Alon Lev, Co-Fondateur & PDG de Qwak – Série d’entretiens

Alon Lev est Co-Fondateur & PDG de Qwak, une plateforme qui supprime les frictions d’ingénierie de l’apprentissage automatique tout en permettant des itérations rapides, une grande échelle et une infrastructure personnalisable.

Quand avez-vous développé pour la première fois un intérêt pour l’apprentissage automatique ?

Ma première expérience significative en apprentissage automatique remonte à quando j’ai construit l’équipe BI chez Payoneer il y a environ sept ans. J’ai réalisé que devenir une organisation axée sur les données nécessite des processus et des outils très spécifiques. L’apprentissage automatique, qui fait aujourd’hui partie de la stratégie de chaque entreprise axée sur les données, était à ses débuts à l’époque.

Pouvez-vous discuter de votre rôle précédent chez Payoneer et de la façon dont il vous a permis de voir comment l’apprentissage automatique gagnait en importance ?

Dans mon rôle chez Payoneer en tant que VP données, j’étais responsable de tous les aspects liés aux données de l’entreprise, de l’analyse, de la BI, de l’ingénierie de données et de la science des données. Le moment “wow” que j’ai eu avec la science des données a été lorsque nous avons construit l’ensemble du produit de crédit sur la base de l’apprentissage automatique. Il a performé de manière incroyable dès le début ; à ce moment-là, j’ai réalisé que l’apprentissage automatique pouvait améliorer non seulement les lignes de produits existantes, mais également créer de nouveaux produits et entreprises.

Quels étaient certains des défis liés à l’apprentissage automatique que vous avez constatés ?

Définitivement, dans la partie production de l’apprentissage automatique, les propriétaires de données et les ingénieurs ont déjà beaucoup à faire – gérer une infrastructure de production de qualité qui nous permettrait de produire de l’apprentissage automatique était toujours un énorme défi qui “tuait” beaucoup de nos projets.

Comment la plateforme Qwak supprime-t-elle les frictions d’ingénierie de l’apprentissage automatique ?

Qwak est tout entier centré sur la prise en charge des travaux de base des ingénieurs en apprentissage automatique et leur permettre de se concentrer sur la création de valeur commerciale.

Ran Romano (co-fondateur et VP R&D) a eu la même expérience pendant son temps en tant que responsable du département MLops chez Wix. Actuellement, son objectif principal est de relever ces défis via notre plateforme et de rendre le processus de productisation des modèles d’apprentissage automatique plus rapide, plus efficace et plus fluide. Notre objectif est de rendre la vie des ingénieurs en apprentissage automatique et des scientifiques de données plus facile et plus impactante afin que les livraisons fluides d’apprentissage automatique deviennent une réalité pour les entreprises plutôt qu’un élément de liste de souhaits.

Pourquoi est-ce une solution parfaite pour les entreprises qui veulent plus de débit d’apprentissage automatique, mais ont une pénurie de scientifiques de données et d’ingénieurs en apprentissage automatique ?

Nous ne prétendons pas comprendre votre entreprise ou vos données, mais nous avons une grande expérience en matière d’infrastructure ; notre mission est claire ; nous voulons aider les équipes de science des données et d’ingénierie en apprentissage automatique exceptionnelles à construire des produits incroyables. Nous n’interférons pas avec la logique du modèle, mais nous nous concentrons sur ce que nous faisons le mieux, à savoir l’infrastructure.

Qu’est-ce qui différencie actuellement Qwak des autres solutions d’apprentissage automatique ?

Nous sommes tous centrés sur l’aide aux équipes solides pour décharger les travaux de base et rationaliser l’ensemble du processus de productisation de l’apprentissage automatique, Qwak livre et croit en une approche horizontale pour résoudre les défis de MLOps – ce qui signifie que nous n’avons pas construit la plateforme uniquement autour d’un registre de modèles/servant ou d’un magasin de fonctionnalités et d’automatisation, nous pensons que vous avez besoin de tout cela en un seul endroit pour mettre à l’échelle votre infrastructure d’apprentissage automatique.

Pouvez-vous discuter de la façon dont Qwak prend en charge le suivi des commentaires des modèles d’apprentissage automatique et pourquoi cela est important ?

Le suivi des commentaires est l’une des premières choses que nous avons construites dans Qwak, car nous le considérons comme une partie cohérente du cycle de vie de production. Qwak expose une API de commentaires qui permet d’automatiser le processus de rapport de commentaires.

Y a-t-il autre chose que vous aimeriez partager sur Qwak ?

Nous avons une équipe incroyable d’ingénieurs et de dirigeants expérimentés dans l’espace. Avec une grande expérience dans les “tranchées” de l’ingénierie en apprentissage automatique, nous savons ce qui doit être fait et nous venons de commencer 🙂

Merci pour cette grande entrevue, les lecteurs qui souhaitent en savoir plus doivent visiter Qwak.