Alon Lev, Współzałożyciel i Dyrektor Generalny Qwak – Seria Wywiadów

Alon Lev jest Współzałożycielem i Dyrektorem Generalnym Qwak, platformą, która usuwa tarcie inżynieryjne z uczenia maszynowego, umożliwiając szybkie iteracje, wysoką skalę i dostosowaną infrastrukturę.

Kiedy po raz pierwszy zainteresował się pan uczeniem maszynowym?

Moje pierwsze znaczące doświadczenie z Uczeniem Maszynowym miałem, gdy budowałem zespół BI w Payoneer około siedem lat temu. Zrozumiałem, że aby stać się organizacją opartą na danych, wymagane są bardzo specyficzne procesy i narzędzia. Uczenie Maszynowe, które dziś jest częścią każdej strategii organizacji 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 znaczeniu?

W mojej roli w Payoneer jako VP ds. danych, byłem odpowiedzialny za wszystkie aspekty danych w firmie, od analiz, BI, inżynierii danych i nauki o danych. Chwila, w której zrozumiałem znaczenie nauki o danych, nastąpiła, gdy zbudowaliśmy cały produkt kredytowy w oparciu o uczenie maszynowe. Działał on niezwykle dobrze 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 wyzwania związane z uczeniem maszynowym, których pan był świadkiem?

Zdecydowanie, w części produkcyjnej ML, właściciele danych i inżynierowie mają już wiele obowiązków – 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 odciąża inżynierów ML z podstawowych prac infrastrukturalnych i pozwolić im skoncentrować się na tworzeniu wartości biznesowej.

Ran Romano (współzałożyciel i VP ds. Badań i Rozwoju) miał dokładnie takie same doświadczenie podczas swojego czasu jako kierownik departamentu MLops w Wix. Dziś jego głównym celem jest rozwiązywanie tych wyzwań za pomocą naszej platformy i uczynienie procesu produktyzacji modeli ML szybszym, bardziej efektywnym i bezproblemowym. Naszym celem jest uczynienie życia inżynierów ML i naukowców danych łatwiejszym i bardziej wpływowym, aby płynne dostawy uczenia maszynowego stały się rzeczywistością dla firm, a nie pozostawały na liście życzeń.

Dlaczego jest to idealne rozwiązanie dla firm, które chcą uzyskać większą wydajność wdrażania uczenia maszynowego, ale mają ograniczoną liczbę naukowców i inżynierów uczenia maszynowego?

Nie twierdzimy, że rozumiemy Państwa biznes lub Państwa dane, ale mamy ogromne doświadczenie, jeśli chodzi o infrastrukturę; Nasza misja jest jasna; Chcemy pomóc wybitnym zespołom Data Science i inżynierom ML w budowaniu niesamowitych produktów. Nie ingerujemy w logikę modelu, ale koncentrujemy się na tym, co robimy najlepiej, czyli infrastrukturze.

Co obecnie różni Qwak od konkurencyjnych rozwiązań związanych z uczeniem maszynowym?

Pomagamy silnym zespołom uwolnić się od podstawowych prac infrastrukturalnych i uproszczeniu całego procesu produktyzacji ML, Qwak dostarcza i wierzy w podejście poziome do rozwiązywania wyzwań MLOps – co oznacza, że nie zbudowaliśmy platformy tylko wokół rejestru modeli i udostępniania predykcji lub magazynu cech (feature store) 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 umożliwia 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.