ลิรัน ฮาซอน ผู้ร่วมก่อตั้งและซีอีโอของ Aporia – ซีรีส์สัมภาษณ์

ลิรัน ฮาซอน เป็นผู้ร่วมก่อตั้งและซีอีโอของ Aporia ซึ่งเป็นแพลตฟอร์มการสังเกตการณ์ ML แบบครบทุกชั้น ที่ใช้โดยบริษัท Fortune 500 และทีมวิทยาศาสตร์ข้อมูลทั่วโลกเพื่อให้แน่ใจว่า AI มีความรับผิดชอบ Aporia รวมเข้ากับโครงสร้างพื้นฐาน ML ได้อย่างราบรื่น ไม่ว่าจะเป็น FastAPI Server บน Kubernetes เครื่องมือปรับใช้แบบโอเพนซอร์ส เช่น MLFlow หรือแพลตฟอร์มการเรียนรู้ของเครื่อง เช่น AWS Sagemaker

ก่อนที่จะก่อตั้ง Aporia ลิรันเคยเป็น ML Architect ที่ Adallom (ซึ่งถูกซื้อโดย Microsoft) และต่อมาเป็นนักลงทุนที่ Vertex Ventures

คุณเริ่มเขียนโค้ดเมื่อคุณอายุ 10 ปี สิ่งใดที่ดึงดูดคุณให้เข้าสู่คอมพิวเตอร์ และคุณทำงานอะไร?

ในปี 1999 เพื่อนของฉันโทรหาฉันและบอกว่าเขาได้สร้างเว็บไซต์ หลังจากพิมพ์ URL ที่ยาว 200 ตัวอักษรในเบราว์เซอร์ของฉัน ฉันเห็นเว็บไซต์ที่มีชื่อของเขาอยู่ ฉันประหลาดใจที่เขาสามารถสร้างบางสิ่งบนคอมพิวเตอร์ของเขาและฉันสามารถเห็นมันบนคอมพิวเตอร์ของฉันได้ สิ่งนี้ทำให้ฉันอยากรู้ว่ามันทำงานอย่างไรและฉันสามารถทำแบบเดียวกันได้อย่างไร ฉันขอให้แม่ของฉันซื้อหนังสือ HTML ซึ่งเป็นขั้นตอนแรกของฉันในการเขียนโปรแกรม

ฉันพบว่าฉันมีความสุขในการรับมือกับความท้าทายด้านเทค และเมื่อเวลาผ่านไป ความอยากรู้อยากเห็นของฉันก็เพิ่มขึ้น ฉันเรียนรู้ ASP, PHP และ Visual Basic และเรียนรู้ทุกสิ่งที่ฉันสามารถทำได้

เมื่อฉันอายุ 13 ปี ฉันเริ่มรับงานฟรีแลนซ์ โดยสร้างเว็บไซต์และแอปพลิเคชันเดสก์ท็อป

เมื่อฉันไม่มีงานที่ต้องทำ ฉันทำงานในโครงการของตัวเอง โดยปกติจะเป็นเว็บไซต์และแอปพลิเคชันที่มีจุดมุ่งหมายเพื่อช่วยให้ผู้อื่นบรรลุเป้าหมาย:

Blue-White Programming – เป็นภาษาโปรแกรมภาษาฮีบรูที่คล้ายกับ HTMLที่ฉันสร้างขึ้นหลังจากที่ฉันรู้ว่าเด็กๆ ในอิสราเอลที่ไม่มีระดับภาษาอังกฤษที่สูงถูกจำกัดหรือถูกผลักออกจากโลกของการเขียนโค้ด

Blinky – ปู่ย่าตายายของฉันเป็นคนหูหนวกและใช้ภาษามือสื่อสารกับเพื่อน เมื่อซอฟต์แวร์ประชุมทางวิดีโอ เช่น Skype และ ooVoo ปรากฏขึ้น พวกเขาจึงสามารถพูดคุยกับเพื่อนได้เป็นครั้งแรกแม้จะไม่ได้อยู่ในห้องเดียวกัน เช่นเดียวกับที่เราทำผ่านโทรศัพท์ แต่เนื่องจากพวกเขาไม่ได้ยิน จึงไม่รู้ว่ามีสายเรียกเข้า ฉันจึงเขียนซอฟต์แวร์ที่ตรวจจับสายวิดีโอเรียกเข้าและเตือนด้วยชุดไฟ LED ที่กะพริบในอุปกรณ์ขนาดเล็กที่ฉันสร้างและเชื่อมต่อกับคอมพิวเตอร์ของพวกเขา

สิ่งเหล่านี้เป็นเพียงบางส่วนของโครงการที่ฉันสร้างขึ้นเมื่อฉันยังเป็นวัยรุ่น ความอยากรู้อยากเห็นของฉันไม่เคยหยุด และฉันพบว่าตัวเองเรียนรู้ C, C++, Assembly และวิธีการทำงานของระบบปฏิบัติการ และพยายามเรียนรู้ทุกสิ่งที่ฉันสามารถทำได้

คุณสามารถแบ่งปันเรื่องราวของการเดินทางของคุณในฐานะนักออกแบบระบบ ML ที่ Adallom ซึ่ง Microsoft (MSFT ) ซื้อกิจการ ได้หรือไม่?

ฉันเริ่มการเดินทางของฉันที่ Adallom หลังจากรับราชการทหารเป็นเวลา 5 ปีในยศกัปตัน ฉันเห็นโอกาสที่ดีในการเข้าร่วมบริษัทที่เกิดขึ้นใหม่และตลาด – ในฐานะหนึ่งในพนักงานกลุ่มแรก บริษัทนี้มีผู้ก่อตั้งที่ดีเลิศซึ่งฉันรู้จักจากการที่ฉันรับใช้ทางทหาร และได้รับการสนับสนุนจากบริษัทเงินร่วมลงทุนชั้นนำ – เช่น Sequoia การระเบิดของเทคโนโลยีคลาวด์เข้าสู่ตลาดยังคงอยู่ในระยะเริ่มต้น และเรากำลังสร้างหนึ่งในโซลูชันความปลอดภัยคลาวด์แรกๆ ในขณะนั้น องค์กรต่างๆ เพิ่งเริ่มย้ายจากระบบภายในองค์กรไปสู่คลาวด์ และเราเห็นมาตรฐานใหม่ในอุตสาหกรรม เช่น Office 365, Dropbox (DBX ), Marketo, Salesforce และอื่นๆ

ในระหว่างสัปดาห์แรก ฉันรู้แล้วว่าฉันต้องการเริ่มบริษัทของตัวเองในอนาคต ฉันรู้สึกว่าจากมุมมองทางเทค ฉันพร้อมสำหรับความท้าทายใดๆ ที่ถูกโยนมา และถ้าไม่ใช่ฉัน ฉันรู้ว่าฉันสามารถหาคนที่ถูกต้องเพื่อช่วยฉันเอาชนะทุกสิ่ง

Adallom มีความต้องการบุคคลที่มีความรู้ทางเทคที่ลึกซึ้งและสามารถเผชิญหน้ากับลูกค้าได้ ประมาณหนึ่งเดือนต่อมา ฉันขึ้นเครื่องบินไปสหรัฐอเมริกาเป็นครั้งแรกในชีวิตเพื่อพบกับคนจาก LinkedIn ซึ่งขณะนั้นยังไม่ถูก Microsoft ซื้อกิจการ อีกไม่กี่สัปดาห์ต่อมาพวกเขาก็กลายเป็นลูกค้าที่จ่ายเงินรายแรกของเราในสหรัฐฯ นี่เป็นเพียงหนึ่งในบริษัทขนาดใหญ่หลายแห่ง เช่น Netflix, Disney และ Safeway ที่ฉันช่วยแก้ปัญหาคลาวด์สำคัญๆ ประสบการณ์นี้สอนฉันมากมายและเสริมความมั่นใจอย่างมาก

สำหรับฉัน การเข้าร่วม Adallom คือการเข้าร่วมที่ฉันเชื่อมั่นในตลาด เชื่อมั่นในทีม และเชื่อมั่นในวิสัยทัศน์ ฉันขอขอบคุณโอกาสที่ฉันได้รับที่นี่

วัตถุประสงค์ของสิ่งที่ฉันทำคือสิ่งที่สำคัญมาก และสำหรับฉัน มันเหมือนกับในกองทัพ มันสำคัญเสมอ ฉันสามารถเห็นได้อย่างชัดเจนว่าแนวทางของ Adallom ในการเชื่อมต่อกับโซลูชัน SaaS และติดตามกิจกรรมของผู้ใช้และทรัพยากร ตลอดจนค้นหาความผิดปกติ เป็นแนวทางของอนาคต ฉันจึงเห็นอย่างชัดเจนว่า Adallom จะประสบความสำเร็จ

ฉันรับผิดชอบโครงสร้างทั้งหมดของโครงสร้างพื้นฐาน ML ของเรา และฉันเห็นและประสบปัญหาในการขาดเครื่องมือที่เหมาะสมสำหรับระบบนี้ มันชัดเจนสำหรับฉันว่ามีวิธีแก้ปัญหาเฉพาะที่ต้องมีอยู่ในสถานที่กลางๆ ที่คุณสามารถเห็นแบบจำลองทั้งหมดของคุณได้ ที่คุณสามารถเห็นการตัดสินใจที่พวกเขาได้ทำสำหรับธุรกิจของคุณ และติดตามเป้าหมาย ML อย่างเชิงรุกได้ ตัวอย่างเช่น บางครั้งเรารู้ว่ามีปัญหาในโมเดลช้าเกินไป ซึ่งไม่ดีต่อทั้งผู้ใช้และธุรกิจ นี่คือจุดที่แนวคิดของ Aporia เริ่มเป็นรูปเป็นร่าง

คุณสามารถแบ่งปันเรื่องราวของการเดินทางของคุณในฐานะผู้ร่วมก่อตั้ง Aporia ได้หรือไม่?

ประสบการณ์ส่วนตัวของฉันกับ ML เริ่มต้นในปี 2008 ในฐานะโครงการร่วมระหว่างสถาบัน Weizmann มหาวิทยาลัย Bath และศูนย์วิจัยจีน ฉันสร้างระบบระบุตัวตนแบบไบโอเมตริกโดยการวิเคราะห์ภาพของม่านตา ฉันสามารถบรรลุความแม่นยำได้ 94% โครงการนี้ประสบความสำเร็จและได้รับการยกย่องจากมุมมองการวิจัย แต่สำหรับฉัน ฉันเคยสร้างซอฟต์แวร์ตั้งแต่ฉันอายุ 10 ปี และบางสิ่งบางอย่างรู้สึกไม่จริง คุณไม่สามารถใช้ระบบระบุตัวตนแบบไบโอเมตริกที่ฉันสร้างขึ้นได้ในโลกแห่งความเป็นจริงเพราะมันทำงานได้ดีเฉพาะกับชุดข้อมูลเฉพาะที่ฉันใช้เท่านั้น ผลลัพธ์ยังไม่แน่นอนเพียงพอ

นี่คือพื้นหลังเล็กน้อย เมื่อคุณสร้างระบบ ML สำหรับการระบุตัวตนแบบไบโอเมตริก คุณต้องการให้การคาดการณ์เป็นแบบกำหนดได้ – คุณต้องการทราบว่าระบบสามารถระบุตัวบุคคลที่ถูกต้องได้หรือไม่ เช่นเดียวกับวิธีที่ iPhone ของคุณไม่ได้ปลดล็อกหากไม่ จดจำบุคคลที่ถูกต้องที่มุมที่ถูกต้อง นี่คือผลลัพธ์ที่ต้องการ แต่นี่ไม่ใช่กรณีของ ML เมื่อฉันเข้าสู่พื้นที่นี้ครั้งแรก

ประมาณเจ็ดปีต่อมา และฉันประสบกับความเป็นจริงของการทำงานแบบจำลองการผลิตโดยไม่มีมาตรการป้องกันที่เชื่อถือได้ที่ Adallom ทั้งที่โมเดลเหล่านั้นตัดสินใจให้ธุรกิจและส่งผลต่อลูกค้า ต่อมาฉันโชคดีที่ได้ทำงานเป็นนักลงทุนที่ Vertex Ventures เป็นเวลา 3 ปี ฉันเห็นว่าองค์กรจำนวนมากขึ้นเรื่อยๆ ใช้ ML และวิธีการที่บริษัทเหล่านี้เปลี่ยนจากการที่พูดถึง ML ไปสู่การทำ ML จริงๆ แต่บริษัทเหล่านี้ใช้ ML เพียงเพื่อที่จะเผชิญกับปัญหาเดียวกับที่เราเผชิญที่ Adallom

ทุกคนรีบใช้ ML และพวกเขาพยายามสร้างระบบติดตามตรวจสอบขึ้นใช้ภายในองค์กร แต่สิ่งเหล่านี้ไม่ใช่ธุรกิจหลักของพวกเขา และความท้าทายเหล่านี้มีความซับซ้อนมาก นี่คือจุดที่ฉันรู้ว่านี่คือโอกาสของฉันในการสร้างผลกระทบที่ยิ่งใหญ่

AI ถูกนำมาใช้ในส่วนใหญ่ของอุตสาหกรรม รวมถึงการดูแลสุขภาพ บริการทางการเงิน อุตสาหกรรมยานยนต์ และอื่นๆ และจะส่งผลกระทบต่อทุกคนในสังคม นี่คือที่ที่ Aporia แสดงคุณค่าของมัน – ทำให้กรณีการใช้งานที่เปลี่ยนแปลงชีวิตเหล่านี้ทำงานตามที่ตั้งใจไว้และช่วยปรับปรุงสังคมของเรา เพราะเหมือนกับซอฟต์แวร์ใดๆ คุณจะมี bug และ ML ก็ไม่ต่าง แต่ถ้าไม่ได้รับการตรวจสอบ ML เหล่านี้สามารถสร้างผลกระทบต่อความต่อเนื่องของธุรกิจและส่งผลกระทบต่อสังคมด้วยผลลัพธ์ที่มีอคติโดยไม่ตั้งใจ ตัวอย่างเช่น ความพยายามของ Amazon ในการใช้เครื่องมือรับสมัครงานด้วย AI (AMZN ) อคติที่ไม่ได้ตั้งใจทำให้โมเดลแนะนำผู้สมัครชายมากกว่าผู้หญิงอย่างมาก ซึ่งเป็นผลลัพธ์ที่ไม่พึงประสงค์อย่างชัดเจน จึงต้องมีโซลูชันเฉพาะเพื่อตรวจจับอคติดังกล่าวก่อนที่จะกลายเป็นข่าวและกระทบผู้ใช้ปลายทาง

สำหรับองค์กรต่างๆ เพื่อให้สามารถพึ่งพาและเพลิดเพลินกับประโยชน์ของ ML ได้อย่างเหมาะสม พวกเขาต้องทราบว่าเมื่อใดที่มันไม่ทำงานอย่างถูกต้อง และด้วยกฎระเบียบที่ใหม่ๆ ML ผู้ใช้จะต้องมีวิธีการอธิบายการคาดการณ์ของแบบจำลอง ในที่สุดแล้ว สิ่งสำคัญคือต้องวิจัยและพัฒนาแบบจำลองใหม่ๆ และโครงการนวัตกรรม แต่เมื่อแบบจำลองเหล่านี้พบกับโลกแห่งความเป็นจริงและตัดสินใจจริงสำหรับผู้คน ธุรกิจ และสังคม มีความจำเป็นที่จะใช้โซลูชันการตรวจสอบที่ครอบคลุมเพื่อให้แน่ใจว่าพวกเขาสามารถเชื่อถือ AI ได้

คุณสามารถอธิบายความสำคัญของ AI ที่โปร่งใสและสามารถอธิบายได้หรือไม่?

ในขณะที่อาจดูเหมือนคล้ายกัน มีความแตกต่างที่สำคัญระหว่างซอฟต์แวร์แบบดั้งเดิมและ ML ในซอฟต์แวร์ คุณมีนักเขียนโค้ดที่เขียนโค้ด ระบุตรรกะของแอปพลิเคชัน และเรารู้ว่าจะเกิดอะไรขึ้นในแต่ละกระบวนการของโค้ด มันคือการกำหนดผลลัพธ์ นี่คือวิธีการสร้างซอฟต์แวร์โดยทั่วไป นักเขียนโค้ดสร้างกรณีทดสอบ ทดสอบกรณีเชิงขอบเขต และได้รับการครอบคลุมถึง 70% – 80% – คุณรู้สึกว่าดีเพียงพอแล้วที่จะนำขึ้นใช้งานจริงได้ หากมีการแจ้งเตือนใดๆ ปรากฏขึ้น คุณสามารถแก้ไขและเข้าใจได้อย่างง่ายดายว่ากระบวนการใดที่ผิดพลาดและแก้ไขได้

สิ่งนี้ไม่ใช่กรณีของ ML แทนที่จะเป็นมนุษย์ที่กำหนดตรรกะ มันถูกกำหนดในช่วงกระบวนการฝึกอบรมของแบบจำลอง เมื่อพูดถึงตรรกะ มันไม่ใช่ชุดของกฎ แต่เป็นเมทริกซ์ของตัวเลขนับล้านหรือนับพันล้านตัวที่แสดงถึงจิตใจหรือสมองของแบบจำลอง ML และสิ่งนี้เป็นกล่องดำ เราไม่ทราบความหมายของตัวเลขแต่ละตัวในเมทริกซ์นี้ แต่เรารู้จากมุมมองทางสถิติ ดังนั้นจึงเป็นความน่าจะเป็น ไม่ใช่ผลลัพธ์ที่แน่นอน อาจถูกต้อง 83% หรือ 93% ของกรณี จึงเกิดคำถามว่าเราจะเชื่อถือระบบได้อย่างไรหากอธิบายวิธีที่มันได้คำทำนายไม่ได้ และจะอธิบายคำทำนายในอุตสาหกรรมที่มีกฎกำกับเข้มงวด เช่น การเงิน ได้อย่างไร ตัวอย่างเช่น บริษัทการเงินในสหรัฐฯ มีหน้าที่ตามกฎหมายต้องอธิบายให้ลูกค้าทราบว่าเหตุใดคำขอสินเชื่อจึงถูกปฏิเสธ

ความไม่สามารถอธิบายการคาดการณ์ของ ML ในรูปแบบข้อความที่อ่านได้สำหรับมนุษย์อาจเป็นอุปสรรคสำคัญสำหรับการนำ ML ไปใช้ในระดับใหญ่ในอุตสาหกรรมต่างๆ เราต้องการทราบว่าแบบจำลองไม่ได้ตัดสินใจที่มีอคติ เราต้องการทราบว่าอะไรเป็นเหตุผลที่นำไปสู่การตัดสินใจเฉพาะของแบบจำลอง นี่คือที่ที่ความโปร่งใสและความสามารถในการอธิบายมีความสำคัญอย่างยิ่ง

วิธีการทำงานของกล่องเครื่องมือ AI ที่โปร่งใสและสามารถอธิบายได้ของ Aporia?

กล่องเครื่องมือ AI ที่สามารถอธิบายได้ของ Aporia ทำงานเป็นส่วนหนึ่งของระบบการตรวจสอบ ML ที่รวมเป็นหนึ่งเดียว โดยไม่มีการมองเห็นที่ลึกซึ้งของแบบจำลองการผลิตและโซลูชันการตรวจสอบและแจ้งเตือนที่เชื่อถือได้ มันจะยากที่จะเชื่อถือข้อมูลเชิงลึกจาก AI ที่อธิบายได้ – ไม่มีความจำเป็นที่จะต้องอธิบายการคาดการณ์หากผลลัพธ์ไม่น่าเชื่อถือ และนี่คือที่ที่ Aporia เข้ามาและให้ความช่วยเหลือ – โดยการให้ความมองเห็นที่ครอบคลุมแบบจำลองที่ทำงานทั้งหมด การติดตามแบบกำหนดเอง การแจ้งเตือน เครื่องมือการแก้ปัญหา การสืบสวนรากของสาเหตุ และ AI ที่สามารถอธิบายได้ โซลูชันการตรวจสอบแบบเต็มรูปแบบสำหรับปัญหาใดๆ ที่เกิดขึ้นในการผลิต

แพลตฟอร์ม Aporia เป็นแพลตฟอร์มที่เป็นกลางและให้ความสามารถแก่ธุรกิจที่มุ่งเน้น AI ทีมวิทยาศาสตร์ข้อมูลและทีม ML ด้วย แดชบอร์ดที่รวมเป็นหนึ่งเดียวและความมองเห็นที่สมบูรณ์แบบเกี่ยวกับสุขภาพของแบบจำลอง การคาดการณ์ และการตัดสินใจ – ทำให้พวกเขาสามารถเชื่อถือ AI ของตนได้ โดยใช้ AI ที่สามารถอธิบายได้ของ Aporia องค์กรสามารถให้ผู้มีส่วนได้ส่วนเสียที่เกี่ยวข้องทั้งหมดได้รับข้อมูลอย่างต่อเนื่องโดยการอธิบายการตัดสินใจของ ML ด้วยการคลิกปุ่ม – ได้รับข้อมูลเชิงลึกที่อ่านได้สำหรับการคาดการณ์ของแบบจำลองเฉพาะหรือจำลองสถานการณ์ “จะเกิดอะไรขึ้นถ้า…” นอกจากนี้ Aporia ยังติดตามข้อมูลที่ป้อนเข้าไปในแบบจำลองตลอดจนการคาดการณ์ และส่งการแจ้งเตือนให้คุณเมื่อมีเหตุการณ์สำคัญ รวมถึงการเสื่อมสภาพของประสิทธิภาพ อคติที่ไม่เจตนา การเปลี่ยนแปลงของข้อมูล และแม้แต่โอกาสในการปรับปรุงแบบจำลองของคุณ สุดท้าย ด้วยเครื่องมือการสืบสวนของ Aporia คุณสามารถไปสู่รากของเหตุการณ์ใดๆ และปรับปรุงแบบจำลองใดๆ ในการผลิต

เครื่องมือบางอย่างที่มีให้ใช้ เช่น Data Points และ Time Series Investigation Tools ทำงานอย่างไรเพื่อช่วยป้องกันอคติและการเปลี่ยนแปลงการกระจายข้อมูลของ AI?

Data Points ให้มุมมองแบบเรียลไทม์ของข้อมูลที่แบบจำลองได้รับและคาดการณ์ที่ทำสำหรับธุรกิจ คุณสามารถรับข้อมูลแบบเรียลไทม์ของสิ่งนี้และเข้าใจสิ่งที่เกิดขึ้นในธุรกิจของคุณได้ ความสามารถในการมองเห็นนี้มีความสำคัญอย่างยิ่งสำหรับความโปร่งใส บางครั้งสิ่งต่างๆ จะเปลี่ยนแปลงไปตามเวลา และมีความสัมพันธ์ระหว่างการเปลี่ยนแปลงหลายอย่างตลอดช่วงเวลา – นี่คือบทบาทของการตรวจสอบซีรีส์เวลา

ไม่นานมานี้ ร้านค้าปลีกขนาดใหญ่หลายแห่งมีเครื่องมือคาดการณ์ AI ล้มเหลวเมื่อมันมาถึงการคาดการณ์ปัญหาห่วงโซ่อุปทาน แพลตฟอร์ม Aporia จะแก้ไขปัญหานี้ได้อย่างไร?

ความท้าทายหลักในการระบุปัญหาเหล่านี้คือการรู้ว่าเรากำลังพูดถึงการคาดการณ์ในอนาคต ซึ่งหมายความว่าเราคาดการณ์ว่าสิ่งใดจะเกิดขึ้นหรือไม่ในอนาคต ตัวอย่างเช่น มีคนจำนวนเท่าใดที่จะซื้อเสื้อหรือซื้อ PlayStation ใหม่

จากนั้นใช้เวลามากกว่าสองสามสัปดาห์ในการรวบรวมผลลัพธ์ที่แท้จริง และจากนั้นเราสามารถสรุปและบอกได้ว่านี่คือความต้องการที่แท้จริงที่เราเห็น ช่วงเวลานี้ เรากำลังพูดถึงหลายเดือน ซึ่งเป็นช่วงเวลาที่ใช้ในการคาดการณ์ของแบบจำลองจนถึงธุรกิจที่รู้ว่ามันถูกต้องหรือไม่ และในเวลานั้น มันคือช่วงเวลาที่สายเกินไป ธุรกิจอาจสูญเสียรายได้ที่เป็นไปได้หรือมีอัตรากำไรที่ถูกบีบให้ขายสินค้าเกินจำนวนในราคาที่ลดลงมาก

สิ่งนี้เป็นความท้าทาย และสิ่งนี้คือที่ที่ Aporia เข้ามาและเป็นประโยชน์อย่างมากต่อองค์กรเหล่านี้ อันดับแรก มันช่วยให้องค์กรสามารถมองเห็นและเข้าใจการตัดสินใจที่ทำได้อย่างง่ายดาย – มีความผันผวนหรือไม่? มีอะไรที่ไม่สมเหตุสมผลหรือไม่? ที่สอง ในขณะที่เรากำลังพูดถึงร้านค้าปลีกขนาดใหญ่ เรากำลังพูดถึงสินค้าจำนวนมาก และการตรวจสอบสินค้าเหล่านี้ด้วยตนเองเป็นเรื่องที่ยากมาก นี่คือที่ที่ธุรกิจและทีม ML มีคุณค่าของ Aporia มากที่สุด – เป็นระบบตรวจสอบแบบอัตโนมัติและแบบกำหนดเอง 24/7

Aporia ติดตามข้อมูลและคาดการณ์อย่างต่อเนื่อง วิเคราะห์พฤติกรรมทางสถิติของการคาดการณ์เหล่านี้ และสามารถคาดการณ์และระบุการเปลี่ยนแปลงในพฤติกรรมของผู้บริโภคและการเปลี่ยนแปลงในพฤติกรรมของข้อมูลทันทีที่เกิดขึ้น แทนที่จะรอหกเดือนเพื่อทราบว่าการคาดการณ์ความต้องการนั้นผิด Aporia สามารถระบุได้ภายในไม่กี่วันว่าเรากำลังเดินผิดทางกับการคาดการณ์ความต้องการของเรา Aporia จึงลดเวลานี้จากหลายเดือนเหลือเพียงไม่กี่วัน ซึ่งเป็นการเปลี่ยนแปลงครั้งสำคัญสำหรับผู้ปฏิบัติงาน ML ทุกคน

คุณมีอะไรที่คุณต้องการแบ่งปันเกี่ยวกับ Aporia อีกหรือไม่?

เรากำลังเติบโตอย่างต่อเนื่องและกำลังมองหาคนที่มีใจและความคิดที่ยอดเยี่ยมในการเข้าร่วมการเดินทางของ Aporia ดูตำแหน่งงานที่เปิดรับของเรา

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Aporia เพื่อเรียนรู้เพิ่มเติม