Nir Bar-Lev, CEO e Co-Fundador da Allegro AI – Série de Entrevistas

Nir Bar-Lev é o CEO e Co-Fundador da Allegro AI. A Allegro AI se especializa em ajudar 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 econômica. Os produtos são baseados no Allegro Trains, um gerenciador de experimentos de ML e DL de código aberto e pacote de ML-Ops.

O que o atraiu inicialmente para a IA?

O que me atraiu mais em minha carreira foi trazer inovações tecnológicas 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 (GOOGL ) certamente ajudou a moldar essa inclinação.

A IA certamente atende a ambos os critérios. Está na vanguarda de algumas das fronteiras tecnológicas atuais 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 administração 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 experimentei em minha carreira antes da faculdade de administração. Lembro-me vividamente discutindo isso com alguns de meus colegas que também se juntaram ao Google na mesma época, logo após a faculdade de administração.

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

Para mim, liderar a plataforma de reconhecimento de voz como gerente de produto, tive que trabalhar com cientistas de pesquisa. Isso foi, na verdade, uma das primeiras equipes de pesquisa no Google que realmente se dedicava à pesquisa aplicada. Para mim, isso foi um grande desafio. Os pesquisadores têm mentalidades 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 e se tornou co-fundador da Allegro AI? Qual foi a inspiração por trás do lançamento da Allegro AI?

Ao fundar a Allegro AI, eu me associei a dois parceiros incríveis que são talentos de engenharia fora do comum. Um dos meus parceiros foi o primeiro estudante de doutorado em um dos primeiros e atuais laboratórios de IA líderes em Israel, que é, sem dúvida, 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 tecnológicas estão em uma posição invejável em termos de sua capacidade de reunir recursos ilimitados de alta 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 em outras ferramentas de código aberto é muito mais fácil de facilitar do que seria entre duas organizações comerciais com ferramentas proprietárias de código fechado; etc.

Isso fornece um excelente modelo para uma vitória tanto para a comunidade quanto para a empresa por trás dele. Isso facilita muito o teste e a experimentação e até mesmo a expansão para organizações que não pagam ou não pagarão, e ao mesmo tempo permite que clientes potenciais maiores paguem por recursos / serviços estendidos com base em 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 existem muitas soluções de gerenciamento de dados estruturados comprovadas, fornecemos uma solução única para dados não estruturados.

Em particular, 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 a IA, é fundamental que a equipe de ciência de dados entenda quais dados ela tem 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 variância 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 inclinações nos dados.

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

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

Além disso, fornecemos valor agregado adicional na otimização do fluxo de dados, movimento de dados, etc. Já que estamos falando de 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, em primeiro lugar, uma empresa de produtos e nos vemos fornecendo as ferramentas, infraestrutura ou estrutura para que as empresas desenvolvam, implantem e gerenciem produtos com modelos de IA (DL / ML) integrados a eles.

Dito isso, essa é uma área nova e nossos clientes, às vezes, precisam de ajuda para configurar suas pipelines específicas construídas sobre nossas ferramentas ou até mesmo ajuda para 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, regulamentação ou IP / confidencialidade é crítica para preservar, enquanto, ao mesmo tempo, 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 TC; 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, ainda, situações em que uma única entidade não pode mover seus vários armazenamentos de dados porque é proibitivamente caro – por exemplo, um fabricante automotivo global que deseja treinar veículos autônomos aproveitando dados coletados de carros que dirigem 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 em ascensão no mundo de ferramentas de IA e ML-Ops. Acabamos de experimentar, apenas neste último trimestre, durante o auge da primeira onda da crise do covid-19, um crescimento que mais que dobrou nossa base de clientes em apenas esse período de 3 meses.

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