อาลอน เลฟ คู-ผู้ก่อตั้ง และ ซีอีโอ ของ Qwak – สัมภาษณ์ซีรีส์

อาลอน เลฟ คือ คู-ผู้ก่อตั้ง และ ซีอีโอ ของ Qwak, แพลตฟอร์มที่ลบความยุ่งยากด้านวิศวกรรมออกจากแมชชีนเลิร์นนิง ในขณะเดียวกันก็ช่วยให้สามารถทำซ้ำได้อย่างรวดเร็ว มีมาตราส่วนสูง และมีอินฟราสตรัคเจอร์ที่สามารถปรับแต่งได้

คุณเริ่มสนใจแมชชีนเลิร์นนิงเมื่อไหร่

ประสบการณ์แมชชีนเลิร์นนิงที่สำคัญครั้งแรกของฉันเกิดขึ้นเมื่อฉันสร้างทีม BI ที่ Payoneer เมื่อประมาณ 7 ปีที่แล้ว ฉันรู้ว่าการเป็นองค์กรที่ขับเคลื่อนด้วยข้อมูลต้องมีกระบวนการและเครื่องมือที่เฉพาะเจาะจง แมชชีนเลิร์นนิง ซึ่งปัจจุบันเป็นส่วนหนึ่งของกลยุทธ์ของบริษัทที่ขับเคลื่อนด้วยข้อมูลทุกแห่ง นั้นยังอยู่ในระยะเริ่มต้นในขณะนั้น

คุณสามารถพูดคุยเกี่ยวกับบทบาทก่อนหน้าของคุณที่ Payoneer และวิธีที่มันทำให้คุณเห็นถึงความสำคัญของแมชชีนเลิร์นนิงที่เติบโตขึ้นได้หรือไม่

ในบทบาทของฉันที่ Payoneer ในฐานะ VP ของข้อมูล ฉันรับผิดชอบทุกด้านของข้อมูลของบริษัท ตั้งแต่การวิเคราะห์ BI การวิศวกรรมข้อมูล และวิทยาศาสตร์ข้อมูล โมเมนต์ที่น่าประทับใจที่ฉันมีกับวิทยาศาสตร์ข้อมูลคือเมื่อเราสร้างผลิตภัณฑ์เครดิตทั้งหมดบนแมชชีนเลิร์นนิง มันทำงานได้อย่างน่าประทับใจตั้งแต่ต้น และในขณะนั้น ฉันรู้ว่าแมชชีนเลิร์นนิงสามารถปรับปรุงไม่เพียงแต่ธุรกิจที่มีอยู่แล้ว แต่ยังสามารถสร้างธุรกิจและผลิตภัณฑ์ใหม่ๆ ได้

คุณเห็นความท้าทายใดบ้างเกี่ยวกับแมชชีนเลิร์นนิง

แน่นอนว่า ในส่วนการผลิตของ ML ผู้ดูแลข้อมูลและวิศวกรมีงานที่ต้องทำมากมายแล้ว การจัดการอินฟราสตรัคเจอร์ที่จะช่วยให้เราสามารถผลิต ML ได้เสมอเป็นความท้าทายที่ “ฆ่า” โครงการของเรามากมาย

แพลตฟอร์ม Qwak ลบความยุ่งยากด้านวิศวกรรมออกจากแมชชีนเลิร์นนิงได้อย่างไร

Qwak คือทุกสิ่งที่เกี่ยวกับการรับงานพื้นฐานจากวิศวกร ML และทำให้พวกเขาสามารถมุ่งเน้นไปที่การสร้างมูลค่าทางธุรกิจ

Ran Romano (คู-ผู้ก่อตั้งและ VP ของ R&D) มีประสบการณ์เหมือนกันในช่วงเวลาที่เขาเป็นผู้นำแผนก MLops ที่ Wix ในปัจจุบัน เขามุ่งเน้นไปที่การแก้ไขความท้าทายเหล่านี้ผ่านแพลตฟอร์มของเรา และทำให้กระบวนการของการผลิตโมเดล ML เร็วขึ้น มีประสิทธิภาพมากขึ้น และไม่มีรอยต่อ เป้าหมายของเราคือทำให้ชีวิตของวิศวกร ML และนักวิทยาศาสตร์ข้อมูลง่ายขึ้นและมีผลกระทบมากขึ้น เพื่อให้การนำแมชชีนเลิร์นนิงไปใช้จริงเป็นเรื่องที่เป็นไปได้สำหรับบริษัทต่างๆ มากขึ้น

ทำไม Qwak จึงเป็นวิธีแก้ปัญหาที่สมบูรณ์แบบสำหรับบริษัทที่ต้องการผลลัพธ์จากแมชชีนเลิร์นนิงมากขึ้น แต่มีนักวิทยาศาสตร์ข้อมูลและวิศวกร ML ไม่เพียงพอ

เราไม่กล่าวว่าเรารู้ธุรกิจของคุณหรือข้อมูลของคุณ แต่เรามีประสบการณ์มากมายเกี่ยวกับอินฟราสตรัคเจอร์ เป้าหมายของเราคือชัดเจน เราต้องการช่วยทีมวิทยาศาสตร์ข้อมูลและวิศวกรรม ML ที่ยอดเยี่ยมในการสร้างผลิตภัณฑ์ที่น่าประทับใจ เราไม่เข้าแทรกแซงลอจิกของโมเดล แต่เรามุ่งเน้นไปที่สิ่งที่เราทำได้ดีที่สุด นั่นคือ อินฟราสตรัคเจอร์

ปัจจุบัน Qwak มีอะไรที่แตกต่างจากโซลูชันแมชชีนเลิร์นนิงที่แข่งขันกัน

เรามุ่งเน้นไปที่การช่วยทีมที่แข็งแกร่งในการ卸ภาระงานพื้นฐานและทำให้กระบวนการของการผลิต ML สตรีมไลน์ Qwak นำเสนอและเชื่อมั่นในแนวทางแบบแนวนอนในการแก้ไขความท้าทายของ MLOps – หมายความว่าเราไม่ได้สร้างแพลตฟอร์มเพียงรอบๆ model registry/serving หรือ feature store และ automation เราเชื่อว่าคุณต้องการทุกอย่างในสถานที่เดียวเพื่อขยายอินฟราสตรัคเจอร์ ML ของคุณ

คุณสามารถพูดคุยเกี่ยวกับวิธีที่ Qwak สนับสนุนการติดตามข้อเสนอแนะของโมเดลแมชชีนเลิร์นนิงและทำไมมันจึงสำคัญได้หรือไม่

การติดตามข้อเสนอแนะเป็นหนึ่งในสิ่งแรกที่เราได้สร้างใน Qwak เนื่องจากเราเห็นว่ามันเป็นส่วนหนึ่งของวงจรชีวิตการผลิตที่สอดคล้องกัน Qwak เผยแพร่ API ของข้อเสนอแนะที่ช่วยให้สามารถอัตโนมัติกระบวนการรายงานข้อเสนอแนะ

มีอะไรอีกบ้างที่คุณอยากจะแบ่งปันเกี่ยวกับ Qwak

เรามีทีมวิศวกรและผู้นำที่มีประสบการณ์ในพื้นที่นี้ มีประสบการณ์มากมายใน “คู” ของวิศวกรรมแมชชีนเลิร์นนิง เรารู้ว่าต้องทำอะไรและเรากำลังเริ่มต้น 🙂 ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านwho ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Qwak