Liran Hason, Aporia – intervjuuseeria kaasasutaja ja tegevjuht

Liran Hason on ettevõtte kaasasutaja ja tegevjuht Aporia, täielik ML-vaatlusplatvorm, mida Fortune 500 ettevõtted ja andmeteaduse meeskonnad üle maailma kasutavad vastutustundliku AI tagamiseks. Aporia integreerub sujuvalt mis tahes ML-i infrastruktuuriga. Olgu selleks siis Kubernetese peal asuv FastAPI server, avatud lähtekoodiga juurutustööriist nagu MLFlow või masinõppeplatvorm nagu AWS Sagemaker

Enne Aporia asutamist oli Liran ML-i arhitekt Adallomis (omandatud Microsofti poolt) ja hiljem investor ettevõttes Vertex Ventures.

Hakkasite kodeerima 10-aastaselt, mis teid alguses arvutite juures köitis ja millega te tegelesite?

Aasta oli 1999 ja üks mu sõber helistas mulle ja ütles, et on loonud veebisaidi. Pärast 200 tähemärgi pikkuse aadressi sisestamist oma brauserisse nägin veebisaiti, millel oli tema nimi. Mind hämmastas see, et ta lõi midagi oma arvutis ja mina sain seda oma arvutis näha. See muutis mind väga uudishimulikuks, kuidas see töötab ja kuidas ma saan sama teha. Palusin emal osta mulle HTML-raamat, mis oli minu esimene samm programmeerimisel.

Tunnen suurt rõõmu tehniliste väljakutsete vastuvõtmisest ja aja möödudes mu uudishimu ainult kasvas. Õppisin ASP, PHP ja Visual Basicu ning tarbisin tõesti kõike, mida suutsin.

Kui ma olin 13-aastane, võtsin juba vabakutselisi töid, koostasin veebisaite ja töölauarakendusi.

Kui mul polnud aktiivset tööd, tegelesin oma projektidega – tavaliselt olid erinevad veebisaidid ja rakendused, mille eesmärk oli aidata teistel inimestel oma eesmärke saavutada:

Sini-valge programmeerimine – on HTML-ile sarnane heebrea programmeerimiskeel, mille ehitasin pärast seda, kui mõistsin, et Iisraeli lapsed, kes ei valda inglise keelt kõrgel tasemel, on kodeerimismaailmast piiratud või tõrjutud.

Vilkuv – Minu vanavanemad on kurdid ja kasutavad sõpradega suhtlemiseks viipekeelt. Kui tekkisid videokonverentsitarkvarad, nagu Skype ja ooVoo, võimaldas see neil esimest korda sõpradega rääkida isegi siis, kui nad ei viibi samas ruumis (nagu me kõik oma telefonidega teeme). Kuna nad aga ei kuule, ei saanud nad teada, millal neile saabub kõne. Nende abistamiseks kirjutasin tarkvara, mis tuvastab sissetulevad videokõned ja hoiatab neid, vilgutades LED-massiivi väikeses riistvaraseadmes, mille olen nende arvutiga ühendanud.

Need on vaid mõned projektid, mille ma teismelisena ehitasin. Minu uudishimu ei katkenud ja leidsin end õppimas C, C++, Assembly ja operatsioonisüsteemide toimimist ning püüdsin tõesti õppida nii palju kui võimalik.

Kas saaksite jagada lugu oma teekonnast, olles Microsofti omandatud Adallomi masinõppearhitekt?

Alustasin oma teekonda Adallomis pärast ajateenistust. Pärast 5 aastat sõjaväes kaptenina nägin suurepärast võimalust liituda areneva ettevõtte ja turuga – ühena esimestest töötajatest. Ettevõtet juhtisid suurepärased asutajad, keda teadsin oma sõjaväeteenistusest, ja neid toetasid tipptasemel riskikapitaliettevõtted – nagu Sequoia. Pilvetehnoloogiate turuletulek oli alles suhteliselt lapsekingades ja me ehitasime sel ajal üht esimestest pilveturbelahendustest. Ettevõtted olid just alustamas üleminekut kohapealsetelt pilveteenustele ja nägime, et tekkisid uued tööstusstandardid – nagu Office 365, Dropbox, Marketo, Salesforce ja teised.

Juba esimestel nädalatel teadsin, et tahan ühel päeval oma ettevõtte asutada. Tehnoloogilisest vaatenurgast tundsin tõesti, et olen valmis igale väljakutsele, ja kui mitte ise, siis teadsin õigeid inimesi, kes aitaksid mul kõigest üle saada.

Adallomil oli vaja kedagi, kes tunneks põhjalikult tehnikat, kuid võiks olla ka kliendikeskne. Keritakse edasi nagu kuu ja ma olen esimest korda elus lennukis USA-sse, et kohtuda inimestega LinkedInist (pre-Microsoft). Paar nädalat hiljem sai neist meie esimene maksv klient USA-s. See oli vaid üks paljudest suurkorporatsioonidest – Netflix, Disney ja Safeway –, mille jaoks aitasin lahendada kriitilisi pilveprobleeme. See oli ülihariv ja tugev enesekindluse tõstja.

Minu jaoks tähendas Adallomiga liitumine tegelikult liitumist kohaga, kus ma usun turgu, usun meeskonda ja usun visiooni. Olen ääretult tänulik võimaluse eest, mis mulle seal anti.

Minu tegemise eesmärk oli ja on väga oluline. Minu jaoks oli see sõjaväes samamoodi, see oli alati oluline. Ma nägin hõlpsalt, kuidas Adallom lähenemine SaaS-lahendustega ühenduse loomisele, seejärel kasutajate aktiivsuse, ressursside jälgimisele, kõrvalekallete leidmisele jne. Sain aru, et see on tuleviku lähenemine. Seega nägin Adallom kindlasti ettevõtet, mis hakkab olema edukas.

Vastutasin kogu meie ML infrastruktuuri arhitektuuri eest. Ja ma nägin ja kogesin omal nahal ökosüsteemi jaoks sobivate tööriistade puudumist. Jah, mulle oli selge, et ühes tsentraliseeritud kohas peab olema spetsiaalne lahendus, kus näete kõiki oma mudeleid; kus näete, milliseid otsuseid nad teie ettevõtte jaoks teevad; kus saate jälgida oma ML-eesmärke ja olla nendega ennetav. Näiteks oli meil aegu, mil saime masinõppemudelite probleemidest liiga hilja teada ja see ei ole hea kasutajate ja kindlasti mitte ettevõtte jaoks. Siit hakkaski Aporia idee kooruma.

Kas saaksite jagada Aporia tekkelugu?

Minu isiklik kogemus masinõppega algab 2008. aastal Weizmanni Instituudi, Bathi ülikooli ja Hiina uurimiskeskuse koostööprojekti osana. Seal ehitasin iirise kujutisi analüüsides biomeetrilise identifitseerimissüsteemi. Suutsin saavutada 94% täpsuse. Projekt oli edukas ja seda kiideti uurimistöö seisukohalt. Kuid minu jaoks olin tarkvara loonud juba 10-aastaselt ja midagi tundus mingil moel, mitte päris. Te ei saanud päriselus loodud biomeetrilist identifitseerimissüsteemi kasutada, kuna see töötas hästi ainult konkreetse andmestiku puhul, mida ma kasutasin. See ei ole piisavalt deterministlik.

See on vaid natuke tausta. Kui loote masinõppesüsteemi, näiteks biomeetrilise tuvastamise jaoks, soovite, et ennustused oleksid deterministlikud – soovite teada, et süsteem tuvastab täpselt teatud isiku, eks? Nii nagu see, kuidas teie iPhone ei avane, kui see ei tuvasta õiget inimest õige nurga all, on see soovitud tulemus. Kuid masinõppe puhul see tõesti nii ei olnud, kui ma esimest korda kosmosesse sattusin.

Umbes seitse aastat hiljem kogesin Adalomis omal nahal, kuidas töötavad tootmismudelid ilma usaldusväärsete kaitsepiireteta, kuna need teevad meie ettevõtte jaoks otsuseid, mis mõjutavad meie kliente. Siis oli mul õnn töötada Vertex Venturesis kolm aastat investorina. Nägin, kuidas üha enam organisatsioone kasutas ML-i ja kuidas ettevõtted läksid pelgalt ML-st rääkimiselt üle masinõppe tegemisele. Kuid need ettevõtted võtsid ML-i kasutusele ainult selleks, et neile väljakutse esitasid samad probleemid, millega Adallomis silmitsi seisime.

Kõik tormasid ML-i kasutama ja nad üritasid majasiseselt seiresüsteeme luua. Ilmselgelt ei olnud see nende põhitegevus ja need väljakutsed on üsna keerulised. Siin sain ka aru, et see on minu võimalus avaldada tohutut mõju.

AI võetakse kasutusele peaaegu kõigis tööstusharudes, sealhulgas tervishoius, finantsteenustes, autotööstuses ja mujal, ning see puudutab kõigi elusid ja mõjutab meid kõiki. See on koht, kus Aporia näitab oma tõelist väärtust – võimaldades kõigil neil elumuutvatel kasutusjuhtudel toimida ettenähtud viisil ja aidata meie ühiskonda parandada. Sest nagu iga tarkvara puhul, on ka teil vigu ja masinõpe pole erinev. Kui neid ML-probleeme ei kontrollita, võivad need tõesti kahjustada äritegevuse järjepidevust ja mõjutada ühiskonda tahtmatute eelarvamustega. Võtke Amazoni katse rakendada tehisintellekti värbamistööriista – tahtmatu eelarvamus pani masinõppemudeli soovitama meeskandidaate naiste asemel. See on ilmselgelt soovimatu tulemus. Seega peab olema spetsiaalne lahendus tahtmatu eelarvamuse tuvastamiseks enne, kui see jõuab uudistesse ja mõjutab lõppkasutajaid.

Selleks, et organisatsioonid saaksid masinõppe eeliseid õigesti usaldada ja selle eeliseid nautida, peavad nad teadma, millal see õigesti ei tööta, ja nüüd, uute eeskirjadega, vajavad ML-i kasutajad sageli viise, kuidas oma mudeli ennustusi selgitada. Lõppkokkuvõttes on uute mudelite ja uuenduslike projektide uurimine ja väljatöötamine ülioluline, kuid kui need mudelid kohtuvad reaalse maailmaga ja teevad inimeste, ettevõtete ja ühiskonna jaoks tõelisi otsuseid, on selge vajadus tervikliku jälgimislahenduse järele, et tagada nende usalda AI-d.

Kas saate selgitada läbipaistva ja seletatava AI tähtsust?

Kuigi see võib tunduda sarnane, tuleb traditsioonilisel tarkvaral ja masinõppel teha oluline vahe. Tarkvaras on teil tarkvarainsener, kes kirjutab koodi, määratleb rakenduse loogika, me teame täpselt, mis igas koodivoos juhtub. See on deterministlik. Nii on tarkvara tavaliselt üles ehitatud, insenerid loovad testjuhtumeid, katsetades servajuhtumeid, saavutades 70% – 80% levialast – tunnete end piisavalt hästi, et saate tootmisse lasta. Kui mõni märguanne ilmub, saate hõlpsalt siluda ja mõista, mis voog valesti läks, ja selle parandada.

Masinõppe puhul see nii ei ole. Selle asemel, et loogikat määratleb inimene, määratletakse see mudeli koolitusprotsessi osana. Kui räägime loogikast, siis erinevalt traditsioonilisest tarkvarast ei ole see reeglite kogum, vaid miljonite ja miljardite numbrite maatriks, mis esindab mõistust, masinõppemudeli aju. Ja see on must kast, me ei tea tegelikult iga numbri tähendust selles maatriksis. Kuid me teame statistiliselt, nii et see on tõenäosuslik, mitte deterministlik. See võib olla täpne 83% või 93% ajast. See tekitab palju küsimusi, eks? Esiteks, kuidas saame usaldada süsteemi, mille ennustusi me ei suuda seletada? Teiseks, kuidas saame seletada ennustusi tugevalt reguleeritud tööstusharude – näiteks finantssektori – jaoks. Näiteks USA-s on finantsfirmad seadusega kohustatud oma klientidele selgitama, miks nende laenutaotlus tagasi lükati.

Suutmatus seletada masinõppe ennustusi inimloetava tekstiga võib olla peamiseks tõkkeks ML massilisele kasutuselevõtule tööstusharudes. Tahame ühiskonnana teada, et mudel ei tee kallutatud otsuseid. Tahame veenduda, et mõistame, mis viib mudeli konkreetse otsuseni. Siin on seletatavus ja läbipaistvus äärmiselt olulised.

Kuidas Aporia läbipaistev ja seletatav AI tööriistakasti lahendus töötab?

Aporia seletatav AI tööriistakast töötab ühtse masinõppe jälgimissüsteemi osana. Ilma tootmismudelite põhjaliku nähtavuseta ning usaldusväärse jälgimis- ja hoiatuslahenduseta on raske seletatavaid tehisintellekti teadmisi usaldada – ennustusi pole vaja seletada, kui väljund on ebausaldusväärne. Ja see on koht, kus Aporia tuleb kasutusele, pakkudes ühtse klaaspaneeli nähtavust kõikidele töötavatele mudelitele, kohandatavat jälgimist, hoiatusvõimalusi, silumistööriistu, algpõhjuste uurimist ja seletatavat tehisintellekti. Spetsiaalne, täielik jälgitavuslahendus iga tootmises esile kerkiva probleemi jaoks.

Aporia platvorm on agnostiline ja varustab tehisintellektile orienteeritud ettevõtted, andmeteaduse ja ML-meeskonnad tsentraliseeritud armatuurlauaga ning täieliku ülevaate oma mudeli seisundist, prognoosidest ja otsustest, võimaldades neil oma tehisintellekti usaldada. Kasutades Aporia seletatavat tehisintellekti, saavad organisatsioonid hoida kõiki olulisi sidusrühmi kursis, selgitades masinõppeotsuseid ühe nupuvajutusega – hankida inimloetavaid teadmisi konkreetsete mudelite ennustustest või simuleerida teemat „Mis siis, kui?” olukordi. Lisaks jälgib Aporia pidevalt nii mudelisse sisestatud andmeid kui ka ennustusi ning saadab teile ennetavalt hoiatusi oluliste sündmuste, sealhulgas jõudluse halvenemise, tahtmatu nihke, andmete triivimise ja isegi mudeli täiustamise võimaluste kohta. Lõpuks saate Aporia uurimistööriistadega jõuda iga sündmuse algpõhjuseni, et parandada ja täiustada mis tahes tootmismudelit.

Mõned pakutavad funktsioonid hõlmavad andmepunkte ja aegridade uurimistööriistu. Kuidas need tööriistad aitavad vältida tehisintellekti eelarvamusi ja triivi?

Andmepunktid pakuvad reaalajas ülevaadet andmetest, mida mudel saab, ja prognoosidest, mida see ettevõtte jaoks teeb. Saate sellest otseülekande ja saate täpselt aru, mis teie ettevõttes toimub. Seega on see nähtavuse võime läbipaistvuse jaoks ülioluline. Siis mõnikord asjad ajas muutuvad ja mitme aja jooksul muutumise vahel on korrelatsioon – see on aegridade uurimise roll.

Hiljuti on suurematel jaemüüjatel kõik nende AI-ennustustööriistad tarneahela probleemide ennustamisel ebaõnnestunud. Kuidas Aporia platvorm selle probleemi lahendaks?

Peamine väljakutse sedalaadi probleemide tuvastamisel tuleneb asjaolust, et me räägime tulevikuennustustest. See tähendab, et me ennustasime, et midagi juhtub või ei juhtu tulevikus. Näiteks kui palju inimesi kavatseb osta konkreetse särgi või ostab uue PlayStationi.

Seejärel kulub tegelike tulemuste kogumiseks veidi aega – rohkem kui paar nädalat. Seejärel võime kokkuvõtte teha ja öelda: okei, see oli tegelik nõudlus, mida me nägime. Selle aja jooksul räägime kokku mõnest kuust. See viib meid hetkest, mil mudel teeb ennustuse, kuni ettevõte teab täpselt, kas see oli õige või vale. Ja selleks ajaks on tavaliselt juba hilja, ettevõte kas kaotas potentsiaalsed tulud või jäi marginaal kokku, sest nad peavad müüma ülejääke suurte allahindlustega.

See on väljakutse. Ja just siin tuleb Aporia pildile ja on nendele organisatsioonidele väga-väga abiks. Esiteks võimaldab see organisatsioonidel hõlpsasti saada läbipaistvust ja nähtavust selle kohta, millised otsused tehakse – kas on kõikumisi? Kas on midagi, millel pole mõtet? Teiseks, kuna me räägime suurtest jaemüüjatest, räägime tohututest, näiteks tohututest laovarudest, ja nende käsitsi jälgimine on peaaegu võimatu. Siin hindavad ettevõtted ja masinõppemeeskonnad enim Aporiat kui ööpäevaringset automatiseeritud ja kohandatavat jälgimissüsteemi. Aporia jälgib pidevalt andmeid ja ennustusi, analüüsib nende ennustuste statistilist käitumist ning suudab ette näha ja tuvastada muutusi tarbijate käitumises ja muutusi andmete käitumises kohe, kui need juhtuvad. Selle asemel, et oodata kuus kuud, et mõista, et nõudluse prognoos oli vale, saate mõne päevaga tuvastada, et oleme nõudluse prognoosidega valel teel. Seega lühendab Aporia seda ajavahemikku mõnelt kuult mõne päevani. See on tohutu mängumuutja iga ML-i harjutaja jaoks.

Kas soovite Aporia kohta veel midagi jagada?

Kasvame pidevalt ja otsime Aporia teekonnaga liituma suurepäraseid inimesi, kellel on suurepärane mõistus. Vaadake meie avatud positsioonid.

Täname suurepärase intervjuu eest, lugejad, kes soovivad rohkem teada saada, peaksid külastama Aporia.