Liran Hason, Aporian perustaja ja toimitusjohtaja – Haastattelusarja

Liran Hason on Aporian perustaja ja toimitusjohtaja, joka on täysipainoinen ML-havainnollistamisalusta, jota käyttävät Fortune 500 -yritykset ja data-tieteelliset tiimit ympäri maailmaa varmistamaan vastuullinen AI. Aporia integroituu täydellisesti mihin tahansa ML-infrastruktuuriin. Olipa kyseessä sitten FastAPI-palvelin Kubernetesin päällä, avoimen lähdekoodin käyttöönotto-työkalu kuten MLFlow tai koneoppimisen alusta kuten AWS Sagemaker

Ennen Aporian perustamista Liran toimi ML-arkkitehtina Adallomissa (jonka Microsoft hankki), ja myöhemmin sijoittajana Vertex Venturesissa.

Kävit koodaamassa 10-vuotiaana, mitä sinä ensin veti puoleen tietokoneisiin, ja mitä sinä teit?

Se oli vuosi 1999, ja ystäväni soitti minulle ja sanoi, että hän oli rakentanut verkkosivun. Kirjoittamalla 200 merkkiä pitkän osoitteen selaimeeni, näin verkkosivun, jossa oli hänen nimensä. Olin hämmästynyt siitä, että hän oli luonut jotain tietokoneellaan ja minä näin sen oman tietokoneeni ruudulla. Tämä herätti minussa suuren uteliaisuuden siitä, miten se toimii ja miten voin tehdä saman. Pyysin äitiäni ostamaan minulle HTML-kirjan, joka oli minun ensimmäinen askel ohjelmointiin.

Nautin suuresti siitä, että otan teknisiä haasteita, ja ajan myötä uteliaisuuteni vain kasvoi. Opetin itseni ASP: n, PHP: n ja Visual Basicin, ja opiskelin kaiken, mitä voin.

Kun minulla ei ollut aktiivisia töitä, työskentelin omilla projekteillani – yleensä erilaisilla verkkosivuilla ja sovelluksilla, joiden tarkoituksena oli auttaa muita ihmisiä saavuttamaan tavoitteensa:

Blue-White Programming – on heprean kielen ohjelmointikieli, joka on samanlainen kuin HTML, jonka kehittäminen aloin, kun tajusin, että Israelissa asuvat lapset, joilla ei ole korkeaa englannin kielen taitoa, ovat rajoitettuja tai torjuttuja ohjelmoinnin maailmasta.

Blinky – Isovanhempieni ovat kuuroja ja käyttävät viittomakieltä kommunikoimaan ystäviensä kanssa. Kun videoneuvotteluohjelmistot kuten Skype ja ooVoo ilmestyivät, ne mahdollistivat heidän kanssaan puhumisen ystäviensä kanssa, vaikka he eivät olleet samassa huoneessa (kuten me kaikki teemme puhelimillamme). Kuitenkin, koska he eivät kuulle, he eivät voineet tietää, kun heillä oli saapuva videopuhelu. Auttaakseni heitä, kirjoitin ohjelmiston, joka tunnisti saapuvat videopuhelut ja hälytti heitä vilkuttamalla LED-matriisilla pienessä laitteessa, jonka olin rakentanut ja liittänyt heidän tietokoneeseensa.

Nämä ovat vain muutamia projekteja, joita tein teini-ikäisenä. Uteliaisuuteni ei koskaan loppunut, ja opin C: n, C ++: n, Assemblyn ja miten käyttöjärjestelmät toimivat, ja yritin opiskella niin paljon kuin voin.

Voitko kertoa tarinan matkastasi Adallomin koneoppimisen arkkitehtina, joka Microsoft hankki?

Aloin matkani Adallomissa asepalvelun jälkeen. Viiden vuoden jälkeen armeijassa kapteenina, näin erinomaisen mahdollisuuden liittyä nousuun olevaan yritykseen ja markkinaan – yhtenä ensimmäisistä työntekijöistä. Yritys johti suuret perustajat, jotka tunnin sotilaspalvelustani, ja sitä tukivat huipputason VCs – kuten Sequoia. Pilviteknologian räjähdys markkinoille oli edelleen suhteellisen nuori, ja rakensimme yhtä ensimmäisistä pilviturvallisuusratkaisuista tuolloin. Yritykset siirtyivät vasta siirtymässä paikallisista pilveen, ja näimme uudet teollisuusstandardit syntyvät – kuten Office 365, Dropbox, Marketo, Salesforce jne.

Ensimmäisten viikkojeni aikana tiesin jo, että haluan perustaa oman yritykseni jonain päivänä. Tunsin todella, teknisen näkökulman, että olin valmis mihin tahansa haasteeseen, ja jos en itse, tiesin oikeat ihmiset auttamaan minua voittamaan kaiken.

Adallomilla oli tarve jollekin, jolla on syvä tekninen tietämys, mutta joka voi myös olla asiakaslähtöinen. Kun siirryt noin kuukauden päähän, olen lentokoneessa Yhdysvaltoihin, tapaamaan LinkedInin (ennen Microsoftia) ihmisiä. Muutamassa viikossa heistä tuli ensimmäinen maksava asiakkaamme Yhdysvalloissa. Tämä oli vain yksi monista suurista yrityksistä – Netflix, Disney, Safeway – joille auttin ratkaisemassa kriittisiä pilviin liittyviä ongelmia. Se oli erittäin opettavainen ja vahva luottamuksen rakentaja.

Minulle liittyä Adallomiin oli todella liittyä paikkaan, jossa uskon markkinaan, uskon tiimiin ja uskon visioon. Olen erittäin kiitollinen mahdollisuudesta, joka minulle annettiin siellä.

Se, minkä tarkoituksena tein, oli ja on erittäin tärkeää. Minulle se oli sama armeijassa, se oli aina tärkeää. Voin helposti nähdä, miten Adallomin lähestymistapa, joka liittyy SaaS-ratkaisuihin, seuraa sitten käyttäjien ja resurssien toimintaa, löytää poikkeamia jne., oli tapa, jolla asiat tehtäisiin. Tajusin, että tämä on tulevaisuuden lähestymistapa. Joten näin Adallomin yrityksenä, joka on menestyy.

Olin vastuussa koko ML-infrastruktuurimme arkkitehtuurista. Ja näin ja koin ensimmäisin käsin puutteen oikeasta työkalusta ekosysteemissä. Kyllä, se oli minulle selvää, että on olemassa omistettu ratkaisu yhdessä keskitetyssä paikassa, jossa voit nähdä kaikki mallisi; jossa voit nähdä, mitä päätöksiä ne tekevät liiketoiminnallesi; jossa voit seurata ja olla proaktiivinen koneoppimistavoitteissasi. Esimerkiksi meillä oli kertoja, jolloin opimme ongelmista koneoppimismalleissamme liian myöhään, ja se ei ole hyvä asiakkaille eikä liiketoiminnalle. Tästä Aporian idea alkoi muotoutua.

Voitko kertoa Aporian syntytarinan?

Omani henkilökohtainen kokemus koneoppimisesta alkaa vuonna 2008, osana yhteistyöhankettaa Weizmann-instituutissa, yhdessä Bathin yliopiston ja kiinalaisen tutkimuskeskuksen kanssa. Siellä kehittämin iris-biometrisen tunnistusjärjestelmän analysoimalla kuvia silmästä. Onnistuin saavuttamaan 94 prosentin tarkkuuden. Hanke oli menestys ja se sai kiitosta tutkimuksen kannalta. Mutta minulle, joka olin rakentanut ohjelmistoja 10-vuotiaasta lähtien, jotain tuntui jollain tavoin epäaidolta. Et voi käyttää biometrisen tunnistusjärjestelmää, jonka kehittämin, todellisessa elämässä, koska se toimi vain tietyn aineiston kanssa, jota käytin. Se ei ole deterministinen.

Tämä on vain tausta. Kun rakennat koneoppimisjärjestelmää, esimerkiksi biometrisen tunnistamisen, haluat, että ennusteet ovat deterministisiä – haluat tietää, että järjestelmä tunnistaa tarkasti tietyn henkilön, oikein? Niin kuin kuin iPhone ei avaa, jos se ei tunnista oikeaa henkilöä oikeasta kulmasta, tämä on toivottu tulos. Mutta tämä ei todellakaan ollut tapaus koneoppimisen kanssa, kun ensin aloin tutkia alaa.

Noin seitsemän vuotta myöhemmin ja koin ensimmäisin käsin todellisuuden tuotannon malleja ilman luotettavia varoitusjärjestelmiä, jotka tekevät päätöksiä liiketoiminnallemme, jotka vaikuttavat asiakkaihimme. Sitten olin onni ottaa työtä sijoittajana Vertex Venturesissa kolmen vuoden ajan. Näin, miten yhä useammat organisaatiot käyttivät ML: ää, ja miten yritykset siirtyivät vain puhumasta ML: stä todelliseen koneoppimiseen. Kuitenkin nämä yritykset omaksuivat ML: n vain haastettaakseen samat ongelmat, joita koimme Adallomissa.

Jokainen kiirehti käyttämään ML: ää, ja he yrittivät rakentaa valvontajärjestelmiä taloon. Ilmeisesti se ei ollut heidän ydintoimintaansa, ja nämä haasteet ovat hyvin monimutkaisia. Tässä tajusin, että tämä on minun mahdollisuuteni tehdä valtava vaikutus.

AI: n omaksuminen on lähes jokaisella alalla, mukaan lukien terveydenhuolto, rahoituspalvelut, autoteollisuus ja muut, ja se koskee jokaisen elämää ja vaikuttaa meihin kaikkiin. Tässä Aporia näyttää oikean arvonsa – mahdollistaen kaikki nämä elämää muuttavat sovellukset toimia niin kuin on tarkoitus. Koska kuin minkä tahansa ohjelmiston kanssa, sinulla on bugit, ja koneoppimisessa ei ole poikkeusta. Jos niitä ei valvota, nämä ML-ongelmat voivat todella vahingoittaa liiketoiminnan jatkuvuutta ja vaikuttaa yhteiskuntaan tahattomiin vinoutumiin. Otetaan esimerkki Amazonin yrityksestä toteuttaa AI-värväysväline – tahaton vinoutuma aiheutti koneoppimismallin suositella voimakkaasti miesehdokkaita naisehdokkaiden sijaan. Tämä on ilmeisesti ei-toivottu tulos. Niinpä on olemassa omistettu ratkaisu havaitsemaan tahattoman vinoutuman ennen kuin se pääsee uutisiin ja vaikuttaa loppukäyttäjiin.

Organisaatioiden on oltava varmoja siitä, että ne voivat luottaa koneoppimiseen, ja niiden on tiedettävä, kun se ei toimi oikein, ja nyt uusien sääntöjen myötä, usein ML-käyttäjien on löydettävä keino selittää mallien ennusteita. Lopulta on kriittinen tutkia ja kehittää uusia malleja ja innovatiivisia projekteja, mutta kun nämä mallit kohtaavat todellisen maailman ja tekevät todellisia päätöksiä ihmisille, liiketoiminnalle ja yhteiskunnalle, on selvä tarve kattavalle havainnollistamisratkaisulle varmistamaan, että voidaan luottaa AI: hen.

Voitko selittää avoimen ja selitettävän AI: n tärkeyden?

Vaikka se saattaa näyttää samanlaiselta, on tärkeä tehdä ero perinteisen ohjelmoinnin ja koneoppimisen välillä. Perinteisessä ohjelmoinnissa sinulla on ohjelmistoinsinööri, joka kirjoittaa koodia, määrittelee sovelluksen logiikkaa, tiedämme tarkalleen, mitä tapahtuu kussakin koodin virrassa. Se on deterministinen. Tämä on tapa, jolla ohjelmistoja yleensä rakennetaan, insinöörit luovat testitapauksia, testaavat reunatapauksia, saavuttavat noin 70% – 80%: n kattavuuden – voit tuntea itsesi tarpeeksi hyväksi julkaistavaksi tuotantoon. Jos mitkä tahansa hälytykset tulevat esiin, voit helposti virheenjäljittää ja ymmärtää, mitä virhetä oli, ja korjata sen.

Tämä ei ole tapaus koneoppimisen kanssa. Sen sijaan, että ihminen määrittelee logiikan, se määritellään osana mallin koulutusprosessia. Kun puhumme logiikasta, se ei ole joukko sääntöjä, vaan joukko miljoonia ja miljardeja numeroita, jotka edustavat koneoppimismallin mieltä, aivoja. Ja tämä on musta laatikko, emme tiedä kunkin ja jokaisen numeron merkitystä tässä matriisissa. Mutta tiedämme tilastollisesti, ja se on todennäköisyys, ei deterministinen. Se voi olla tarkka 83 prosentissa tai 93 prosentissa tapauksista. Tämä herättää paljon kysymyksiä, oikein? Ensinnäkin, miten voimme luottaa järjestelmään, jota emme voi selittää, miten se saa ennusteensa? Toiseksi, miten voimme selittää ennusteita säännellyille aloille – kuten rahoitussektorille. Esimerkiksi Yhdysvalloissa rahoituslaitokset ovat velvollisia selittämään asiakkailleen, miksi heidät hylättiin lainahakemuksista.

Koneoppimisen ennusteiden selittämisen mahdollisuuden puute ihmisten luettavassa tekstissä voi olla suuri este koneoppimisen laajamittaiselle omaksumiselle aloilla. Haluamme tietää, yhteiskuntana, että malli ei tee vinoutuneita päätöksiä. Haluamme varmistaa, että ymmärrämme, mitä johtaa malli tiettyyn päätökseen. Tässä selitettävyys ja avoimuus ovat erittäin tärkeitä.

Miten Aporian avoin ja selitettävän AI-työkalupaketti toimii?

Aporian selitettävän AI-työkalupaketti toimii yhtenäisen koneoppimisen havainnollistamisjärjestelmänä. Ilman syvää näkyvyyttä tuotannon malleista ja luotettavaa valvontaa ja hälytysjärjestelmää on vaikea luottaa selitettävän AI: n oivalluksiin – ei ole tarvetta selittää ennusteita, jos tuloste on epäluotettava. Ja siinä Aporia tulee kuvaan, tarjoamalla yhden ikkunan näkyvyyden kaikkiin suoritettaviin malleihin, mukautuvaa valvontaa, hälytysominaisuuksia, virheenjäljitystyökaluja, juurisyyntutkimusta ja selitettävää AI: ää. Omistettu, täysipainoinen havainnollistamisratkaisu mille tahansa ongelman, joka tulee esiin tuotannossa.

Aporian alusta on agnostinen ja varustaa AI-suuntautuneet yritykset, data-tieteelliset ja ML-tiimit keskitetyllä kojulla ja täydellisellä näkyvyydellä mallin terveyteen, ennusteisiin ja päätöksiin – mahdollistaen heidän luottaa AI: hen. Käyttämällä Aporian selitettävää AI: ää, organisaatiot voivat pitää jokaisen asianmukaisen sidosryhmän silmällä selittämällä koneoppimispäätöksiä yhden napsautuksen painalluksella – saadaan ihmisten luettavat oivallukset tiettyyn mallin ennusteisiin tai simuloida “Mitä jos?” -tilanteita. Lisäksi Aporia seuraa jatkuvasti dataa, jota syötetään malliin, sekä ennusteita, ja lähettää hälytyksiä tärkeistä tapahtumista, mukaan lukien suorituskyvyn heikkeneminen, tahaton vinoutuma, data-ajautuminen ja jopa mahdollisuuksia parantaa malliasi. Lopulta Aporian tutkimustyökalulla voit päästä juurisyyhyn minkä tahansa tapahtuman ja parantaa minkä tahansa mallin tuotannossa.

Joitain toimintoja, jotka tarjotaan, ovat Data Points ja Time Series Investigation Tools, miten nämä työkalut auttavat estämään AI-vinoutumaa ja ajautumista?

Data Points tarjoaa live-näkymän datasta, jota malli saa, ja ennusteista, jotka se tekee liiketoiminnallesi. Voit saada live-syötteen siitä ja ymmärtää tarkalleen, mitä tapahtuu liiketoiminnassasi. Tämä näkyvyyden mahdollisuus on kriittinen avoimuuden kannalta. Joskus asiat muuttuvat ajan myötä, ja on yhteys useiden muutosten välillä ajan myötä – tämä on aikasarjan tutkimisen rooli.

Väärä kaupan alan yritykset ovat kaikki epäonnistuneet AI-ennustetyökalujen kanssa, kun on kyse tarjonnan ennustamisesta, miten Aporian alusta ratkaisisi tämän ongelman?

Päähaasteiden tunnistamisessa on se, että puhumme tulevista ennusteista. Tämä tarkoittaa, että ennustamme, mitä tapahtuu tai ei tapahdu tulevaisuudessa. Esimerkiksi, kuinka monta ihmistä ostaa tietyn paidan tai uuden PlayStationin.

Sitten kuluu jonkin aikaa kerätä kaikki todelliset tulokset – yli muutaman viikon. Sitten voimme yhteenvetää ja sanoa, ok, tämä oli todellinen kysyntä, jonka näimme. Tämä aikajakso, puhumme muutamasta kuukaudesta. Tämä on se, mikä vie aikaa siitä, kun malli tekee ennusteen, kunnes liiketoiminta tietää tarkalleen, oliko se oikein tai väärin. Ja siihen mennessä on yleensä liian myöhäistä, liiketoiminta on joko menettänyt potentiaalisia tuloja tai marginaali on puristunut, koska heidän on myytävä ylijäämävarastoja suurilla alennuksilla.

Tämä on haaste. Ja tässä Aporia tulee kuvaan ja tulee erittäin hyödylliseksi näille organisaatioille. Ensinnäkin, se sallii organisaatioiden saada helposti näkyvyyttä ja avoimuutta siitä, mitä päätöksiä tehdään – Onko siellä mitään fluktuaatioita? Onko siellä mitään, joka ei ole järkevää? Toiseksi, puhumme suurista kaupan alan yrityksistä, puhumme valtavista, kuin valtavista määristä inventaariota, ja niiden seuraaminen manuaalisesti on lähes mahdotonta. Tässä yritykset ja koneoppimisen tiimit arvostavat Aporiaa eniten, 24/7-automatisoitu ja mukautuvana valvontajärjestelmänä. Aporia seuraa jatkuvasti dataa ja ennusteita, se analysoi tilastollista käyttäytymistä näistä ennusteista, ja se voi ennakoida ja tunnistaa muutokset kuluttajien ja datan käyttäytymisessä heti, kun se tapahtuu. Sen sijaan, että odotetaan kuutta kuukautta, jotta voidaan toteuttaa, että tarjonnan ennustaminen oli väärin, voit tunnistaa, että olemme väärällä tiellä tarjonnan ennusteissamme jo muutamassa päivässä. Tämä on valtava pelinmuuttaja mille tahansa ML-harjoittajalle.

Onko mitään muuta, mitä haluaisit jakaa Aporiasta?

Olemme jatkuvasti kasvamassa ja etsimme upeita ihmisiä loistavilla mielialoilla liittymään Aporian matkaan. Tarkastele avoinna olevia paikkoja.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Aporiassa.