Omer Har, medgrundare och CTO, Explorium – Intervjuer

Omer Har är en veteran inom data science och programvaruteknik med nästan ett decenniums erfarenhet av att bygga AI-modeller som driver stora företag framåt.

Omer Har är medgrundare och CTO för Explorium, ett företag som erbjuder en unik data science-plattform som drivs av förstärkt dataupptäckt och funktionsteknik. Genom att automatiskt ansluta till tusentals externa datakällor och använda maskinlärande för att destillera de mest betydelsefulla signalerna, ger Explorium-plattformen data scientists och företagsledare möjlighet att fatta beslut genom att eliminera hinder för att skaffa rätt data och möjliggöra överlägsen prediktiv kraft.

När upptäckte du först att du ville engagera dig i data science?

Mitt intresse för data science går tillbaka över ett decennium, vilket är ungefär så länge jag har praktiserat och lett data science-lag. Jag började som programvarutekniker men drogs alltid till de komplexa data- och algoritmiska utmaningarna från början. Jag hade turen att ha lärt mig hantverket på Microsoft (MSFT ) Research, som var en av de få platserna där man kunde arbeta med komplexa tillämpade maskinlärande utmaningar i stor skala.

Du medgrundade Explorium 2017, kan du diskutera inspirationen bakom lanseringen av det här start-up-företaget?

Explorium bygger på ett enkelt och mycket kraftfullt behov — det finns så mycket data runt omkring oss som potentiellt kunde hjälpa till att bygga bättre modeller, men det finns inget sätt att veta i förväg vilka datakällor som kommer att vara betydelsefulla och hur. Den ursprungliga idén kom från Maor Shlomo, Exploriums medgrundare och VD, som hanterade en utanförskaplig datavariation under sin militärtjänst och letade efter sätt att utnyttja den i beslutsfattande och modellering. När de tre av oss först kom samman, var det omedelbart tydligt för oss att denna erfarenhet ekade de behov vi hanterade inom affärsvärlden, särskilt inom snabbt växande data science-drivna områden som reklam och marknadsföringsteknologi, där både jag och Or Tamir (Exploriums medgrundare och COO) ledde tillväxt genom data.

Före Explorium var det en tidskrävande och dyrbart process att hitta relevanta datakällor som verkligen gjorde en inverkan — för att förbättra din maskinlärande modells noggrannhet — var en tidskrävande, dyr och komplicerad affärsprocess som data science-lag vanligtvis inte hade möjlighet att kommersiellt engagera sig med flera dataleverantörer.

Som en data science-ledare som mättes av affärseffekten som genererades av modeller, hade jag inte lyxen att skicka mitt lag på en vild gås-jakt. Som ett resultat, föredrog jag ofta att utnyttja mina ansträngningar på saker som kunde ha en mycket lägre inverkan än en relevant ny datakälla, bara för att de var mycket mer inom min kontroll.

Explorium nyligen framgångsrikt höjde ytterligare 31 miljoner dollar i en serie B-runda. Har du blivit förvånad över hur snabbt ditt företag har vuxit?

Det har definitivt varit en raketfärd hittills, och man kan aldrig ta det för givet. Jag kan inte säga att jag blev förvånad över hur utbredd behovet av bättre data är, men det är alltid en otrolig upplevelse att se den inverkan man genererar för kunder och deras affärer. Den största analytiska utmaningen organisationer kommer att stå inför under de kommande decennierna är att hitta rätt data för att mata deras modeller och automatiserade processer. Rätt data-tillgångar kan kröna nya marknadsledare, så vår tillväxt reflekterar den snabbt växande mängden kunder som inser det och gör data till en prioritet. I själva verket växer antalet “Data Hunters” — personer som letar efter data som en del av sitt dagliga arbete — exponentiellt i vår erfarenhet.

Kan du förklara vad Exploriums data-plattform är och vad den automatiserade dataupptäcktsprocessen är?

Explorium erbjuder en komplett data science-plattform som drivs av förstärkt dataupptäckt och funktionsteknik. Vi fokuserar på “data”-delen av data science — vilket innebär att automatiskt ansluta till tusentals externa datakällor och använda maskinlärande processer för att destillera de mest betydelsefulla signalerna och funktionerna. Detta är en komplex och flerstegsprocess som börjar med att ansluta till en mängd kontextuellt relevanta källor i det som vi kallar Exploriums datakatalog. Sedan automatiserar vi processen som undersöker denna sammanhängande data-variation, genom att testa hundratals tusentals idéer för meningsfulla funktioner och signaler för att skapa den optimala funktionssamlingen, bygga modeller på toppen av det och serva dem till produktion på flexibla sätt.

Genom att automatisera sökandet efter den data du behöver, inte bara den data du har internt, gör Explorium-plattformen samma sak för data science som sökmotorer gjorde för webben — vi söker, rankar och tar med oss den mest relevanta data för den prediktiva frågan i fråga.

Detta ger data scientists och företagsledare möjlighet att fatta beslut genom att eliminera hinder för att skaffa rätt data och möjliggöra överlägsen prediktiv kraft.

Vilka typer av externa datakällor ansluter Explorium till?

Vi har tillgång till tusentals källor över nästan alla datakategorier du kan tänka dig, inklusive företag, geospatial, beteende, tidsbaserad, webbdata och mer. Vi har flera experenhetsteam som specialiserar sig på dataförvärv genom öppna, offentliga och premiumkällor, samt partnerskap. Vår tillgång till unik talang från Israels toppunderrättelser och teknikenheter bringar betydande know-how och erfarenhet av att utnyttja data-variation för beslutsfattande.

Hur använder Explorium maskinlärande för att förstå vilka typer av data som är relevanta för kunder?

Detta är en del av vår “hemliga sås” så jag kan inte dyka in i detalj, men på en hög nivå använder vi maskinlärande för att förstå meningen bakom de olika delarna av dina datamängder och anställer ständigt förbättrade algoritmer för att identifiera vilka källor i vår utvecklande katalog som potentiellt är relevanta. Genom att faktiskt ansluta dessa källor till din data, kan vi utföra komplex dataupptäckt och funktionsteknikprocesser, specifikt utformade för att vara effektiva för extern och högdimensionell data, för att identifiera de mest betydelsefulla funktionerna från de mest relevanta källorna. Att göra allt detta i maskinlärande modellers kontext gör inverkan statistiskt mätbar och tillåter oss att ständigt lära och förbättra vår matchning, generering och upptäcktsförmåga.

En av lösningarna som erbjuds är att minska ansökningsbedrägeririsk för online-långivare genom att använda förstärkt dataupptäckt. Kan du gå in på detalj om hur denna lösning fungerar?

Lån är allt om att förutsäga och minska risk — antingen det handlar om låntagarens förmåga att återbetala lånet (t.ex. finansiell prestation) eller deras avsikt att göra det (t.ex. bedrägeri). Låneansökningar är inneboende en avvägning mellan långivarens önskan att samla in mer information och deras förmåga att konkurrera med andra leverantörer, eftersom längre och mer omfattande frågeformulär har lägre slutföranderesor, är fördomsfulla från början och så vidare.

Med Explorium kan både etablerade banker och online-utmanare automatiskt komplettera ansökningsprocessen med externa och objektiva källor som lägger till omedelbar kontext och avslöjar meningsfulla relationer. Utan att ge för mycket till hjälp för bedragare, kan du föreställa dig att i bedrägerisammanhang detta kan innebära olika beteenden och egenskaper som sticker ut jämfört med riktiga ansökare om du kan samla en 360- vy av dem. Allt från online-närvaro, officiella register, beteendemönster på sociala medier och fysiska fotspår lämnar brödsmulor som kunde hypotetiseras och testas som potentiella funktioner och indikatorer om du kan komma åt relevant data och vertikal know-how. Enkelt uttryckt, bättre data säkerställer bättre prediktiva modeller, vilket hjälper till att översätta minskad risk och högre intäkter till långivarnas bottenlinje.

I en bredare vy, sedan COVID-19 slog till på en global skala, har vi sett en ökning av nya bedrägerimönster samt långivarnas behov av att gå tillbaka till grunderna, eftersom pandemin bröt alla modeller. Ingen tog verkligen med denna typ av “Svart svan”-händelse i beräkning, och en del av vår initiala respons för att hjälpa dessa företag har varit att generera anpassade signaler som hjälper till att bedöma affärsrisk i dessa osäkra och dynamiska tider.

Du kan läsa mer om i en utmärkt artikel skriven av Maor Shlomo, Exploriums medgrundare och VD.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Explorium.