Nir Bar-Lev, VD och medgrundare av Allegro AI – Intervjuserie

Nir Bar-Lev är VD och medgrundare av Allegro AI. Allegro AI specialiserar sig på att hjälpa företag utveckla, distribuera och hantera maskin- och djupinlärningslösningar. Med Allegro AI kan organisationer ta fram och hantera produkter av högre kvalitet, snabbare och mer kostnadseffektivt. Produkterna bygger på den öppna källkoden Allegro Trains ML- och DL-experimentchef och ML-Ops-paket.

Vad var det som initialt drog dig till AI?

Det som har lockat mig mest i min karriär har varit att ta fram banbrytande tekniska innovationer för att lösa problem eller utnyttja möjligheter (och faktiskt är de två sidor av samma mynt) i stor skala. Jag måste erkänna att min tid på Google (GOOGL ) har definitivt bidragit till denna tendens.

AI uppfyller verkligen båda dessa krav. Det ligger på den tekniska fronten idag och har potentialen att påverka nästan alla aspekter av våra liv på denna planet.

Du har haft en imponerande karriär som startade på Google som grundande produktledare för Googles taligenkänningplattform. Kan du diskutera dessa tidiga dagar på Google och vad du lärde dig av den erfarenheten?

När jag kom direkt från handelshögskolan på Wharton School of Business blev jag slagen av hur Google fungerade på ett sätt som gick emot etablerade affärsnormer för att driva framgångsrika företag, som lärs ut på de bästa handelshögskolorna i världen och som jag upplevde i min karriär före handelshögskolan. Jag minns tydligt att jag diskuterade detta med några av mina kollegor som också gick med i Google samtidigt som jag, direkt från en MBA.

Det visade sig att Google förändrades – till viss del – affärsreglerna, men det njöt också av en enorm virtuell pengabrink från sin annonsverksamhet som tillät det att experimentera på sätt som de flesta företag inte kunde göra. Jag kan intyga att när jag tillbringade ett decennium på Google antog det alltmer “etablerade” affärspraxis och tankesätt allteftersom det växte.

För mig, som ledde taligenkänningplattformen som produktledare, var jag tvungen att arbeta med forskare. Detta var faktiskt en av de första, om inte den första, forskargrupperna på Google som verkligen handlade om tillämpad forskning. För mig var detta en stor utmaning. Forskare har mycket olika tankesätt än ingenjörer och här försökte jag arbeta med framstående forskare i ett företag som är extremt ingenjörsorienterat.

Det visade sig att utmaningarna jag mötte för 15 år sedan är mycket lika de problem som företag står inför idag när de försöker integrera AI-dataforskare i sina organisationer.

2016 gick du vidare och blev medgrundare av Allegro AI. Vad var din inspiration bakom att starta Allegro AI?

När jag grundade Allegro AI samarbetade jag med två fantastiska partners som är exceptionella ingenjörstalanger. En av mina partners var den första doktorsstudenten i en av Israels första och ledande AI-laboratorier, som är en av de ledande AI-hubbarna globalt. Så han var verkligen, för mig, en del av de grundande teamen för tillämpad AI i det lokala samhället. Han hade visionen att se hur tillämpningen av ML/DL i praktiken skulle hantera en uppsättning nya utmaningar kring skala, automatisering, tillförlitlighet, kvalitet och mer. När jag pratade med dem blev det tydligt för mig att jag kunde bidra till teamet från min erfarenhet på Google och tidigare för att verkligen ha en chans att skapa ett företag som kan ha en enorm inverkan på AI genom de verktyg vi tillhandahåller. Google och några av de andra teknikjättarna är i en avundsvärd position när det gäller deras förmåga att samla in outtömliga resurser av den bästa kvaliteten för att tackla dessa utmaningar. Men nästan alla andra kan inte förmå sig att göra det (vare sig det gäller tillgång till talang, ekonomiska resurser, företagsfokus osv). Så detta var en möjlighet att anpassa mig exakt till vad jag älskar att göra mest (se q1) och hjälpa hela ekosystemet.

Allegro AI fungerar som en öppen källkodsplattform för maskin- och djupinlärningshantering. Kan du diskutera fördelarna med att använda öppen källkod?

Öppen källkod har flera fördelar. Det viktigaste är att det utnyttjar den breda samhället för att förbättra produkten i sig. Användare hittar buggar, problem, det finns en bred diskussion om funktioner som är av intresse; integration med andra [öppna källkodsverktyg] är mycket lättare att underlätta än det skulle vara mellan två kommersiella organisationer med stängda källkodsverktyg; etc.

Det ger en bra modell för en vinst-vinst för både samhället och företaget bakom det. Det låter lätt testa och prova och till och med expandera för organisationer som inte kan / kommer inte att betala, och på samma gång möjliggör större potentiella kunder att betala för utökade funktioner / tjänster baserat på en allmänt använd (och därför mindre riskfylld) bit av programvara.

Allegro AI erbjuder datahanteringstjänster. Kan du diskutera de typer av verktyg som erbjuds för detta?

Allegro Ai erbjuder både strukturerad datahantering och ostrukturerad datahantering. Men medan det finns en mängd beprövade strukturerade datahanteringslösningar, erbjuder vi en unik lösning för ostrukturerad data.

Specifikt är det viktigt att kvalificera den typ av datahantering vi tillhandahåller. Idén är inte fysisk datahantering utan snarare datahantering från ett AI-perspektiv. För AI är det avgörande för data science-teamet att förstå vilken data de har till sitt förfogande. Med ostrukturerad data är det ganska svårt. Tänk på tusentals eller hundratusentals timmar av video, eller ljud. Tänk på miljarder sensor signaler osv.

Dataforskare behöver veta variationen i sin data för att anpassa sig till de olika situationerna så att de kan träna sina modeller effektivt. De behöver förstå om det finns kritiska bitar av data som saknas; om det finns fördomar eller snedvridningar i data.

Och sedan – på andra sidan – behöver de ha verktyg för att hantera dessa situationer på ett kostnadseffektivt och snabbt sätt utan att behöva gå ut och hämta ny fysisk data och annotera / märka den (en mycket kostsam och tidskrävande uppgift).

Detta är i själva verket den typ av verktyg vi tillhandahåller runt detta område: kraftfulla verktyg för att göra “AI BI (business intelligence)” på din data på en aldrig tidigare skådad detaljnivå och på andra sidan verktyg för att tätt integrera data i experiment och modeller så att dataforskare kan ställa in effektiva träningspass med den data som finns till hands.

På toppen av det tillhandahåller vi ytterligare värde i form av optimering av dataflöde, dataflytt osv. Eftersom vi pratar om att bearbeta terabyte av data. Att flytta runt det är dyrt och företag behöver en lösning för att optimera det också.

Allegro AI erbjuder också utkontraktering av dataingenjörstjänster. Vilka är några av de erbjudanden som finns tillgängliga?

Allegro Ai är i första hand ett produktföretag och vi ser oss själva som tillhandahållare av verktyg, infrastruktur eller stöd för företag att utveckla, distribuera och hantera produkter med AI (DL/ML)-modeller integrerade i dem.

Sagt och gjort, detta är ett nytt område och våra kunder behöver ibland hjälp med att ställa in sina specifika pipelines byggda ovanpå våra verktyg, eller till och med hjälp med att starta sina modeller själva. När dessa situationer uppstår tillhandahåller vi hjälpande tjänster till vår kärnprogramvara.

Kan du diskutera vikten av federerat lärande och hur Allegro AI kan användas i detta sammanhang?

Federerat lärande är i princip förmågan att träna en enda AI-modell med hjälp av dataset som finns på olika fysiska platser utan att ta dessa dataset till en enda plats. Vi tillhandahåller också en förbättrad version av detta, som vi kallar “blind federerat lärande” eller “blindt samarbetslärande” där ingen enskild enhet i denna scenario har tillgång till data som inte tillhör den, inklusive den enhet som får den slutliga modellen.

Federerat lärande är viktigt i olika situationer där dataintegritet eller regulatoriska eller IP-/konfidentialitetsaspekter är avgörande för att bevaras samtidigt som det finns ett intresse av att utnyttja olika dataset. Till exempel två eller flera sjukhus eller medicinska institutioner som vill samarbeta om att träna en modell för CT-skanningar; eller två regeringsbyråer som vill samarbeta om data för att bygga en anti-terroristmodell men som av juridiska skäl inte kan exponera data för varandra.

Eller till och med situationer där en enskild enhet inte kan flytta sina olika datalager eftersom det är förbjudande dyrt – till exempel ett globalt fordonstillverkare som vill träna självkörande fordon med hjälp av data som samlats in från fordon som kör över hela världen.

Allegro AI är ett av mindre än ett fåtal företag i världen som har en beprövad och testad kommersiell plattform som underlättar federerat lärande.

Finns det något annat du vill dela om Allegro AI?

Allegro AI är en växande kraft i världen av AI-verktyg och ML-Ops. Bara under det senaste kvartalet, mitt i den första vågen av covid-19-krisen, upplevde vi en tillväxt som mer än fördubblade vår kundbas under den 3-månadersperioden.

Tack för intervjun, läsare som vill lära sig mer kan besöka Allegro AI.