Liran Hason, Συνιδρυτής & CEO της Aporia – Σειρά Συνεντεύξεων

Ο Liran Hason είναι ο Συνιδρυτής και CEO της Aporia, μιας πλήρως στοίβας πλατφόρμας ML observability 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 ένα server FastAPI πάνω από Kubernetes, ένα ανοικτό εργαλείο ανάπτυξης όπως το MLFlow ή μια πλατφόρμα μηχανικής μάθησης όπως το AWS Sagemaker

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

Ξεκινήσατε να κωδικοποιείτε όταν ήταν 10 ετών, 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 einen ιστότοπο. Μετά από την πληκτρολόγηση μιας διεύθυνσης 200 χαρακτήρων στο πρόγραμμα περιήγησης, είδα έναν ιστότοπο με το όνομά του. Με έκανε να αναρωτηθώ πώς δούλεψε αυτό και πώς μπορώ να το κάνω και εγώ. Ρώτησα τη μητέρα μου να μου αγοράσει ένα βιβλίο HTML, το οποίο ήταν το πρώτο μου βήμα στην κωδικοποίηση.

Βρίσκω μεγάλη χαρά στην αντιμετώπιση τεχνικών προκλήσεων και με την πάροδο του χρόνου η περιέργειά μου μεγάλωνε. Μάθαινα ASP, PHP και Visual Basic και καταναλώνω ό,τι μπορούσα.

Όταν δεν είχα ενεργές εργασίες, δούλευα στα δικά μου προτζεκτ – συνήθως διαφορετικούς ιστότοπους και εφαρμογές που στοχεύουν να βοηθήσουν άλλους ανθρώπους να επιτύχουν τους στόχους τους:

Blue-White Programming – είναι μια εβραϊκή γλώσσα προγραμματισμού, παρόμοια με το HTML, που την δημιούργησα μετά την αντιπαράθεση ότι τα παιδιά στο Ισραήλ που δεν έχουν υψηλό επίπεδο αγγλικών είναι περιορισμένα ή απομακρύνθηκαν από τον κόσμο της κωδικοποίησης.

Blinky – Οι παππούδες μου είναι κωφοί και χρησιμοποιούν νοηματική γλώσσα για να επικοινωνούν με τους φίλους τους. Όταν εμφανίστηκαν λογισμικά βίντεο-συνδιάλεξης 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,既然 δεν μπορούσαν να ακούσουν, δεν μπορούσαν να γνωρίζουν όταν είχαν εισερχόμενη κλήση. Για να τους βοηθήσω, έγραψα λογισμικό που αναγνωρίζει εισερχόμενες βίντεο-κλήσεις και τους ειδοποιεί με το blinked ενός πίνακα LED σε μια μικρή υλική συσκευή που έχτισα και συνδέθηκα με τον υπολογιστή τους.

Αυτά είναι μόνο quelques από τα προτζεκτ που δούλεψα ως εφήβος. Η περιέργειά μου δεν σταμάτησε ποτέ και βρήκα τον εαυτό μου να μαθαίνει C, C++, Assembly και πώς λειτουργούν τα λειτουργικά συστήματα και πραγματικά προσπάθησα να μάθω όσο περισσότερα μπορώ.

Μπορείτε να μοιραστείτε την ιστορία του ταξιδιού σας ως αρχιτέκτονας μηχανικής μάθησης στην Adallom, η οποία αποκτήθηκε από τη Microsoft;

Ξεκίνησα το ταξίδι μου στην Adallom μετά τη στρατιωτική μου θητεία. Μετά από 5 χρόνια στο στρατό ως καπτάν, 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 στη σχετική νιότη της και χτίζαμε μια από τις πρώτες λύσεις ασφαλείας cloud εκείνη την εποχή. Οι επιχειρήσεις μόλις αρχίζαν να μεταβαίνουν από το on-premise στο cloud και είδαμε νέους βιομηχανικούς προτύπους να αναδυθούν – όπως το Office 365, το Dropbox, το Marketo, το Salesforce και άλλα.

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

Η Adallom είχε ανάγκη κάποιου που είχε βαθιά γνώση της τεχνολογίας αλλά μπορούσε επίσης να είναι προσωποποιημένος. Προχώρησα όπως 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). Μια paar εβδομάδες αργότερα και έγιναν οι πρώτοι πελάτες μας στις ΗΠΑ. Αυτό ήταν μόνο ένα από τα πολλά μεγάλα εταιρικά σχήματα – το Netflix, το Disney, το Safeway – που βοηθούσα να λύσουν κρίσιμα προβλήματα cloud.

Για μένα, η ένταξη στην Adallom ήταν πραγματικά για να ενταχθώ σε ένα μέρος όπου πιστεύω στην αγορά, πιστεύω στην ομάδα και πιστεύω στην οραματική. 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 στο στρατό, ήταν πάντα σημαντικό. Μπορούσα εύκολα να δω πώς η προσέγγιση της Adallom για τη σύνδεση με τις λύσεις SaaS, στη συνέχεια παρακολούθηση της δραστηριότητας των χρηστών, των πόρων, αναζήτηση ανωμαλιών και così weiter, ήταν πώς θα γινόταν. Καταλάβαινα ότι αυτό θα είναι η προσέγγιση του μέλλοντος. Έτσι, σίγουρα έβλεπα την Adallom ως μια εταιρεία που θα είναι επιτυχημένη.

Ήμουν υπεύθυνος για την整ή αρχιτεκτονική της υποδομής ML μας. Και είδα και βίωσα πρώτο χέρι την έλλειψη κατάλληλου εργαλείου 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· όπου μπορείτε να δείτε ποιες αποφάσεις λαμβάνουν για την επιχείρησή σας· όπου μπορείτε να παρακολουθήσετε και να γίνετε προδραστικός με τους στόχους ML σας. Για παράδειγμα, είχαμε φορές που μάθαμε για προβλήματα στα μοντέλα μας ML πολύ αργά και αυτό δεν είναι καλό για τους χρήστες και σίγουρα δεν είναι καλό για την επιχείρηση. Αυτό είναι όπου η ιδέα για την Aporia άρχισε να στρογγυλοποιείται.

Μπορείτε να μοιραστείτε την ιστορία γένεσης πίσω από την Aporia;

Η δική μου προσωπική 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, χτίσα ένα σύστημα αναγνώρισης βιομετρικών δεδομένων με την ανάλυση εικόνων του ίριδας. Καταφέρα να επιτύχω ακρίβεια 94%. Το προτζεκτ ήταν επιτυχημένο και ήταν επευφημμένο από ερευνητική πλευρά. Αλλά για μένα, είχα χτίσει λογισμικό από τα 10 μου χρόνια και κάτι φαινόταν κάπως, δεν ήταν πραγματικό. Δεν μπορούσα πραγματικά να χρησιμοποιήσω το σύστημα αναγνώρισης βιομετρικών δεδομένων που χτίσα στην πραγματική ζωή γιατί δούλεψε καλά μόνο για το συγκεκριμένο σύνολο δεδομένων που χρησιμοποίησα. Δεν ήταν αρκετά детерμινιστικό.

Αυτό είναι μόνο λίγο ιστορικό. Όταν χτίζετε ένα σύστημα μηχανικής μάθησης, για παράδειγμα για αναγνώριση βιομετρικών δεδομένων, θέλετε τις προβλέψεις να είναι детерμινιστικές – θέλετε να γνωρίζετε ότι το σύστημα αναγνωρίζει ακριβώς 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 η περίπτωση με τη μηχανική μάθηση εκείνη την εποχή, όταν πρώτα μπήκα στο χώρο.

Περίπου επτά χρόνια αργότερα και βίωνα πρώτο χέρι, στην Adallom, την πραγματικότητα της εκτέλεσης μοντέλων παραγωγής χωρίς αξιόπιστες φρουρές, καθώς λαμβάνουν αποφάσεις για την επιχείρησή μας που επηρεάζουν τους πελάτες μας. Στη συνέχεια, είχα τη τύχη να δουλέψω ως επενδυτής στην Vertex Ventures, για τρία χρόνια. Είδα πώς περισσότερες και περισσότερες οργανώσεις χρησιμοποιούν ML και πώς οι εταιρείες μεταβαίνουν από το να μιλάνε για ML στο να το κάνουν πραγματικά. Ωστόσο, αυτές οι εταιρείες υιοθέτησαν ML μόνο για να αντιμετωπίσουν τις ίδιες προκλήσεις που αντιμετωπίζαμε στην Adallom.

Όλοι βιάστηκαν να χρησιμοποιήσουν ML και προσπάθησαν να χτίσουν συστήματα παρακολούθησης εντός. Προφανώς, δεν ήταν το κεντρικό τους επάγγελμα και αυτές οι προκλήσεις είναι assez σύνθετες. Εδώ είναι όπου αντιλαμβάνομαι ότι αυτή είναι η ευκαιρία μου να κάνω einen μεγάλο αντίκτυπο.

Η AI υιοθετείται σε几乎 όλους τους κλάδους, συμπεριλαμβανομένης της υγείας, των χρηματοοικονομικών υπηρεσιών, του αυτοκινήτου και άλλων, και θα αγγίξει όλες τις ζωές 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 bugs και η μηχανική μάθηση δεν είναι διαφορετική. Αν αφήσετε αυτά τα προβλήματα ML χωρίς έλεγχο, μπορούν πραγματικά να βλάψουν την επιχειρηματική συνέχεια και να επηρεάσουν την κοινωνία με μη προβλεπόμενες προκαταλήψεις. Πάρτε την απόπειρα της Amazon να εφαρμόσει ένα εργαλείο भरσης θέσεων AI – η μη προβλεπόμενη προκατάληψη προκάλεσε το μοντέλο ML να συστήνει έντονα τους αρσενικούς υποψήφιους έναντι των θηλέων. Αυτό είναι προφανώς ένα απροσδόκητο αποτέλεσμα. Έτσι, πρέπει να υπάρχει μια αφιερωμένη λύση για να ανιχνεύσει μη προβλεπόμενες προκαταλήψεις 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 προδιαγραφές, συχνά οι χρήστες ML θα χρειαστούν τρόπους να εξηγήσουν τις προβλέψεις του μοντέλου τους. Στο τέλος, είναι κρίσιμο να ερευνήσετε και να αναπτύξετε νέα μοντέλα και καινοτόμες εργασίες, 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 παρατηρησιμότητας για να διασφαλιστεί ότι μπορούν να εμπιστευτούν την AI.

Μπορείτε να εξηγήσετε τη σημασία της διαφανής και εξηγήσιμης AI;

Ενώ μπορεί να φαίνεται παρόμοιο, υπάρχει μια σημαντική διάκριση που πρέπει να γίνει μεταξύ του παραδοσιακού λογισμικού και της μηχανικής μάθησης. Στο λογισμικό, έχετε έναν μηχανικό λογισμικού, ο οποίος γράφει κώδικα, ορίζει τη λογική της εφαρμογής, ξέρετε ακριβώς τι θα συμβεί σε κάθε ροή του κώδικα. Είναι детерμινιστικό. Αυτός είναι ο τρόπος με τον οποίο το λογισμικό συνήθως χτίζεται, οι μηχανικοί δημιουργούν κώδικες δοκιμών, δοκιμάζουν περιπτώσεις, φτάνουν σε κάποιο ποσοστό κάλυψης – 70% – 80% και νιώθουν ικανοποιημένοι ότι μπορούν να το κυκλοφορήσουν στην παραγωγή. Αν εμφανιστούν κάποια προειδοποιητικά μηνύματα, μπορείτε εύκολα να τους αποσφαλματώσετε και να κατανοήσετε τι πήγε λάθος και να το διορθώσετε.

Αυτό δεν είναι η περίπτωση 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 einen σύνολο κανόνων, είναι ένας πίνακας εκατομμυρίων και δισεκατομμυρίων αριθμών που αντιπροσωπεύουν το μυαλό, το εγκέφαλο του μοντέλου ML. Και αυτό είναι ένα μαύρο κουτί, δεν ξέρουμε πραγματικά τη σημασία κάθε αριθμού σε αυτόν τον πίνακα. Αλλά ξέρουμε στατιστικά, έτσι αυτή είναι μια πιθανοτική και όχι детерμινιστική. Μπορεί να είναι ακριβής στο 83% ή 93% του χρόνου. Αυτό θέτει 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 ρυθμιζόμενους κλάδους – 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 ML σε αναγνώσιμο κείμενο μπορεί να είναι ένας σημαντικός εμπόδιο για τη μαζική υιοθέτηση της ML σε όλους τους κλάδους. Θέλουμε να ξέρουμε, ως κοινωνία, ότι το μοντέλο δεν λαμβάνει προκατειλημμένες αποφάσεις. Θέλουμε να βεβαιωθούμε ότι κατανοούμε τι οδηγεί το μοντέλο σε μια συγκεκριμένη απόφαση. Αυτό είναι όπου η εξηγήσιμη AI και η διαφάνεια είναι εξαιρετικά κρίσιμες.

Πώς λειτουργεί η λύση εργαλείου AI της Aporia για διαφανή και εξηγήσιμη AI;

Το εργαλείο εξηγήσιμης AI της Aporia λειτουργεί ως μέρος eines ενιαίου συστήματος παρατηρησιμότητας ML. Χωρίς βαθιά ορατότητα μοντέλων παραγωγής και μια αξιόπιστη λύση παρακολούθησης και ειδοποίησης είναι δύσκολο να εμπιστευτείτε τις εξηγήσιμες AI εντυπώσεις – δεν υπάρχει ανάγκη να εξηγήσετε προβλέψεις αν η έξοδος είναι αξιόπιστη. Και così, εκεί είναι όπου η Aporia έρχεται, παρέχοντας ένα ενιαίο τζάμι ορατότητας για όλα τα τρέχοντα μοντέλα, προσαρμόσιμη παρακολούθηση, ικανότητες ειδοποίησης, εργαλεία αποσφαλμάτωσης, έρευνα ριζικής αιτίας και εξηγήσιμη AI. Μια αφιερωμένη, πλήρης λύση παρατηρησιμότητας για κάθε πρόβλημα που προκύπτει στην παραγωγή.

Η πλατφόρμα Aporia είναι αδιάκριτη και εξοπλίζει τις επιχειρήσεις που προσανατολίζονται στην AI, τις ομάδες επιστημών δεδομένων και ML με einen κεντρικό πίνακα ελέγχου και πλήρη ορατότητα στα μοντέλα τους, τις προβλέψεις και τις αποφάσεις – τους επιτρέποντας να εμπιστευτούν την AI τους. Χρησιμοποιώντας την εξηγήσιμη AI της Aporia, οι οργανώσεις μπορούν να κρατήσουν κάθε σχετικό ενδιαφερόμενο μέρος στην πορεία εξηγώντας τις αποφάσεις ML με ένα κλικ του κουμπίου – να πάρουν ανθρώπινα αναγνώσιμες εντυπώσεις σε συγκεκριμένες προβλέψεις μοντέλων ή να προσομοιώσουν “Τι αν;” καταστάσεις. Επιπλέον, η Aporia παρακολουθεί συνεχώς τα δεδομένα που ταΐζονται στο μοντέλο καθώς και τις προβλέψεις και σας στέλνει ειδοποιήσεις όταν συμβαίνουν σημαντικά γεγονότα, συμπεριλαμβανομένης της υποβάθμισης απόδοσης, της μη προβλεπόμενης προκατάληψης, της ολίσθησης δεδομένων και ακόμη και ευκαιριών για βελτίωση του μοντέλου σας. Τέλος, με το εργαλείο έρευνας της Aporia, μπορείτε να φτάσετε στην ριζική αιτία οποιουδήποτε γεγονότος για 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 προκατάληψης και ολίσθησης AI;

Τα δεδομένα παρέχουν μια ζωντανή θέα των δεδομένων που λαμβάνει το μοντέλο και των προβλέψεων που κάνει για την επιχείρηση. Μπορείτε να πάρτε μια ζωντανή ροή αυτού και να κατανοήσετε ακριβώς τι συμβαίνει στην επιχείρησή σας. Αυτή η ικανότητα ορατότητας είναι κρίσιμη για τη διαφάνεια. Κάποιες 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 πρόβλεψης AI να αποτύχουν όταν πρόκειται για την πρόβλεψη προβλημάτων αλυσίδας εφοδιασμού, πώς θα επιλύσει η πλατφόρμα 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 συγκεντρώσετε όλα τα πραγματικά αποτελέσματα – περισσότερο από quelques εβδομάδες. Στη συνέχεια, μπορούμε να συνοψίσουμε και να πούμε, ок, αυτό ήταν η πραγματική ζήτηση που είδαμε. Αυτό το χρονικό διάστημα, μιλάμε για quelques μήνες συνολικά. Αυτό είναι που μας φέρνει από τη στιγμή που το μοντέλο κάνει την πρόβλεψη μέχρι την επιχείρηση να γνωρίζει ακριβώς αν ήταν σωστό ή λάθος. Και μέχρι τότε, είναι συνήθως πολύ αργά, η επιχείρηση είτε έχασε πιθανές έσοδα είτε η маржа έγινε στενή, επειδή πρέπει να πουλήσει υπερβολική παραγωγή με τεράστιες εκπτώσεις.

Αυτό είναι ένα πρόβλημα. Και αυτό είναι ακριβώς όπου η Aporia έρχεται και γίνεται πολύ, πολύ χρήσιμη σε αυτές τις οργανώσεις. Πρώτο, επιτρέπει στις οργανώσεις να πάρουν εύκολα διαφάνεια και ορατότητα σε ποιες αποφάσεις λαμβάνονται – Υπάρχουν κάποιες διακυμάνσεις; Υπάρχει κάτι που δεν έχει νόημα; Δεύτερο, καθώς μιλάμε για μεγάλους λιανοπωλητές, μιλάμε για τεράστιες ποσότητες εμπορευμάτων και η παρακολούθηση τους χειροκίνητα είναι σχεδόν αδύνατο. Εδώ είναι όπου οι επιχειρήσεις και οι ομάδες ML 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 αυτών των προβλέψεων και μπορεί να προβλέψει και να αναγνωρίσει αλλαγές στη συμπεριφορά των καταναλωτών και αλλαγές στα δεδομένα όσο γρήγορα συμβαίνει. Αντί να περιμένουμε έξι μήνες για να καταλάβουμε ότι η πρόβλεψη ζήτησης ήταν λάθος, μπορείτε σε quelques ημέρες να αναγνωρίσετε ότι είμαστε στον λάθος δρόμο με τις προβλέψεις ζήτησης. Έτσι, η Aporia συντομεύει αυτό το χρονικό διάστημα από quelques μήνες σε quelques ημέρες. Αυτό είναι ένας τεράστιος game changer για κάθε ML practitioner.

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

Είμαστε συνεχώς σε εξέλιξη και ψάχνουμε για υπέροχους ανθρώπους με εξαιρετικές νου για να ενταχθούν στο ταξίδι της Aporia. Ελέγξτε τις ανοιχτές θέσεις.

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