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

Nir Bar-Lev ist der CEO & Co-Founder von Allegro AI. Allegro AI spezialisiert sich auf die Unterstützung von Unternehmen bei der Entwicklung, dem Einsatz und der Verwaltung von Machine-Learning- und Deep-Learning-Lösungen. Mit Allegro AI bringen Unternehmen höherwertige Produkte schneller und kostengünstiger auf den Markt und verwalten sie. Die Produkte basieren auf dem Allegro Trains Open-Source-ML- und DL-Experiment-Manager und dem ML-Ops-Paket.

Was hat Sie ursprünglich zur KI hingezogen?

Ich wurde in meiner Karriere hauptsächlich von der Möglichkeit angezogen, innovative Technologien zu nutzen, um Probleme oder Chancen auf großem Maßstab zu lösen. Ich muss zugeben, dass meine Zeit bei Google (GOOGL ) diese Neigung sicherlich geprägt hat.

Die KI erfüllt sicherlich beide Kriterien. Sie befindet sich an der Spitze der technologischen Grenzen und hat das Potenzial, fast jeden Aspekt unseres Lebens auf diesem Planeten zu beeinflussen.

Sie haben eine beeindruckende Karriere begonnen, als Sie bei Google als Gründungs-Produktleiter für die Spracherkennungsplattform von Google tätig waren. Können Sie über diese frühen Tage bei Google sprechen und was Sie aus dieser Erfahrung gelernt haben?

Als ich direkt aus der Business School der Wharton School of Business kam, war ich erstaunt, wie Google im Gegensatz zu etablierten Geschäftsgrundsätzen funktionierte, wie man erfolgreiche Unternehmen führt, wie es in den besten Business Schools der Welt gelehrt wird und wie ich es in meiner Karriere vor der Business School erlebt habe. Ich erinnere mich lebhaft, wie ich dies mit einigen meiner Kollegen diskutierte, die gleichzeitig mit mir bei Google angefangen hatten, direkt nach ihrem MBA.

Es stellte sich heraus, dass Google – bis zu einem gewissen Grad – das Geschäftsplaybook geändert hat, aber es auch einen enormen virtuellen Geldregen aus seinem Werbegeschäft hatte, der es ermöglichte, auf eine Weise zu experimentieren, die die meisten Unternehmen nicht tun konnten. Ich kann bestätigen, dass ich, als ich ein Jahrzehnt bei Google verbrachte, es zunehmend “mainstream”-etablierte Geschäftspraktiken und Denkprozesse annahm, als es wuchs.

Als ich als Leiter des Spracherkennungs-Produkts arbeitete, musste ich mit Forschungswissenschaftlern zusammenarbeiten. Dies war tatsächlich eines der ersten, wenn nicht das erste, Forschungsteams bei Google, das wirklich auf angewandte Forschung ausgerichtet war. Für mich war dies eine große Herausforderung. Forscher haben eine sehr unterschiedliche Denkweise als Ingenieure, und hier versuchte ich, mit erfahrenen Forschern in einem Unternehmen zu arbeiten, das extrem ingenieurorientiert war.

Es stellte sich heraus, dass die Herausforderungen, denen ich vor fast 15 Jahren gegenüberstand, sehr ähnlich sind wie die Probleme, mit denen Unternehmen heute konfrontiert sind, wenn sie versuchen, KI-Datenwissenschaftler in ihre Organisationen zu integrieren.

Im Jahr 2016 gründeten Sie Allegro AI? Was war Ihre Inspiration, Allegro AI zu gründen?

Als ich Allegro AI gründete, arbeitete ich mit zwei außergewöhnlichen Partnern zusammen, die unglaubliche Ingenieurtalente sind. Einer meiner Partner war der erste PhD-Student in einem der ersten und führenden KI-Labors in Israel, was eines der führenden KI-Hubs weltweit ist. Er hatte also wirklich die Vision, wie die Anwendung von ML/DL in der Praxis mit neuen Herausforderungen umgehen muss, wie Skalierbarkeit, Automatisierung, Zuverlässigkeit, Qualität und mehr. Als ich mit ihnen sprach, wurde mir klar, dass ich zum Team beitragen kann, um ein Unternehmen zu schaffen, das einen enormen Einfluss auf die KI durch die von uns bereitgestellten Tools haben kann. Google und einige andere Technologie-Riesen sind in einer beneidenswerten Position, was ihre Fähigkeit angeht, endlose Ressourcen von höchster Qualität für diese Herausforderungen zu erhalten. Aber fast alle anderen können sich das nicht leisten (entweder in Bezug auf den Zugang zu Talenten, finanziellen Ressourcen, Unternehmensfokus usw.). Dies war also eine Chance, genau das zu tun, was ich am meisten liebe (siehe Frage 1), und der gesamten Ökonomie zu helfen.

Allegro AI dient als Open-Source-Machine-Learning- und Deep-Learning-Management-Plattform. Können Sie die Vorteile der Verwendung von Open-Source-Software diskutieren?

Open Source hat mehrere Vorteile. Am wichtigsten ist, dass es die breitere Gemeinschaft nutzt, um das Produkt selbst zu verbessern. Benutzer finden Fehler, es gibt eine breite Diskussion über Funktionen, die von Interesse sind; die Integration in andere Open-Source-Tools ist viel einfacher zu ermöglichen als zwischen zwei kommerziellen Organisationen mit proprietären Tools; usw.

Es bietet ein großartiges Modell für ein Win-Win für die Gemeinschaft und das Unternehmen dahinter. Es eignet sich leicht für das Ausprobieren und Testen und sogar für die Erweiterung für Organisationen, die nicht oder nicht zahlen werden, und ermöglicht es gleichzeitig größeren potenziellen Kunden, für erweiterte Funktionen oder Dienstleistungen auf Basis eines weit verbreiteten (und daher weniger riskanten) Softwarestücks zu zahlen.

Allegro AI bietet Datenmanagement-Dienste an. Können Sie die Art von Tools diskutieren, die für dies angeboten werden?

Allegro Ai bietet sowohl strukturierte als auch unstrukturierte Datenverwaltung an. Allerdings gibt es für strukturierte Datenverwaltung eine Vielzahl von bewährten Lösungen, während wir eine einzigartige Lösung für unstrukturierte Daten anbieten.

Insbesondere ist es wichtig, die Art der Datenverwaltung zu qualifizieren, die wir anbieten. Die Idee ist nicht die physische Datenverwaltung, sondern vielmehr die Datenverwaltung aus einer KI-Perspektive. Für die KI ist es entscheidend, dass das Datenwissenschaftsteam versteht, welche Daten es zur Verfügung hat. Bei unstrukturierten Daten ist das sehr schwierig. Stellen Sie sich vor, Tausende oder Hunderttausende von Stunden von Video- oder Audioaufnahmen vor. Stellen Sie sich Milliarden von Sensorsignalen vor usw.

Datenwissenschaftler müssen die Varianz ihrer Daten verstehen, um sie mit den verschiedenen Situationen abzugleichen, damit sie ihre Modelle effektiv trainieren können. Sie müssen verstehen, ob es kritische Daten gibt, die fehlen; ob es Verzerrungen oder Schiefe in den Daten gibt.

Und dann – auf der anderen Seite – müssen sie Werkzeuge haben, um diese Situationen kosteneffektiv und schnell zu lösen, ohne dass sie neue physische Daten suchen und annotieren/etikettieren müssen (ein sehr teures und zeitaufwändiges Unterfangen).

Dies ist im Wesentlichen die Art von Werkzeugen, die wir in diesem Bereich anbieten: leistungsstarke Werkzeuge, um “KI-BI (Business Intelligence)” auf Ihre Daten auf einem beispiellosen Level an Granularität und Detail zu ermöglichen und auf der anderen Seite Werkzeuge, um die Daten eng in die Experimente und Modelle zu integrieren, damit Datenwissenschaftler mit null Code effektive Trainingsläufe mit den vorhandenen Daten einrichten können.

Zusätzlich bieten wir zusätzlichen Mehrwert bei der Optimierung des Datenflusses, des Datentransfers usw. Da wir über die Verarbeitung von Terabyte-Daten sprechen. Das Verschieben dieser Daten ist teuer und Unternehmen benötigen eine Lösung, um dies zu optimieren.

Allegro AI bietet auch die Auslagerung von Datenengineering-Dienstleistungen an. Was sind einige der verfügbaren Angebote?

Allegro Ai ist in erster Linie ein Produktunternehmen und wir sehen uns selbst als Anbieter von Werkzeugen, Infrastruktur oder Gerüst für Unternehmen, um Produkte mit KI- (DL/ML-) Modellen zu entwickeln, bereitzustellen und zu verwalten.

Das heißt jedoch, dass dies ein neuer Bereich ist und unsere Kunden manchmal Hilfe benötigen, um ihre spezifischen Pipelines auf Basis unserer Tools aufzubauen oder sogar Hilfe beim Starten ihrer Modelle selbst. Wenn diese Situationen eintreten, bieten wir ergänzende Dienstleistungen zu unserem Kern-Software-Angebot an.

Können Sie die Bedeutung von Federated Learning und wie Allegro AI in diesem Kontext eingesetzt werden kann, diskutieren?

Federated Learning ist im Wesentlichen die Fähigkeit, ein einzelnes KI-Modell zu trainieren, das auf in verschiedenen physischen Orten befindlichen Datensätzen basiert, ohne diese Datensätze an einen einzigen Ort zu bringen. Wir bieten auch eine erweiterte Version davon an, die wir “blindes Federated Learning” oder “blindes kollaboratives Lernen” nennen, bei dem keine einzelne Entität in diesem Szenario Zugriff auf Daten hat, die nicht zu ihr gehören, einschließlich der Entität, die das endgültige Modell erhält.

Federated Learning ist in verschiedenen Situationen wichtig, in denen Datenprivatsphäre oder regulatorische oder IP-/Vertraulichkeitsaspekte kritisch sind, während gleichzeitig das Interesse besteht, verschiedene Datensätze zu nutzen. Zum Beispiel zwei oder mehr Krankenhäuser oder medizinische Einrichtungen, die zusammenarbeiten möchten, um ein Modell für CT-Scans zu trainieren; oder zwei Regierungsbehörden, die zusammenarbeiten möchten, um ein Anti-Terror-Modell auf Basis von Heimatschutzdaten zu erstellen, aber aus rechtlichen Gründen ihre Daten nicht gegenseitig offenlegen können.

Oder Situationen, in denen eine einzelne Entität ihre verschiedenen Datenbestände nicht verschieben kann, weil es prohibitiv teuer ist – zum Beispiel ein globaler Automotive-OEM, der autonomes Fahren trainieren möchte, indem er Daten nutzt, die von Autos auf der ganzen Welt gesammelt werden.

Allegro AI ist eines von weniger als einer Handvoll Unternehmen weltweit, das eine bewährte und getestete kommerzielle Plattform hat, die Federated Learning ermöglicht.

Gibt es noch etwas, das Sie über Allegro AI teilen möchten?

Allegro AI ist eine aufstrebende Kraft in der Welt der KI-Tools und ML-Ops. Im vergangenen Quartal, während der ersten Welle der COVID-19-Krise, erlebten wir ein Wachstum, das unsere Kundenbasis in nur drei Monaten mehr als verdoppelte.

Vielen Dank für das Interview. Leser, die mehr über Allegro AI erfahren möchten, sollten Allegro AI besuchen.