Nir Bar-Lev, CEO og medgrunnlegger av Allegro AI – Intervju-serie

Nir Bar-Lev er CEO og medgrunnlegger av Allegro AI. Allegro AI spesialiserer seg på å hjelpe selskaper med å utvikle, distribuere og forvalte maskin- og dyplæringløsninger. Med Allegro AI kan organisasjoner bringe høykvalitetsprodukter til markedet og forvalte dem raskere og mer kostnadseffektivt. Produktene er basert på Allegro Trains åpne kildekode ML- og DL-eksperimentmanager og ML-Ops-pakke.

Hva var det som først tiltalte deg om AI?

Det som har tiltalt meg mest i min karriere har vært å bringe fremtredende teknologiinnovasjon for å løse problemer eller utfordringer (og faktisk er de to sider av samme mynt) på en enorm skala. Jeg må innrømme at min tid i Google (GOOGL ) har uten tvil bidratt til å forme denne tendensen.

AI er uten tvil et område som tilfredsstiller begge disse kravene. Det er på fremtredende teknologiske grenser i dag og har potensialet til å påvirke nesten alle aspekter av våre liv på denne planeten.

Du har hatt en imponerende karriere, starting fra Google som grunnleggende produktleder for Googles talegjenkjenningplattform. Kan du diskutere disse tidlige dagene med å arbeide i Google og hva du lærte fra denne erfaringen?

Da jeg kom rett ut av handelshøyskolen fra Wharton School of Business, ble jeg slått av hvordan Google fungerte på en måte som var i stor kontrast til etablerte forretningsnormer for å drive suksessfulle bedrifter, som undervist på de beste handelshøyskolene i verden og som jeg hadde erfart i min karriere før handelshøyskolen. Jeg husker tydelig å ha diskutert dette med noen av mine kolleger som også begynte i Google samtidig som jeg, rett ut av en MBA.

Det viser seg at Google endret – til en viss grad – forretningsplayboken, men det nøt også en enorm virtuell pengestrøm fra sin annonsevirksomhet som tillot det å eksperimentere på måter som de fleste selskaper ikke kunne tillate seg å gjøre. Jeg kan bekrefte at da jeg tilbrakte et tiår i Google, tok det til å adoptere “mainstream” etablerte forretningspraksiser og tenkemåter etterhvert som det vokste.

Til meg også, som leder for talegjenkjenningplattformen som produktleder, måtte jeg arbeide med forskningsspesialister. Dette var faktisk ett av de tidligste, hvis ikke det første, forskningsteamet i Google som virkelig var om applied research. Til meg var dette en stor utfordring. Forskere har svært forskjellige tanker enn ingeniører, og her prøvde jeg å arbeide med dyktige forskere i et selskap som er ekstremt ingeniør-orientert.

Det viser seg at utfordringene jeg møtte for omtrent 15 år siden er svært like problemene selskaper møter i dag når de prøver å integrere AI-dataforskere i sine organisasjoner.

I 2016 gikk du videre til å bli medgrunnlegger av Allegro AI? Hva var din inspirasjon bak å etablere Allegro AI?

Ved å etablere Allegro AI, samarbeidet jeg med to fantastiske partnere som er usedvanlige ingeniørtalenter. En av mine partnere var den første PhD-studenten i ett av Israels første og nå ledende AI-laboratorier, som er ett av de ledende AI-hubene globalt. Så han var virkelig – for meg – en del av grunnleggerne av applied AI i det lokale samfunnet. Han hadde visjonen til å se hvordan man kunne anvende ML/DL i praksis, og hvordan det ville måtte håndtere en ny sett med utfordringer rundt skala, automatisering, pålitelighet, kvalitet og mer. I samtaler med dem ble det klart for meg at jeg kunne bidra til teamet fra min erfaring i Google og tidligere for å virkelig få en sjanse til å skape et selskap som kunne ha en enorm innvirkning på AI gjennom verktøyene vi tilbyr. Google og noen av de andre teknologigigantene er i en misunnelsesverdig posisjon når det gjelder deres evne til å samle uendelige ressurser av beste kvalitet for å møte disse utfordringene. Men nesten alle andre kan ikke tillate seg å gjøre det (enten det gjelder tilgang til talent, monetære ressurser, selskapsfokus, osv). Så dette var en mulighet til å tilpasse eksakt det jeg elsker å gjøre mest (se q1) og hjelpe hele økosystemet.

Allegro AI fungerer som en åpen kildekode maskinlæring- og dyplæringplattform. Kan du diskutere fordelen med å bruke åpen kildekode-programvare?

Åpen kildekode har flere fordeler. Det viktigste er at det utnytter den brede samfunnet til å forbedre produktet selv. Brukere finner feil, det er en bred diskusjon om funksjoner som er av interesse; integrasjon i andre [åpen kildekode]-verktøy er mye enklere å fasilitere enn det ville være mellom to kommersielle organisasjoner med lukket kildekode-proprietær programvare; osv.

Det tilbyr en god modell for en gevinst-gevinst for både samfunnet og selskapet bak det. Det låner seg lett til å prøve og teste og sogar utvide for organisasjoner som ikke vil eller kan betale, og på samme tid muliggjør større potensielle kunder å betale for utvidede funksjoner/tjenester basert på toppen av et bredt brukt (og derfor mindre risikabelt) stykke programvare.

Allegro AI tilbyr datahåndteringstjenester. Kan du diskutere typen verktøy som tilbys for dette?

Allegro Ai tilbyr både strukturert data- og ustukturert datahåndtering. Imidlertid, mens det finnes en rekke beviste strukturerte datahåndteringløsninger, tilbyr vi en unik løsning for ustukturert data.

Spesifikt er det viktig å kvalifisere typen datahåndtering vi tilbyr. Idéen er ikke fysisk datahåndtering, men heller datahåndtering fra et AI-perspektiv. For AI er det kritisk for datavitenskapsteamet å forstå hva slags data de har til rådighet. Med ustukturert data er det ganske vanskelig. Tenk på tusenvis eller hundredtusenvis av timer med video eller lyd. Tenk på milliarder av sensorsignaler, osv.

Dataforskere trenger å vite variasjonen i deres data for å tilpasse seg de forskjellige situasjonene, så de kan effektivt trene sine modeller. De trenger å forstå om det er kritiske deler av data som mangler; om det er forvrengninger eller skjevheter i dataene.

Og deretter – på den andre siden – trenger de å ha verktøy for å håndtere disse situasjonene på en kostnadseffektiv og rask måte uten å måtte gå ut og finne nye fysiske data og annotere/merke dem (en svært kostbar og tidskrevende oppgave).

Dette er i essensen typen verktøy vi tilbyr rundt dette området: kraftfulle verktøy for å gjøre “AI BI (forretningsintelligens)” på dine data på et utenkelig nivå av detalj og granularitet og på den andre siden verktøy for å tett integrere dataene i eksperimentene og modellene slik at dataforskere kan sette opp effektive treningsløp med dataene til hånd uten å måtte skrive kode.

På toppen av det tilbyr vi ekstra verdi i form av optimalisering av dataflyt, dataflytting osv. Ettersom vi snakker om å prosessere terabyte med data. Å flytte dem rundt er dyrt og selskaper trenger en løsning for å optimalisere det også.

Allegro AI tilbyr også outsourcing av dataingeniørtjenester. Hva er noen av tilbudene som er tilgjengelige?

Allegro Ai er primært et produkt-selskap og vi ser på oss selv som å tilby verktøy, infrastruktur eller rammeverk for selskaper til å utvikle, distribuere og forvalte produkter med AI (DL/ML)-modeller integrert i dem.

Det er sagt, dette er et nytt område og våre kunder trenger av og til hjelp til å sette opp sine spesifikke pipelines bygget på toppen av våre verktøy, eller sogar hjelp til å starte deres modeller selv. Når disse situasjonene oppstår, tilbyr vi hjelpe-tjenester til vårt kjerne-programvaretilbud.

Kunne du diskutere viktigheten av distribuert læring og hvordan Allegro AI kan brukes i denne sammenhengen?

Distribuert læring er i essensen evnen til å trene en enkelt AI-modell som utnytter (trening på) datasamlinger som ligger i forskjellige fysiske lokasjoner uten å bringe disse datasamlingene til ett enkelt sted. Vi tilbyr også en forbedret versjon av dette, som vi kaller “blind distribuert læring” eller “blind samarbeidslæring” hvor ingen enkelt enhet i denne scenariet har tilgang til data som ikke tilhører den, inkludert enheten som mottar den endelige modellen.

Distribuert læring er viktig i forskjellige situasjoner hvor datavern eller reguleringer er kritiske å bevare mens det samtidig er interesse til å utnytte forskjellige datasamlinger. For eksempel to eller flere sykehus eller medisinske institusjoner som ønsker å samarbeide om å trene en modell for CT-skanninger; eller to regjeringsbyråer som ønsker å samarbeide om hjemlandssikkerhetsdata for å bygge en anti-terrorisme-modell, men som av juridiske årsaker ikke kan eksponere dataene til hverandre.

Eller situasjoner hvor en enkelt enhet ikke kan flytte sine forskjellige dataforråd fordi det er uhemmet dyrt – for eksempel et globalt bilprodusent som ønsker å trene selvstyrte kjøretøy ved å utnytte data samlet inn fra biler som kjører over hele verden.

Allegro AI er ett av mindre enn en håndfull selskaper globalt som har en bevist og testet kommersiell plattform som fasiliteter distribuert læring.

Er det noe annet du ønsker å dele om Allegro AI?

Allegro AI er en voksende kraft i verden av AI-verktøy og ML-Ops. Bare i det siste kvartalet, midt i den første bølgen av covid-19-krisen, opplevde vi en vekst som mer enn doblet vår kundebase på bare 3 måneder.

Takk for intervjuet, lesere som ønsker å lære mer kan besøke Allegro AI.