Omer Har, Exploriumin perustaja ja CTO – Haastattelusarja

Omer Har on data-tiede- ja ohjelmistosuunnittelun veteraani, jolla on lähes vuosikymmenen kokemus suurten yritysten eteen tehtävistä AI-malleista.

Omer Har on Exploriumin perustaja ja CTO, yhtiö, joka tarjoaa ensimmäisenä laatuaan olevan data-tiede-alustan, joka perustuu täydentävään data-havainnontekoon ja ominaisuuskehitykseen. Yhdistämällä automaattisesti tuhansiin ulkoisiin data-lähteisiin ja hyödyntämällä koneoppimista merkittävien signaalejen erottamiseen, Explorium-alusta antaa data-tieteilijöille ja liiketoimintajohtajille mahdollisuuden tehdä päätöksiä poistamalla esteen oikean datan hankkimiselle ja mahdollistaen paremman ennusteen voiman.

Milloin löysit ensimmäisen kerran, että halusit olla mukana data-tieteessä?

Minun kiinnostukseni data-tiedettä kohtaan ulottuu yli vuosikymmenen taakse, mikä on noin niin kauan kuin olen harjoittanut ja johtanut data-tiederyhmiä. Aloittelin ohjelmistosuunnittelijana, mutta olin aina kiinnostunut monimutkaisista data- ja algoritmisista haasteista. Olin onnekas, kun sain oppia taidot Microsoft (MSFT ) Researchissa, joka oli yksi harvoista paikoista, joissa voitiin todella työskennellä monimutkaisissa sovellettuissa koneoppimisen haasteissa suurissa mittakaavoissa.

Perustit Exploriumin vuonna 2017, voitko kertoa inspiraation taustasta tämän startupin perustamiseen?

Explorium perustuu yksinkertaiseen ja voimakkaaseen tarpeeseen — on niin paljon dataa ympärillämme, joka voisi potentiaalisesti auttaa luomaan parempia malleja, mutta ei ole mitään tapaa tietää etukäteen, mitkä data-lähteet ovat vaikuttavia ja miten. Alkuperäinen idea tuli Maor Shlomosta, Exploriumin perustajasta ja toimitusjohtajasta, joka käsiteltiin ennennäkemätöntä data-monimuotoisuutta sotilaspalvelussaan ja keinoja hyödyntää sitä päätöksentekoon ja mallintamiseen. Kun kolme meistä tapasimme ensimmäisen kerran, oli meille heti selvää, että tämä kokemus heijastaa tarpeita, joita käsiteltiin liiketoimintamaailmassa, erityisesti nopeasti kasvavilla data-tiede-johtavilla aloilla, kuten mainonnan ja markkinointiteknologian yksityisissä yrityksissä, joissa sekä minä että Or Tamir (Exploriumin perustaja ja COO) johtimme kasvua datan kautta.

Ennen Exploriumia relevanttien data-lähteiden löytäminen, jotka todella vaikuttavat — parantamaan koneoppimismallin tarkkuutta — oli työläs, aikaa vievä ja kallis prosessi, jolla oli alhainen onnistumisen mahdollisuus. Syy on siinä, että olet periaatteessa arvaamassa, ja käytät kalleimpiasi ihmisiä — data-tieteilijöitä — kokeilemaan. Lisäksi data-hankinta itsessään on monimutkainen liiketoimintaprosessi, ja data-tiederyhmät eivät yleensä ole kykeneviä kaupalliseen kanssakäymiseen useiden data-toimittajien kanssa.

Data-tiederyhmän johtajana, joka mitattiin liiketoimintavaikutuksella, joka syntyi malleista, en voinut lähettää tiimiäni villin goose chaseen. Tuloksena sinun on usein suositeltava ponnisteluja asioihin, jotka voivat olla paljon vähemmän vaikuttavia kuin relevantti uusi data-lähde, vain siksi, että ne ovat paljon enemmän hallinnassasi.

Explorium on viimeksi onnistuneesti kerännyt 31 miljoonan dollarin rahoituksen Series B -kierroksessa. Oletko yllättynyt siitä, kuinka nopeasti yrityksesi on kasvanut?

Se on ollut todella raketti, ja et voi koskaan ottaa sitä itsestään selvänä. En voi sanoa, että olen yllättynyt siitä, kuinka laajasti tarvitaan parempaa dataa, mutta se on aina uskomaton kokemus nähdä vaikutus, jonka tuotat asiakkaille ja heidän liiketoiminnalleen. Suurin analytiikka haaste, jonka organisaatiot kohtaavat seuraavan vuosikymmenen aikana, on löytää oikea data mallien ja automaattisten prosessien ruokkimiseksi. Oikeat data-ominaisuudet voivat kruunata uusia markkinajohtajia, joten kasvumme heijastaa nopeasti kasvavaa asiakasmäärää, jotka toteavat sen ja tekevät datasta prioriteetin. Itse asiassa “Data Hunters” — ihmisten etsintä dataa osana päivittäistä työtään — on kasvamassa eksponentiaalisesti kokemuksessamme.

Voitko selittää, mitä Exploriumin data-alusta on ja mitä automaattinen data-havainnontekoprosessi on?

Explorium tarjoaa data-tiede-alustan, joka perustuu täydentävään data-havainnontekoon ja ominaisuuskehitykseen. Keskitymme “data”-osaan data-tieteestä — mikä tarkoittaa automaattista yhdistämistä tuhansiin ulkoisiin data-lähteisiin ja koneoppimismenettelyjen hyödyntämistä vaikuttavimpien signaaleiden ja ominaisuuksien erottamiseen. Tämä on monimutkainen ja monivaiheinen prosessi, joka alkaa yhdistymällä moniin kontekstuaalisesti relevantteihin lähteisiin, mitä kutsutaan Exploriumin data-luetteloksi. Sitten automaatio prosessi, joka tutkii tätä verkostoitunutta data-monimuotoisuutta, testaamalla satoja tuhansia ideoita merkityksellisistä ominaisuuksista ja signaaleista luodakseen optimaalisen ominaisuusjoukon, rakentaa malleja sen päälle ja palvelee niitä tuotannossa joustavilla tavoilla.

Automaattisella datan etsimisellä, ei vain datan, jonka sinulla on sisäisesti, Explorium-alusta tekee data-tieteelle saman, mitä hakukoneet tekivät verkkoon — etsimme, luokittelemme ja tuomme sinulle merkittävimmän datan ennustettavaan kysymykseen.

Tämä antaa data-tieteilijöille ja liiketoimintajohtajille mahdollisuuden tehdä päätöksiä poistamalla esteen oikean datan hankkimiselle ja mahdollistaen paremman ennusteen voiman.

Mitä ulkoisia data-lähteitä Explorium käyttää?

Meillä on pääsy tuhansiin lähteisiin lähes jokaisessa data-luokassa, mukaan lukien yritys-, geospatial-, käyttäytymis-, aikaperusteinen, verkkosivu- ja muu data. Meillä on useita asiantuntijatiimejä, jotka erikoistuvat data-hankintaan avoimien, julkisten ja premium-lähteiden kautta, sekä kumppanuuksien kautta. Meidän pääsy ainutlaatuiseen osaamiseen Israelin huipputason tiedustelu- ja teknologiayksiköistä tuo merkittävää osaamista ja kokemusta datan monimuotoisuuden hyödyntämisestä päätöksentekoon.

Miten Explorium käyttää koneoppimista ymmärtääkseen, mitkä datat ovat asiakkaille relevantteja?

Tämä on osa “salaisuutta”, joten en voi mennä syvemmälle, mutta korkealla tasolla, käytämme koneoppimista ymmärtääksesi eri osien merkitystä eri dataseteissä ja työskentelemme jatkuvasti parantamaan algoritmeja, jotka tunnistavat, mitkä lähteet kehittyvässä luettelossamme ovat potentiaalisesti relevantteja. Yhdistämällä nämä lähteet datallesi, olemme kykeneviä suorittamaan monimutkaisia data-havainnontekojen ja ominaisuuskehityksen prosesseja, jotka on suunniteltu erityisesti olemaan tehokkaita ulkoisille ja korkean dimensionaalisille datoille, tunnistamaan vaikuttavimmat ominaisuudet merkittävimmistä lähteistä. Tekemällä sen kaiken koneoppimismallien kontekstissa, vaikutus on tilastollisesti mitattavissa ja antaa meille jatkuvasti oppimisen ja parantamisen mahdollisuuden.

Yksi ratkaisuista on vähentää sovelluspetosriskiä verkkolainoittajille käyttämällä täydentävää data-havainnontekoa. Voitko mennä yksityiskohtiin siitä, miten tämä ratkaisu toimii?

Lainaus on kaikki riskin arvioinnista ja vähentämisestä — olipa se lainanottajan maksukyvyn (esim. taloudellinen suorituskyky) tai aikomuksesta maksaa (esim. petos). Lainahakemukset ovat luonteeltaan kompromissi lainanantajan halun kerätä enemmän tietoa ja kilpailukyvyn säilyttämisen välillä, koska pidemmät ja monimutkaisemmat kyselyt ovat vähemmän valmiita, ovat sisäänrakennetusti vinoutuneita jne.

Exploriumin avulla sekä perinteiset pankit että verkko-uhkaajat voivat automaattisesti täydentää hakuprosessia ulkoisilla ja objektiivisilla lähteillä, jotka antavat välittömän kontekstin ja paljastavat merkittäviä suhteita. Ilman paljastamista liikaa petollisille, voit kuvitella, että tämä voi tarkoittaa erilaisia käyttäytymismalleja ja ominaisuuksia, jotka erottuvat todellisista hakijoista, jos pystyt keräämään 360-asteen näkymän heistä. Kaikki verkko-olennollisuudesta, virallisiin rekistereihin, käyttäytymismalleihin sosiaalisessa mediassa ja fyysisiin jälkiin jättävät leivänkruunuja, jotka voivat olla hypoteesina ja testattavissa, jos pystyt pääsemään relevanttiin dataan ja pystyt hyödyntämään sitä.

Laajemmassa näkymässä, kun COVID-19 iski maailmanlaajuisesti, olemme nähneet uusia petosmalleja sekä lainanantajien tarpeen palata perusasioihin, koska pandemia rikkoi kaikki mallit. Kukaan ei ollut ottanut tällaista “Black Swan” -tapahtumaa huomioon, ja osa vastaamme näihin yrityksiin on ollut luomalla mukautuvia signaaleja, jotka auttavat arvioimaan liiketoimintariskiä epävarmoissa ja dynaamisissa olosuhteissa.

Voit lukea lisää siitä erinomaisessa kirjoituksessa, jonka on kirjoittanut Maor Shlomo, Exploriumin perustaja ja toimitusjohtaja.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Exploriumissa.