Nir Bar-Lev, CEO & Co-Founder di Allegro AI – Serie di Interviste

Nir Bar-Lev è il CEO e Co-Founder di Allegro AI. Allegro AI si specializza nell’aiutare le aziende a sviluppare, distribuire e gestire soluzioni di machine e deep learning. Con Allegro AI, le organizzazioni portano sul mercato e gestiscono prodotti di alta qualità, più velocemente e a costi più contenuti. I prodotti si basano sulla piattaforma open source Allegro Trains per la gestione degli esperimenti di ML e DL e sul pacchetto ML-Ops.

Cosa ti ha inizialmente attirato verso l’AI?

Ciò che mi ha maggiormente attratto nella mia carriera è stato portare innovazioni tecnologiche all’avanguardia per affrontare problemi o opportunità (e in realtà sono due facce della stessa medaglia) su larga scala. Devo ammettere che il mio tempo a Google (GOOGL ) ha sicuramente contribuito a plasmare questa inclinazione.

L’AI sicuramente soddisfa entrambi questi requisiti. È all’avanguardia di alcune delle frontiere tecnologiche di oggi e ha il potenziale di influenzare quasi ogni aspetto della nostra vita su questo pianeta.

Hai avuto una carriera impressionante, iniziando a Google come responsabile del prodotto per la piattaforma di riconoscimento vocale di Google. Puoi discutere di questi primi giorni di lavoro a Google e di cosa hai imparato da questa esperienza?

Uscendo fresco dalla scuola di business della Wharton School of Business, fui colpito da come Google funzionava in modo estremamente diverso dalle norme aziendali stabilite su come gestire aziende di successo, come insegnato nelle migliori scuole di business del mondo e come ho sperimentato nella mia carriera prima della scuola di business. Ricordo vividamente di aver discusso di questo con alcuni dei miei colleghi che si sono uniti a Google nello stesso periodo, appena usciti da un MBA.

Si scopre che Google ha cambiato – in una certa misura – il libro di istruzioni aziendale, ma ha anche goduto di un’enorme quantità di denaro proveniente dal suo business pubblicitario, che le ha permesso di sperimentare in modi che la maggior parte delle aziende non poteva permettersi di fare. Posso attestare che, mentre trascorrevo un decennio a Google, ha sempre più adottato “pratiche aziendali mainstream” e processi di pensiero stabiliti, man mano che cresceva.

Per me, guidare la piattaforma di riconoscimento vocale come responsabile del prodotto, ho dovuto lavorare con scienziati di ricerca. Questo è stato in realtà uno dei primi, se non il primo, team di ricerca a Google che si occupava realmente di ricerca applicata. Per me, questa è stata una grande sfida. I ricercatori hanno mentalità molto diverse da quelle degli ingegneri e io stavo cercando di lavorare con ricercatori di spicco in un’azienda estremamente orientata all’ingegneria.

Si scopre che le sfide che ho affrontato all’epoca, quasi 15 anni fa, sono molto simili ai problemi che le aziende affrontano oggi quando cercano di assimilare scienziati di dati di AI nelle loro organizzazioni.

Nel 2016 sei diventato Co-Founder di Allegro AI? Qual è stata la tua ispirazione dietro la creazione di Allegro AI?

Nel fondare Allegro AI, mi sono unito a due partner eccezionali che sono talenti ingegneristici fuori dal comune. Uno dei miei partner era il primo studente di dottorato in uno dei primi e attuali laboratori di intelligenza artificiale leader in Israele, che è probabilmente uno degli hub di intelligenza artificiale leader a livello globale. Quindi, per me, lui faceva realmente parte dei team di fondazione dell’intelligenza artificiale applicata nella comunità locale. Lui aveva la visione di vedere come l’applicazione di ML/DL nella pratica avrebbe dovuto affrontare una nuova serie di sfide relative alla scala, all’automazione, all’affidabilità, alla qualità e ad altro. Parlando con loro, è diventato chiaro per me che potevo contribuire al team grazie alla mia esperienza a Google e in precedenza, per avere realmente una possibilità di creare un’azienda che potesse avere un impatto enorme sull’AI attraverso gli strumenti che forniamo. Google e alcune delle altre aziende tecnologiche leader sono in una posizione invidiabile in termini di capacità di ottenere risorse infinite di alta qualità per affrontare queste sfide. Ma quasi tutti gli altri non possono permetterselo (sia in termini di accesso al talento, risorse monetarie, focus aziendale, ecc.). Quindi, questa è stata un’opportunità di allinearsi esattamente con ciò che amo fare di più (vedi q1) e aiutare l’intero ecosistema.

Allegro AI serve come piattaforma di gestione del machine learning e del deep learning open source. Puoi discutere dei benefici dell’utilizzo di software open source?

Il software open source ha diversi benefici. Il più importante è che sfrutta la comunità più ampia per migliorare il prodotto stesso. Gli utenti trovano bug, problemi, ci sono ampie discussioni sulle funzionalità di interesse; l’integrazione in altri strumenti open source è molto più facile da facilitare di quanto non sarebbe tra due organizzazioni commerciali con strumenti proprietari chiusi; ecc.

Fornisce un ottimo modello per una situazione di vantaggio reciproco per la comunità e l’azienda dietro di esso. Si presta facilmente alla prova e al test e anche all’estensione per organizzazioni che non pagheranno, e allo stesso tempo consente ai potenziali clienti più grandi di pagare per funzionalità/servizi estesi basati su un pezzo di software ampiamente utilizzato (e quindi meno rischioso).

Allegro AI offre servizi di gestione dei dati. Puoi discutere del tipo di strumenti offerti per questo?

Allegro AI offre sia la gestione dei dati strutturati che dei dati non strutturati. Tuttavia, mentre ci sono una serie di soluzioni di gestione dei dati strutturati provate, forniamo una soluzione unica per i dati non strutturati.

In particolare, è importante qualificare il tipo di gestione dei dati che forniamo. L’idea non è la gestione fisica dei dati, ma piuttosto la gestione dei dati da un angolo di AI. Per l’AI, è fondamentale per il team di scienziati dei dati capire quali dati hanno a disposizione. Con i dati non strutturati, questo è molto difficile. Immagina migliaia o centinaia di migliaia di ore di video o audio. Immagina miliardi di segnali del sensore, ecc.

I scienziati dei dati devono conoscere la varianza dei loro dati per allinearsi con le diverse situazioni in modo che possano formare efficacemente i loro modelli. Devono capire se ci sono pezzi critici di dati che mancano; se ci sono pregiudizi o distorsioni nei dati.

E poi – dall’altra parte – devono avere strumenti per affrontare queste situazioni in modo efficiente in termini di costo e velocemente senza dover uscire e cercare nuovi dati fisici e annotarli/etichettarli (un’impresa molto costosa e lunga).

Questo è essenzialmente il tipo di strumentazione che forniamo in questa area: potenti strumenti per fare “AI BI (business intelligence)” sui vostri dati a un livello di granularità e dettaglio senza precedenti e, dall’altra parte, strumenti per integrare strettamente i dati negli esperimenti e nei modelli in modo che, con zero codice, gli scienziati dei dati possano configurare efficaci esecuzioni di formazione con i dati a disposizione.

Inoltre, forniamo valore aggiunto nell’ottimizzazione del flusso di dati, del movimento dei dati, ecc. Poiché stiamo parlando di elaborare terabyte di dati. Spostarli in giro è costoso e le aziende hanno bisogno di una soluzione per ottimizzare anche questo.

Allegro AI offre anche l’esternalizzazione dei servizi di ingegneria dei dati. Quali sono alcune delle offerte disponibili?

Allegro AI è principalmente un’azienda di prodotti e ci vediamo come fornitori di strumenti, infrastrutture o impalcature per le aziende per sviluppare, distribuire e gestire prodotti con modelli di AI (DL/ML) integrati in essi.

Detto questo, questo è un nuovo settore e i nostri clienti a volte hanno bisogno di aiuto per configurare le loro pipeline specifiche costruite sopra i nostri strumenti o anche aiuto per avviare i loro modelli stessi. Quando si verificano queste situazioni, forniamo servizi ausiliari alla nostra offerta di software di base.

Puoi discutere dell’importanza dell’apprendimento federato e di come Allegro AI possa essere utilizzato in questo contesto?

L’apprendimento federato è fondamentalmente la capacità di formare un singolo modello di AI utilizzando (addestrato su) set di dati situati in posizioni fisiche diverse senza portare quei set di dati in un’unica posizione. Forniamo anche una versione migliorata di questo, che chiamiamo “apprendimento federato cieco” o “apprendimento collaborativo cieco”, in cui nessuna entità in questo scenario ha accesso ai dati che non le appartengono, compresa l’entità che ottiene il modello finale.

L’apprendimento federato è importante in varie situazioni in cui la privacy dei dati o le norme o la riservatezza/IP sono critiche da preservare, mentre allo stesso tempo c’è interesse a sfruttare diversi set di dati. Ad esempio, due o più ospedali o istituzioni mediche che desiderano collaborare alla formazione di un modello per le scansioni CT; o due agenzie governative che desiderano collaborare ai dati sulla sicurezza nazionale per costruire un modello anti-terrorismo, ma per motivi legali non possono esporre i dati neanche l’uno all’altro.

O anche situazioni in cui un’entità singola non può spostare i suoi vari archivi di dati perché è proibitivamente costoso – ad esempio, un OEM automobilistico globale che cerca di formare veicoli autonomi sfruttando i dati raccolti dalle auto che guidano in tutto il mondo.

Allegro AI è una delle poche aziende in tutto il mondo che ha una piattaforma commerciale provata e testata che facilita l’apprendimento federato.

C’è qualcos’altro che ti piacerebbe condividere su Allegro AI?

Allegro AI è una forza emergente nel mondo degli strumenti di AI e ML-Ops. Solo nel trimestre scorso, durante il culmine della prima ondata della crisi del Covid-19, abbiamo sperimentato una crescita che ha più che raddoppiato la nostra base di clienti in soli 3 mesi.

Grazie per l’intervista, i lettori che desiderano saperne di più possono visitare Allegro AI.