Alon Lev, medeoprichter en CEO van Qwak – Interviewreeks

Alon Lev is mede-oprichter en CEO van Qwak, een platform dat de engineering-frictie van machine learning wegneemt en snelle iteraties, hoge schaal en aanpasbare infrastructuur mogelijk maakt.

Wanneer bent u voor het eerst geïnteresseerd geraakt in machine learning?

Mijn eerste significante machine learning-ervaring was toen ik de BI-afdeling van Payoneer aan het opbouwen was, ongeveer zeven jaar geleden. Ik realiseerde me dat het worden van een data-gedreven organisatie specifieke processen en tools vereist. Machine Learning, dat vandaag deel uitmaakt van elke data-gedreven bedrijfsstrategie, was in zijn vroege stadia toen.

Kunt u uw voorgaande rol bij Payoneer bespreken en hoe die u in staat stelde te zien hoe machine learning in belang toenam?

In mijn rol bij Payoneer als VP data, was ik verantwoordelijk voor alle data-aspecten van het bedrijf, van analytics, bi, data engineering & data science. Het wow-moment dat ik had met data science was toen we het hele kredietproduct op basis van machine learning bouwden. Het presteerde verbazingwekkend vanaf het begin; op dat moment realiseerde ik me dat machine learning niet alleen bestaande bedrijfslijnen kon verbeteren, maar ook nieuwe bedrijven en producten kon creëren.

Wat waren enkele van de machine learning-uitdagingen die u zag?

Zeker, in de productie van ML, hebben data-eigenaren en engineers al veel op hun bord – het beheren van een productie-grade infrastructuur die ons in staat stelt om ML te productiseren, was altijd een enorme uitdaging die veel van onze projecten “doodde”.

Hoe verwijdert het Qwak-platform de engineering-frictie van machine learning?

Qwak neemt het voorbereidende infrastructuurwerk van ML-engineers over en hen in staat stellen om zich te concentreren op het creëren van bedrijfswaarde.

Ran Romano (mede-oprichter en VP R&D) had exact dezelfde ervaring tijdens zijn tijd als leidinggevende van de MLops-afdeling bij Wix. Tegenwoordig ligt zijn hoofdfocus op het aanpakken van deze uitdagingen via ons platform en het maken van het proces van productiseren van ML-modellen sneller, efficiënter en naadloos. Ons doel is om het leven van ML-engineers en data scientists gemakkelijker en impactvoller te maken, zodat vloeiende machine learning-leveringen een realiteit worden voor bedrijven in plaats van een wensenlijst-item.

Waarom is dit de perfecte oplossing voor bedrijven die meer machine learning-doorstroom willen, maar een schaarste aan data scientists en machine learning-engineers hebben?

We beweren niet dat we uw bedrijf of uw data begrijpen, maar we hebben veel ervaring met infrastructuur; Onze missie is duidelijk; We willen uitstekende datawetenschaps- en machinelearningteams helpen om geweldige producten te bouwen. We interfereren niet met modellogica, maar concentreren ons op wat we het beste doen, namelijk de infrastructuur.

Wat onderscheidt Qwak momenteel van concurrerende machine learning-oplossingen?

We helpen sterke teams om het voorbereidende infrastructuurwerk uit handen te geven en het hele proces van ML-productisatie te stroomlijnen, Qwak levert en gelooft in een horizontale aanpak om de MLOps-uitdagingen op te lossen – wat betekent dat we niet alleen het platform hebben gebouwd rond model registry/serving of feature store en automatisering, maar we denken dat u ze allemaal op één plek nodig heeft om uw ML-infrastructuur op te schalen.

Kunt u bespreken hoe Qwak machine learning-modellen feedback-tracking ondersteunt en waarom dit belangrijk is?

Feedback-tracking is een van de eerste dingen die we in Qwak hebben gebouwd, omdat we het zien als een coherent deel van de productie-levenscyclus. Qwak biedt een feedback-API die het proces van feedback-rapportage automatiseert.

Is er nog iets anders dat u over Qwak zou willen delen?

We hebben een geweldig team van ervaren engineers en leiders in dit vakgebied. Met uitgebreide ervaring in de “loopgraven” van machine learning-engineering, weten we wat er moet gebeuren en we zijn net begonnen 🙂

Bedankt voor het geweldige interview, lezers die meer willen leren over Qwak, moeten Qwak bezoeken.