Nir Bar-Lev, CEO & Co-Founder of Allegro AI – Interview Serie

Nir Bar-Lev er CEO & Co-Founder of Allegro AI. Allegro AI specialiserer sig i at hjælpe virksomheder med at udvikle, implementere og administrere maskin- og dyb læringsløsninger. Med Allegro AI kan organisationer bringe produkter af højere kvalitet til markedet og administrere dem hurtigere og mere omkostningseffektivt. Produktet er baseret på Allegro Trains åbne kilde ML & DL eksperiment manager 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 cutting edge tech-innovation til at løse problemer eller udnytte muligheder (og faktisk er de to sider af samme mønt). Jeg må indrømme, at min tid hos Google har bestemt bidraget til at forme denne inclination.

AI tiltrækker mig bestemt på begge måder. Det er på cutting edge af nogle af teknologiens frontiers i dag, og det har potentialet til at påvirke næsten alle aspekter af vores liv på denne planet.

Du har haft en imponerende karriere, der startede hos Google som grundlæggende produktleder for Googles talegenkendelsesplatform. Kan du diskutere disse tidlige dage med at arbejde hos Google og hvad du lærte af denne oplevelse?

Da jeg kom direkte fra business school fra Wharton School of Business, var jeg slået af, hvorledes Google fungerede på ekstreme odds med etablerede forretningsnormer for, hvordan man kører succesfulde forretninger, som undervises på verdens bedste business schools og som jeg havde oplevet i min karriere før business school. Jeg husker tydeligt, at jeg diskuterede dette med en couple of mine kollegaer, der også var kommet til Google på samme tid direkte fra en MBA.

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

For mig var det også at lede talegenkendelsesplatformen som produktleder en stor udfordring. Jeg måtte arbejde med forskningsvidenskabsmænd. Dette var faktisk en af de første, hvis ikke den første, forskningsteam hos Google, der virkelig handlede om anvendt forskning. For mig var dette en stor udfordring. Forskere har meget forskellige mindsets end ingeniører, og her var jeg ved at arbejde med anerkendte 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 assimilere AI data videnskabsmænd i deres organisationer.

I 2016 gik du videre til at blive co-founder af Allegro AI? Hvad var din inspiration bag lanceringen af Allegro AI?

Ved at grundlægge Allegro AI, samarbejdede jeg med to fantastiske partnere, der er ud af denne verden ingeniør-talenter. En af mine partnere var den første PhD-student i en af Israels første og nu førende AI-laboratorier i, hvad der kan siges at være en af de førende AI-hubs globalt. Så han havde virkelig – for mig – været en del af grundlæggelsesholdet af anvendt AI i det lokale samfund. Han havde visionen om, hvordan man kunne anvende ML / DL i praksis ville have at tackle en ny sæt udfordringer omkring skala, automation, pålidelighed, kvalitet og mere. I samtalen 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 tech-giganter er i en misundelsesværdig position i forhold til deres evne til at tiltrække uendelige ressourcer af den bedste kvalitet til disse udfordringer. Men stort set alle andre kan ikke tillade sig det (enten i forhold til adgang til talent, monetære ressourcer, virksomhedsfokus osv.). Så dette var en mulighed for at tilpasse nøjagtig, hvad jeg elsker at gøre mest (se spørgsmål 1) og hjælpe hele økosystemet.

Allegro AI fungerer som en åben kilde maskinlæring & dyb læring management platform. Kan du diskutere fordelene ved at bruge åben kilde software?

Åben kilde har flere fordele. Mest vigtigt er, at det udnytter den bredere samfund til at forbedre produktet selv. Brugere finder fejl, problemer, der er en bred diskurs 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 lukket kilde proprietære værktøjer; osv.

Det giver en god model for en win-win for både samfundet og virksomheden bag det. Det låner sig let til at prøve og teste og endda udvide for organisationer, der ikke / vil ikke betale, og på samme tid ermögiller 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 den type værktøjer, der tilbydes til dette?

Allegro Ai tilbyder både struktureret data- og ustruktureret datastyring. Men hvor der er en række beviselige 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-vinkel. For AI er det kritisk for data videnskabs holdet at forstå, hvilken data de har til rådighed. Med ustruktureret data er det ret svært. Forestil dig tusinder eller hundredtusinder af timer med video eller audio. Forestil dig milliarder af sensor-signaler osv.

Data videnskabsmænd skal vide variationen af deres data for at tilpasse sig de forskellige situationer, så de kan effektivt træne deres modeller. De skal vide, om der er kritiske dele af data, der mangler; om der er forvrængninger eller skævheder i data.

Og så – på den anden side – skal de have værktøjer til at tackle disse situationer omkostningseffektivt og hurtigt uden at skulle ud og søge nye fysiske data og annotere / mærke det (en meget kostbar og tidskrævende opgave).

Dette er i virkeligheden 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 granularitet og detalje og på den anden side værktøjer til at tæt integrere data i eksperimenter og modeller, så data videnskabsmænd kan sætte effektive træningsløb op med data til rådighed med nul kode.

På toppen af det tilbyder vi yderligere værdi i form af optimering af dataflow, dataflytning osv. Da vi taler om at behandle terabytes 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 tilgængelige?

Allegro Ai er primært en produktvirksomhed, og vi ser os selv som tilbydere af værktøjer, infrastruktur eller scaffolding for 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 sætte deres specifikke pipelines op bygget på toppen af vores værktøjer eller endda hjælp til at starte deres modeller selv. Når disse situationer opstår, tilbyder vi bifunktioner til vores kerne s/w-tilbud.

Kunne du diskutere vigtigheden af Fordelt Læring og hvordan Allegro AI kan bruges i denne kontekst?

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 Fordelt Læring” eller “blind samarbejdende læring”, 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 regulering eller IP / fortrolighed 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 regeringsinstitutioner, der ønsker at samarbejde om at bygge en anti-terrorisme-model, men af juridiske årsager ikke kan eksponere dataene, selv ikke for hinanden.

Eller endda 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 mindre end en håndfuld virksomheder verden over, der har en beprøvet og testet kommerciel platform, der faciliterer Fordelt 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, under 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.