Омер Хар, сооснователь и технический директор Explorium – Интервью

Омер Хар – ветеран数据 науки и программной инженерии с почти десятилетним опытом построения моделей ИИ, которые продвигают вперед крупные предприятия.

Омер Хар – сооснователь и технический директор Explorium, компании, которая предлагает уникальную платформу данных, работающую на основе расширенного открытия данных и инженерии функций. Подключаясь автоматически к тысячам внешних источников данных и используя машинное обучение для выделения наиболее значимых сигналов, платформа Explorium позволяет специалистам по данным и бизнес-лидерам принимать решения, исключая барьеры для получения необходимых данных и обеспечивая превосходную предсказательную силу.

Когда вы впервые осознали, что хотите заниматься наукой о данных?

Мой интерес к науке о данных восходит к более чем десятилетию, что примерно столько же, сколько я занимаюсь и руковожу командами по науке о данных. Я начал как программный инженер, но всегда был привлечен к сложным данным и алгоритмическим задачам с раннего возраста. Мне повезло, что я смог изучить это ремесло в Microsoft (MSFT ) Research, которое было одним из немногих мест, где вы могли действительно работать над сложными задачами прикладного машинного обучения в крупном масштабе.

Вы стали сооснователем Explorium в 2017 году, можете ли вы рассказать об идее, лежащей в основе запуска этого стартапа?

Explorium основан на простой и очень мощной потребности — вокруг нас существует так много данных, которые потенциально могут помочь построить лучшие модели, но нет способа заранее знать, какие источники данных будут иметь наибольшее влияние, и как. Оригинальная идея пришла от Маора Шломо, сооснователя и генерального директора Explorium, который сталкивался с беспрецедентным разнообразием данных во время своей военной службы и искал способы использовать их для принятия решений и моделирования. Когда мы втроем впервые собрались вместе, сразу стало ясно, что этот опыт отражает потребности, с которыми мы сталкивались в деловом мире, особенно в быстро растущих областях, таких как реклама и маркетинговая технология, где и я, и Ор Тамир (сооснователь и операционный директор Explorium) были лидерами роста через данные.

До Explorium поиск релевантных источников данных, которые действительно имели бы влияние на точность ваших моделей машинного обучения, был трудоемким, длительным и дорогим процессом с низкими шансами на успех. Причина заключается в том, что вы基本но угадываете и используете самых дорогих сотрудников — специалистов по данным — для экспериментов. Кроме того, сам процесс приобретения данных является сложным деловым процессом, и команды по науке о данных обычно не имеют возможности коммерчески взаимодействовать с множеством поставщиков данных.

Как лидер по науке о данных, который оценивался по бизнес-воздействию, сгенерированному моделями, у меня не было роскоши отправлять свою команду на бесполезную охоту. В результате вы часто предпочитаете направлять свои усилия на вещи, которые могут иметь гораздо меньшее влияние, чем релевантный новый источник данных, просто потому, что они гораздо больше находятся под вашим контролем.

Explorium недавно успешно привлек дополнительные 31 миллион долларов в рамках раунда финансирования серии B. Вы были удивлены тем, как быстро ваша компания выросла?

Это определенно была поездка на ракетной установке до сих пор, и вы никогда не можете принять это как должное. Я не могу сказать, что был удивлен тем, насколько широко распространена потребность в лучших данных, но всегда это невероятный опыт видеть влияние, которое вы генерируете для клиентов и их бизнеса. Величайшая аналитическая задача, с которой столкнутся организации в течение следующего десятилетия, заключается в нахождении правильных данных для кормления их моделей и автоматизированных процессов. Правильные активы данных могут короновать новых лидеров рынка, поэтому наш рост действительно отражает быстро растущее число клиентов, которые осознают это и делают данные приоритетом. На самом деле, количество “охотников за данными” — людей, которые ищут данные в рамках своей повседневной работы — растет экспоненциально в нашем опыте.

Можете ли вы объяснить, что такое платформа данных Explorium и как работает автоматический процесс открытия данных?

Explorium предлагает комплексную платформу науки о данных, работающую на основе расширенного открытия данных и инженерии функций. Мы сосредоточены на “данных” части науки о данных — что означает автоматическое подключение к тысячам внешних источников данных и использование процессов машинного обучения для выделения наиболее значимых сигналов и функций. Это сложный и многоэтапный процесс, который начинается с подключения к множеству контекстно релевантных источников в том, что мы называем каталогом данных Explorium. Затем мы автоматизируем процесс, который исследует это взаимосвязанное разнообразие данных, проверяя сотни тысяч идей для значимых функций и сигналов, чтобы создать оптимальный набор функций, построить модели на его основе и служить им в производстве гибкими способами.

Автоматизируя поиск необходимых данных, а не только данных, которые у вас есть внутри, платформа Explorium делает для науки о данных то же, что поисковые системы сделали для веба — мы просматриваем, ранжируем и приносим вам наиболее релевантные данные для предсказательного вопроса.

Это позволяет специалистам по данным и бизнес-лидерам принимать решения, исключая барьеры для получения правильных данных и обеспечивая превосходную предсказательную силу.

Какие типы внешних источников данных использует Explorium?

У нас есть доступ к тысячам источников по практически любой категории данных, которую вы можете придумать, включая компанию, геопространственную, поведенческую, временную, веб-данные и многое другое. У нас есть несколько команд экспертов, которые специализируются на приобретении данных через открытые, публичные и премиум-источники, а также партнерства. Наш доступ к уникальным талантам из лучших разведывательных и технологических подразделений Израиля приносит существенный опыт и знания в использовании разнообразия данных для принятия решений.

Как Explorium использует машинное обучение, чтобы понять, какие типы данных релевантны для клиентов?

Это часть нашей “секретной подливки”, поэтому я не могу глубоко погрузиться в детали, но на высоком уровне мы используем машинное обучение, чтобы понять смысл за разными частями ваших наборов данных, и постоянно совершенствуем алгоритмы, чтобы определить, какие источники в нашем развивающемся каталоге потенциально релевантны. Подключая эти источники к вашим данным, мы можем выполнять сложные процессы открытия данных и инженерии функций, специально разработанные для внешних и высокоразмерных данных, чтобы выявить наиболее значимые функции из наиболее релевантных источников. Делая все это в контексте моделей машинного обучения, мы можем измерить влияние статистически и постоянно учиться и совершенствовать наши возможности сопоставления, генерации и открытия.

Одним из решений, которое предлагается, является смягчение риска мошенничества с заявками для онлайн-кредиторов с помощью расширенного открытия данных. Можете ли вы подробнее рассказать о том, как работает это решение?

Кредитование — это все о предсказании и смягчении риска — будь то способность заемщика погасить кредит или его намерение сделать это. Заявки на кредиты по своей сути являются компромиссом между желанием кредитора собрать больше информации и его способностью конкурировать с другими поставщиками, поскольку более длинные и сложные вопросники имеют более низкие показатели завершения, предвзяты по определению и так далее.

С помощью Explorium как традиционные банки, так и онлайн-челленджеры могут автоматически дополнить процесс подачи заявки внешними и объективными источниками, которые добавляют немедленный контекст и раскрывают значимые отношения. Без раскрытия слишком много информации, чтобы помочь мошенникам, вы можете представить, что в контексте мошенничества это может означать разные поведения и свойства, которые выделяются по сравнению с реальными заявителями, если вы можете собрать полную картину их. Все, от онлайн-присутствия до официальных записей, поведенческих закономерностей в социальных сетях и физических следов, оставляют следы, которые можно было бы гипотетически проверить и протестировать как потенциальные функции и индикаторы, если вы можете получить доступ к релевантным данным и вертикальному опыту. Просто говоря, лучшие данные обеспечивают лучшие предсказательные модели, которые помогают перевести снижение риска и более высокие доходы в прибыль кредиторов.

В более широкой перспективе, с тех пор как COVID-19 ударил по всему миру, мы наблюдаем рост новых моделей мошенничества, а также необходимость кредиторов вернуться к основам, поскольку пандемия разрушила все модели. Никто действительно не принимал во внимание такого рода “черного лебедя”, и часть нашей первоначальной реакции на помощь этим компаниям заключалась в генерации пользовательских сигналов, которые помогают оценить бизнес-риск в эти неопределенные и динамичные времена.

Вы можете прочитать больше об этом в отличной статье, написанной Маором Шломо, сооснователем и генеральным директором Explorium.

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