Alon Lev, medstifter og CEO af Qwak – Interviewserie

Alon Lev er medstifter og CEO af Qwak, en platform, der fjerner den tekniske friktion fra maskinlæring, samtidig med at den tillader hurtige iterationer, høj skala og tilpasset infrastruktur.

Hvornår blev du først interesseret i maskinlæring?

Min første betydelige erfaring med maskinlæring var tilbage, da jeg byggede BI-holdet i Payoneer for omkring syv år siden. Jeg indså, at det at blive en data-dreven organisation kræver meget specifikke processer og værktøjer. Maskinlæring, som i dag er en del af hver data-dreven virksomhedsstrategi, var på et tidligt stadium dengang.

Kan du diskutere din tidligere rol i Payoneer og hvordan den gjorde, at du kunne se, hvordan maskinlæring voksede i betydning?

I min rol i Payoneer som VP for data, var jeg ansvarlig for alle aspekter af data i virksomheden, fra analytics, BI, data-engineering og data-science. Det store øjeblik, jeg havde med data-science, var, da vi byggede det komplette kreditprodukt på maskinlæring. Det fungerede fantastisk fra begyndelsen, og på det tidspunkt indså jeg, at maskinlæring ikke kun kunne forbedre eksisterende forretningsområder, men også skabe nye forretningsområder og produkter.

Hvad var nogle af de udfordringer med maskinlæring, du oplevede?

Det er helt sikkert, at i produktionsdelen af ML, har dataejere og ingeniører allerede meget på deres tallerken – at styre en produktionsklar infrastruktur, der kan tillade os at produktivisere ML, var altid en enorm udfordring, der “dræbte” mange af vores projekter.

Hvordan fjerner Qwak-platformen den tekniske friktion fra maskinlæring?

Qwak handler om at tage grundarbejdet fra ML-ingeniørerne og give dem mulighed for at fokusere på at skabe forretningsværdi.

Ran Romano (medstifter og VP for R&D) havde præcis samme erfaring under sin tid som leder af MLops-afdelingen i Wix. I dag er hans hovedfokus på at tackle disse udfordringer via vores platform og gøre processen med at produktivisere ML-modeller hurtigere, mere effektiv og gnidningsfri. Vores mål er at gøre ML-ingeniørernes og data-science-teams liv lettere og mere betydningsfuldt, så fluente maskinlæringsleverancer kan blive en realitet for virksomheder i stedet for en ønskeseddel.

Hvorfor er dette en perfekt løsning for virksomheder, der ønsker mere maskinlæringsgennemstrømning, men har en mangel på data-science og maskinlæringsingeniører?

Vi hævder ikke, at vi forstår jeres forretning eller jeres data, men vi har en masse erfaring, når det kommer til infrastruktur; vores mission er klar; vi vil hjælpe fremragende data-science- og maskinlæringsingeniørteams med at bygge fantastiske produkter. Vi blander os ikke i modellogik, men fokuserer på, hvad vi er bedst til, nemlig infrastruktur.

Hvad adskiller Qwak i øjeblikket fra andre maskinlæringsløsninger?

Vi handler om at hjælpe stærke teams med at aflede grundarbejdet og strømlinje hele processen med at produktivisere ML, Qwak leverer og tror på en horisontal tilgang til at løse MLOps-udfordringer – det betyder, at vi ikke kun byggede platformen omkring modelregister/serving eller feature-butik og automatisering, men vi mener, at du behøver dem alle på ét sted for at skala op din ML-infrastruktur.

Kan du diskutere, hvordan Qwak understøtter sporing af maskinlæringsmodellernes feedback og hvorfor det er vigtigt?

Feedback-sporing er en af de første ting, vi har bygget i Qwak, da vi ser det som en samlet del af produktionslivscyklussen. Qwak eksponerer en feedback-API, der giver mulighed for at automatisere feedback-rapporteringen.

Er der noget andet, du gerne vil dele om Qwak?

Vi har et fantastisk team af erfarne ingeniører og ledere i rummet. Med en stor erfaring fra “skyttegravene” i maskinlæringsingeniørarbejde ved vi, hvad der skal gøres, og vi er lige begyndt 🙂

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Qwak.