Alon Lev, Qwakin toinen perustaja ja toimitusjohtaja – Haastattelusarja

Alon Lev on Qwakin toinen perustaja ja toimitusjohtaja, joka on kehittänyt alustan, joka poistaa koneoppimisen teknisen kitkan ja mahdollistaa nopeat iteroinnit, suuren mittakaavan ja mukautettavan infrastruktuurin.

Milloin sinä kiinnostuit koneoppimisesta?

Minun ensimmäinen merkittävä koneoppimiskokemukseni oli, kun rakensin BI-tiimiä Payoneerissa noin seitsemän vuotta sitten. Tajusin, että datalähtöisen organisaation luominen vaatii erityisiä prosesseja ja työkaluja. Koneoppiminen, joka on nykyään osa jokaisen datalähtöisen yrityksen strategiaa, oli silloin alkuvaiheessa.

Voitko kertoa aiemmasta roolistasi Payoneerissa ja miten se mahdollisti nähdä, miten koneoppiminen kasvaa tärkeämmäksi?

Payoneerin datasta vastaavana varatoimitusjohtajana olin vastuussa kaikista datan osuuksista, kuten analytiikasta, BI:stä, datatekniikasta ja datatieteestä. Data-tieteessä minulla oli “wow”-hetki, kun rakensimme koko luottotuotteemme koneoppimisen pohjalta. Se toimi hämmästyttävästi alusta alkaen; silloin tajusin, että koneoppiminen voi parantaa ei vain olemassa olevia liiketoimintalinjoja, vaan myös luoda uusia liiketoimintalinjoja ja tuotteita.

Mitkä olivat joitain koneoppimisen haasteita, joita sinä näit?

Tuotantovaiheessa ML:ssä dataomistajilla ja insinööreillä on jo paljon työtä – hallitseminen tuotantokelpoista infrastruktuuria, joka mahdollistaa ML:n tuotteistamisen, oli aina valtava haaste, joka “tappoi” monia meidän projektejamme.

Miten Qwak-alusta poistaa teknisen kitkan koneoppimisesta?

Qwak vapauttaa ML-insinöörit infrastruktuurin perustöistä, jotta he voivat keskittyä liiketoiminta-arvon luomiseen.

Ran Romano (perustaja ja VP R&D) oli samassa tilanteessa ollessaan MLops-osaston johtajana Wixissä. Nykyään hänen pääpainopisteensä on haasteiden ratkaisemisessa ja prosessin tehostamisessa, jotta ML-mallien tuotteistaminen olisi nopeampaa, tehokkaampaa ja vaivatonta. Tavoitteemme on tehdä ML-insinöörien ja data-tieteilijöiden elämästä helpompaa ja vaikuttavampaa, jotta koneoppimisen toimitukset voisivat olla yrityksille realiteetti, eikä toivelista-kohtaa.

Miksi tämä on täydellinen ratkaisu yrityksille, jotka haluavat enemmän koneoppimisen tuotantokapasiteettia, mutta joilla on vähän data-tieteilijöitä ja ML-insinöörejä?

Emme väitä, että ymmärrämme liiketoimintaa tai dataa, mutta meillä on paljon kokemusta infrastruktuurin osalta; Meidän tehtävämme on selvä; Me haluamme auttaa erinomaisia data-tiede- ja ML-insinööritiimejä luomaan upeita tuotteita. Emme sekaannu mallin logiikkaan, vaan keskitymme siihen, mitä me parhaiten osaamme, eli infrastruktuuriin.

Mikä erottaa Qwakin kilpailevista koneoppimisen ratkaisuista?

Olemme kaiken kaikkiaan auttamassa vahvoja tiimejä ottamaan pois perustyön ja suorittamaan koko ML-tuotteistamisen prosessin; Qwak toimittaa ja uskoo vaakasuoraan lähestymistapaan MLOps-haasteiden ratkaisemiseksi – eli emme rakentaneet alustaa vain mallirekisterin ja mallien tarjoilun ympärille tai piirrevarastoon ja automaatioon, vaan ajattelemme, että tarvitset kaiken yhdessä paikassa, jotta voit skaalata ML-infrastruktuurisi.

Voitko kertoa, miten Qwak tukee koneoppimisen mallien palautteen seuraamista ja miksi se on tärkeää?

Palautteen seuraaminen on yksi ensimmäisistä asioista, joita olemme rakentaneet Qwakiin, koska näemme sen osana tuotantokäytön elinkaarta. Qwak tarjoaa palautteen API:n, joka mahdollistaa automaattisen palautteen raportoinnin.

Onko mitään muuta, mitä haluaisit kertoa Qwakista?

Meillä on upea tiimi kokeneita insinöörejä ja johtajia alalla. Laajalla kokemuksella koneoppimisen insinööritöistä tiedämme, mitä on tehtävä, ja olemme vasta aloittamassa 🙂

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Qwakissa.