Nir Bar-Lev, VD & 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 produkter till marknaden och hantera dem med högre kvalitet, snabbare och mer kostnadseffektivt. Produkterna bygger på den öppna källkodsplattformen Allegro Trains ML- och DL-experimentmanager 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 har definitivt bidragit till denna tendens.

AI uppfyller båda dessa krav. Det ligger på den absoluta framkanten av några av teknikens gränsområden idag och har potential att påverka nästan alla aspekter av våra liv på denna planet.

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

Direkt efter att ha läst färdigt min MBA på Wharton School of Business var jag slagen av hur Google fungerade på ett sätt som gick emot etablerade affärsnormer för hur man driver framgångsrika företag, som lärs ut på de bästa handelshögskolorna i världen och som jag hade upplevt i min karriär före handelshögskolan. Jag minns tydligt att jag diskuterade detta med några av mina kollegor som också började på Google samtidigt som jag, direkt efter att ha läst färdigt sin MBA.

Det visade sig att Google förändrade – i viss mån – affärsregelboken, men det njöt också av en enorm virtuell pengabränsle från sin annonsverksamhet som tillät dem att experimentera på sätt som de flesta företag inte kunde göra. Jag kan intyga att under de tio år jag tillbringade på Google antog det alltmer “etablerade” affärspraxis och tankeprocesser när det växte.

För mig var det också att leda röstigenkänningsplattformen som produktledare, att jag var tvungen att arbeta med forskare. Detta var faktiskt ett av de första, om inte det allra första, forskarteamen på Google som verkligen handlade om tillämpad forskning. För mig var detta en stor utmaning. Forskare har mycket annorlunda sätt att tänka än ingenjörer, och här försökte jag arbeta med framstående forskare i ett företag som är extremt ingenjörsinriktat.

Det visade sig att de utmaningar jag mötte för 15 år sedan är mycket liknande de problem 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 otroliga ingenjörstalanger. En av mina partners var den första doktorn på ett av Israels första och nu ledande AI-laboratorium i vad som kan anses vara en av världens ledande AI-hubbar. Så han hade verkligen – för mig – varit en del av de grundande teamen för tillämpad AI i det lokala samhället. Han hade visionen att se hur tillämpning av ML/DL i praktiken skulle hantera en uppsättning nya utmaningar kring skala, automatisering, tillförlitlighet, kvalitet och mer. När jag talade med dem blev det tydligt för mig att jag kunde bidra till teamet med min erfarenhet från 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 oändliga resurser av högsta kvalitet för att tackla dessa utmaningar. Men nästan alla andra kan inte förmå sig att göra det (vare sig det gäller tillgång till talang, monetära resurser, företagsfokus etc.). Så detta var en möjlighet som stämde exakt överens med vad jag älskar att göra mest (se fråga 1) och hjälpa hela ekosystemet.

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

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

Det ger en utmärkt modell för en win-win för både gemenskapen och det företag som står bakom det. Det ligger lätt till för testning och utvärdering och till och med expansion för organisationer som inte kommer att betala, och på samma gång möjliggör större potentiella kunder att betala för utökade funktioner/tjänster baserat på en allmänt använd (och därmed 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 ur ett AI-perspektiv. För AI är det avgörande för data scientisterna att förstå vilken data de har till sitt förfogande. Med ostrukturerad data är det ganska svårt. Tänk dig tusentals eller hundratusentals timmar av video, eller ljud. Tänk dig miljarder sensor signaler, etc.

Data scientisterna behöver veta variationen i sin data för att kunna anpassa den till de olika situationerna så att de kan träna sina modeller effektivt. De behöver förstå om det finns kritiska delar 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 leta reda på ny fysisk data och annotera/etikettera den (en mycket kostsam och tidskrävande uppgift).

Detta är i själva verket den typ av verktyg vi tillhandahåller inom 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 data scientisterna kan konfigurera effektiva träningskörningar med den data de har tillgång till, utan att skriva någon kod.

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

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

Allegro Ai är primärt 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.

Det sagt, detta är ett nytt område och våra kunder behöver ibland hjälp med att konfigurera 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 vårt kärnprogramvaruutbud.

Kan du diskutera vikten av Federerat Lärande och hur Allegro AI kan användas i detta sammanhang?

Federerat lärande är i grund och botten 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 “blindt federerat lärande” eller “blindt samarbetslärande” där ingen enskild enhet i denna scenarie har tillgång till data som inte tillhör den, inklusive den enhet som får den slutliga modellen.

Federerat lärande är viktigt i olika situationer där datasekretess eller regulatoriska eller IP/konfidentialitetsfrågor 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 statliga myndigheter som vill samarbeta om att bygga en anti-terroristmodell men av juridiska skäl inte kan exponera data för varandra.

Eller till och med situationer där en enskild enhet inte kan flytta sina olika data butiker eftersom det är förbjudet dyrt – till exempel en global bilindustrigigant som vill träna självkörande fordon med hjälp av data som samlats in från bilar 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.