Liran Hason, Συνιδρυτής & Διευθύνων Σύμβουλος της Aporia – Series Interview

Η Liran Hason είναι συνιδρυτής και διευθύνων σύμβουλος της Απορία, μια πλήρης στοίβας πλατφόρμα παρατηρησιμότητας ML που χρησιμοποιείται από εταιρείες του Fortune 500 και ομάδες επιστήμης δεδομένων σε όλο τον κόσμο για να εξασφαλίσουν υπεύθυνη τεχνητή νοημοσύνη. Η Aporia ενσωματώνεται απρόσκοπτα με οποιαδήποτε υποδομή ML. Είτε είναι ένας διακομιστής FastAPI πάνω από το Kubernetes, ένα εργαλείο ανάπτυξης ανοιχτού κώδικα όπως το MLFlow ή μια πλατφόρμα μηχανικής εκμάθησης όπως το AWS Sagemaker

Πριν από την ίδρυση της Aporia, ο Liran ήταν αρχιτέκτονας ML στην Adallom (εξαγοράστηκε από τη Microsoft) και αργότερα επενδυτής στην Vertex Ventures.

Ξεκινήσατε την κωδικοποίηση όταν ήσασταν 10 ετών, τι σας τράβηξε αρχικά στους υπολογιστές και πάνω σε τι εργαζόσασταν;

Ήταν 1999, και ένας φίλος μου με πήρε τηλέφωνο και είπε ότι είχε φτιάξει έναν ιστότοπο. Αφού πληκτρολογούσα μια διεύθυνση 200 χαρακτήρων στο πρόγραμμα περιήγησής μου, είδα έναν ιστότοπο με το όνομά του. Έμεινα έκπληκτος από το γεγονός ότι δημιούργησε κάτι στον υπολογιστή του και μπόρεσα να το δω στον δικό μου υπολογιστή. Αυτό με έκανε εξαιρετικά περίεργο για το πώς λειτουργεί και πώς μπορώ να κάνω το ίδιο. Ζήτησα από τη μαμά μου να μου αγοράσει ένα βιβλίο HTML, το οποίο ήταν το πρώτο μου βήμα στον προγραμματισμό.

Βρίσκω μεγάλη χαρά όταν αντιμετωπίζω τεχνολογικές προκλήσεις και όσο περνούσε ο καιρός η περιέργειά μου αυξανόταν. Έμαθα ASP, PHP και Visual Basic και πραγματικά κατανάλωνα ό,τι μπορούσα.

Όταν ήμουν 13 ετών, αναλάμβανα ήδη κάποιες δουλειές ως ελεύθερος επαγγελματίας, δημιουργούσα ιστοσελίδες και εφαρμογές για υπολογιστές.

Όταν δεν είχα καμία ενεργή δουλειά, δούλευα στα δικά μου έργα – συνήθως διαφορετικοί ιστότοποι και εφαρμογές που στόχευαν να βοηθήσουν άλλους ανθρώπους να επιτύχουν τους στόχους τους:

Γαλανόλευκος Προγραμματισμός – είναι μια εβραϊκή γλώσσα προγραμματισμού, παρόμοια με την HTML, που έφτιαξα αφού συνειδητοποίησα ότι τα παιδιά στο Ισραήλ που δεν έχουν υψηλό επίπεδο αγγλικών περιορίζονται ή απομακρύνονται από τον κόσμο της κωδικοποίησης.

Αναβοσβήνει – Οι παππούδες μου είναι κωφοί και χρησιμοποιούν τη νοηματική για να επικοινωνούν με τους φίλους τους. Όταν εμφανίστηκε το λογισμικό τηλεδιάσκεψης όπως το Skype και το ooVoo, τους επέτρεψε για πρώτη φορά να μιλούν με φίλους ακόμα κι αν δεν βρίσκονται στο ίδιο δωμάτιο (όπως κάνουμε όλοι με τα τηλέφωνά μας). Ωστόσο, καθώς δεν μπορούν να ακούσουν, δεν ήταν σε θέση να γνωρίζουν πότε έχουν εισερχόμενη κλήση. Για να τους βοηθήσω, έγραψα λογισμικό που προσδιορίζει τις εισερχόμενες βιντεοκλήσεις και τις ειδοποιεί αναβοσβήνοντας μια συστοιχία led σε μια μικρή συσκευή υλικού που έχω κατασκευάσει και συνδέσει στον υπολογιστή τους.

Αυτά είναι μερικά μόνο από τα έργα που έχτισα ως έφηβος. 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.

Θα μπορούσατε να μοιραστείτε την ιστορία του ταξιδιού σας ως αρχιτέκτονας μηχανικής μάθησης στο Adallom που εξαγοράστηκε από τη Microsoft;

Ξεκίνησα το ταξίδι μου στο 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 διευθυνόταν από σπουδαίους ιδρυτές, τους οποίους γνώριζα από τη στρατιωτική μου θητεία, και υποστηριζόταν από κορυφαίους VCs – όπως η Sequoia. Η έκρηξη των τεχνολογιών cloud στην αγορά βρισκόταν ακόμη σε σχετικά σπάργανα και χτίζαμε μια από τις πρώτες λύσεις ασφάλειας cloud εκείνη την εποχή. Οι επιχειρήσεις μόλις άρχιζαν να μεταβαίνουν από την εσωτερική εγκατάσταση στο cloud και είδαμε να εμφανίζονται νέα βιομηχανικά πρότυπα – όπως το Office 365, το Dropbox, το Marketo, το Salesforce και άλλα.

Τις πρώτες μου εβδομάδες, ήξερα ήδη ότι ήθελα να ξεκινήσω τη δική μου εταιρεία μια μέρα. Πραγματικά ένιωθα, από τεχνολογική άποψη, ότι ήμουν έτοιμος να αντιμετωπίσω κάθε πρόκληση, και αν όχι ο εαυτός μου, ήξερα τους κατάλληλους ανθρώπους για να με βοηθήσουν να ξεπεράσω οτιδήποτε.

Ο Adallom χρειαζόταν κάποιον, ο οποίος έχει σε βάθος γνώση της τεχνολογίας, αλλά θα μπορούσε επίσης να έχει πελατεία. Fast forward σαν ένα μήνα, και είμαι σε ένα αεροπλάνο για τις ΗΠΑ, για πρώτη φορά στη ζωή μου, πηγαίνοντας να συναντήσω άτομα από το LinkedIn (προ της Microsoft). Μερικές εβδομάδες αργότερα και έγιναν ο πρώτος μας πελάτης που πληρώνει στις ΗΠΑ. Αυτή ήταν μόνο μία από τις πολλές μεγάλες εταιρείες – Netflix, Disney και Safeway – για τις οποίες βοηθούσα στην επίλυση κρίσιμων προβλημάτων cloud. Ήταν εξαιρετικά εκπαιδευτικό και ένα ισχυρό οικοδόμημα εμπιστοσύνης.

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

Ο σκοπός αυτού που κάνω ήταν και είναι πολύ σημαντικός. Για μένα το ίδιο ήταν και στον στρατό, ήταν πάντα σημαντικό. Μπορούσα εύκολα να δω πώς η προσέγγιση του Adallom για τη σύνδεση με τις λύσεις SaaS, μετά την παρακολούθηση της δραστηριότητας των χρηστών, των πόρων, την εύρεση ανωμαλιών και ούτω καθεξής, ήταν πώς θα γίνονταν τα πράγματα. Συνειδητοποίησα ότι αυτή θα είναι η προσέγγιση του μέλλοντος. Έτσι, σίγουρα είδα την Adallom ως μια εταιρεία που θα είναι επιτυχημένη.

Ήμουν υπεύθυνος για ολόκληρη την αρχιτεκτονική της υποδομής ML μας. Και είδα και βίωσα από πρώτο χέρι την έλλειψη κατάλληλων εργαλείων για το οικοσύστημα. Ναι, ήταν σαφές για μένα ότι πρέπει να υπάρχει μια αποκλειστική λύση σε ένα κεντρικό μέρος όπου μπορείτε να δείτε όλα τα μοντέλα σας. όπου μπορείτε να δείτε ποιες αποφάσεις παίρνουν για την επιχείρησή σας. όπου μπορείτε να παρακολουθείτε και να γίνετε προληπτικοί με τους στόχους σας ML. Για παράδειγμα, είχαμε στιγμές που μάθαμε για ζητήματα στα μοντέλα μηχανικής εκμάθησης πολύ αργά και αυτό δεν είναι καλό για τους χρήστες και σίγουρα όχι για την επιχείρηση. Εδώ άρχισε να ολοκληρώνεται η ιδέα για το Aporia.

Θα μπορούσατε να μοιραστείτε την ιστορία της γένεσης πίσω από το Aporia;

Η προσωπική μου εμπειρία με τη μηχανική μάθηση ξεκινά το 2008, ως μέρος ενός συλλογικού έργου στο Ινστιτούτο Weizmann, μαζί με το Πανεπιστήμιο του Μπαθ και ένα Κινεζικό Ερευνητικό Κέντρο. Εκεί, έφτιαξα ένα βιομετρικό σύστημα αναγνώρισης αναλύοντας εικόνες της ίριδας. Κατάφερα να πετύχω ακρίβεια 94%. Το έργο στέφθηκε με επιτυχία και επικροτήθηκε από ερευνητική σκοπιά. Αλλά, για μένα, έφτιαχνα λογισμικό από τότε που ήμουν 10 ετών, και κάτι ένιωθα με έναν τρόπο, όχι πραγματικό. Δεν θα μπορούσατε πραγματικά να χρησιμοποιήσετε το σύστημα βιομετρικής αναγνώρισης που δημιούργησα στην πραγματική ζωή, επειδή λειτούργησε καλά μόνο για το συγκεκριμένο σύνολο δεδομένων που χρησιμοποίησα. Δεν είναι αρκετά ντετερμινιστικό.

Αυτό είναι απλώς ένα μικρό υπόβαθρο. Όταν κατασκευάζετε ένα σύστημα μηχανικής μάθησης, για παράδειγμα για βιομετρική αναγνώριση, θέλετε οι προβλέψεις να είναι ντετερμινιστικές – θέλετε να ξέρετε ότι το σύστημα προσδιορίζει με ακρίβεια ένα συγκεκριμένο άτομο, σωστά; Όπως ακριβώς το iPhone σας δεν ξεκλειδώνει εάν δεν αναγνωρίζει το σωστό άτομο στη σωστή γωνία, αυτό είναι το επιθυμητό αποτέλεσμα. Αλλά αυτό δεν συνέβαινε στην πραγματικότητα με τη μηχανική μάθηση τότε, όταν μπήκα για πρώτη φορά στο διάστημα.

Περίπου επτά χρόνια αργότερα και βίωνα από πρώτο χέρι, στην Adallom, την πραγματικότητα της λειτουργίας μοντέλων παραγωγής χωρίς αξιόπιστα προστατευτικά κιγκλιδώματα, καθώς παίρνουν αποφάσεις για την επιχείρησή μας που επηρεάζουν τους πελάτες μας. Μετά, είχα την τύχη να εργαστώ ως επενδυτής στην Vertex Ventures, για τρία χρόνια. Είδα πώς όλο και περισσότεροι οργανισμοί χρησιμοποιούσαν την ML και πώς οι εταιρείες μεταπήδησαν από το να μιλούν απλώς για ML στο να κάνουν πραγματικά μηχανική μάθηση. Ωστόσο, αυτές οι εταιρείες υιοθέτησαν την ML μόνο για να αμφισβητηθούν από τα ίδια προβλήματα που αντιμετωπίζαμε στο Adallom.

Όλοι έσπευσαν να χρησιμοποιήσουν την ML και προσπαθούσαν να δημιουργήσουν εσωτερικά συστήματα παρακολούθησης. Προφανώς, δεν ήταν η βασική τους δραστηριότητα και αυτές οι προκλήσεις είναι αρκετά περίπλοκες. Εδώ είναι που συνειδητοποίησα επίσης ότι αυτή είναι η ευκαιρία μου να κάνω τεράστιο αντίκτυπο.

Η τεχνητή νοημοσύνη υιοθετείται σχεδόν σε κάθε κλάδο, συμπεριλαμβανομένης της υγειονομικής περίθαλψης, των χρηματοοικονομικών υπηρεσιών, της αυτοκινητοβιομηχανίας και άλλων, και θα αγγίξει τις ζωές όλων και θα μας επηρεάσει όλους. Εδώ το Aporia δείχνει την πραγματική του αξία – δίνοντας τη δυνατότητα σε όλες αυτές τις περιπτώσεις χρήσης που αλλάζουν τη ζωή να λειτουργούν όπως προβλέπεται και να συμβάλλουν στη βελτίωση της κοινωνίας μας. Επειδή, όπως με κάθε λογισμικό, θα έχετε σφάλματα και η μηχανική εκμάθηση δεν διαφέρει. Εάν αφεθούν ανεξέλεγκτα, αυτά τα ζητήματα ML μπορούν πραγματικά να βλάψουν την επιχειρηματική συνέχεια και να επηρεάσουν την κοινωνία με ακούσια αποτελέσματα μεροληψίας. Παίρνω Η προσπάθεια της Amazon να εφαρμόσει ένα εργαλείο πρόσληψης τεχνητής νοημοσύνης – Η ακούσια μεροληψία έκανε το μοντέλο μηχανικής μάθησης να προτείνει έντονα τους άνδρες υποψήφιους έναντι των γυναικών. Αυτό είναι προφανώς ένα ανεπιθύμητο αποτέλεσμα. Ως εκ τούτου, πρέπει να υπάρχει μια αποκλειστική λύση για τον εντοπισμό ακούσιας προκατάληψης προτού φτάσει στις ειδήσεις και επηρεάσει τους τελικούς χρήστες.

Για να μπορούν οι οργανισμοί να βασίζονται σωστά και να απολαμβάνουν τα οφέλη της μηχανικής εκμάθησης, πρέπει να γνωρίζουν πότε δεν λειτουργεί σωστά και τώρα με τους νέους κανονισμούς, συχνά οι χρήστες ML θα χρειάζονται τρόπους να εξηγήσουν τις προβλέψεις μοντέλων τους. Τελικά, είναι κρίσιμης σημασίας η έρευνα και η ανάπτυξη νέων μοντέλων και καινοτόμων έργων, αλλά μόλις αυτά τα μοντέλα συναντήσουν τον πραγματικό κόσμο και λάβουν πραγματικές αποφάσεις για τους ανθρώπους, τις επιχειρήσεις και την κοινωνία, υπάρχει σαφής ανάγκη για μια ολοκληρωμένη λύση παρατηρητικότητας για να διασφαλιστεί ότι μπορούν εμπιστευτείτε την AI.

Μπορείτε να εξηγήσετε τη σημασία της διαφανούς και εξηγήσιμης τεχνητής νοημοσύνης;

Αν και μπορεί να φαίνεται παρόμοιο, πρέπει να γίνει μια σημαντική διάκριση μεταξύ του παραδοσιακού λογισμικού και της μηχανικής εκμάθησης. Στο λογισμικό, έχετε έναν μηχανικό λογισμικού, που γράφει κώδικα, καθορίζει τη λογική της εφαρμογής, γνωρίζουμε ακριβώς τι θα συμβεί σε κάθε ροή του κώδικα. Είναι ντετερμινιστικό. Έτσι συνήθως κατασκευάζεται το λογισμικό, οι μηχανικοί δημιουργούν δοκιμές, δοκιμάζουν θήκες αιχμής, φτάνοντας στο 70% – 80% της κάλυψης – νιώθεις αρκετά καλά ώστε να μπορείς να κυκλοφορήσεις στην παραγωγή. Εάν εμφανιστούν οποιεσδήποτε ειδοποιήσεις, μπορείτε εύκολα να εντοπίσετε σφάλματα και να κατανοήσετε ποια ροή πήγε στραβά και να το διορθώσετε.

Αυτό δεν συμβαίνει με τη μηχανική μάθηση. Αντί για αυτό, αν ένας άνθρωπος ορίζει τη λογική, αυτή ορίζεται ως μέρος της εκπαιδευτικής διαδικασίας του μοντέλου. Όταν μιλάμε για λογική, σε αντίθεση με το παραδοσιακό λογισμικό, δεν είναι ένα σύνολο κανόνων, αλλά μάλλον μια μήτρα εκατομμυρίων και δισεκατομμυρίων αριθμών που αντιπροσωπεύουν το μυαλό, τον εγκέφαλο του μοντέλου μηχανικής μάθησης. Και αυτό είναι ένα μαύρο κουτί, δεν γνωρίζουμε πραγματικά τη σημασία κάθε αριθμού σε αυτόν τον πίνακα. Αλλά γνωρίζουμε στατιστικά, οπότε αυτό είναι πιθανολογικό και όχι ντετερμινιστικό. Μπορεί να είναι ακριβής στο 83% ή στο 93% των περιπτώσεων. Αυτό εγείρει πολλά ερωτήματα, σωστά; Πρώτον, πώς μπορούμε να εμπιστευτούμε ένα σύστημα που δεν μπορούμε να εξηγήσουμε τον τρόπο με τον οποίο έρχεται στις προβλέψεις του; Δεύτερον, πώς μπορούμε να εξηγήσουμε τις προβλέψεις για κλάδους υψηλής ρύθμισης – όπως ο χρηματοπιστωτικός τομέας. Για παράδειγμα, στις ΗΠΑ, οι χρηματοπιστωτικές εταιρείες υποχρεούνται από το νόμο να εξηγούν στους πελάτες τους γιατί απορρίφθηκαν για αίτηση δανείου.

Η αδυναμία να εξηγηθούν οι προβλέψεις μηχανικής μάθησης σε κείμενο αναγνώσιμο από τον άνθρωπο θα μπορούσε να είναι ένας σημαντικός αποκλεισμός για τη μαζική υιοθέτηση της ML σε όλες τις βιομηχανίες. Θέλουμε να γνωρίζουμε, ως κοινωνία, ότι το μοντέλο δεν λαμβάνει μεροληπτικές αποφάσεις. Θέλουμε να βεβαιωθούμε ότι κατανοούμε τι οδηγεί το μοντέλο σε μια συγκεκριμένη απόφαση. Εδώ είναι εξαιρετικά κρίσιμη η επεξήγηση και η διαφάνεια.

Πώς λειτουργεί η διαφανής και εξηγήσιμη λύση εργαλειοθήκης AI της Aporia;

Η επεξηγήσιμη εργαλειοθήκη AI της Aporia λειτουργεί ως μέρος ενός ενοποιημένου συστήματος παρατηρησιμότητας μηχανικής μάθησης. Χωρίς τη βαθιά ορατότητα των μοντέλων παραγωγής και μια αξιόπιστη λύση παρακολούθησης και ειδοποίησης, είναι δύσκολο να εμπιστευτείς τις εξηγήσιμες γνώσεις τεχνητής νοημοσύνης – δεν χρειάζεται να εξηγηθούν προβλέψεις εάν το αποτέλεσμα είναι αναξιόπιστο. Και έτσι, εκεί έρχεται η Aporia, παρέχοντας ένα μόνο παράθυρο γυάλινης ορατότητας σε όλα τα μοντέλα που τρέχουν, προσαρμόσιμη παρακολούθηση, δυνατότητες ειδοποίησης, εργαλεία εντοπισμού σφαλμάτων, διερεύνηση βασικών αιτιών και εξηγήσιμη τεχνητή νοημοσύνη. Μια αποκλειστική, full-stack λύση παρατηρητικότητας για κάθε ζήτημα που εμφανίζεται στην παραγωγή.

Η πλατφόρμα Aporia είναι αγνωστικιστική και εξοπλίζει επιχειρήσεις προσανατολισμένες στην τεχνητή νοημοσύνη, ομάδες επιστήμης δεδομένων και ML με έναν κεντρικό πίνακα ελέγχου και πλήρη ορατότητα στην υγεία, τις προβλέψεις και τις αποφάσεις του μοντέλου τους – δίνοντάς τους τη δυνατότητα να εμπιστεύονται την τεχνητή νοημοσύνη τους. Χρησιμοποιώντας το εξηγήσιμο AI της Aporia, οι οργανισμοί είναι σε θέση να κρατούν ενήμερους κάθε σχετικό ενδιαφερόμενο, εξηγώντας τις αποφάσεις μηχανικής μάθησης με ένα πάτημα ενός κουμπιού – αποκτούν αναγνώσιμες πληροφορίες από τον άνθρωπο σε συγκεκριμένες προβλέψεις μοντέλων ή προσομοιώνουν το «Τι θα γινόταν αν;» καταστάσεις. Επιπλέον, η Aporia παρακολουθεί συνεχώς τα δεδομένα που τροφοδοτούνται στο μοντέλο καθώς και τις προβλέψεις και σας στέλνει προληπτικά ειδοποιήσεις για σημαντικά γεγονότα, όπως υποβάθμιση απόδοσης, ακούσια προκατάληψη, μετατόπιση δεδομένων, ακόμη και ευκαιρίες βελτίωσης του μοντέλου σας. Τέλος, με την εργαλειοθήκη έρευνας της Aporia μπορείτε να φτάσετε στη βασική αιτία οποιουδήποτε γεγονότος για να διορθώσετε και να βελτιώσετε οποιοδήποτε μοντέλο στην παραγωγή.

Μερικές από τις λειτουργίες που προσφέρονται περιλαμβάνουν τα Data Points και τα Time Series Investigation Tools, πώς αυτά τα εργαλεία βοηθούν στην πρόληψη της μεροληψίας και της μετατόπισης της τεχνητής νοημοσύνης;

Τα σημεία δεδομένων παρέχουν μια ζωντανή προβολή των δεδομένων που λαμβάνει το μοντέλο και των προβλέψεων που κάνει για την επιχείρηση. Μπορείτε να λάβετε μια ζωντανή ροή για αυτό και να κατανοήσετε ακριβώς τι συμβαίνει στην επιχείρησή σας. Επομένως, αυτή η ικανότητα ορατότητας είναι ζωτικής σημασίας για τη διαφάνεια. Τότε μερικές φορές τα πράγματα αλλάζουν με την πάροδο του χρόνου και υπάρχει συσχέτιση μεταξύ πολλαπλών αλλαγών με την πάροδο του χρόνου – αυτός είναι ο ρόλος της έρευνας χρονοσειρών.

Πρόσφατα, μεγάλοι λιανοπωλητές αποτυγχάνουν όλα τα εργαλεία πρόβλεψης τεχνητής νοημοσύνης όταν επρόκειτο να προβλέψουν ζητήματα της εφοδιαστικής αλυσίδας, πώς θα το έλυνε αυτό η πλατφόρμα Aporia;

Η κύρια πρόκληση για τον εντοπισμό αυτού του είδους ζητημάτων έχει τις ρίζες του στο γεγονός ότι μιλάμε για μελλοντικές προβλέψεις. Αυτό σημαίνει ότι προβλέψαμε ότι κάτι θα συμβεί ή δεν θα συμβεί στο μέλλον. Για παράδειγμα, πόσα άτομα πρόκειται να αγοράσουν ένα συγκεκριμένο πουκάμισο ή να αγοράσουν ένα νέο PlayStation.

Τότε χρειάζεται λίγος χρόνος για να συγκεντρωθούν όλα τα πραγματικά αποτελέσματα – περισσότερο από μερικές εβδομάδες. Στη συνέχεια, μπορούμε να συνοψίσουμε και να πούμε, εντάξει, αυτή ήταν η πραγματική απαίτηση που είδαμε. Αυτό το χρονικό πλαίσιο, μιλάμε για λίγους μήνες συνολικά. Αυτό είναι που μας παίρνει από τη στιγμή που το μοντέλο κάνει την πρόβλεψη έως ότου η επιχείρηση ξέρει ακριβώς αν ήταν σωστό ή λάθος. Και μέχρι εκείνη τη στιγμή, είναι συνήθως πολύ αργά, η επιχείρηση είτε έχασε πιθανά έσοδα είτε συμπιέστηκε το περιθώριο, επειδή πρέπει να πουλήσει το πλεόνασμα σε τεράστιες εκπτώσεις.

Αυτό είναι μια πρόκληση. Και εδώ είναι ακριβώς όπου η Aporia έρχεται στο προσκήνιο και γίνεται πολύ, πολύ χρήσιμη σε αυτούς τους οργανισμούς. Πρώτον, επιτρέπει στους οργανισμούς να αποκτούν εύκολα διαφάνεια και προβολή σχετικά με τις αποφάσεις που λαμβάνονται – Υπάρχουν διακυμάνσεις; Υπάρχει κάτι που δεν έχει νόημα; Δεύτερον, καθώς μιλάμε για μεγάλους λιανοπωλητές, μιλάμε για τεράστια, όπως τεράστια ποσά αποθέματος, και η μη αυτόματη παρακολούθηση τους είναι σχεδόν αδύνατη. Εδώ οι επιχειρήσεις και οι ομάδες μηχανικής εκμάθησης εκτιμούν περισσότερο το Aporia, ως ένα αυτοματοποιημένο και προσαρμόσιμο σύστημα παρακολούθησης 24/7. Η Aporia παρακολουθεί συνεχώς τα δεδομένα και τις προβλέψεις, αναλύει τη στατιστική συμπεριφορά αυτών των προβλέψεων και μπορεί να προβλέψει και να εντοπίσει αλλαγές στη συμπεριφορά των καταναλωτών και αλλαγές στη συμπεριφορά των δεδομένων μόλις συμβεί. Αντί να περιμένετε έξι μήνες για να συνειδητοποιήσετε ότι η πρόβλεψη ζήτησης ήταν λανθασμένη, μπορείτε μέσα σε λίγες μέρες να διαπιστώσετε ότι βρισκόμαστε σε λάθος δρόμο με τις προβλέψεις ζήτησης. Έτσι η Aporia συντομεύει αυτό το χρονικό πλαίσιο από μερικούς μήνες σε λίγες ημέρες. Αυτό είναι ένα τεράστιο παιχνίδι αλλαγής για κάθε επαγγελματία ML.

Υπάρχει κάτι άλλο που θα θέλατε να μοιραστείτε για το Aporia;

Μεγαλώνουμε συνεχώς και αναζητούμε καταπληκτικούς ανθρώπους με λαμπρό μυαλό για να συμμετάσχουν στο ταξίδι της Aporia. Ρίξτε μια ματιά στο δικό μας ανοιχτές θέσεις.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Απορία.