Nir Bar-Lev, CEO & Co-Founder of Allegro AI – Intervju-serie

Nir Bar-Lev er CEO & Co-Founder av Allegro AI. Allegro AI spesialiserer seg på å hjelpe selskaper med å utvikle, distribuere og forvalte maskin- og dyptlæringløsninger. Med Allegro AI kan organisasjoner bringe produkter av høyere kvalitet 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 opprinnelig tiltalte deg til AI?

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

AI tilfredsstiller begge disse kravene. Det er på fremtredende teknologikantene i dag og har potensialet til å påvirke nesten alle aspekter av livet vårt på denne planeten.

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

Da jeg kom rett ut av handelshøyskolen fra Wharton School of Business, ble jeg slått av hvordan Google fungerte på ekstreme odder med 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 ble med i Google på samme tid rett ut av en MBA.

Det viser seg at Google endret – til en viss grad – forretningsplayboken, men det nøt også en enorm virtuell brannstasjon av penger fra sin annonsevirksomhet som tillot det å eksperimentere på måter som de fleste selskaper ikke kunne gjøre. Jeg kan vitne om at da jeg tilbrakte et tiår i Google, tok det mer og mer i bruk “mainstream” etablerte forretningspraksiser og tankeprosesser mens det vokste.

For meg var det også å lede talegjenkjenningplattformen som produktleder, å måtte arbeide med forskningsvitenskapsmenn. Dette var faktisk ett av de tidligste, hvis ikke det første, forskningsteamet i Google som virkelig var om applied research. For meg var dette en stor utfordring. Forskere har meget 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 lik problemer selskaper møter i dag når de prøver å assimilere AI-dataforskere i sine organisasjoner.

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

Ved å grunnlegge Allegro AI, samarbeidet jeg med to fantastiske partnere som er utenom denne verden ingeniørtalenter. En av mine partnere var den første PhD-studenten i ett av Israels første og nå ledende AI-laboratorier i hva som kan være ett av de ledende AI-hubene globalt. Så han hadde virkelig – for meg – vært en del av grunnleggerne av applied AI i det lokale samfunnet. Han hadde visjonen til å se hvordan anvendelse av ML/DL i praksis ville måtte håndtere en ny rekke utfordringer rundt skala, automatisering, pålitelighet, kvalitet og mer. I samtale med dem ble det klart for meg at jeg kunne bidra til teamet fra min erfaring i Google og tidligere til å virkelig få en sjanse til å skape et selskap som kan 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 på disse utfordringene. Men nesten alle andre kan ikke gjøre det (enten det gjelder tilgang til talent, monetære ressurser, selskapsfokus osv). Så dette var en mulighet som stemte overens med hva jeg elsker å gjøre mest (se q1) og hjelpe hele økosystemet.

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

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

Det gir en god modell for en 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 ikke betale, og på samme tid muliggjør større potensielle kunder å betale for utvidede funksjoner / tjenester basert på toppen av et vidt 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 ustrukturert datahåndtering. Imidlertid, mens det finnes en rekke etablerte strukturerte datahåndteringløsninger, tilbyr vi en unik løsning for ustrukturert 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 datavitenskaps-teamet å forstå hva slags data de har til rådighet. Med ustrukturert 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 sammenligne med 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 data.

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 ny fysisk data og annotere / merke den (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 din data på et utenforliggende nivå av granularitet og detalj og på den andre siden verktøy for å tett integrere data i eksperimenter og modeller slik at med null kode dataforskere kan sette opp effektive treningsløp med data til rådighet.

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 det 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 oss selv som å tilby verktøy, infrastruktur eller støtte for selskaper til å utvikle, distribuere og forvalte produkter med AI (DL/ML)-modeller integrert i dem.

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

Kan du diskutere viktigheten av Fordelt Læring og hvordan Allegro AI kan brukes i denne sammenhengen?

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

Fordelt læring er viktig i forskjellige situasjoner hvor data-privatliv eller regulatoriske eller IP/konfidensialitetsmessige årsaker er kritisk å bevare, mens det på samme tid er interesse til å utnytte forskjellige datasett. 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 å bygge en anti-terrorisme-modell, men av juridiske årsaker ikke kan eksponere dataene til hverandre.

Eller sogar situasjoner hvor en enkelt enhet ikke kan flytte sine forskjellige lagre av data fordi det er uhyre dyrt – for eksempel et globalt bilprodusent-selskap 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 testet og kommersiell plattform som fasiliteter fordelt 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 dette kvartalet, midt i den første bølgen av covid-19-krisen, opplevde vi vekst som mer enn doblet vår kundebase på bare denne 3-månedersperioden.

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