Λίραν Χάσον, Συνιδρυτής & Διευθύνων Σύμβουλος της Aporia – Σειρά Συνεντεύξεων

Ο Λίραν Χάσον είναι ο Συνιδρυτής και Διευθύνων Σύμβουλος της Aporia, μιας πλήρως στοίβας πλατφόρμας παρατηρητηρίου ML που χρησιμοποιείται από εταιρείες Fortune 500 και ομάδες επιστημών δεδομένων σε όλο τον κόσμο για να διασφαλιστεί η υπεύθυνη AI. Η Aporia ενσωματώνεται άψογα με οποιαδήποτε υποδομή ML. Ανεξάρτητα από το αν πρόκειται για einen FastAPI διακομιστή επάνω σε Kubernetes, ένα ανοιχτό εργαλείο ανάπτυξης όπως το MLFlow ή μια πλατφόρμα μηχανικής μάθησης όπως το AWS Sagemaker

Πριν ιδρύσει την Aporia, ο Λίραν ήταν Αρχιτέκτονας ML στην Adallom (που αγοράστηκε από τη Microsoft (MSFT )) και αργότερα επενδυτής στην Vertex Ventures.

Ξεκινήσατε να κωδικοποιείτε όταν ήταν 10, τι σας έκανε να ενδιαφερθείτε για τους υπολογιστές και τι δουλεύατε;

Ήταν το 1999 και ένας φίλος μου με τηλεφώνησε και μου είπε ότι είχε δημιουργήσει μια ιστοσελίδα. Μετά από την εισαγωγή μιας διεύθυνσης 200 χαρακτήρων στο πρόγραμμα περιήγησης, είδα μια ιστοσελίδα με το όνομά του. Ήμουν εξαστραπτόμενος από το γεγονός ότι είχε δημιουργήσει κάτι στον υπολογιστή του και ότι μπορούσα να το δω στον δικό μου υπολογιστή. Αυτό με έκανε υπερβολικά περίεργο για το πώς λειτουργούσε και πώς θα μπορούσα να το κάνω το ίδιο. Ρώτησα τη μητέρα μου να μου αγοράσει ένα βιβλίο HTML, το οποίο ήταν το πρώτο μου βήμα στη προγραμματιστική.

Βρίσκω μεγάλη χαρά στο να αναλαμβάνω τεχνικές προκλήσεις και με την πάροδο του χρόνου η περιέργειά μου μόνο μεγάλωνε. Μάθαινα ASP, PHP και Visual Basic και πραγματικά κατέβηκα όλα όσα μπορούσα.

Όταν ήμουν 13, ήδη αναλάμβανα μερικές εργασίες ως ελεύθερος επαγγελματίας, κατασκευάζοντας ιστοσελίδες και εφαρμογές επιφάνειας εργασίας.

Όταν δεν είχα καμία ενεργό δουλειά, δούλευα στα δικά μου προτζεκτ – συνήθως διαφορετικές ιστοσελίδες και εφαρμογές που αποσκοπούσαν να βοηθήσουν τους άλλους να επιτύχουν τους στόχους τους:

Blue-White Programming – είναι μια εβραϊκή γλώσσα προγραμματισμού, παρόμοια με το HTML, που την κατασκεύασα μετά το να συνειδητοποιήσω ότι τα παιδιά στο Ισραήλ που δεν έχουν υψηλό επίπεδο αγγλικών περιορίζονται ή απομακρύνονται από τον κόσμο της προγραμματιστικής.

Blinky – Οι παππούδες μου είναι κωφοί και χρησιμοποιούν νοηματική γλώσσα για να επικοινωνούν με τους φίλους τους. Όταν εμφανίστηκαν λογισμικά βιντεο-συνδιαλέξεων όπως το Skype και το ooVoo, τους επέτρεψαν για πρώτη φορά να μιλήσουν με φίλους ακόμη και αν δεν βρίσκονται στο ίδιο δωμάτιο (όπως κάνουμε όλοι με τα κινητά μας). Ωστόσο, καθώς δεν μπορούσαν να ακούσουν, δεν ήταν σε θέση να γνωρίζουν ότι είχαν εισερχόμενη κλήση. Για να τους βοηθήσω, έγραψα λογισμικό που αναγνώριζε τις εισερχόμενες βιντεοκλήσεις και τις ενημέρωνε με το να αναβοσβήσει μια σειρά LED σε μια μικρή συσκευή που είχα κατασκευάσει και συνδέσει στον υπολογιστή τους.

Αυτά είναι μόνο quelques από τα προτζεκτ που κατασκεύασα ως εφήβος. Η περιέργειά μου δεν σταμάτησε ποτέ και βρέθηκα να μαθαίνω C, C++, Assembly και πώς λειτουργούν τα λειτουργικά συστήματα, και πραγματικά προσπάθησα να μάθω όσο περισσότερα μπορούσα.

Μπορείτε να μοιραστείτε την ιστορία του ταξιδιού σας ως αρχιτέκτονας μηχανικής μάθησης στη Microsoft-acquired Adallom;

Ξεκίνησα το ταξίδι μου στην Adallom μετά τη στρατιωτική μου θητεία. Μετά από 5 χρόνια στο στρατό ως λοχαγός, είδα μια μεγάλη ευκαιρία να ενταχθώ σε μια αναδυόμενη εταιρεία και αγορά – ως ένας από τους πρώτους υπαλλήλους. Η εταιρεία ήταν υπό την ηγεσία εξαιρετικών ιδρυτών, τους οποίους γνώριζα από τη στρατιωτική μου θητεία, και υποστηριζόταν από κορυφαίους VC – όπως η Sequoia. Η έκρηξη των τεχνολογιών cloud στην αγορά ήταν ακόμη σε σχετική νεότητα, και κατασκευάζαμε μια από τις πρώτες λύσεις ασφαλείας cloud. Οι επιχειρήσεις μόλις αρχίζαν να μεταβαίνουν από το εσωτερικό στο cloud, και είδαμε νέους βιομηχανικούς προτυπους να αναδυθούν – όπως το Office 365, το Dropbox (DBX ), το Marketo, το Salesforce , κ.λπ.

Κατά τη διάρκεια των πρώτων μου εβδομάδων, ήδη ήξερα ότι ήθελα να ξεκινήσω τη δική μου εταιρεία κάποια μέρα. Πραγματικά αισθανόμουν, από τεχνικής πλευράς, ότι ήμουν έτοιμος για οποιαδήποτε πρόκληση θα μου ρίχτηκε. Αν όχι εγώ, ήξερα τους σωστούς ανθρώπους για να με βοηθήσουν να την υπερβώ.

Η Adallom είχε ανάγκη κάποιου, ο οποίος είχε βαθιά γνώση της τεχνολογίας αλλά θα μπορούσε επίσης να είναι προσωποποιημένος. Προχώρησα σαν ένα μήνα, και ήμουν σε ένα αεροπλάνο για τις ΗΠΑ, για πρώτη φορά στη ζωή μου, για να συναντηθώ με ανθρώπους από το LinkedIn (πριν από τη Microsoft). Μερικές εβδομάδες αργότερα και έγιναν οι πρώτοι πελάτες μας στις ΗΠΑ. Αυτό ήταν μόνο μια από τις πολλές μεγάλες εταιρείες – Netflix , Disney, και Safeway – που βοηθούσα να λύσουν κρίσιμα προβλήματα cloud για.

Για μένα, η ένταξη στην Adallom ήταν πραγματικά για να ενταχθώ σε ένα μέρος όπου πιστεύω στην αγορά, πιστεύω στην ομάδα, και πιστεύω στην οράματα. Είμαι εξαιρετικά ευγνώμων για την ευκαιρία που μου δόθηκε εκεί.

Ο σκοπός του τι κάνω ήταν και είναι πολύ σημαντικός. Για μένα, ήταν το ίδιο και στο στρατό, ήταν πάντα σημαντικό. Μπορούσα εύκολα να δω πώς η προσέγγιση της Adallom για σύνδεση με τις λύσεις SaaS, τότε παρακολούθηση της δραστηριότητας των χρηστών, ανίχνευση ανωμαλιών, κ.λπ., ήταν ο τρόπος με τον οποίο θα γινόταν. Καταλάβαινα ότι αυτή θα ήταν η προσέγγιση του μέλλοντος. Έτσι, σίγουρα έβλεπα την Adallom ως μια εταιρεία που θα ήταν επιτυχημένη.

Ήμουν υπεύθυνος για ολόκληρη την αρχιτεκτονική της υποδομής ML μας. Και είδα και βίωσα πρώτα χέρια την έλλειψη σωστής εργαλειοθήκης για το οικοσύστημα. Ναι, ήταν σαφές ότι πρέπει να υπάρχει μια αφιερωμένη λύση σε ένα κεντρικό σημείο όπου μπορείτε να δείτε όλα τα μοντέλα σας, να δείτε τις αποφάσεις που λαμβάνουν για την επιχείρησή σας, να παρακολουθήσετε και να γίνετε προδραστικοί με τους στόχους ML σας. Για παράδειγμα, είχαμε φορές που μάθαμε για προβλήματα στα μοντέλα μηχανικής μάθησης μας πολύ αργά, και αυτό δεν είναι καλό για τους χρήστες και σίγουρα όχι για την επιχείρηση. Αυτό είναι όπου η ιδέα για την Aporia άρχισε να διαμορφώνεται.

Μπορείτε να μοιραστείτε την ιστορία γένεσης πίσω από την Aporia;

Η προσωπική μου εμπειρία με τη μηχανική μάθηση αρχίζει το 2008, ως μέρος ενός συνεργατικού προτζεκτ στο Ινστιτούτο Weizmann, μαζί με το Πανεπιστήμιο του Bath και ένα κινεζικό ερευνητικό κέντρο. Εκεί, κατασκεύασα ένα σύστημα αναγνώρισης βιομετρικών χαρακτηριστικών με ανάλυση εικόνων του ίριδας. Καταφέρα να επιτύχω ακρίβεια 94%. Το προτζεκτ ήταν επιτυχημένο και επαινέθηκε από ερευνητική πλευρά. Αλλά για μένα, είχα κατασκευάσει λογισμικό από την ηλικία των 10, και κάτι φαινόταν κάπως…ไม πραγματικό. Δεν θα μπορούσατε να χρησιμοποιήσετε το σύστημα αναγνώρισης βιομετρικών χαρακτηριστικών που κατασκεύασα στη πραγματική ζωή, επειδή λειτουργούσε καλά μόνο για το συγκεκριμένο σύνολο δεδομένων που χρησιμοποίησα. Δεν ήταν αρκετά детерμινιστικό.

Αυτό είναι μόνο λίγη ιστορικό υπόβαθρο. Όταν κατασκευάζετε ένα σύστημα μηχανικής μάθησης, για παράδειγμα για αναγνώριση βιομετρικών χαρακτηριστικών, θέλετε τις προβλέψεις να είναι детерμινιστικές – θέλετε να γνωρίζετε ότι το σύστημα αναγνωρίζει με ακρίβεια ένα συγκεκριμένο άτομο, σωστά; Όπως το iPhone δεν ξεκλειδώνει αν δεν αναγνωρίσει το σωστό άτομο στη σωστή γωνία, αυτό είναι το επιθυμητό αποτέλεσμα. Αλλά αυτό πραγματικά δεν ήταν το caso με τη μηχανική μάθηση εκείνη την εποχή, όταν πρώτα μπήκα στο χώρο.

Επτά χρόνια αργότερα και βίωνα πρώτα χέρια την πραγματικότητα της εκτέλεσης μοντέλων παραγωγής χωρίς αξιόπιστες φρουρές, όπως λαμβάνουν αποφάσεις για την επιχείρησή μας που επηρεάζουν τους πελάτες μας. Τότε, είχα τη τύχη να εργαστώ ως επενδυτής στην Vertex Ventures, για τρία χρόνια. Είδα πώς όλο και περισσότερες οργανώσεις χρησιμοποιούσαν ML, και πώς οι εταιρείες μετέβαλλαν από το να μιλούν για ML στο να κάνουν πραγματικά μηχανική μάθηση. Ωστόσο, αυτές οι εταιρείες υιοθέτησαν ML μόνο για να αντιμετωπίσουν τις ίδιες προκλήσεις που αντιμετωπίζαμε στην Adallom.

Όλοι έτρεξαν να χρησιμοποιήσουν ML, και προσπάθησαν να κατασκευάσουν συστήματα παρακολούθησης εσωτερικά. Φυσικά, δεν ήταν το κεντρικό τους επάγγελμα, και αυτές οι προκλήσεις είναι khá σύνθετες. Εδώ είναι όπου συνειδητοποίησα ότι αυτή είναι η ευκαιρία μου να κάνω einen μεγάλο αντίκτυπο.

Η AI υιοθετείται σε几乎 κάθε βιομηχανία, συμπεριλαμβανομένων των υπηρεσιών υγείας, των χρηματοοικονομικών υπηρεσιών, της αυτοκινητοβιομηχανίας και άλλων, και θα αγγίξει την ζωή όλων και θα επηρεάσει όλους. Αυτό είναι όπου η Aporia εμφανίζει την αληθινή της αξία – ενεργοποιώντας όλες αυτές τις ζωτικές περιπτώσεις να λειτουργούν όπως προορίζονται και να βοηθούν στην βελτίωση της κοινωνίας μας. Γιατί, όπως με οποιοδήποτε λογισμικό, θα έχετε σφάλματα, και η μηχανική μάθηση δεν διαφέρει. Αν αφέθουν ανεξέλεγκτα, αυτά τα προβλήματα ML μπορούν πραγματικά να βλάψουν τη συνέχεια της επιχείρησης και να επηρεάσουν την κοινωνία με μη προθέσεις αποτελέσματα. Πάρτε την προσπάθεια της Amazon να υλοποιήσει ένα εργαλείο भरσης θέσεων AI (AMZN ) – η μη προθέτη.bias προκάλεσε το μοντέλο μηχανικής μάθησης να συστήνει έντονα αρσενικούς υποψηφίους έναντι γυναικών. Αυτό είναι φυσικά ένα μη επιθυμητό αποτέλεσμα. Έτσι, πρέπει να υπάρχει μια αφιερωμένη λύση για να ανιχνεύσει μη προθέτη.bias πριν φτάσει στα νέα και επηρεάσει τους τελικούς χρήστες.

Για τις οργανώσεις να βασιστούν σωστά και να απολαύσουν τα οφέλη της μηχανικής μάθησης, πρέπει να γνωρίζουν όταν δεν λειτουργεί σωστά, και τώρα με τις νέες κανονιστικές, συχνά οι χρήστες ML θα χρειαστούν τρόπους να εξηγήσουν τις προβλέψεις του μοντέλου. Στο τέλος, είναι κρίσιμο να ερευνήσουμε και να αναπτύξουμε νέα μοντέλα και καινοτόμα προτζεκτ, αλλά όταν αυτά τα μοντέλα συναντούν τον πραγματικό κόσμο και λαμβάνουν πραγματικές αποφάσεις για ανθρώπους, επιχειρήσεις και κοινωνία, υπάρχει μια σαφής ανάγκη για μια ολοκληρωμένη λύση παρατηρητηρίου για να διασφαλιστεί ότι μπορούν να εμπιστευτούν την AI.

Μπορείτε να εξηγήσετε τη σημασία της διαφανής και εξηγητής AI;

Ενώ μπορεί να φαίνεται παρόμοιο, υπάρχει μια σημαντική διάκριση να γίνει μεταξύ παραδοσιακού λογισμικού και μηχανικής μάθησης. Στο λογισμικό, έχετε έναν προγραμματιστή, ο οποίος γράφει κώδικα, ορίζει τη λογική της εφαρμογής, ξέρουμε ακριβώς τι θα συμβεί σε κάθε ροή του κώδικα. Είναι детерμινιστικό. Αυτός είναι ο τρόπος με τον οποίο το λογισμικό συνήθως κατασκευάζεται, οι προγραμματιστές δημιουργούν τεστ περιπτώσεων, δοκιμάζοντας περιπτώσεις άκρων, φτάνοντας σε 70% – 80% κάλυψης – νιώθουμε αρκετά καλά που μπορούμε να το κυκλοφορήσουμε στην παραγωγή. Αν εμφανιστεί οποιοδήποτε προειδοποιητικό μήνυμα, μπορούμε εύκολα να το διορθώσουμε και να καταλάβουμε τι ροή πήγε λάθος, και να το διορθώσουμε.

Αυτό δεν είναι το caso με τη μηχανική μάθηση. Αντί να ορίζεται η λογική από τον άνθρωπο, ορίζεται ως μέρος της διαδικασίας εκπαίδευσης του μοντέλου. Όταν μιλάμε για λογική, αντί για ένα σύνολο κανόνων, είναι μια матриξ εκατομμυρίων και δισεκατομμυρίων αριθμών που αντιπροσωπεύουν το μυαλό, το εγκέφαλο του μοντέλου μηχανικής μάθησης. Και αυτό είναι ένα μαύρο κουτί, δεν ξέρουμε πραγματικά τη σημασία κάθε αριθμού σε αυτή τη матριξ. Αλλά ξέρουμε στατιστικά,所以 αυτό είναι πιθανολογικό, και όχι детерμινιστικό. Μπορεί να είναι ακριβές στο 83% ή 93% του χρόνου. Αυτό ανακύπτει πολλά ερωτήματα, σωστά; Πρώτο, πώς μπορούμε να εμπιστευτούμε ένα σύστημα που δεν μπορούμε να εξηγήσουμε τον τρόπο με τον οποίο φτάνει στις προβλέψεις του; Δεύτερο, πώς μπορούμε να εξηγήσουμε προβλέψεις για υψηλά ρυθμιζόμενες βιομηχανίες – όπως ο χρηματοοικονομικός τομέας. Για παράδειγμα, στις ΗΠΑ, οι χρηματοοικονομικές εταιρείες είναι υποχρεωμένες από το νόμο να εξηγήσουν στους πελάτες τους γιατί τους αρνήθηκαν για μια αίτηση δανείου.

Η αδυναμία να εξηγήσουμε τις προβλέψεις της μηχανικής μάθησης σε ανθρώπινα αναγνώσιμο κείμενο μπορεί να είναι ένας كبير εμπόδιο για τη μαζική υιοθέτηση της ML σε όλες τις βιομηχανίες. Θέλουμε να ξέρουμε, ως κοινωνία, ότι το μοντέλο δεν λαμβάνει προκατειλημμένες αποφάσεις. Θέλουμε να βεβαιωθούμε ότι καταλαβαίνουμε τι οδηγεί το μοντέλο σε μια συγκεκριμένη απόφαση. Αυτό είναι όπου η εξηγησιμότητα και η διαφάνεια είναι εξαιρετικά κρίσιμες.

Πώς λειτουργεί η λύση της Aporia για τη διαφανή και εξηγητή AI;

Η λύση της Aporia για τη διαφανή AI λειτουργεί ως μέρος ενός ενοποιημένου συστήματος παρατηρητηρίου μηχανικής μάθησης. Χωρίς βαθιά ορατότητα των μοντέλων παραγωγής και μια αξιόπιστη λύση παρακολούθησης και προειδοποίησης, είναι δύσκολο να εμπιστευτούμε τις εξηγητές προβλέψεις – δεν υπάρχει ανάγκη να εξηγήσουμε προβλέψεις αν η έξοδος είναι αξιόπιστη. Και così, αυτή είναι η θέση όπου η Aporia έρχεται και παρέχει μια ενιαία οθόνη για όλες τις τρέχουσες μοντέλα, προσαρμόσιμη παρακολούθηση, ικανότητες προειδοποίησης, εργαλεία αποσφαλμάτωσης, έρευνα αιτίας και εξηγητή AI. Μια αφιερωμένη, πλήρως στοίβας λύση παρατηρητηρίου για κάθε πρόβλημα που προκύπτει στην παραγωγή.

Η πλατφόρμα της Aporia είναι αδιάκριτη και εξοπλίζει τις επιχειρήσεις που προσανατολίζονται στην AI, τις ομάδες επιστημών δεδομένων και ML με μια κεντρική κονσόλα και πλήρη ορατότητα στα μοντέλα τους, προβλέψεις και αποφάσεις – τους επιτρέποντας να εμπιστευτούν την AI τους. Χρησιμοποιώντας την εξηγητή AI της Aporia, οι οργανώσεις μπορούν να διατηρούν όλους τους σχετικούς ενδιαφερόμενους σε ενημέρωση με το να εξηγήσουν τις αποφάσεις της μηχανικής μάθησης με το πάτημα ενός κουμπιού – να λάβουν ανθρώπινα αναγνώσιμες ενημερώσεις για συγκεκριμένες προβλέψεις μοντέλων ή να προσομοιώσουν “Τι αν;” καταστάσεις. Επιπλέον, η Aporia παρακολουθεί συνεχώς τα δεδομένα που εισάγονται στο μοντέλο καθώς και τις προβλέψεις, και αποστέλλει προειδοποιήσεις για σημαντικά γεγονότα, συμπεριλαμβανομένων της υποβαθμίσεως της απόδοσης, της μη προθέτη.bias, της μετατόπισης δεδομένων και ακόμη και ευκαιριών για τη βελτίωση του μοντέλου σας. Τέλος, με το εργαλείο έρευνας της Aporia, μπορείτε να φτάσετε στην αιτία οποιουδήποτε γεγονότος και να το διορθώσετε και να βελτιώσετε οποιοδήποτε μοντέλο στην παραγωγή.

Μερικές από τις λειτουργίες που προσφέρονται περιλαμβάνουν Εργαλεία Ερεύνης Δεδομένων και Χρονοσειρών, πώς αυτά τα εργαλεία βοηθούν στην πρόληψη της προκατειλημμένης AI και της μετατόπισης;

Τα δεδομένα παρέχουν μια ζωντανή προβολή των δεδομένων που λαμβάνει το μοντέλο και τις προβλέψεις που κάνει για την επιχείρηση. Μπορείτε να λάβετε μια ζωντανή ροή αυτών και να καταλάβετε ακριβώς τι συμβαίνει στην επιχείρησή σας. Αυτή η ικανότητα ορατότητας είναι κρίσιμη για τη διαφάνεια. Και μερικές φορές τα πράγματα αλλάζουν με την πάροδο του χρόνου και υπάρχει μια συσχέτιση μεταξύ πολλών αλλαγών με την πάροδο του χρόνου – αυτό είναι ο ρόλος της έρευνας χρονοσειρών.

Πρόσφατα, μεγάλοι λιανοπωλητές είχαν όλα τα εργαλεία προβλέψεων AI τους να αποτύχουν όταν πρόκειται για την πρόβλεψη προβλημάτων αλυσίδας εφοδιασμού, πώς θα λύσει η πλατφόρμα της Aporia αυτό το πρόβλημα;

Η κύρια πρόκληση στην αναγνώριση αυτών των προβλημάτων είναι ριζωμένη στο γεγονός ότι μιλάμε για μελλοντικές προβλέψεις. Αυτό σημαίνει ότι προβλέψαμε ότι κάτι θα συμβεί ή δεν θα συμβεί στο μέλλον. Για παράδειγμα, πόσοι άνθρωποι θα αγοράσουν ένα συγκεκριμένο πουκάμισο ή θα αγοράσουν einen νέο PlayStation.

Στη συνέχεια, χρειάζεται κάποιο χρόνο για να συλλέξουμε όλα τα πραγματικά αποτελέσματα – περισσότερο από μερικές εβδομάδες. Στη συνέχεια, μπορούμε να συνοψίσουμε και να πούμε, ок, αυτό ήταν η πραγματική ζήτηση που είδαμε. Αυτό το χρονικό διάστημα, μιλάμε για μερικούς μήνες συνολικά. Αυτό είναι που μας φέρνει από τη στιγμή που το μοντέλο κάνει την πρόβλεψη μέχρι τη στιγμή που η επιχείρηση γνωρίζει ακριβώς αν ήταν σωστό ή λάθος. Και μέχρι τότε, είναι συνήθως πολύ αργά, η επιχείρηση έχει ήδη χάσει πιθανές έσοδα ή η маржа έχει συμπιεστεί, επειδή πρέπει να πουλήσουν υπερπαραγωγή σε μεγάλες εκπτώσεις.

Αυτό είναι μια πρόκληση. Και αυτό είναι ακριβώς όπου η Aporia έρχεται και γίνεται πολύ, πολύ χρήσιμη σε αυτές τις οργανώσεις. Πρώτο, τους επιτρέπει να λάβουν εύκολα διαφάνεια και ορατότητα στις αποφάσεις που λαμβάνονται – Υπάρχουν κάποιες διακυμάνσεις; Υπάρχει κάτι που δεν έχει νόημα; Δεύτερο, καθώς μιλάμε για μεγάλους λιανοπωλητές, μιλάμε για τεράστια, όπως τεράστια ποσά εφοδιασμού, και η παρακολούθηση τους χειροκίνητα είναι σχεδόν αδύνατο. Εδώ είναι όπου οι επιχειρήσεις και οι ομάδες μηχανικής μάθησης αξιολογούν την Aporia περισσότερο, ως ένα 24/7 αυτόματο και προσαρμόσιμο σύστημα παρακολούθησης. Η Aporia παρακολουθεί συνεχώς τα δεδομένα και τις προβλέψεις, αναλύει τη στατιστική συμπεριφορά των προβλέψεων, και μπορεί να προβλέψει και να αναγνωρίσει αλλαγές στη συμπεριφορά των καταναλωτών και αλλαγές στη συμπεριφορά των δεδομένων όσο γίνεται. Αντί να περιμένουμε έξι μήνες για να συνειδητοποιήσουμε ότι η πρόβλεψη της ζήτησης ήταν λάθος, μπορούμε σε λίγες μέρες να αναγνωρίσουμε ότι είμαστε στον λάθος δρόμο με τις προβλέψεις της ζήτησης. Έτσι, η Aporia συντομεύει αυτό το χρονικό διάστημα από μερικούς μήνες σε μερικές μέρες. Αυτό είναι ένας τεράστιος game changer για οποιοδήποτε ML practitioner.

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

Είμαστε συνεχώς σε εξέλιξη και ψάχνουμε για άτομα με εξαιρετικές ικανότητες και ταλαντούχους ανθρώπους για να ενταχθούν στο ταξίδι της Aporia. Ελέγξτε τις ανοιχτές θέσεις μας.

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