Alon Lev, Συνιδρυτής & CEO της Qwak – Σειρά Συνεντεύξεων

Ο Alon Lev είναι Συνιδρυτής & CEO της Qwak, μια πλατφόρμα που αφαιρεί την τεχνική τριβή από το machine learning, επιτρέποντας γρήγορες επαναλήψεις, υψηλή κλίμακα και προσαρμόσιμη υποδομή.

Πότε για πρώτη φορά ενδιαφερθήκατε για το machine learning;

Η πρώτη σημαντική εμπειρία μου με το Machine Learning ήταν όταν έκτιζα την ομάδα BI στην Payoneer πριν από περίπου επτά χρόνια. Καταλάβαινα ότι για να γίνει μια εταιρεία βασισμένη στα δεδομένα, απαιτούνται πολύ συγκεκριμένες διαδικασίες και εργαλεία. Το Machine Learning, το οποίο σήμερα αποτελεί μέρος κάθε στρατηγικής εταιρείας βασισμένης στα δεδομένα, ήταν ακόμη στις πρώτες φάσεις τότε.

Μπορείτε να συζητήσετε το προηγούμενο ρόλο σας στην Payoneer και πώς σας επέτρεψε να δείτε πώς το machine learning αυξάνεται σε σημασία;

Στον ρόλο μου στην Payoneer ως VP δεδομένων, ήμουν υπεύθυνος για όλα τα δεδομένα της εταιρείας, από αναλυτικά, bi, μηχανική δεδομένων και επιστήμη δεδομένων. Η στιγμή που με έκανα να καταλάβω την επιστήμη δεδομένων ήταν όταν κατασκευάσαμε ολόκληρο το προϊόν πίστωσης με βάση το machine learning. Λειτούργησε απίστευτα από την αρχή· στην εκεί στιγμή, κατάλαβα ότι το machine learning μπορεί να βελτιώσει όχι μόνο τις υπάρχουσες επιχειρηματικές γραμμές αλλά και να δημιουργήσει νέες επιχειρήσεις και προϊόντα.

Ποια ήταν κάποια από τα προβλήματα του machine learning που έχετε δει;

Απαράδεκτα, στο τμήμα παραγωγής του ML, οι ιδιοκτήτες δεδομένων και οι μηχανικοί έχουν ήδη πολλά στο πιάτο τους – η διαχείριση μιας υποδομής παραγωγής που θα μας επιτρέψει να προβALLE το ML ήταν πάντα μια τεράστια πρόκληση που “σκότωσε” πολλά από τα проекта μας.

Πώς η πλατφόρμα Qwak αφαιρεί την τεχνική τριβή από το machine learning;

Η Qwak είναι όλα για την αφαίρεση του εδάφους από τους μηχανικούς ML και την επιτρέψει τους να εστιάσουν στη δημιουργία επιχειρηματικής αξίας.

Ο Ran Romano (συνιδρυτής και VP R&D) είχε την ίδια εμπειρία κατά τη διάρκεια της θητείας του ως επικεφαλής του τμήματος MLops στη Wix. Σήμερα, ο κύριος στόχος του είναι να αντιμετωπίσει αυτές τις προκλήσεις μέσω της πλατφόρμας μας και να κάνει τη διαδικασία productizing ML μοντέλων ταχύτερη, πιο αποτελεσματική και ομαλή. Ο στόχος μας είναι να κάνουμε τη ζωή των μηχανικών ML και των επιστημόνων δεδομένων πιο εύκολη και επηρεαστική, ώστε οι ροές machine learning να γίνουν πραγματικότητα για τις εταιρείες αντί για ένα στοιχείο της λίστας ευχών.

Γιατί αυτή είναι μια ιδανική λύση για εταιρείες που θέλουν περισσότερη απόδοση machine learning, αλλά έχουν έλλειψη επιστημόνων δεδομένων και μηχανικών machine learning;

Δεν ισχυριζόμαστε ότι καταλαβαίνουμε την επιχείρησή σας ή τα δεδομένα σας, αλλά έχουμε τεράστια εμπειρία όταν πρόκειται για υποδομή· Η αποστολή μας είναι σαφής· Θέλουμε να βοηθήσουμε εξαιρετικές ομάδες επιστημόνων δεδομένων και μηχανικών machine learning να κατασκευάσουν απίστευτα προϊόντα. Δεν παρεμβαίνουμε στη λογική του μοντέλου, αλλά εστιάζουμε σε αυτό που κάνουμε καλύτερα, δηλαδή την υποδομή.

Τι διακρίνει σήμερα την Qwak από άλλες λύσεις machine learning;

Είμαστε όλα για τη βοήθεια ισχυρών ομάδων να αποφορτώσουν το έδαφος και να ρυθμίσουν ολόκληρη τη διαδικασία productizing ML, η Qwak παραδίδει και πιστεύει σε μια οριζόντια προσέγγιση για να λύσει τις προκλήσεις MLOps – που σημαίνει ότι δεν κατασκευάσαμε την πλατφόρμα μόνο γύρω από το μητρώο μοντέλου/υπηρεσία ή αποθήκευση χαρακτηριστικών και αυτοματοποίηση, αλλά νομίζουμε ότι χρειάζεστε όλα αυτά σε ένα σημείο για να κλιμακωθεί η υποδομή ML.

Μπορείτε να συζητήσετε πώς η Qwak υποστηρίζει την παρακολούθηση ανατροφοδότησης μοντέλων machine learning και γιατί αυτό είναι σημαντικό;

Η παρακολούθηση ανατροφοδότησης είναι ένα από τα πρώτα πράγματα που έχουμε κατασκευάσει στην Qwak, καθώς τη βλέπουμε ως einen συνεκτικό μέρος του κύκλου ζωής παραγωγής. Η Qwak εκθέτει ένα API ανατροφοδότησης που επιτρέπει την αυτοματοποίηση της διαδικασίας αναφοράς ανατροφοδότησης.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί για την Qwak;

Έχουμε μια απίστευτη ομάδα опытных μηχανικών και ηγετών στο χώρο. Με τεράστια εμπειρία στα “χαντάκια” του machine learning engineering, ξέρουμε τι πρέπει να γίνει και μόλις αρχίζουμε 🙂

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Qwak.