Alon Lev, Co-Founder & CEO of Qwak – Interview Serie

Alon Lev er Co-Founder & CEO of 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 maskinlæringsoplevelse 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 data-aspekter af virksomheden, fra analytics, BI, data-engineering og datavidenskab. Det wow-øjeblik, jeg havde med datavidenskab, var, da vi byggede det hele kreditprodukt på maskinlæring. Det fungerede fantastisk fra begyndelsen; 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 maskinlæringsudfordringer, du oplevede?

Bestemt, i produktionsdelen af ML, har dataejere og ingeniører allerede meget på deres tallerken – at styre en produktionsklar infrastruktur, der kan tillade os at produktisere ML, var altid en kæmpe 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 oplevelse 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 produktisere ML-modeller hurtigere, mere effektiv og gnidningsfri. Vores mål er at gøre ML-ingeniørernes og datavidenskabernes liv lettere og mere betydningsfuldt, så fluente maskinlæringsleverancer bliver en realitet for virksomheder i stedet for en ønske liste.

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

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

Hvad adskiller i øjeblikket Qwak fra konkurrerende maskinlæringsløsninger?

Vi handler om at hjælpe stærke hold med at aflede grundarbejdet og strømline hele processen med ML-produktisering, Qwak leverer og tror på en horisontal tilgang til at løse MLOps-udfordringer – det betyder, vi byggede ikke platformen kun omkring modelregister/serving eller feature store og automation, vi mener, du har brug for dem alle på ét sted for at skala op din ML-infrastruktur.

Kan du diskutere, hvordan Qwak understøtter maskinlæringsmodellernes feedback-sporing og hvorfor dette 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-rapporteringsprocessen.

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

Vi har et fantastisk hold af erfarne ingeniører og ledere i rummet. Med omfattende erfaring i “skyttegravene” for maskinlæring, 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.