아포리아의 공동 창립자 및 CEO 리란 하슨 – 인터뷰 시리즈

리란 하슨은 아포리아(Aporia)의 공동 창립자 및 CEO입니다. 아포리아는 포춘 500 기업과 전 세계의 데이터 과학 팀이 책임 있는 AI를 보장하기 위해 사용하는 풀스택 ML 관측 가능성 플랫폼입니다. 아포리아는 어떤 ML 인프라와도 원활하게 통합됩니다. FastAPI 서버, Kubernetes, MLFlow와 같은 오픈 소스 배포 도구, 또는 AWS Sagemaker와 같은 기계 학습 플랫폼이든 관계없이 아포리아는 모든 ML 인프라와 함께 작동합니다.

아포리아를 공동 창립하기 전에 리란은 마이크로소프트가 인수한 Adallom에서 ML 아키텍트로 일했습니다. 이후 그는 Vertex Ventures에서 투자자로 일했습니다.

10살 때 코딩을 시작했습니다. 컴퓨터에 처음 관심을 갖게 된 것은 무엇이었나요? 그리고 무엇을 작업하고 있었습니다か?

1999년이었고, 내 친구가 웹사이트를 만들었다고 전화를 해왔습니다. 브라우저에 200자 길이의 주소를 입력했더니 그의 이름이 적힌 웹사이트가 나타났습니다. 내가 그의 컴퓨터에서 무언가를 만들었고 그것을 내 컴퓨터에서 볼 수 있다는 사실에 매우 놀랐습니다. 이것은 내게 엄청난 호기심을 불러일으켰고, 어떻게 작동하는지, 어떻게 같은 것을 할 수 있는지 궁금해졌습니다. 그래서 어머니께 HTML 책을 사달라고 요청했고, 그것이 내 프로그래밍에 대한 첫 번째 단계가 되었습니다.

나는 기술적인 도전을 받는 것을 매우 즐기고, 시간이 지날수록 내 호기심은 더욱 커졌습니다. ASP, PHP, Visual Basic을 배웠고, 모든 것을 흡수했습니다.

13살 때 이미 프리랜서 일을 시작했습니다. 웹사이트와 데스크톱 애플리케이션을 구축했습니다.

작업이 없을 때는 자신의 프로젝트에 집중했습니다. 주로 다른 사람들의 목표를 달성하는 것을 도와주는 웹사이트와 애플리케이션을 만들었습니다.

블루-화이트 프로그래밍 – 이스라엘에서 영어 수준이 높은 아이들이 코딩 세계에서 제한받거나 밀려나는 것을 방지하기 위해 만들었습니다. HTML과 유사한 히브리어 프로그래밍 언어입니다.

블링키 -私の 할아버지는 청각 장애인이며 수화로 의사소통합니다. 비디오 회의 소프트웨어가 등장했을 때, 같은 방에 있지 않아도 친구들과 대화할 수 있었습니다. 그러나 청각 장애인들은 소리를 들을 수 없기 때문에 수화로 의사소통할 수 없었습니다. 그래서 나는 소프트웨어를 작성하여 비디오 회의가 들어오면 LED 배열을 깜빡이게 하는 작은 하드웨어 장치를 만들었습니다.

이것은 내가 십대 때 만든 몇 가지 프로젝트입니다. 내 호기심은 결코 멈추지 않았고, C, C++, 어셈블리, 운영 체제의 작동 방식 등 모든 것을 배우려고 노력했습니다.

Adallom에서 머신 러닝 아키텍트로 일한 경험을 공유해 주시겠습니까?

군 복무를 마친 후 Adallom에 입사했습니다. 5년 동안 군에서 대위로 복무한 후, 나는 새로운 회사와 시장에 입사할 수 있는 기회를 보았습니다. 회사는 훌륭한 창립자와 최고의 벤처 캐피탈로부터 지원을 받았습니다. 클라우드 기술이 시장에 등장한 초기였습니다. 우리는 클라우드 보안 솔루션을 구축했습니다. 기업들은 온프레미스에서 클라우드로 전환하기 시작했습니다. 우리는 새로운 산업 표준을 보았습니다. Office 365, Dropbox (DBX ), Marketo, Salesforce 등이 등장했습니다.

입사 초기에 나는 이미 회사를 창업하고 싶다는 생각을 했습니다. 나는 기술적으로 어떤 도전도 받을 준비가 되어 있다고 느꼈습니다. Adallom은 기술에 대한 깊은 지식과 고객을 대면할 수 있는 사람이 필요했습니다. 한 달이 지나고 나는 미국으로 비행기를 타고 LinkedIn을 만나러 갔습니다. 몇 주 후에 그들은 우리의 첫 번째 유료 고객이 되었습니다. 이것은 주요 기업 중 하나였습니다. Netflix , Disney, Safeway 등이 있었습니다. 나는 그들에게 중요한 클라우드 문제를 해결하는 것을 도왔습니다. 이것은 매우 교육적이고 자신감을 높이는 경험이었습니다.

Adallom에 입사한 것은 시장, 팀, 비전을 믿는 것이었습니다. 나는 그곳에서 받은 기회에 매우 감사합니다.

내가 하는 일의 목적은 매우 중요했습니다. 군대에서도 중요했습니다. Adallom의 접근 방식은 SaaS 솔루션에 연결하여 사용자 활동을 모니터링하고 이상을 발견하는 것이었습니다. 이것은 미래의 접근 방식이 될 것입니다. 그래서 나는 Adallom을 성공할 회사가 될 것이라고 믿었습니다.

나는 우리의 ML 인프라 전체 아키텍처를 담당했습니다. 그리고 나는 적절한 툴링의 부족을 직접 경험했습니다. 명확한 중앙 집중형 솔루션이 필요했습니다. 모델을 볼 수 있고, 비즈니스에 대한 의사 결정을 볼 수 있고, 추적하고 예측할 수 있는 곳이 필요했습니다. 우리는 때때로 모델에 문제가 있는 것을 너무 늦게 알게 되었습니다. 이것은 사용자와 비즈니스에 좋지 않습니다. 이것은 아포리아의 아이디어가 시작된 곳입니다.

아포리아의 기원에 대해 공유해 주시겠습니까?

내 개인적인 머신 러닝 경험은 2008년에 시작되었습니다. 와이즈만 연구소, 바스 대학교, 중국 연구 센터와 협력하여 아이리스 이미지 분석을 통해 생체 인증 시스템을 구축했습니다. 94%의 정확도를 달성했습니다. 프로젝트는 성공적이었습니다. 그러나 나는 10살 때부터 소프트웨어를 구축해왔고, 무언가가 실감나지 않았습니다. 비메트릭 인증 시스템을 실제로 사용할 수 없었습니다. 결정적이지 않았습니다.

이것은 배경입니다. Adallom에서 생산 모델을 실행할 때, 나는 신뢰할 수 있는 가드레일 없이 모델이 비즈니스에 대한 의사 결정을 내리는 현실을 경험했습니다. 이후에 나는 Vertex Ventures에서 투자자로 일했습니다. 나는 더 많은 조직이 ML을 사용하고, 회사가 ML을 채택하여 도전을 겪는 것을 보았습니다. 이것은 내 기회였습니다.

AI는 거의 모든 산업에서 채택되고 있습니다. 의료, 금융, 자동차 등이 있습니다. 이것은 모든 사람의 삶에 영향을 미칠 것입니다. 아포리아는 이러한 사용 사례를 작동하게 하는 데 가치가 있습니다. 소프트웨어와 마찬가지로 버그가 있을 수 있습니다. 머신 러닝도 다르지 않습니다. 버그를 방치하면 비즈니스 연속성과 사회에 영향을 미칠 수 있습니다. 아마존의 AI 채용 도구를 생각해 보십시오. 의도하지 않은 편향으로 인해 남성 후보자만 추천했습니다. 이것은 원치 않는 결과입니다. 따라서 의도하지 않은 편향을 감지하는 전용 솔루션이 필요합니다.

조직이 머신 러닝의 이점을 누리기 위해서는 모델이 올바르게 작동하는지 알 수 있어야 합니다. 새로운 규정으로 인해 ML 사용자는 모델 예측을 설명해야 할 수 있습니다. 따라서 모델이 실제 세계에서 비즈니스와 사회에 대한 의사 결정을 내릴 때, 신뢰할 수 있는 AI를 보장하기 위한 종합적인 관측 가능성 솔루션이 필요합니다.

투명하고 설명 가능한 AI의 중요성을 설명해 주시겠습니까?

전통적인 소프트웨어와 머신 러닝은 다릅니다. 소프트웨어에서는 소프트웨어 엔지니어가 코드를 작성하고, 논리를 정의합니다. 우리는 코드의 흐름을 정확히 알고 있습니다. 이것은 결정론적입니다. 소프트웨어는 이렇게 구축됩니다. 엔지니어는 테스트 케이스를 작성하고, 에지 케이스를 테스트하고, 70%에서 80%의 커버리지에 도달합니다. 충분하다고 생각합니다. 경고가 발생하면 쉽게 디버깅하고, 무엇이 잘못되었는지 이해하고, 수정할 수 있습니다.

머신 러닝은 다릅니다. 모델의 훈련 과정에서 논리가 정의됩니다. 논리는 규칙의 집합이 아닙니다. 모델의 마음, 뇌를 나타내는 수백만 개의 숫자의 행렬입니다. 이것은 블랙박스입니다. 각 숫자의 의미를 정확히 알지 못합니다. 그러나 통계적으로 알 수 있습니다. 이것은 확률론적입니다. 결정론적이지 않습니다. 83% 또는 93%의 시간에 정확할 수 있습니다. 이것은 많은 질문을 제기합니다. 시스템이 예측을 내리는 방식을 설명할 수 있습니까? 금융과 같은 규제 산업에서 예측을 설명할 수 있습니까? 예를 들어, 미국의 금융 회사들은 법적으로 대출 신청을 거부한 이유를 설명해야 합니다.

머신 러닝 예측을 인간이 읽을 수 있는 텍스트로 설명할 수 없는 것은 대량 채택의 주요 장벽입니다. 우리는 모델이 편향된 결정을 내리지 않는다는 것을 알고 싶습니다. 모델이 특정 결정을 내리는 이유를 이해하고 싶습니다. 여기서 설명 가능성과 투명성이 매우 중요합니다.

아포리아의 투명하고 설명 가능한 AI 툴박스의 작동 방식을 설명해 주시겠습니까?

아포리아의 설명 가능한 AI 툴박스는 통일된 머신 러닝 관측 가능성 시스템의 일부로 작동합니다. 생산 모델과 신뢰할 수 있는 모니터링 및 경고 솔루션이 없으면 설명 가능한 AI 인사이트를 신뢰하기 어렵습니다. 아포리아는 모든 실행 중인 모델에 대한 단일 창의 가시성을 제공하고, 사용자 정의 모니터링, 경고 기능, 디버깅 도구, 근본 원인 조사, 설명 가능한 AI를 제공합니다. 모든 생산 문제에 대한 전용 풀스택 관측 가능성 솔루션입니다.

아포리아 플랫폼은 중립적이며, AI 중심 비즈니스, 데이터 과학, ML 팀에 중앙 집중식 대시보드와 모델의 건강, 예측, 결정에 대한 완전한 가시성을 제공합니다. 아포리아의 설명 가능한 AI를 사용하면 관련된 모든 이해관계자가 루프에 있음을 알 수 있습니다. 모델 예측을 클릭 한 번으로 설명할 수 있습니다. 아포리아는 모델에 입력된 데이터와 예측을 지속적으로 추적하고, 성능 저하, 의도하지 않은 편향, 데이터 드리프트, 모델 개선의 기회 등 중요한 이벤트에 대해 프로액티브 경고를 보냅니다. 아포리아의 조사 툴박스를 사용하여 모든 이벤트의 근본 원인을 파악하고, 생산 모델을 개선할 수 있습니다.

데이터 포인트 및 시계열 조사 도구와 같은 일부 기능은 어떻게 작동합니까? 이러한 도구는 AI 편향과 드리프트를 방지하는 데 어떻게 도움이 됩니까?

데이터 포인트는 모델이 받는 데이터와 하는 예측에 대한 라이브 뷰를 제공합니다. 비즈니스에서 정확히 어떤 일이 발생하는지 이해할 수 있습니다. 가시성은 투명성에 매우 중요합니다. 때때로 시간이 지남에 따라 여러 변경이 발생합니다. 이것은 시계열 조사 도구의 역할입니다.

최근 주요 소매업체의 모든 AI 예측 도구가 공급망 문제를 예측할 때 실패했습니다. 아포리아 플랫폼은 어떻게 이 문제를 해결합니까?

이러한 문제를 식별하는 주요 도전은 미래 예측에 근거한다는 사실에 있습니다. 예를 들어, 특정 셔츠를 얼마나 많은 사람이 살 것인지 또는 새로운 PlayStation를 얼마나 많은 사람이 살 것인지 예측합니다.

그런 다음 실제 결과를 수집하는 데 몇 주가 걸립니다. 그 후에 우리는 요약하고, 예측이 정확했는지 아닌지 알 수 있습니다. 이 시간 프레임은 몇 개월입니다. 모델이 예측을 내리고, 비즈니스에서 정확한지 아닌지 알기까지의 시간입니다. 그 때가 되면 이미 늦습니다. 비즈니스에서는 잠재적인 수익을 잃거나, 재고를 할인하여 판매해야 합니다.

이것은 도전입니다. 아포리아가 등장하여 이러한 조직에 매우 도움이 됩니다. 첫째, 아포리아는 의사 결정을 내리는 것을 쉽게 이해하고, 투명성을 제공합니다. 둘째, 대규모 소매업체의 경우, 수동으로 추적하는 것이 거의 불가능합니다. 여기서 아포리아가 가장 가치 있습니다. 24/7 자동화된 모니터링 시스템입니다. 아포리아는 데이터와 예측을 지속적으로 추적하고, 통계적 행동을 분석하고, 소비자와 데이터의 행동 변경을 식별할 수 있습니다. 6개월 후에 수요 예측이 잘못되었다는 것을 알게 되는 대신, 수요 예측이 잘못된 경로에 있는지 몇 일 내에 식별할 수 있습니다. 아포리아는 이 시간 프레임을 몇 개월에서 몇 일로 단축합니다. 이는 모든 ML 실무자에게 엄청난 게임 체인저입니다.

아포리아에 대해 더 공유해 주시겠습니까?

우리는 지속적으로 성장하고, 아포리아의 여정에 합류할 수 있는 훌륭한 사람들과 천재적인 마음을 찾고 있습니다. 개방형 직책을 확인하세요.

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 아포리아를 방문하세요.