Alon Lev, medgrundare och VD för Qwak – Intervjuserie

Alon Lev är medgrundare och VD för Qwak, en plattform som tar bort den tekniska friktionen från maskinlärande samtidigt som den tillåter snabba iterationer, hög skala och anpassningsbar infrastruktur.

När blev du först intresserad av maskinlärande?

Min första betydande maskinlärandeupplevelse var när jag byggde BI-teamet på Payoneer för ungefär sju år sedan. Jag insåg att att bli en datastyrd organisation kräver mycket specifika processer och verktyg. Maskinlärande, som idag är en del av varje datastyrd företagsstrategi, var i sin linda då.

Kan du diskutera din tidigare roll på Payoneer och hur den möjliggjorde för dig att se hur maskinlärande växte i betydelse?

I min roll på Payoneer som VP data, var jag ansvarig för alla dataaspekter av företaget, från analyser, bi, dataingenjörer och datavetenskap. Det var då jag byggde hela kreditprodukten baserad på maskinlärande. Det fungerade fantastiskt från början; då insåg jag att maskinlärande inte bara kunde förbättra befintliga affärsområden, utan också skapa nya affärsområden och produkter.

Vilka var några av de maskinlärandeutmaningar du upplevde?

Definitivt, i produktionen av ML, har dataägare och ingenjörer redan mycket att hantera – att hantera en produktionsgradsinfrastruktur som tillåter oss att produktisera ML var alltid en stor utmaning som “dödade” många av våra projekt.

Hur tar Qwak-plattformen bort den tekniska friktionen från maskinlärande?

Qwak handlar om att ta bort grundarbetet från ML-ingenjörerna och låta dem fokusera på att skapa affärsnytta.

Ran Romano (medgrundare och VP R&D) hade exakt samma upplevelse under sin tid som ledde MLops-avdelningen på Wix. Idag fokuserar han på att tackla dessa utmaningar via vår plattform och göra processen att produktisera ML-modeller snabbare, mer effektiv och smidig. Vårt mål är att göra ML-ingenjörer och datavetarens liv lättare och mer betydelsefulla, så att flytande maskinlärandeleveranser blir en verklighet för företag snarare än en önskelista.

Varför är detta en perfekt lösning för företag som vill ha mer maskinlärandegenomströmning, men har en brist på datavetare och maskinlärandeingenjörer?

Vi hävdar inte att vi förstår er verksamhet eller er data, men vi har massor av erfarenhet när det gäller infrastruktur; Vår mission är tydlig; Vi vill hjälpa utmärkta datavetenskaps- och maskinlärandeingenjörsteam att bygga fantastiska produkter. Vi lägger oss inte i modelllogiken, utan fokuserar på vad vi gör bäst, nämligen infrastrukturen.

Vad skiljer Qwak från andra maskinlärandelösningar just nu?

Vi handlar om att hjälpa starka team att avlasta grundarbetet och strömlinjeforma hela processen för ML-produktisering, Qwak levererar och tror på en horisontell ansats för att lösa MLOps-utmaningarna – vilket innebär att vi inte byggde plattformen bara kring modellregistret / servering eller funktion butik och automatisering, vi tror att du behöver allt på ett ställe för att skala upp din ML-infrastruktur.

Kan du diskutera hur Qwak stöder maskinlärande modellfeedbackspårning och varför detta är viktigt?

Feedbackspårning är en av de första sakerna vi byggt i Qwak, eftersom vi ser det som en sammanhängande del av produktionslivscykeln. Qwak exponerar en feedback-API som tillåter automatisering av feedback-rapporteringsprocessen.

Finns det något annat du skulle vilja dela om Qwak?

Vi har ett fantastiskt team av erfarna ingenjörer och ledare inom området. Med stor erfarenhet av “trenches” inom maskinlärandeingenjörskap, vet vi vad som behöver göras och vi är bara i början 🙂

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Qwak.