Omer Har, Medstifter og CTO, Explorium – Intervju-serie

Omer Har er en veteran inden for datavidenskab og softwareingeniør med næsten et årti af erfaring med opbygning af AI-modeller, der driver store virksomheder fremad.

Omer Har er medstifter og CTO i Explorium, et selskab, der tilbyder en unik datavidenskabsplatform, der er drevet af forstærket dataopdagelse og funktionsteknologi. Ved at automatisk tilkoble tusindvis af eksterne datakilder og udnytte maskinelæring til at destillere de mest betydningsfulde signaler, giver Explorium-platformen datavidenskabsfolk og forretningsledere mulighed for at træffe beslutninger ved at eliminere barriererne for at erhverve den rette data og muliggøre overlegen prædiktionsevne.

Hvornår opdagede du først, at du ville være involveret i datavidenskab?

Mit interesse for datavidenskab går tilbage over et årti, hvilket er omtrent så længe, jeg har praktiseret og ledet datavidenskabsteams. Jeg startede som softwareingeniør, men var altid tiltrukket af de komplekse data- og algoritme-udfordringer fra begyndelsen. Jeg var heldig at have lært faget på Microsoft (MSFT ) Research, som var et af de få steder på det tidspunkt, hvor man kunne arbejde med komplekse anvendte maskinelæringsudfordringer i stor målestok.

I 2017 co-foundede du Explorium, kan du diskutere inspirationen bag lanceringen af dette startup?

Explorium er baseret på et enkelt og meget kraftfuldt behov – der er så meget data omkring os, der potentielt kan hjælpe med at bygge bedre modeller, men der er ingen måde at vide på forhånd, hvilke datakilder, der vil være betydningsfulde, og hvordan. Den oprindelige idé kom fra Maor Shlomo, Exploriums medstifter og CEO, som havde erfaring med usædvanlig datavariation i sin militærtjeneste og forsøgte at udnytte det til beslutningstagning og modellering. Da de tre af os først kom sammen, var det med det samme klart for os, at denne erfaring genspejlede behovene, vi havde i forretningsverdenen, særligt i hurtigt voksende datavidenskabsdrevne områder som reklame- og marketingteknologi, hvor både jeg og Or Tamir (Exploriums medstifter og COO) havde ført vækst gennem data.

Før Explorium var det en arbejdskrævende, tidskrævende og dyrt proces at finde relevante datakilder, der virkelig havde en betydning – for at forbedre din maskinelæringsmodels nøjagtighed. Årsagen er, at du grundlæggende gætter, og bruger dine dyreste mennesker – datavidenskabsfolk – til at eksperimentere. Desuden er dataanskaffelse i sig selv en kompleks forretningsproces, og datavidenskabsteams har normalt ikke evnen til at engagere sig kommercielt med multiple dataleverandører.

Som en datavidenskabsleder, der blev målt på forretningsimpact genereret af modeller, havde jeg ikke luksus til at sende mit team på en vilde gåsejagt. Som resultat foretrækker du ofte at udvikle dine bestræbelser på ting, der kan have en langt lavere impact end en relevant ny datakilde, blot fordi de er meget mere inden for din kontroll.

Explorium har nyligt med succes samlet yderligere 31 millioner dollars i finansiering i en serie B-runde. Har du været overrasket over, hvor hurtigt dit selskab er vokset?

Det har bestemt været en raketraket tur indtil nu, og man kan aldrig tage det for givet. Jeg kan ikke sige, at jeg var overrasket over, hvor udbredt behovet for bedre data er, men det er altid en fantastisk oplevelse at se den impact, du genererer for kunder og deres forretning. Den største analytiske udfordring, organisationer vil stå overfor i de næste ti år, er at finde den rette data til at føde deres modeller og automatiserede processer. De rette dataaktiver kan krone nye markedsledere, så vores vækst afspejler den hurtigt voksende antal kunder, der realiserer det og gør data til en prioritet. Faktisk er antallet af “Data Hunters” – mennesker, der søger efter data som en del af deres daglige arbejde – voksende eksponentielt i vores erfaring.

Kan du forklare, hvad Exploriums dataplatform er, og hvad den automatiserede dataopdagelsesproces er?

Explorium tilbyder en komplet datavidenskabsplatform, der er drevet af forstærket dataopdagelse og funktionsteknologi. Vi er fokuseret på “data”-delen af datavidenskab – hvilket betyder, at vi automatisk tilkobler tusindvis af eksterne datakilder og udnytter maskinelæringsprocesser til at destillere de mest betydningsfulde signaler og funktioner. Dette er en kompleks og multi-stages proces, der starter med at tilkoble en mangfoldighed af kontekstually relevante kilder i, hvad vi kalder Exploriums datakatalog. Derefter automatiserer vi processen, der udforsker denne interne datavariation, ved at teste hundredvis af tusindvis af ideer for meningsfulde funktioner og signaler til at skabe den optimale funktionssæt, bygge modeller på toppen af det og servere dem til produktion på fleksible måder.

Ved at automatisere søgningen efter den data, du behøver, ikke kun den data, du har internt, gør Explorium-platformen det samme for datavidenskab, som søgemaskiner gjorde for webben – vi gennemsøger, rangerer og bringer dig den mest relevante data for den prædiktive spørgsmål, der er på hånden.

Dette giver datavidenskabsfolk og forretningsledere mulighed for at træffe beslutninger ved at eliminere barriererne for at erhverve den rette data og muliggøre overlegen prædiktionsevne.

Hvilke typer eksterne datakilder tilkobler Explorium?

Vi har adgang til tusindvis af kilder over stort set enhver datakategori, du kan tænke på, herunder virksomheds-, geografiske-, adfærdsmæssige-, tidsbaserede-, webside-data og mere. Vi har multiple eksperthold, der specialiserer sig i dataanskaffelse gennem åbne, offentlige og premiumkilder, samt partnerskaber. Vores adgang til unik talent fra Israels top-intelligence- og teknologienheder bringer betydelig ekspertise og erfaring i udnyttelse af datavariation til beslutningstagning.

Hvordan bruger Explorium maskinelæring til at forstå, hvilke typer data er relevante for kunder?

Dette er en del af vores “hemmelige sauce”, så jeg kan ikke dykke ned i detaljer, men på et højt niveau bruger vi maskinelæring til at forstå meningen bag de forskellige dele af dine datasæt og anvender konstant forbedrede algoritmer til at identificere, hvilke kilder i vores udviklende katalog, der potentielt er relevante. Ved at faktisk tilkoble disse kilder til din data, er vi i stand til at udføre komplekse dataopdagelses- og funktionsteknologiske processer, specifikt designede til at være effektive for eksterne og højdimensionelle data, til at identificere de mest betydningsfulde funktioner fra de mest relevante kilder. At gøre det hele i konteksten af maskinelæringsmodeller gør impacten statistisk målbart og giver os mulighed for konstant at lære og forbedre vores matchings-, generations- og opdagelsesfunktioner.

En af løsningerne, der tilbydes, er at mindske ansøgnings-svindelrisikoen for online-långivere ved hjælp af forstærket dataopdagelse. Kan du gå i detaljer om, hvordan denne løsning fungerer?

Långivning handler om at forudsige og mindske risiko – enten det kommer fra låntagerens evne til at afdrage lånet (f.eks. finansielle præstationer) eller deres intention om at gøre det (f.eks. svindel). Låneansøgninger er indrengende en balance mellem långiverens ønske om at indsamle mere information og deres evne til at konkurrere med andre udbydere, da længere og mere besværlige spørgeskemaer har lavere gennemførelsesrater, er fordomsfulde af definition og så videre.

Med Explorium kan både etablerede banker og online-udfordrere automatisk tilføje ansøgningsprocessen med eksterne og objektive kilder, der tilføjer umiddelbar kontekst og afslører meningsfulde relationer. Uden at afsløre for meget til at hjælpe svindlere, kan du forestille dig, at i konteksten af svindel dette kunne betyde forskellige adfærdsmønstre og egenskaber, der står ud, hvis du er i stand til at samle en 360-graders syn på dem. Alt fra online-tilstedeværelse, officielle optegnelser, adfærdsmønstre på sociale medier og fysiske fodaftryk efterlader brødcrumbs, der kunne hypotetiseres og testes som potentielle funktioner og indikatorer, hvis du kan tilgå den relevante data og vertikale know-how. Simpelthen sagt giver bedre data bedre prædiktionsmodeller, hvilket hjælper med at mindske risikoen og øge indtjeningen for långivere.

I et bredere perspektiv har vi, siden COVID-19 ramte på globalt plan, set en stigning i nye svindelmønstre samt långiveres behov for at vende tilbage til grundlæggende principper, da pandemien brød alle modellerne. Ingen havde rigtig taget denne type “Black Swan”-begivenhed i betragtning, og en del af vores første respons for at hjælpe disse selskaber har været at generere brugerdefinerede signaler, der hjælper med at vurdere forretningsrisiko i disse usikre og dynamiske tider.

Du kan læse mere om det i en fremragende artikel skrevet af Maor Shlomo, Exploriums medstifter og CEO.

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