Omer Har, Mitgründer und CTO, Explorium – Interviewreihe

Omer Har ist ein Veteran der Datenwissenschaft und Softwareentwicklung mit fast einem Jahrzehnt Erfahrung im Bau von KI-Modellen, die große Unternehmen voranbringen.

Omer Har ist der Mitgründer und CTO von Explorium, einem Unternehmen, das eine einzigartige Datenwissenschafts-Plattform anbietet, die von augmentierter Datenentdeckung und Feature-Engineering angetrieben wird. Durch die automatische Verbindung zu Tausenden von externen Datenquellen und die Nutzung von Machine-Learning-Algorithmen, um die wirksamsten Signale zu destillieren, ermöglicht die Explorium-Plattform Datenwissenschaftlern und Geschäftsführern, Entscheidungen zu treffen, indem sie die Barrieren für den Erwerb der richtigen Daten beseitigen und eine überlegene Vorhersagekraft ermöglichen.

Wann haben Sie zum ersten Mal entdeckt, dass Sie sich mit Datenwissenschaft befassen wollten?

Mein Interesse an Datenwissenschaft reicht über ein Jahrzehnt zurück, was etwa so lange ist, wie ich Datenwissenschaftsteams geleitet und praktiziert habe. Ich begann als Softwareentwickler, aber war immer von den komplexen Daten und algorithmischen Herausforderungen angezogen. Ich hatte das Glück, mein Handwerk bei Microsoft (MSFT ) Research zu lernen, was einer der wenigen Orte war, an dem man wirklich an komplexen angewandten Machine-Learning-Herausforderungen im großen Maßstab arbeiten konnte.

Sie haben Explorium 2017 mitgegründet. Können Sie die Inspiration hinter der Gründung dieses Start-ups erläutern?

Explorium basiert auf einem einfachen und sehr powerfulen Bedürfnis – es gibt so viel Daten um uns herum, die potenziell dazu beitragen könnten, bessere Modelle zu bauen, aber es gibt keine Möglichkeit, im Voraus zu wissen, welche Datenquellen wirksam sein werden und wie. Die ursprüngliche Idee kam von Maor Shlomo, Explorium-Mitgründer und CEO, der mit ungewöhnlicher Datenvarietät in seinem Militärdienst zu kämpfen hatte und Wege suchte, sie in Entscheidungsfindung und Modellierung zu nutzen. Als die drei von uns uns zum ersten Mal trafen, war es sofort klar, dass diese Erfahrung die Bedürfnisse widerspiegelt, mit denen wir in der Geschäftswelt zu kämpfen hatten, insbesondere in schnell wachsenden datenwissenschaftlich getriebenen Bereichen wie Werbe- und Marketingtechnologie-Unternehmen, in denen ich und Or Tamir (Explorium-Mitgründer und COO) Wachstum durch Daten anführten.

Bevor Explorium entstand, war es ein zeitaufwändiger und teurer Prozess, relevante Datenquellen zu finden, die wirklich einen Einfluss auf die Genauigkeit Ihres Machine-Learning-Modells hatten. Der Grund dafür ist, dass Sie im Grunde raten und Ihre teuersten Mitarbeiter – Datenwissenschaftler – für Experimente einsetzen. Darüber hinaus ist die Datenbeschaffung selbst ein komplexer Geschäftsprozess und Datenwissenschaftsteams haben normalerweise nicht die Möglichkeit, kommerziell mit mehreren Datenanbietern zu interagieren.

Als Datenwissenschaftler, der nach Geschäftsauswirkungen gemessen wurde, die durch Modelle generiert wurden, hatte ich nicht die Luxus, mein Team auf eine wilde Jagd zu schicken. Als Ergebnis bevorzugen Sie oft, Ihre Bemühungen auf Dinge zu konzentrieren, die einen viel geringeren Einfluss haben als eine relevante neue Datenquelle, nur weil sie viel mehr in Ihrem Einflussbereich liegen.

Explorium hat kürzlich erfolgreich 31 Millionen US-Dollar in einer Serie-B-Finanzierungsrunde aufgebracht. Sind Sie überrascht, wie schnell Ihr Unternehmen gewachsen ist?

Es war definitiv ein Raketenritt bis hierhin, und man kann das nie als selbstverständlich annehmen. Ich kann nicht sagen, dass ich überrascht war, wie weit verbreitet das Bedürfnis nach besseren Daten ist, aber es ist immer eine unglaubliche Erfahrung, den Einfluss zu sehen, den man für Kunden und ihr Geschäft generiert. Die größte analytische Herausforderung, der sich Organisationen in den nächsten zehn Jahren stellen müssen, ist die Suche nach den richtigen Daten, um ihre Modelle und automatisierten Prozesse zu speisen. Die richtigen Datenbestände können neue Marktführer krönen, sodass unser Wachstum wirklich den schnell wachsenden Bedarf an Kunden widerspiegelt, die das erkennen und Daten priorisieren. Tatsächlich wächst die Anzahl der “Data Hunter” – Menschen, die nach Daten suchen, als Teil ihres täglichen Jobs – in unserer Erfahrung exponentiell.

Können Sie erklären, was Exploriums Datenplattform ist und wie der automatisierte Datenentdeckungsprozess funktioniert?

Explorium bietet eine umfassende Datenwissenschafts-Plattform, die von augmentierter Datenentdeckung und Feature-Engineering angetrieben wird. Wir konzentrieren uns auf den “Daten”-Teil der Datenwissenschaft – was bedeutet, automatisch mit Tausenden von externen Datenquellen zu verbinden und Machine-Learning-Prozesse zu nutzen, um die wirksamsten Signale und Merkmale zu destillieren. Dies ist ein komplexer und mehrstufiger Prozess, der beginnt, indem wir uns mit einer Vielzahl von kontextuell relevanten Quellen in unserem Explorium-Datenkatalog verbinden. Dann automatisieren wir den Prozess, der diese vernetzte Datenvarietät erkundet, indem wir Hunderttausende von Ideen für bedeutungsvolle Merkmale und Signale testen, um den optimalen Merkmalsatz zu erstellen, Modelle darauf aufzubauen und sie in flexible Weise in die Produktion zu überführen.

Indem wir die Suche nach den Daten, die Sie benötigen, automatisieren, nicht nur nach den Daten, die Sie intern haben, tut die Explorium-Plattform dasselbe für die Datenwissenschaft, was Suchmaschinen für das Web getan haben – wir durchsuchen, bewerten und bringen Ihnen die relevantesten Daten für die Vorhersagefrage.

Dies ermöglicht es Datenwissenschaftlern und Geschäftsführern, Entscheidungen zu treffen, indem sie die Barrieren für den Erwerb der richtigen Daten beseitigen und eine überlegene Vorhersagekraft ermöglichen.

Welche Arten von externen Datenquellen nutzt Explorium?

Wir haben Zugang zu Tausenden von Quellen in fast jeder Datenkategorie, die man sich vorstellen kann, einschließlich Unternehmen, geografischer, verhaltensbedingter, zeitbasierter, Website-Daten und mehr. Wir haben mehrere Expertenteams, die sich auf die Datenbeschaffung durch offene, öffentliche und Premium-Quellen sowie Partnerschaften spezialisieren. Unser Zugang zu einzigartigen Talenten aus Israels Top-Intelligence- und Technologieeinheiten bringt wesentliche Know-how und Erfahrung im Umgang mit Datenvarietät für Entscheidungsfindung.

Wie nutzt Explorium Machine Learning, um zu verstehen, welche Arten von Daten für Kunden relevant sind?

Dies ist Teil unseres “Geheimrezepts”, also kann ich nicht tiefer in die Details eintauchen, aber auf hohem Niveau nutzen wir Machine Learning, um die Bedeutung hinter den verschiedenen Teilen Ihrer Datensätze zu verstehen und ständig verbesserte Algorithmen zu nutzen, um zu identifizieren, welche Quellen in unserem sich entwickelnden Katalog potenziell relevant sind. Indem wir diese Quellen mit Ihren Daten verbinden, können wir komplexe Datenentdeckungs- und Feature-Engineering-Prozesse durchführen, die speziell für externe und hochdimensionale Daten konzipiert sind, um die wirksamsten Merkmale aus den relevantesten Quellen zu identifizieren. Dies alles im Kontext von Machine-Learning-Modellen macht den Einfluss statistisch messbar und ermöglicht es uns, ständig zu lernen und unsere Matching-, Generierungs- und Entdeckungsfähigkeiten zu verbessern.

Eine der Lösungen, die angeboten wird, ist die Minderung des Anwendungsrisikos für Online-Kreditgeber durch die Verwendung von augmentierter Datenentdeckung. Können Sie Details zu dieser Lösung geben?

Kreditvergabe ist alles über die Vorhersage und Minderung von Risiken – sei es das Risiko, dass der Kreditnehmer den Kredit nicht zurückzahlen kann (z. B. finanzielle Leistung) oder seine Absicht, dies zu tun (z. B. Betrug). Kreditanträge sind von Natur aus ein Kompromiss zwischen dem Wunsch des Kreditgebers, mehr Informationen zu sammeln, und seiner Fähigkeit, mit anderen Anbietern zu konkurrieren, da längere und umfangreichere Fragebögen niedrigere Abschlussraten haben, von Natur aus voreingenommen sind und so weiter.

Mit Explorium können sowohl etablierte Banken als auch Online-Herausforderer den Antragsprozess automatisch mit externen und objektiven Quellen anreichern, die sofortigen Kontext und bedeutsame Beziehungen hinzufügen. Ohne zu viel preiszugeben, um Helfern zu helfen, können Sie sich vorstellen, dass dies im Kontext von Betrug bedeuten könnte, dass man unterschiedliche Verhaltensweisen und Eigenschaften hat, die sich von echten Antragstellern abheben, wenn man in der Lage ist, eine 360-Grad-Ansicht von ihnen zu erhalten. Alles, von Online-Präsenz, offiziellen Aufzeichnungen, Verhaltensmustern in sozialen Medien und physischen Fußabdrücken, hinterlässt Brotkrumen, die als potenzielle Merkmale und Indikatoren hypothetisiert und getestet werden könnten, wenn man Zugang zu den relevanten Daten und vertikalen Know-how hat. Einfach ausgedrückt, bessere Daten gewährleisten bessere Vorhersagemodelle, was sich in einem höheren Gewinn für Kreditgeber übersetzt.

In einer breiteren Perspektive haben wir seit dem globalen Ausbruch von COVID-19 eine Zunahme neuer Betrugsformen sowie die Notwendigkeit von Kreditgebern gesehen, zu den Grundlagen zurückzukehren, da die Pandemie alle Modelle gebrochen hat. Niemand hat wirklich dieses Art von “Black-Swan”-Ereignis berücksichtigt, und Teil unserer anfänglichen Reaktion, um diesen Unternehmen zu helfen, bestand darin, benutzerdefinierte Signale zu generieren, die dazu beitragen, das Geschäftsrisiko in diesen unsicheren und dynamischen Zeiten zu bewerten.

Sie können mehr darüber in einem hervorragenden Beitrag von Maor Shlomo, Explorium-Mitgründer und CEO, lesen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Explorium besuchen.