلوك البيانات بمجرد حدوثها. بدلاً من انتظار ستة أشهر للاستنتاج بأن التنبؤ بالطلب كان خاطئًا، يمكنك في غضون بضعة أيام تحديد أننا على الطريق الخطأ مع توقعات الطلب. ي缩ر أبوريا هذا الإطار الزمني من بضعة أشهر إلى بضعة أيام. هذا هو تغيير كبير للغاية لأي ممارس للتعلم الآلي.

هل هناك أي شيء آخر تريد مشاركته حول أبوريا؟

نحن ننمو باستمرار ونبحث عن أشخاص رائعين بأفكار براقة للانضمام إلى رحلة أبوريا. يمكنك زيارة وظائفنا المفتوحة.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا أبوريا.