Omer Har, medgrunnlegger og CTO, Explorium – Intervju-serie

Omer Har er en veteran innen datavitenskap og programvareutvikling med nesten et tiår med erfaring i å bygge AI-modeller som driver store bedrifter fremover.

Omer Har er medgrunnlegger og CTO av Explorium, et selskap som tilbyr en unik datavitenskapsplattform drevet av augmentert dataoppdagelse og funksjonsutvikling. Ved å automatisk koble til tusenvis av eksterne datakilder og bruke maskinlæring til å destillere de mest effektive signalene, gir Explorium-plattformen datavitenskapsfolk og forretningsledere mulighet til å drive beslutningstaking ved å eliminere barrierer for å skaffe riktig data og muliggjøre overlegen prediktiv kraft.

Når oppdaget du først at du ville være involvert i datavitenskap?

Mitt interesse for datavitenskap går tilbake over et tiår, som er omtrent like lenge jeg har praktisert og ledet datavitenskapslag. Jeg startet som programvareutvikler, men var alltid tiltrukket av komplekse data- og algoritmeutfordringer fra begynnelsen av. Jeg var heldig å ha lært faget ved Microsoft (MSFT ) Research, som var ett av de få stedene på den tiden hvor du kunne virkelig arbeide med komplekse anvendte maskinlæringsutfordringer i stor skala.

Du grunnla Explorium i 2017, kan du diskutere inspirasjonen bak lanseringen av dette startup-selskapet?

Explorium er basert på en enkel og svært kraftig behov – det finnes så mye data rundt oss som potensielt kan hjelpe med å bygge bedre modeller, men det finnes ingen måte å vite på forhånd hvilke datakilder som vil være effektive, og hvordan. Den opprinnelige ideen kom fra Maor Shlomo, Exploriums medgrunnlegger og CEO, som hadde å gjøre med uvanlig data-mangfold i sin militærtjeneste og måte å utnytte det i beslutningstaking og modellering. Da de tre av oss først kom sammen, var det umiddelbart klart for oss at denne erfaringen gjenspeiler behovene vi hadde å gjøre med i forretningsverdenen, spesielt i raskt voksende data-drevne felt som reklame- og markedsførings-teknologi-unicorner, hvor både jeg og Or Tamir (Exploriums medgrunnlegger og COO) ledet vekst gjennom data.

Før Explorium, var å finne relevante datakilder som virkelig gjorde en innvirkning – for å forbedre din maskinlæringsmodells nøyaktighet – en arbeidskrevende, tidskrevende og dyrekostnad process med lav sjanse for suksess. Grunnen er at du i realiteten gjettet, og brukte dine dyreste mennesker – datavitenskapsfolk – til å eksperimentere. I tillegg er data-anskaffelse i seg selv en kompleks forretningsprosess, og data-vitenskapelige lag har vanligvis ikke evnen til å kommersielt engasjere seg med multiple data-tilbydere.

Som en data-vitenskapsleder som ble målt etter forretnings-impakt generert av modeller, hadde jeg ikke luksusen av å sende mitt lag på en vill-gående jakt. Som resultat, foretrakk jeg å deployere mine anstrengelser på ting som kunne ha en mye lavere innvirkning enn en relevant ny data-kilde, bare fordi de var mye mer innenfor min kontroll-sfære.

Explorium har nylig mottatt ytterligere 31 millioner dollar i finansiering i en serie B-runde. Har du vært overrasket over hvor raskt ditt selskap har vokst?

Det har definitivt vært en rakett-ferd så langt, og du kan aldri ta det for gitt. Jeg kan ikke si at jeg var overrasket over hvor bredt behovet for bedre data er, men det er alltid en fantastisk opplevelse å se impakten du genererer for kunder og deres forretning. Den største analytiske utfordringen organisasjoner vil møte i de neste ti årene er å finne riktig data til å mata deres modeller og automatiserte prosesser. Riktig data-aktiva kan krone nye markedsledere, så vår vekst reflekterer det raskt voksende antallet kunder som innser dette og gjør data til en prioritet. I virkeligheten er antallet “Data-jegere” – mennesker som søker etter data som en del av deres daglige jobb – voksende eksponentielt i vår erfaring.

Kan du forklare hva Exploriums data-plattform er og hva den automatiske data-oppdagelses-prosessen er?

Explorium tilbyr en komplett data-vitenskapsplattform drevet av augmentert data-oppdagelse og funksjonsutvikling. Vi fokuserer på “data”-delen av data-vitenskap – som betyr å automatisk koble til tusenvis av eksterne data-kilder og bruke maskinlærings-prosesser til å destillere de mest effektive signalene og funksjoner. Dette er en kompleks og multi-steg prosess, som starter med å koble til en mengde kontekstuell relevant kilder i det vi kaller Exploriums data-katalog. Deretter automatiserer vi prosessen som utforsker denne sammenhengende data-mangfoldet, ved å teste hundrevis av tusen ideer for meningsfulle funksjoner og signaler for å skape det optimale funksjonssettet, bygge modeller på toppen av det og servere dem til produksjon på fleksible måter.

Ved å automatisere søket etter dataen du trenger, ikke bare dataen du har internt, gjør Explorium-plattformen det samme for data-vitenskap som søke-motorene gjorde for webben – vi søker, rangerer og bringer deg den mest relevante dataen for den prediktive spørsmålet i hendene.

Dette gir data-vitenskapsfolk og forretningsledere mulighet til å drive beslutningstaking ved å eliminere barrierer for å skaffe riktig data og muliggjøre overlegen prediktiv kraft.

Hvilke typer eksterne data-kilder kobler Explorium til?

Vi har tilgang til tusenvis av kilder over nesten alle data-kategorier du kan tenke på, inkludert selskaps-, geografiske-, atferdsmessige-, tid-baserte-, nettsted-data og mer. Vi har flere ekspert-lag som spesialiserer seg i data-anskaffelse gjennom åpne, offentlige og premium-kilder, samt partnerskap. Vår tilgang til unik talent fra Israels topp-intelligens- og teknologi-enheter bringer betydelig know-how og erfaring i å utnytte data-mangfold for beslutningstaking.

Hvordan bruker Explorium maskinlæring til å forstå hvilke typer data som er relevante for kunder?

Dette er en del av vår “hemmelige saus” så jeg kan ikke dykke ned i detaljer, men på et høyt nivå, bruker vi maskinlæring til å forstå meningen bak de forskjellige delene av dine datasett og anvender stadig forbedrede algoritmer til å identifisere hvilke kilder i vår utviklings-katalog som potensielt er relevante. Ved å faktisk koble disse kildene til din data, er vi i stand til å utføre komplekse data-oppdagelses- og funksjonsutviklings-prosesser, spesielt designet for å være effektive for eksterne og høy-dimensionale data, for å identifisere de mest effektive funksjonene fra de mest relevante kildene. Å gjøre det hele i sammenheng med maskinlærings-modeller gjør impakten statistisk målbart og lar oss stadig lære og forbedre våre matchings-, genererings- og oppdagelses-kapasiteter.

En av løsningene som tilbys er å mildne ansøknings-svindel-risiko for nett-lånere ved å bruke augmentert data-oppdagelse. Kan du gå i detaljer om hvordan denne løsningen fungerer?

Lån er alltid om å forutsi og mildne risiko – enten det kommer fra låntakers evne til å betale tilbake lånet (f.eks. finansiell ytelse) eller deres intensjon til å gjøre det (f.eks. svindel). Lån-ansøkningsprosessen er i seg selv en avveining mellom långiverens ønske om å samle inn mer informasjon og deres evne til å konkurrere med andre tjenesteleverandører, da lengre og mer omfattende spørsmål har lavere fullførings-rater, er forvrengt av definisjon og så videre.

Med Explorium, er både etablerte banker og nett-bank-challengerne i stand til å automatisk supplere ansøkningsprosessen med eksterne og objektive kilder som legger umiddelbar kontekst og avdekker meningsfulle relasjoner. Uten å gi for mye bort til å hjelpe svindlere, kan du tenke deg at i sammenheng med svindel, dette kunne bety forskjellige atferd og egenskaper som står ut i forhold til ekte søkere hvis du er i stand til å samle en 360-oversikt over dem. Alt fra nett-tilstedeværelse, offisielle registreringer, atferdsmønster på sosiale medier og fysiske fotavtrykk etterlater brød-krummer som kunne hypotesiseres og testes som potensielle funksjoner og indikatorer hvis du kan få tilgang til relevante data og vertikal know-how. Enkelt sagt, bedre data sikrer bedre prediktive modeller, som hjelper til å oversette redusert risiko og høyere inntekter til långiverens bunnlinje.

I en videre syn, siden COVID-19 rammet på en global skala, har vi sett en økning i nye svindel-mønster samt långiverens behov for å gå tilbake til grunnleggende prinsipper, da pandemien brøt alle modellene. Ingen tok virkelig denne type “Black Swan”-hendelse med i betraktning, og en del av vår første respons for å hjelpe disse selskapene har vært å generere tilpassede signaler som hjelper med å vurdere forretnings-risiko i disse usikre og dynamiske tidene.

Du kan lese mer om det i en utmerket artikkel skrevet av Maor Shlomo, Exploriums medgrunnlegger og CEO.

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