Nir Bar-Lev, CEO & Co-Founder of Allegro AI – Série de Entrevistas

Nir Bar-Lev é o CEO & Co-Founder da Allegro AI. A Allegro AI se especializa em ajudar as empresas a desenvolver, implantar e gerenciar soluções de aprendizado de máquina e aprendizado profundo. Com a Allegro AI, as organizações levam ao mercado e gerenciam produtos de maior qualidade, mais rapidamente e de forma mais rentável. Os produtos são baseados no Allegro Trains, um gerenciador de experimentos de ML e DL de código aberto e no pacote ML-Ops.

O que o atraiu inicialmente para a IA?

O que me atraiu principalmente em minha carreira foi trazer inovações de tecnologia de ponta para resolver problemas ou oportunidades (e, na verdade, são dois lados da mesma moeda) em uma escala enorme. Devo admitir que meu tempo no Google certamente ajudou a moldar essa inclinação.

A IA certamente atende a ambas as caixas. Está na vanguarda de algumas das fronteiras tecnológicas de hoje e tem o potencial de afetar quase todos os aspectos de nossas vidas neste planeta.

Você teve uma carreira impressionante, começando no Google como líder de produto fundador da plataforma de reconhecimento de voz do Google. Pode discutir esses primeiros dias de trabalho no Google e o que aprendeu com essa experiência?

Saindo diretamente da faculdade de negócios da Wharton School, fiquei impressionado com como o Google funcionava em desacordo com as normas de negócios estabelecidas sobre como executar negócios bem-sucedidos, como ensinado nas melhores faculdades de negócios do mundo e como eu experimentei em minha carreira antes da faculdade de negócios. Lembro-me vividamente discutindo isso com alguns de meus colegas que também se juntaram ao Google na mesma época, logo após a faculdade de negócios.

Verificou-se que o Google mudou – em certa medida – o livro de regras dos negócios, mas também desfrutou de uma imensa fonte de dinheiro virtual de seu negócio de anúncios que lhe permitiu experimentar de maneiras que a maioria das empresas não podia se dar ao luxo de fazer. Posso atestar que, à medida que passei uma década no Google, ele adotou cada vez mais “práticas de negócios estabelecidas” e processos de pensamento como crescia.

Para mim, liderar a plataforma de reconhecimento de voz como gerente de produto, tive que trabalhar com cientistas de pesquisa. Isso foi, na verdade, um dos primeiros, se não o primeiro, times de pesquisa no Google que estava realmente sobre pesquisa aplicada. Para mim, isso foi um grande desafio. Os pesquisadores têm mentes muito diferentes das dos engenheiros e aqui eu estava tentando trabalhar com pesquisadores renomados em uma empresa extremamente orientada para engenharia.

Verificou-se que os desafios que enfrentei naquela época, quase 15 anos atrás, são muito semelhantes aos problemas que as empresas enfrentam hoje ao tentar assimilar cientistas de dados de IA em suas organizações.

Em 2016, você prosseguiu para se tornar Co-Founder da Allegro AI? Qual foi a sua inspiração para lançar a Allegro AI?

Ao fundar a Allegro AI, eu me associei a dois parceiros incríveis que são talentos de engenharia fora deste mundo. Um dos meus parceiros foi o primeiro estudante de doutorado em um dos primeiros e atualmente principais laboratórios de IA de Israel, em um dos principais hubs de IA globalmente. Então, ele realmente – para mim – fez parte das equipes fundadoras de IA aplicada na comunidade local. Ele teve a visão de ver como aplicar ML / DL na prática teria que lidar com um novo conjunto de desafios em torno de escala, automação, confiabilidade, qualidade e mais. Ao conversar com eles, ficou claro para mim que posso contribuir para a equipe com minha experiência no Google e anteriormente para realmente ter uma chance de criar uma empresa que possa ter um impacto imenso na IA por meio das ferramentas que fornecemos. O Google e algumas das outras gigantes da tecnologia estão em uma posição invejável em termos de sua capacidade de reunir recursos ilimitados da melhor qualidade para esses desafios. Mas quase todos os demais não podem se dar ao luxo disso (seja em termos de acesso a talentos, recursos monetários, foco da empresa, etc.). Então, essa foi uma oportunidade para alinhar exatamente com o que eu mais gosto de fazer (ver q1) e ajudar todo o ecossistema.

A Allegro AI atua como uma plataforma de gerenciamento de aprendizado de máquina e aprendizado profundo de código aberto. Pode discutir os benefícios de usar software de código aberto?

O código aberto tem vários benefícios. O mais importante é que aproveita a comunidade mais ampla para melhorar o próprio produto. Os usuários encontram bugs, problemas, há um amplo discurso sobre recursos que são de interesse; a integração com outras ferramentas de código aberto é muito mais fácil de facilitar do que seria entre duas organizações comerciais com ferramentas de código fechado e proprietárias; etc.

Isso fornece um ótimo modelo para uma vitória para ambas as partes, a comunidade e a empresa por trás dele. Isso se presta facilmente para tentar e testar e até expandir para organizações que não pagam ou não pagarão, e ao mesmo tempo permite que clientes potenciais maiores paguem por recursos / serviços estendidos com base no topo de um software amplamente utilizado (e, portanto, menos arriscado).

A Allegro AI oferece serviços de gerenciamento de dados. Pode discutir os tipos de ferramentas oferecidas para isso?

A Allegro Ai oferece gerenciamento de dados estruturados e não estruturados. No entanto, enquanto há uma série de soluções de gerenciamento de dados estruturados comprovadas, fornecemos uma solução única para dados não estruturados.

Especificamente, é importante qualificar o tipo de gerenciamento de dados que fornecemos. A ideia não é gerenciamento de dados físicos, mas sim gerenciamento de dados de um ângulo de IA. Para IA, é fundamental que a equipe de ciência de dados entenda quais dados eles têm à sua disposição. Com dados não estruturados, isso é bastante difícil. Imagine milhares ou centenas de milhares de horas de vídeo, ou áudio. Imagine bilhões de sinais de sensor, etc.

Os cientistas de dados precisam saber a variação de seus dados para alinhar com as diferentes situações para que possam treinar seus modelos de forma eficaz. Eles precisam entender se há peças críticas de dados que estão faltando; se há vieses ou distorções nos dados.

E então – do outro lado – eles precisam ter ferramentas para abordar essas situações de forma rentável e rápida, sem ter que sair e buscar novos dados físicos e anotá-los / rotulá-los (um empreendimento muito caro e demorado).

Isso é essencialmente o tipo de ferramentas que fornecemos em torno dessa área: ferramentas poderosas para fazer “BI (inteligência de negócios) de IA” em seus dados em um nível de granularidade e detalhe sem precedentes e, do outro lado, ferramentas para integrar紧amente os dados nos experimentos e modelos, de modo que, com zero código, os cientistas de dados possam configurar treinamentos eficazes com os dados em mãos.

Além disso, fornecemos valor agregado adicional na otimização do fluxo de dados, movimento de dados, etc. Já que estamos falando em processar terabytes de dados. Movê-los é caro e as empresas precisam de uma solução para otimizar isso também.

A Allegro AI também oferece a terceirização de serviços de engenharia de dados. Quais são algumas das ofertas disponíveis?

A Allegro Ai é principalmente uma empresa de produtos e nos vemos fornecendo as ferramentas, infraestrutura ou estrutura para que as empresas desenvolvam, implantam e gerenciem produtos com modelos de IA (DL / ML) integrados neles.

Dito isso, essa é uma área nova e nossos clientes, às vezes, precisam de ajuda para configurar seus pipelines específicos construídos com base em nossas ferramentas, ou até mesmo ajudar a iniciar seus próprios modelos. Quando essas situações ocorrem, fornecemos serviços auxiliares à nossa oferta de software principal.

Pode discutir a importância do Aprendizado Federado e como a Allegro AI pode ser usada nesse contexto?

O aprendizado federado é basicamente a capacidade de treinar um único modelo de IA aproveitando (treinado em) conjuntos de dados localizados em diferentes locais físicos sem trazer esses conjuntos de dados para um único local. Também fornecemos uma versão aprimorada disso, que chamamos de “aprendizado federado cego” ou “aprendizado colaborativo cego”, onde nenhuma entidade nesse cenário tem acesso a dados que não lhe pertencem, incluindo a entidade que obtém o modelo final.

O aprendizado federado é importante em várias situações em que a privacidade de dados ou regulamentação ou IP / confidencialidade é crítica para preservar, enquanto há interesse em aproveitar diferentes conjuntos de dados. Por exemplo, dois ou mais hospitais ou instituições médicas que desejam colaborar no treinamento de um modelo para exames de tomografia computadorizada; ou duas agências governamentais que desejam colaborar em dados de segurança nacional para construir algum modelo anti-terrorismo, mas, por razões legais, não podem expor os dados nem um ao outro.

Ou até mesmo situações em que uma única entidade não pode mover seus vários armazenamentos de dados porque é proibitivamente caro – por exemplo, um grande fabricante de automóveis global que deseja treinar veículos autônomos aproveitando dados coletados de carros dirigindo em todo o mundo.

A Allegro AI é uma das menos de uma dúzia de empresas em todo o mundo que tem uma plataforma comercial comprovada e testada que facilita o aprendizado federado.

Há algo mais que você gostaria de compartilhar sobre a Allegro AI?

A Allegro AI é uma força crescente no mundo de ferramentas de IA e ML-Ops. Acaba de acontecer, no último trimestre, durante a primeira onda da crise do covid-19, experimentamos um crescimento que mais que dobrou nossa base de clientes em apenas esse período de 3 meses.

Obrigado pela entrevista, leitores que desejam saber mais devem visitar Allegro AI.