Alon Lev, medgrunnlegger og CEO av Qwak – Intervju-serie

Alon Lev er medgrunnlegger og CEO av Qwak, en plattform som fjerner den tekniske friksjonen fra maskinlæring samtidig som den tillater rask iterasjon, høy skala og tilpassbar infrastruktur.

Når ble du først interessert i maskinlæring?

Min første betydelige maskinlæringserfaring var da jeg bygde BI-teamet i Payoneer for om lag syv år siden. Jeg innsett at å bli en data-drevet organisasjon krever svært spesifikke prosesser og verktøy. Maskinlæring, som i dag er en del av hver data-drevet bedrifts strategi, var på et tidlig stadium da.

Kunne du diskutere din tidligere rolle i Payoneer og hvordan den gjorde at du så hvordan maskinlæring vokste i betydning?

I min rolle i Payoneer som VP for data, var jeg ansvarlig for alle data-aspektene i bedriften, fra analyse, BI, dataingeniør og data-vitenskap. Wow-øyeblikket jeg hadde med data-vitenskap var da vi bygde hele kredittproduktet basert på maskinlæring. Det fungerte fantastisk fra begynnelsen; på det øyeblikket innsett jeg at maskinlæring kunne forbedre ikke bare eksisterende forretningslinjer, men også skape nye bedrifter og produkter.

Hva var noen av maskinlæring-utfordringene du vitnet?

Definitivt, i produksjonsdelen av ML, har data-eiere og ingeniører allerede mye på tallerkenen – å håndtere en produksjonsklar infrastruktur som vil tillate oss å produktisere ML var alltid en stor utfordring som “drepte” mange av våre prosjekter.

Hvordan fjerner Qwak-plattformen den tekniske friksjonen fra maskinlæring?

Qwak handler om å ta grunnarbeidet fra ML-ingeniører og å la dem fokusere på å skape forretningsverdi.

Ran Romano (medgrunnlegger og VP R&D) hadde den samme erfaringen under sin tid som leder av MLops-avdelingen i Wix. I dag er hans hovedfokus på å takle disse utfordringene via vår plattform og å gjøre prosessen med å produktisere ML-modeller raskere, mer effektiv og sømløs. Vårt mål er å gjøre ML-ingeniører og data-vitenskapsmenns liv lettere og mer betydningsfullt, så at flytende maskinlæring-leveranser blir en realitet for bedrifter i stedet for en ønskeliste-artikkel.

Hvorfor er dette en perfekt løsning for bedrifter som ønsker mer maskinlæring-gjennomstrømming, men har en mangel på data-vitenskapsmenn og maskinlæring-ingeniører?

Vi hevder ikke at vi forstår deres forretning eller deres data, men vi har mye erfaring når det gjelder infrastruktur; Vårt mål er klart; Vi ønsker å hjelpe utmerkede data-vitenskaps- og maskinlæring-ingeniørteam å bygge fantastiske produkter. Vi intervenérer ikke med modell-logikk, men fokuserer på hva vi gjør best, nemlig infrastruktur.

Hva skiller Qwak fra andre maskinlæring-løsninger i dag?

Vi handler om å hjelpe sterke team å avlaste grunnarbeidet og strømlinje hele prosessen med ML-produktisering, Qwak leverer og tror på en horisontal tilnærming for å løse MLOps-utfordringene – det betyr at vi ikke bare bygde plattformen rundt modell-registrering/tjeneste eller funksjonsbutikk og automatisering, men vi tror at du trenger alle disse i ett sted for å skalle opp ML-infrastrukturen.

Kunne du diskutere hvordan Qwak støtter maskinlæring-modell-tilbakemeldingssporing og hvorfor dette er viktig?

Tilbakemeldingssporing er en av de første tingene vi har bygget i Qwak, da vi ser på det som en sammenhengende del av produksjonslivssyklusen. Qwak eksponerer en tilbakemeldings-API som tillater automatisering av tilbakemeldings-rapporteringen.

Er det noe annet du ønsker å dele om Qwak?

Vi har et fantastisk team av erfarne ingeniører og ledere i rommet. Med stor erfaring i “skyttargravene” til maskinlæring-ingeniører, vet vi hva som må gjøres og vi er bare i gang 🙂

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Qwak.