Nir Bar-Lev, administrerende direktør og medstifter af Allegro AI – Intervjuerækken

Nir Bar-Lev er administrerende direktør og medstifter af Allegro AI. Allegro AI specialiserer sig i at hjælpe virksomheder med at udvikle, implementere og administrere maskin- og dyb læringssystemer. Med Allegro AI kan organisationer bringe højere kvalitetsprodukter på markedet og administrere dem hurtigere og mere omkostningseffektivt. Produktet er baseret på Allegro Trains åbne kilde ML- og DL-eksperimentmanager og ML-Ops-pakke.

Hvad var det, der oprindeligt tiltrak dig til AI?

Det, der har tiltrukket mig mest i min karriere, har været at bringe nyeste teknologi til at løse problemer eller udnytte muligheder (og de er faktisk to sider af samme mønt). Jeg må indrømme, at min tid hos Google (GOOGL ) har bestemt bidraget til denne tilbøjelighed.

AI er bestemt noget, der tilfredsstiller begge disse krav. Det er på forkanten af nogle af de teknologiske grænseområder i dag, og det har potentialet til at påvirke næsten alle aspekter af vores liv på denne planet.

Du havde en imponerende karriere, der startede hos Google som stifter af virksomhedens talegenkendelsesplatform. Kan du diskutere disse tidlige dage hos Google og hvad du lærte af denne oplevelse?

Da jeg kom direkte fra handelshøjskolen på Wharton School of Business, var jeg slået af, hvordan Google fungerede på en måde, der var stik modsat de etablerede forretningsnormer for, hvordan man driver en succesfuld forretning, som det blev lært på de bedste handelshøjskoler i verden og som jeg havde oplevet i min karriere før handelshøjskolen. Jeg husker tydeligt, at jeg diskuterede dette med en couple af mine kolleger, der også var kommet til Google på samme tid som jeg.

Det viser sig, at Google ændrede – i nogen grad – forretningsreglerne, men det nydtede også en enorm virtuel brand af penge fra sin annonceringsforretning, der tillod det at eksperimentere på måder, som de fleste virksomheder ikke kunne tillade sig at gøre. Jeg kan bekræfte, at da jeg tilbragte et årti hos Google, tilpassede det sig mere og mere “mainstream”-etablerede forretningspraktikker og tankeprocesser, da det voksede.

For mig var det også en stor udfordring at lede talegenkendelsesplatformen som produktchef. Jeg måtte arbejde med forskningsvidenskabsmænd. Dette var faktisk en af de første, hvis ikke den første, forskningsteams hos Google, der virkelig var om applied research. For mig var det en stor udfordring.

Forskere har en meget anden mindset end ingeniører, og her var jeg nødt til at arbejde med erfarne forskere i en virksomhed, der er ekstremt ingeniør-orienteret.

Det viser sig, at udfordringerne, jeg stod over for dengang for næsten 15 år siden, er meget ligende de problemer, virksomheder står over for i dag, når de prøver at integrere AI-datavidenskabsmænd i deres organisationer.

I 2016 gik du videre til at blive medstifter af Allegro AI? Hvad var din inspiration til at starte Allegro AI?

Ved at stifte Allegro AI, samarbejdede jeg med to fantastiske partnere, der er ud over dette verdensklasse ingeniør-talenter. En af mine partnere var den første ph.d.-studerende på et af Israels første og nu førende AI-laboratorier i, hvad der kan siges at være et af de førende AI-hub i verden. Så han var faktisk – for mig – en del af stifterholdet af applied AI i det lokale samfund. Han havde visionen til at se, hvordan man kunne anvende ML/DL i praksis, og hvordan det ville kræve en ny sæt udfordringer omkring skala, automatisering, pålidelighed, kvalitet og mere.

I samtaler med dem blev det klart for mig, at jeg kunne bidrage til holdet fra min erfaring hos Google og tidligere for virkelig at have en chance for at skabe en virksomhed, der kan have en enorm indvirkning på AI gennem de værktøjer, vi tilbyder. Google og nogle af de andre teknologigiganter er i en misundelsesværdig position i forhold til deres evne til at tiltrække uendelige ressourcer af højeste kvalitet til disse udfordringer.

Men næsten alle andre kan ikke tillade sig det (enten i forhold til adgang til talent, økonomiske ressourcer, virksomhedsfokus osv.). Så dette var en mulighed, der passede perfekt til, hvad jeg elsker at lave mest (se q1), og hjælpe hele økosystemet.

Allegro AI fungerer som en åben kilde maskinlærings- og dyb læringssystemplatform. Kan du diskutere fordelene ved at bruge åben kilde software?

Åben kilde har flere fordele. Mest vigtigt er, at det udnytter den brede fællesskab til at forbedre produktet selv. Brugere finder fejl, der er problemer, der er en bred diskussion om funktioner, der er af interesse; integration i andre [åben kilde]-værktøjer er meget lettere at facilitere end det ville være mellem to kommercielle organisationer med lukkede kilde-værktøjer; osv.

Det giver en god model for en gevinst for både fællesskabet og virksomheden bag det. Det låner sig let til at prøve og teste og endda udvide for organisationer, der ikke vil eller kan betale, og på samme tid giver det mulighed for større potentielle kunder at betale for udvidede funktioner/tjenester baseret på toppen af et bredt anvendt (og derfor mindre risikabelt) stykke software.

Allegro AI tilbyder datastyringstjenester. Kan du diskutere de typer af værktøjer, der tilbydes til dette?

Allegro Ai tilbyder både struktureret data- og ustruktureret datastyring. Men hvor der er en række bevisede strukturerede datastyringsløsninger, tilbyder vi en unik løsning til ustruktureret data.

Specifikt er det vigtigt at kvalificere den type datastyring, vi tilbyder. Idéen er ikke fysisk datastyring, men snarere datastyring fra et AI-perspektiv. For AI er det kritisk for datavidenskabs-holdet at forstå, hvilken data de har til rådighed.

Med ustruktureret data er det ret svært. Forestil dig tusinder eller hundredtusinder af timers video eller audio. Forestil dig milliarder af sensorsignaler osv.

Datavidenskabsmændene har brug for at vide variationen i deres data for at tilpasse sig de forskellige situationer, så de kan træne deres modeller effektivt. De har brug for at forstå, hvis der er kritiske dele af data, der mangler; hvis der er forvrængninger eller skævheder i data.

Og så – på den anden side – har de brug for værktøjer til at tackle disse situationer på en omkostningseffektiv måde og hurtigt uden at skulle gå ud og finde nye fysiske data og annotere/labelde dem (en meget kostbar og tidskrævende opgave).

Dette er i essensen den type værktøjer, vi tilbyder omkring dette område: kraftfulde værktøjer til at gøre “AI BI (business intelligence)” på din data på et hidtil uset niveau af detaljer og granularitet og på den anden side værktøjer til at tæt integrere data i eksperimenter og modeller, så datavidenskabsmænd kan sætte effektive træningsløb op med data til rådighed uden at skulle skrive kode.

Og oveni det tilbyder vi yderligere værdi i form af optimering af dataflow, dataflytning osv., da vi taler om at behandle terabyte af data. At flytte det rundt er dyrt, og virksomhederne har brug for en løsning til at optimere det.

Allegro AI tilbyder også outsourcing af dataingeniørtjenester. Hvad er nogle af de tilbud, der er til rådighed?

Allegro Ai er primært en produktvirksomhed, og vi ser os selv som leverandører af værktøjer, infrastruktur eller scaffold til virksomheder til at udvikle, implementere og administrere produkter med AI (DL/ML)-modeller integreret i dem.

Det sagde, dette er et nyt område, og vores kunder har af og til brug for hjælp til at opsætte deres specifikke pipelines bygget oven på vores værktøjer eller endda hjælp til at give deres modeller selv et kickstart. Når disse situationer opstår, tilbyder vi bifunktioner til vores kerne-værktøjsudbud.

Kan du diskutere betydningen af Fordelt Læring og hvordan Allegro AI kan anvendes i denne sammenhæng?

Fordelt læring er grundlæggende evnen til at træne en enkelt AI-model ved at udnytte (træne på) datasæt beliggende i forskellige fysiske placeringer uden at bringe disse datasæt til en enkelt placering. Vi tilbyder også en forbedret version af dette, som vi kalder “blind fordelagtig læring” eller “blind samarbejdslæring”, hvor ingen enkelt enhed i denne situation har adgang til data, der ikke tilhører den, herunder den enhed, der får den endelige model.

Fordelt læring er vigtig i forskellige situationer, hvor dataintegritet eller lovgivning eller IP/konfidentialitet er kritisk at bevare, samtidig med at der er interesse for at udnytte forskellige datasæt. F.eks. to eller flere hospitaler eller medicinske institutioner, der ønsker at samarbejde om at træne en model for CT-scans; eller to regeringsagenturer, der ønsker at samarbejde om hjemlandssikkerhedsdata for at bygge en anti-terror-model, men som af lovgivningsmæssige årsager ikke kan eksponere dataene, selv ikke for hinanden.

Eller selv situationer, hvor en enkelt enhed ikke kan flytte sine forskellige lagre af data, fordi det er forbudt dyrt – f.eks. en global bilproducent, der søger at træne selvstændige køretøjer ved at udnytte data indsamlet fra biler, der kører over hele verden.

Allegro AI er en af kun et par virksomheder i verden, der har en beprøvet og testet kommerciel platform, der faciliterer fordelagtig læring.

Er der noget andet, du gerne vil dele om Allegro AI?

Allegro AI er en stigende kraft i verden af AI-værktøjer og ML-Ops. Lige i dette kvartal, midt i den første bølge af covid-19-krisen, oplevede vi en vækst, der mere end fordoblede vores kundebase på kun 3 måneder.

Tak for interviewet, læsere, der ønsker at lære mere, skal besøge Allegro AI.