Alon Lev, Co-Founder & CEO of Qwak – Interview Series

Alon Lev adalah Co-Founder & CEO of Qwak, sebuah platform yang menghilangkan friksi teknik dari pembelajaran mesin sambil memungkinkan iterasi cepat, skala tinggi, dan infrastruktur yang dapat disesuaikan.

Kapan Anda pertama kali tertarik dengan pembelajaran mesin?

Pengalaman Pembelajaran Mesin yang signifikan pertama saya adalah ketika saya membangun tim BI di Payoneer sekitar tujuh tahun yang lalu. Saya menyadari bahwa menjadi organisasi yang didorong oleh data memerlukan proses dan alat yang sangat spesifik. Pembelajaran Mesin, yang saat ini merupakan bagian dari strategi perusahaan yang didorong oleh data, masih berada di tahap awal pada saat itu.

Apakah Anda bisa membahas peran sebelumnya di Payoneer dan bagaimana itu memungkinkan Anda untuk melihat bagaimana pembelajaran mesin tumbuh dalam hal pentingnya?

Di peran saya di Payoneer sebagai VP data, saya bertanggung jawab atas semua aspek data perusahaan, dari analitik, bi, teknik data & ilmu data. Momentum “wow” yang saya alami dengan ilmu data adalah ketika kami membangun produk kredit berbasis pembelajaran mesin. Ini berperforma luar biasa dari awal; pada saat itu, saya menyadari bahwa pembelajaran mesin dapat meningkatkan tidak hanya lini bisnis yang ada tetapi juga menciptakan bisnis dan produk baru.

Apa beberapa tantangan pembelajaran mesin yang Anda saksikan?

Tentu saja, di bagian produksi ML, pemilik data dan insinyur sudah memiliki banyak hal di piring mereka – mengelola infrastruktur produksi yang memungkinkan kami untuk memproduksikan ML selalu menjadi tantangan besar yang “membunuh” banyak proyek kami.

Bagaimana platform Qwak menghilangkan friksi teknik dari pembelajaran mesin?

Qwak semua tentang mengambil pekerjaan dasar dari insinyur ML dan memungkinkan mereka fokus pada menciptakan nilai bisnis.

Ran Romano (co-founder dan VP R&D) memiliki pengalaman yang sama selama waktu sebagai kepala departemen MLops di Wix. Saat ini, fokus utamanya adalah untuk menangani tantangan ini melalui platform kami dan membuat proses pengiriman model ML lebih cepat, lebih efisien, dan lancar. Tujuan kami adalah membuat kehidupan insinyur ML dan ilmuwan data lebih mudah dan berdampak sehingga pengiriman pembelajaran mesin yang lancar menjadi kenyataan bagi perusahaan daripada item daftar keinginan.

Mengapa ini adalah solusi yang sempurna untuk perusahaan yang ingin lebih banyak throughput pembelajaran mesin, tetapi memiliki kelangkaan ilmuwan data dan insinyur pembelajaran mesin?

Kami tidak mengklaim bahwa kami memahami bisnis Anda atau data Anda, tetapi kami memiliki banyak pengalaman ketika datang ke infrastruktur; Misi kami jelas; Kami ingin membantu tim Ilmu Data dan Teknik Pembelajaran Mesin yang luar biasa untuk membangun produk yang luar biasa. Kami tidak mengganggu logika model tetapi lebih fokus pada apa yang kami lakukan dengan baik, yaitu infrastruktur.

Apa yang saat ini membedakan Qwak dari solusi pembelajaran mesin yang bersaing?

Kami semua tentang membantu tim yang kuat untuk membuang pekerjaan dasar dan merampingkan proses pengiriman model ML, Qwak mengirimkan dan percaya pada pendekatan horizontal untuk menyelesaikan tantangan MLOps – artinya kami tidak membangun platform hanya di sekitar model registry/serving atau toko fitur dan otomatisasi, kami benar-benar berpikir Anda membutuhkan semuanya di satu tempat untuk meningkatkan infrastruktur ML.

Apakah Anda bisa membahas bagaimana Qwak mendukung pelacakan umpan balik model pembelajaran mesin dan mengapa ini penting?

Pelacakan umpan balik adalah salah satu hal pertama yang kami bangun di Qwak, karena kami melihatnya sebagai bagian koheren dari siklus hidup produksi. Qwak mengekspos API umpan balik yang memungkinkan proses pelaporan umpan balik diotomatisasi.

Apakah ada yang lain yang ingin Anda bagikan tentang Qwak?

Kami memiliki tim yang luar biasa dari insinyur dan pemimpin yang berpengalaman di ruang ini. Dengan pengalaman yang luas di “parit” teknik pembelajaran mesin, kami tahu apa yang perlu dilakukan dan kami baru saja memulai 🙂

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Qwak.