Alon Lev, сооснователь и CEO Qwak – Интервью серия

Alon Lev является сооснователем и CEO Qwak, платформы, которая удаляет инженерные проблемы из машинного обучения, позволяя быстрые итерации, высокую масштабируемость и настраиваемую инфраструктуру.

Когда вы впервые стали интересоваться машинным обучением?

Мой первый значительный опыт с машинным обучением был, когда я строил команду BI в Payoneer около семи лет назад. Я понял, что для того, чтобы стать организацией, основанной на данных, требуются очень специфические процессы и инструменты. Машинное обучение, которое сегодня является частью каждой стратегии, основанной на данных, было на ранних стадиях в то время.

Можете ли вы обсудить свою предыдущую роль в Payoneer и то, как она позволила вам увидеть, как машинное обучение набирает важность?

На моей должности в Payoneer в качестве VP по данным, я был ответственным за все аспекты данных компании, от аналитики, BI, инженерии данных и науки о данных. Самый впечатляющий момент для меня с наукой о данных был, когда мы построили весь кредитный продукт на основе машинного обучения. Он работал удивительно хорошо с самого начала; в тот момент, я понял, что машинное обучение может не только улучшить существующие бизнес-линии, но и создать новые бизнесы и продукты.

Какие были некоторые проблемы машинного обучения, которые вы наблюдали?

Определенно, в производственной части ML, владельцы данных и инженеры уже имеют много дел – управление производственной инфраструктурой, которая позволит нам создать ML, всегда было огромной проблемой, которая “убивала” многие из наших проектов.

Как платформа Qwak удаляет инженерные проблемы из машинного обучения?

Qwak – это все о том, чтобы взять базовую работу у инженеров ML и позволить им сосредоточиться на создании бизнес-ценности.

Ran Romano (сооснователь и VP по исследованиям и разработкам) имел точно такой же опыт во время своего пребывания на посту руководителя отдела MLops в Wix. Сейчас его основное внимание сосредоточено на решении этих проблем посредством нашей платформы и на том, чтобы сделать процесс создания ML-моделей быстрее, более эффективным и бесшовным. Наша цель – сделать жизнь инженеров ML и ученых-исследователей проще и более эффективной, чтобы доставка машинного обучения стала реальностью для компаний, а не желаемым пунктом в списке.

Почему это идеальное решение для компаний, которые хотят получить больше машинного обучения, но имеют нехватку ученых-исследователей и инженеров машинного обучения?

Мы не утверждаем, что понимаем ваш бизнес или ваши данные, но у нас есть огромный опыт, когда речь идет об инфраструктуре; Наша миссия ясна; Мы хотим помочь отличным командам науки о данных и машинного обучения создать удивительные продукты. Мы не вмешиваемся в логические модели, а скорее сосредотачиваемся на том, что мы делаем лучше всего, а именно на инфраструктуре.

Что сейчас отличает Qwak от конкурирующих решений машинного обучения?

Мы все о том, чтобы помочь сильным командам разгрузить базовую работу и оптимизировать весь процесс создания ML-продуктов, Qwak доставляет и верит в горизонтальный подход к решению проблем MLOps – то есть мы не построили платформу только вокруг реестра моделей/обслуживания или хранилища функций и автоматизации, мы действительно думаем, что вам нужно все это в одном месте, чтобы масштабировать вашу ML-инфраструктуру.

Можете ли вы обсудить, как Qwak поддерживает отслеживание обратной связи моделей машинного обучения и почему это важно?

Отслеживание обратной связи – это одна из первых вещей, которые мы построили в Qwak, поскольку мы видим ее как связную часть производственного жизненного цикла. Qwak предоставляет API обратной связи, который позволяет автоматизировать процесс отчетности о обратной связи.

Есть ли что-то еще, что вы хотели бы поделиться о Qwak?

У нас есть удивительная команда опытных инженеров и лидеров в этой области. С огромным опытом в “окопах” машинного обучения, мы знаем, что нужно делать, и мы только начинаем:)

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Qwak.