Liran Hason, medgrunnlegger og CEO av Aporia – Intervju-serie

Liran Hason er medgrunnlegger og CEO av Aporia, en full-stack ML-observabilitetsplattform som brukes av Fortune 500-selskaper og data science-team over hele verden for å sikre ansvarlig AI. Aporia integrerer sømløst med alle ML-infrastrukturer. Uansett om det er en FastAPI-server på toppen av Kubernetes, en åpen kildekode-verktøy som MLFlow eller en maskinlæringsplattform som AWS Sagemaker

Før han grunnla Aporia, var Liran en ML-arkitekt i Adallom (kjøpt av Microsoft (MSFT )), og senere en investor i Vertex Ventures.

Hva var det som først tiltalte deg til datamaskiner, og hva jobbet du med?

Det var i 1999, og en venn av mine ringte meg og sa at han hadde bygget en nettside. Etter å ha skrevet inn en 200 tegn lang adresse i nettleseren min, så jeg en nettside med hans navn på den. Jeg var imponert over at han hadde laget noe på sin egen datamaskin, og at jeg kunne se det på min egen datamaskin. Dette gjorde meg veldig nysgjerrig på hvordan det fungerte og hvordan jeg kunne gjøre det samme. Jeg spurte moren min om å kjøpe meg en HTML-bok, som var mitt første skritt inn i programmering.

Jeg finner stor glede i å ta på meg tekniske utfordringer, og etter hvert som tiden gikk, vokste min nysgjerrighet bare. Jeg lærte ASP, PHP og Visual Basic, og tok til meg alt jeg kunne.

Da jeg var 13 år, tok jeg already på meg noen freelance-jobs, bygging nettsider og desktop-applikasjoner.

Når jeg ikke hadde noen aktive jobber, jobbet jeg på mine egne prosjekter – vanligvis forskjellige nettsider og applikasjoner som skulle hjelpe andre mennesker å nå sine mål:

Blue-White Programming – er et hebraisk programmeringsspråk, lignende HTML, som jeg bygde etter å ha innsett at barn i Israel som ikke har et høyt nivå av engelsk er begrenset eller fratatt muligheten til å kode.

Blinky – Besteforeldrene mine er døve og bruker tegnspråk til å kommunisere med sine venner. Da videokonferanse-programvare som Skype og ooVoo dukket opp, ble det mulig for dem for første gang å snakke med venner selv om de ikke var i samme rom (som vi alle gjør med våre telefoner). Men siden de ikke kunne høre, visste de ikke når de hadde en innkommende samtale. For å hjelpe dem ut, skrev jeg programvare som identifiserte innkommende videosamtaler og varslet dem ved å blinke en LED-array i en liten hårdvaruenhet jeg hadde bygget og koblet til deres datamaskin.

Dette er bare noen av prosjektene jeg bygde som tenåring. Min nysgjerrighet stoppet aldri, og jeg fant meg selv lærer C, C++, Assembly og hvordan operativsystemer fungerer, og prøvde å lære så mye som mulig.

Kunne du dele historien om din reise som maskinlæringsarkitekt i Microsoft-eide Adallom?

Jeg startet min reise i Adallom etter min militærtjeneste. Etter 5 år i hæren som kaptein, så jeg en stor mulighet til å slutte meg til et oppadstigende selskap og marked – som en av de første ansatte. Selskapet ble ledet av flinke grunnleggere, som jeg kjente fra min militærtjeneste, og ble støttet av topp-klassens venturekapitalister – som Sequoia. Eksplosjonen av skyteknologier på markedet var fortsatt i sin relative barndom, og vi bygde en av de aller første sky-sikkerhetsløsningene på den tiden. Bedrifter var bare begynt å gå over fra lokale til sky, og vi så nye bransjestandarder dukke opp – som Office 365, Dropbox (DBX ), Marketo, Salesforce og andre.

I mine første par uker, visste jeg allerede at jeg ville starte mitt eget selskap en dag. Jeg følte, fra et teknisk perspektiv, at jeg var klar for alle utfordringer som kom mine vei, og hvis ikke jeg selv, visste jeg de riktige menneskene som kunne hjelpe meg å overvinne alt.

Adallom hadde behov for noen som hadde dyptgående kunnskap om teknologi, men også kunne være kundeorientert. Et par uker senere, og jeg var på et fly til USA, for første gang i mitt liv, for å møte mennesker fra LinkedIn (før Microsoft). Et par uker senere, og de ble våre første betalende kunder i USA. Dette var bare ett av mange store korporasjoner – Netflix , Disney og Safeway – som jeg hjalp å løse kritiske sky-problemer for. Det var super utdannende og en sterk tillitsbygger.

Kunne du dele opphavet til Aporia?

Min egen personlige erfaring med maskinlæring starter i 2008, som en del av et samarbeidsprosjekt på Weizmann-instituttet, sammen med University of Bath og et kinesisk forskningssenter. Der bygde jeg et biometrisk identifikasjonssystem ved å analysere bilder av iris. Jeg klarte å oppnå 94% nøyaktighet. Prosjektet var en suksess og ble applaudert fra et forskningsperspektiv. Men for meg, hadde jeg bygget programvare siden jeg var 10 år gammel, og noe føltes på en måte, ikke reelt.

Dette er bare litt bakgrunn. Når du bygger et maskinlæringsystem, for eksempel for biometrisk identifikasjon, ønsker du at forutsagnene skal være deterministiske – du ønsker å vite at systemet nøyaktig identifiserer en bestemt person, rett? Akkurat som hvordan iPhone ikke låser opp hvis den ikke gjenkjenner den riktige personen ved riktig vinkel, dette er det ønskede resultatet. Men dette var ikke tilfelle med maskinlæring da jeg først kom inn i feltet.

Om syv år senere, og jeg opplevde først hånd, i Adallom, virkeligheten av å kjøre produksjonsmodeller uten pålitelige retningslinjer, da de tar beslutninger for vårt bedrift som påvirker våre kunder. Deretter var jeg heldig å jobbe som investor i Vertex Ventures, i tre år. Jeg så hvordan flere og flere organisasjoner brukte ML, og hvordan selskaper gikk over fra å bare snakke om ML til å faktisk gjøre maskinlæring. Men disse selskapene tok opp ML bare for å bli utfordret av samme problemene vi hadde i Adallom.

Aporia viser sin sanne verdi – muliggjør alle disse livsforbedrende bruksområdene å fungere som tiltent og hjelpe til å forbedre samfunnet. Fordi, som med all programvare, vil du få feil, og maskinlæring er ingen unntak. Hvis ubehandlet, kan disse ML-problemene virkelig skade bedriftens kontinuitet og påvirke samfunnet med uønskede bias-resultater. Ta Amazons forsøk på å implementere en AI-rekrutteringsverktøy – uønsket bias forårsaket at maskinlæringsmodellen sterkt anbefalte mannlige kandidater over kvinnelige. Dette er åpenbart et uønsket resultat. Derfor trengs det en dedikert løsning for å oppdage uønsket bias før det kommer til nyhetene og påvirker sluttbrukerne.

Kan du forklare betydningen av gjennomsiktig og forklarbar AI?

Mens det kan se ut som om det er lignende, er det en viktig forskjell å gjøre mellom tradisjonell programvare og maskinlæring. I programvare har du en programvare-utvikler, som skriver kode, definerer logikken til applikasjonen, vi vet eksakt hva som vil skje i hver kodeflyt. Det er deterministisk. Dette er hvordan programvare vanligvis bygges, utviklerne lager testtilfeller, tester kanttilfeller, får til 70% – 80% dekning – du føler deg godt nok til å kunne utgi til produksjon. Hvis noen varsler dukker opp, kan du enkelt feilsøke og forstå hva som gikk galt, og fikse det.

Dette er ikke tilfelle med maskinlæring. I stedet for at en menneske definerer logikken, defineres den som en del av modellens treningprosess. Når vi snakker om logikk, er det ikke en sett med regler, men heller en matrise med millioner og milliarder av tall som representerer maskinlæringsmodellens “hjerne”. Og dette er en svart boks, vi vet ikke meningen av hvert enkelt tall i denne matrisen. Men vi vet statistisk, så dette er probabilistisk, og ikke deterministisk. Det kan være nøyaktig i 83% eller 93% av tiden. Dette bringer opp mange spørsmål, rett? Først, hvordan kan vi stole på et system som vi ikke kan forklare hvordan det kommer til sine forutsagn? Andre, hvordan kan vi forklare forutsagn for høyt regulerte industrier – som finanssektoren. For eksempel, i USA, er finansinstitusjoner forpliktet av loven til å forklare til sine kunder hvorfor de ble avvist for en lånesøknad.

Uvilkårligheten til å forklare maskinlæringsforutsagn i menneskelige lesbare tekst kan være en stor hindring for masse-tilpasning av ML over industrier. Vi ønsker å vite, som samfunn, at modellen ikke tar bias-beslutninger. Vi ønsker å sikre at vi forstår hva som fører modellen til en bestemt beslutning. Dette er hvor forklarbarhet og gjennomsiktighet er ekstremt kritisk.

Hvordan fungerer Aporias gjennomsiktige og forklarbare AI-verktøy?

Aporias forklarbare AI-verktøy fungerer som en del av et samlet maskinlærings-observabilitetssystem. Uten dypt syn på produksjonsmodeller og en pålitelig overvåkings- og varslingløsning, er det vanskelig å stole på forklarbare AI-innsikter – det er ingen behov for å forklare forutsagn hvis utgangen er ustabilt. Og så er det her Aporia kommer inn i bildet og blir veldig nyttig for disse organisasjonene. Først, lar det organisasjonene enkelt få gjennomsiktighet og synlighet inn i hva beslutninger som tas – Er det noen fluktuasjoner? Er det noe som ikke har mening? Andre, da vi snakker om store detaljhandlere, snakker vi om enorme mengder lager, og å spore dem manuelt er nesten umulig. Her er hvor bedrifter og maskinlærings-team verdsetter Aporia mest, som et 24/7 automatisert og tilpasset overvåkingssystem. Aporia sporer konstant data og forutsagn, analyserer statistisk atferd av disse forutsagnene, og kan forutse og identifisere endringer i kundens atferd og endringer i data-atferd så snart det skjer. I stedet for å vente seks måneder for å innse at etterspørselsprognosen var feil, kan du på få dager identifisere at vi er på feil vei med våre etterspørselsprognoser. Så Aporia forkorter denne tidsrammen fra flere måneder til få dager. Dette er en stor game-changer for enhver ML-praktiker.

Er det noe annet du ønsker å dele om Aporia?

Vi vokser kontinuerlig og søker etter flotte mennesker med strålende sinn til å slutte seg til Aporias reise. Se våre åpne stillinger.

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