Alon Lev, współzałożyciel i CEO Qwak – seria wywiadów

Alon Lev jest współzałożycielem i CEO Qwak, platformy, która usuwa tarcie inżynieryjne z uczenia maszynowego, jednocześnie umożliwiając szybkie iteracje, wysoką skalę i dostosowywalną infrastrukturę.

Kiedy po raz pierwszy zainteresował się Pan uczeniem maszynowym?

Moję pierwsze znaczące doświadczenie z uczeniem maszynowym miało miejsce, gdy budowałem zespół BI w Payoneer około siedem lat temu. Zrozumiałem, że stanie się organizacją opartą na danych wymaga bardzo specyficznych procesów i narzędzi. Uczenie maszynowe, które dzisiaj jest częścią każdej strategii opartej na danych, było wtedy na wczesnym etapie.

Czy mógłby Pan omówić swoją poprzednią rolę w Payoneer i jak umożliwiła mu zobaczyć, jak uczenie maszynowe zyskuje na ważności?

W mojej roli w Payoneer jako VP danych, byłem odpowiedzialny za wszystkie aspekty danych w firmie, od analiz, bi, inżynierii danych i nauki o danych. Moment, w którym zrozumiałem znaczenie nauki o danych, miał miejsce, gdy zbudowaliśmy cały produkt kredytowy w oparciu o uczenie maszynowe. Funkcjonował on zdumiewająco od samego początku; w tym momencie zrozumiałem, że uczenie maszynowe może nie tylko poprawiać istniejące linie biznesowe, ale także tworzyć nowe biznesy i produkty.

Jakie były niektóre z wyzwań związanych z uczeniem maszynowym, które Pan zaobserwował?

Zdecydowanie, w części produkcyjnej ML, właściciele danych i inżynierowie mają już wiele na talerzu – zarządzanie infrastrukturą produkcyjną, która pozwoli nam na produktyzację ML, było zawsze ogromnym wyzwaniem, które “zabijało” wiele naszych projektów.

Jak platforma Qwak usuwa tarcie inżynieryjne z uczenia maszynowego?

Qwak to wszystko o tym, aby wziąć podstawy od inżynierów ML i pozwolić im skupić się na tworzeniu wartości biznesowej.

Ran Romano (współzałożyciel i VP R&D) miał dokładnie takie same doświadczenie podczas swojego czasu jako lider departamentu MLops w Wix. Dzisiaj jego główny focus jest na rozwiązywaniu tych wyzwań za pomocą naszej platformy i sprawianiu, że proces produktyzacji modeli ML jest szybszy, bardziej wydajny i bezproblemowy. Naszym celem jest ułatwienie życia inżynierom ML i naukowcom danych, aby dostawy maszynowego uczenia stały się rzeczywistością dla firm, a nie punktem na liście życzeń.

Dlaczego jest to idealne rozwiązanie dla firm, które chcą więcej przepustowości uczenia maszynowego, ale mają ograniczoną liczbę naukowców danych i inżynierów uczenia maszynowego?

Nie twierdzimy, że rozumiemy Państwa biznes lub Państwa dane, ale mamy wiele doświadczenia, jeśli chodzi o infrastrukturę; Nasza misja jest jasna; Chcemy pomóc wybitnym zespołom Data Science i inżynierom uczenia maszynowego budować wspaniałe produkty. Nie ingerujemy w logikę modelu, ale raczej koncentrujemy się na tym, co robimy najlepiej, czyli infrastrukturze.

Co obecnie różni Qwak od konkurencyjnych rozwiązań uczenia maszynowego?

Jesteśmy wszystko o tym, aby pomóc silnym zespołom zrzucić podstawy i uproszczyć cały proces produktyzacji ML, Qwak dostarcza i wierzy w podejście poziome do rozwiązywania wyzwań MLOps – co oznacza, że nie zbudowaliśmy platformy tylko wokół rejestru modelu / serwowania lub sklepu z funkcjami i automatyzacją, my naprawdę uważamy, że potrzebujesz wszystkiego w jednym miejscu, aby skalować infrastrukturę ML.

Czy mógłby Pan omówić, jak Qwak wspiera śledzenie opinii modeli uczenia maszynowego i dlaczego jest to ważne?

Śledzenie opinii jest jedną z pierwszych rzeczy, które zbudowaliśmy w Qwak, ponieważ widzimy je jako spójną część cyklu życia produkcji. Qwak udostępnia interfejs API opinii, który pozwala na automatyzację procesu raportowania opinii.

Czy jest coś jeszcze, co chciałby Pan podzielić się na temat Qwak?

Mamy niesamowity zespół doświadczonych inżynierów i liderów w tej dziedzinie. Z ogromnym doświadczeniem w “okopach” inżynierii uczenia maszynowego, wiemy, co należy zrobić, i dopiero zaczynamy 🙂

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Qwak.