ลิรัน ฮาซอน Co-Founder & CEO ของ Aporia – ซีรีส์สัมภาษณ์

ลิรัน ฮาซอน เป็น Co-Founder และ CEO ของ Aporia ซึ่งเป็นแพลตฟอร์ม ML observability ที่ใช้โดยบริษัท Fortune 500 และทีมวิทยาศาสตร์ข้อมูลทั่วโลกเพื่อให้แน่ใจว่า AI มีความรับผิดชอบ Aporia รวมเข้ากับโครงสร้างพื้นฐาน ML ใดๆ ได้อย่างราบรื่น ไม่ว่าจะเป็น FastAPI server บน Kubernetes เครื่องมือการปรับใช้แบบเปิด源 เช่น MLFlow หรือแพลตฟอร์มการเรียนรู้ของเครื่อง เช่น AWS Sagemaker

ก่อนที่จะก่อตั้ง Aporia ลิรัน曾เป็น ML Architect ที่ Adallom (ซึ่งถูกซื้อโดย Microsoft) และต่อมาเป็นนักลงทุนที่ Vertex Ventures

คุณเริ่มเขียนโค้ดเมื่อคุณอายุ 10 ขวบ สิ่งใดที่ดึงดูดคุณให้เข้าสู่โลกของคอมพิวเตอร์ และคุณกำลังทำงานในโครงการอะไร

เป็นปี 1999 และเพื่อนของฉันโทรหาฉันและบอกว่าเขาได้สร้างเว็บไซต์แล้ว หลังจากพิมพ์คำศัพท์ยาว 200 ตัวอักษรในเบราว์เซอร์ของฉัน ฉันก็เห็นเว็บไซต์ที่มีชื่อของเขาอยู่บนหน้าจอ ฉันรู้สึกประหลาดใจที่เขาสามารถสร้างสิ่ง gìบนคอมพิวเตอร์ของเขาและฉันก็สามารถเห็นมันบนคอมพิวเตอร์ของฉันได้ สิ่งนี้ทำให้ฉันรู้สึกอยากรู้อยากเห็นมากว่ามันทำงานอย่างไรและฉันสามารถทำแบบเดียวกันได้อย่างไร ฉันขอให้แม่ของฉันซื้อหนังสือ HTML ให้ฉัน ซึ่งเป็นขั้นตอนแรกของฉันในการเขียนโปรแกรม

ฉันพบว่าตัวเองมีความสุขมากในการรับมือกับความท้าทายด้านเทค และเมื่อเวลาผ่านไป ความอยากรู้อยากเห็นของฉันก็เพิ่มขึ้นเรื่อยๆ ฉันเรียนรู้ ASP, PHP และ Visual Basic และฉันก็เรียนรู้ทุกสิ่งที่ฉันสามารถทำได้

เมื่อฉันไม่มีงานที่ต้องทำ ฉันก็ทำงานในโครงการของตัวเอง ซึ่งโดยทั่วไปแล้วจะเป็นเว็บไซต์และแอปพลิเคชันต่างๆ ที่มีจุดมุ่งหมายเพื่อช่วยให้ผู้อื่นบรรลุเป้าหมายของตน

Blue-White Programming – เป็นภาษาโปรแกรมมิ่งภาษาไทยที่ฉันสร้างขึ้นหลังจากที่ฉันรู้ว่าเด็กๆ ในอิสราเอลที่ไม่มีระดับภาษาอังกฤษที่สูงถูกจำกัดหรือถูกผลักออกจากโลกของการเขียนโค้ด

Blinky – ปู่และย่าตาของฉันเป็นคนหูหนวกและใช้ภาษามือในการสื่อสารกับเพื่อนๆ เมื่อซอฟต์แวร์การประชุมทางวิดีโอด้วย Skype และ ooVoo ออกมา ปู่และย่าตาของฉันก็สามารถพูดคุยกับเพื่อนๆ ได้แม้ว่าพวกเขาไม่ได้อยู่ในห้องเดียวกัน (เหมือนกับที่เราทำกับโทรศัพท์มือถือของเรา) แต่เนื่องจากพวกเขาไม่สามารถได้ยิน พวกเขาจึงไม่สามารถรู้ได้ว่ามีการโทรเข้ามา ฉันจึงเขียนซอฟต์แวร์ที่สามารถตรวจจับการโทรเข้ามาและเตือนพวกเขาโดยการกระพริบ LED บนอุปกรณ์ฮาร์ดแวร์ที่ฉันสร้างและเชื่อมต่อกับคอมพิวเตอร์ของพวกเขา

สิ่งเหล่านี้เป็นเพียงบางส่วนของโครงการที่ฉันสร้างขึ้นเมื่อฉันยังเป็นวัยรุ่น ความอยากรู้อยากเห็นของฉันไม่เคยหยุด และฉันก็เรียนรู้ C, C++, Assembly และวิธีการทำงานของระบบปฏิบัติการ และฉันก็พยายามเรียนรู้ทุกสิ่งที่ฉันสามารถทำได้

คุณสามารถแบ่งปันเรื่องราวของการเดินทางของคุณในฐานะ Machine Learning Architect ที่ Adallom ซึ่งถูกซื้อโดย Microsoft ได้หรือไม่

ฉันเริ่มการเดินทางของฉันที่ Adallom หลังจากที่ฉันจบการรับใช้ทางทหาร หลังจาก 5 ปีในกองทัพในฐานะกัปตัน ฉันเห็นโอกาสที่ดีในการเข้าร่วมบริษัทที่เกิดใหม่และตลาดที่เกิดใหม่ – ในฐานะหนึ่งในพนักงานคนแรก บริษัทนี้มีผู้ก่อตั้งที่ยอดเยี่ยมซึ่งฉันรู้จักจากการที่ฉันรับใช้ทางทหาร และได้รับการสนับสนุนจากนักลงทุนชั้นนำ – เช่น Sequoia การระเบิดของเทคโนโลยีคลาวด์เข้าสู่ตลาดยังคงอยู่ในช่วงวัยเด็กของมัน และเรากำลังสร้างหนึ่งในโซลูชันความปลอดภัยคลาวด์แรกๆ ในขณะนั้น องค์กรต่างๆ กำลังเริ่มเปลี่ยนจากบนพื้นฐานไปสู่คลาวด์ และเราก็เห็นมาตรฐานอุตสาหกรรมใหม่ๆ เกิดขึ้น – เช่น Office 365, Dropbox, Marketo, Salesforce และอื่นๆ

ในระหว่างสัปดาห์แรกๆ ฉันรู้แล้วว่าฉันต้องการเริ่มต้นบริษัทของตัวเองวันหนึ่ง ฉันรู้สึกว่าจากมุมมองทางเทค ฉันพร้อมสำหรับความท้าทายใดๆ ที่ถูกโยนมาทางฉัน และถ้าไม่ใช่ฉัน ฉันก็รู้ว่าคนเหล่านั้นสามารถช่วยฉันเอาชนะความท้าทายได้

Adallom มีความต้องการบุคคลที่มีความรู้อย่างลึกซึ้งเกี่ยวกับเทค แต่ก็สามารถเป็นคนติดต่อลูกค้าได้ ฉันจึงได้ขึ้นเครื่องบินไปสหรัฐอเมริกาเป็นครั้งแรกในชีวิตเพื่อไปพบกับคนจาก LinkedIn (ก่อนที่จะถูกซื้อโดย Microsoft) หลังจากนั้นสองสัปดาห์ พวกเขาก็กลายเป็นลูกค้ารายแรกของเราในสหรัฐอเมริกา ซึ่งเป็นหนึ่งในหลายๆ องค์กรขนาดใหญ่ – เช่น Netflix, Disney และ Safeway – ที่ฉันช่วยแก้ไขปัญหาคลาวด์ที่สำคัญให้พวกเขา

สำหรับฉัน การเข้าร่วม Adallom คือการเข้าร่วมที่ฉันเชื่อมั่นในตลาด ฉันเชื่อมั่นในทีม และฉันเชื่อมั่นในวิสัยทัศน์ ฉันขอขอบคุณโอกาสที่ฉันได้รับที่นั่นอย่างมาก

วัตถุประสงค์ของสิ่งที่ฉันทำมีความสำคัญมากสำหรับฉัน มันเหมือนกับเมื่อฉันอยู่ในกองทัพ มันสำคัญเสมอ ฉันสามารถเห็นได้อย่างชัดเจนว่าแนวทางของ Adallom ในการเชื่อมต่อกับโซลูชัน SaaS แล้วจึงติดตามกิจกรรมของผู้ใช้ การค้นหาปัญหาที่ไม่ปกติ และอื่นๆ จะเป็นวิธีการที่จะทำในอนาคต ฉันจึงเห็นว่า Adallom เป็นบริษัทที่จะมีความสำเร็จ

ฉันรับผิดชอบด้านสถาปัตยกรรมของโครงสร้างพื้นฐาน ML ของเรา และฉันก็เห็นและประสบปัญหาในการขาดเครื่องมือที่เหมาะสมสำหรับระบบนี้ มันชัดเจนสำหรับฉันว่ามีความต้องการโซลูชันที่มีศูนย์กลางที่ทุกคนสามารถเห็นโมเดลทั้งหมดของตนได้ ที่ทุกคนสามารถเห็นการตัดสินใจที่โมเดลเหล่านั้นทำเพื่อธุรกิจของตนได้ ที่ทุกคนสามารถติดตามและเป็นคนแรกที่รู้ถึงเป้าหมาย ML ของตนได้ ตัวอย่างเช่น เรามีครั้งหนึ่งที่เรารู้ปัญหาในโมเดลการเรียนรู้ของเครื่องของเราต่อท้าย และมันไม่ดีสำหรับผู้ใช้และธุรกิจแน่นอน สิ่งนี้คือที่ที่ความคิดของ Aporia เริ่มเกิดขึ้น

คุณสามารถแบ่งปันเรื่องราวการกำเนิดของ Aporia ได้หรือไม่

ประสบการณ์ส่วนตัวของฉันกับการเรียนรู้ของเครื่องเริ่มต้นในปี 2008 ในฐานะโครงการร่วมที่สถาบัน Weizmann ร่วมกับมหาวิทยาลัย Bath และศูนย์研究ของจีน ที่นั่น ฉันสร้างระบบระบุตัวตนแบบไบโอเมตริกโดยการวิเคราะห์ภาพของม่านตา ฉันสามารถบรรลุความแม่นยำได้ 94% โครงการนี้ประสบความสำเร็จและได้รับการยกย่องจากมุมมองการวิจัย แต่สำหรับฉัน ฉันเขียนซอฟต์แวร์ตั้งแต่ฉันอายุ 10 ขวบ และบางสิ่งรู้สึกไม่จริง คุณไม่สามารถใช้ระบบระบุตัวตนแบบไบโอเมตริกที่ฉันสร้างขึ้นได้ในโลกแห่งความเป็นจริง เพราะมันทำงานได้ดีเฉพาะกับชุดข้อมูลที่ฉันใช้เท่านั้น มันไม่แน่นอนพอที่จะใช้ได้

สิ่งนี้เป็นเพียงพื้นหลังเล็กน้อย เมื่อคุณสร้างระบบการเรียนรู้ของเครื่อง สำหรับตัวอย่างเช่น การระบุตัวตนแบบไบโอเมตริก คุณต้องการให้การคาดการณ์เป็นแบบแน่นอน – คุณต้องการทราบว่าระบบสามารถระบุตัวตนบุคคลได้อย่างแม่นยำ ไม่เหมือนกับ iPhone ที่ไม่สามารถปลดล็อกได้หากไม่ распознаетบุคคลที่ถูกต้องที่มุมที่ถูกต้อง สิ่งนี้คือผลลัพธ์ที่ต้องการ แต่สิ่งนี้ไม่ใช่กรณีของการเรียนรู้ของเครื่องในสมัยนั้น เมื่อฉันเข้าสู่พื้นที่นี้

ประมาณ 7 ปีต่อมา และฉันก็ประสบปัญหาในการใช้งานโมเดลการผลิตโดยไม่มีการดูแลที่เชื่อถือได้ ที่ Adallom ในขณะที่ฉันทำงานเป็นนักลงทุนที่ Vertex Ventures เป็นเวลา 3 ปี ฉันเห็นว่าองค์กรต่างๆ มากขึ้นเรื่อยๆ ใช้การเรียนรู้ของเครื่อง และวิธีที่บริษัทต่างๆ เปลี่ยนจากการพูดถึงการเรียนรู้ของเครื่องไปสู่การทำการเรียนรู้ของเครื่องจริงๆ แต่บริษัทเหล่านี้ต้องเผชิญกับปัญหาที่เราเผชิญที่ Adallom

ทุกคนรีบใช้การเรียนรู้ของเครื่อง และพวกเขาพยายามสร้างระบบติดตามภายใน แต่สิ่งเหล่านี้ไม่ใช่ธุรกิจหลักของพวกเขา และความท้าทายเหล่านี้มีความซับซ้อนมาก นี่คือที่ที่ฉันรู้ว่ามีโอกาสที่จะสร้างผลกระทบอย่างมาก

AI ถูกนำมาใช้ในแทบทุกอุตสาหกรรม รวมถึงการดูแลสุขภาพ บริการทางการเงิน ยานยนต์ และอื่นๆ และจะส่งผลกระทบต่อชีวิตของทุกคนและจะส่งผลกระทบต่อเรา semua สิ่งนี้คือที่ที่ Aporia แสดงคุณค่าของมัน – ทำให้กรณีการใช้งานที่เปลี่ยนแปลงชีวิตเหล่านี้ทำงานตามที่ตั้งใจไว้ และช่วยปรับปรุงสังคมของเรา เนื่องจากเหมือนกับซอฟต์แวร์ใดๆ คุณจะมี bug และการเรียนรู้ของเครื่องไม่แตกต่าง หากไม่ได้รับการตรวจสอบ ปัญหาเหล่านี้สามารถสร้างความเสียหายต่อการดำเนินธุรกิจและสร้างผลลัพธ์ที่ไม่ตั้งใจ เช่น Amazon ที่พยายามนำ AI มาใช้ในการสรรหาบุคลากร – ความลำเอียงที่ไม่ตั้งใจทำให้โมเดลการเรียนรู้ของเครื่องแนะนำผู้สมัครชายมากกว่าผู้สมัครหญิงอย่างมาก สิ่งนี้เป็นผลลัพธ์ที่ไม่ต้องการ ดังนั้นจึงต้องมีโซลูชันที่เฉพาะเจาะจงในการตรวจจับความลำเอียงที่ไม่ตั้งใจก่อนที่จะเกิดขึ้นและสร้างผลกระทบต่อผู้ใช้

สำหรับองค์กรต่างๆ ที่จะพึ่งพาการเรียนรู้ของเครื่องและเพลิดเพลินกับประโยชน์ของมัน พวกเขาต้องทราบเมื่อมันไม่ทำงานอย่างถูกต้อง และด้วยกฎระเบียบที่ใหม่ๆ ผู้ใช้การเรียนรู้ของเครื่องจะต้องมีวิธีการอธิบายการคาดการณ์ของโมเดลของตน ในที่สุดแล้ว สิ่งสำคัญคือการวิจัยและพัฒนาโมเดลใหม่ๆ และโครงการที่สร้างสรรค์ แต่เมื่อโมเดลเหล่านั้นพบกับโลกแห่งความเป็นจริงและตัดสินใจที่แท้จริงสำหรับผู้คน ธุรกิจ และสังคม จะต้องมีโซลูชันการตรวจสอบที่ครอบคลุมเพื่อให้แน่ใจว่าพวกเขาสามารถไว้วางใจ AI ได้

คุณสามารถอธิบายความสำคัญของ AI ที่โปร่งใสและสามารถอธิบายได้หรือไม่

แม้ว่ามันอาจดูเหมือนกัน แต่มีความแตกต่างที่สำคัญระหว่างซอฟต์แวร์แบบดั้งเดิมและการเรียนรู้ของเครื่อง ในซอฟต์แวร์ คุณมีนักพัฒนาซอฟต์แวร์ที่เขียนโค้ดและกำหนดตรรกะของแอปพลิเคชัน เรารู้อย่างแน่นอนว่าจะเกิดอะไรขึ้นในแต่ละกระแสของโค้ด มันคือแบบกำหนดได้ นี่คือวิธีการสร้างซอฟต์แวร์โดยทั่วไป นักพัฒนาซอฟต์แวร์สร้างกรณีทดสอบ ทดสอบกรณีเชิงขอบ และได้รับการครอบคลุมถึง 70% – 80% – คุณรู้สึกดีมากที่คุณสามารถเผยแพร่สู่การผลิตได้ หากมีการแจ้งเตือนใดๆ ปรากฏขึ้น คุณสามารถแก้ไขและเข้าใจได้อย่างง่ายดายว่ากระแสใดที่ผิดพลาดและแก้ไขมัน

สิ่งนี้ไม่ใช่กรณีของการเรียนรู้ของเครื่อง แทนที่จะมีมนุษย์ที่กำหนดตรรกะ มันถูกกำหนดในช่วงกระบวนการฝึกอบรมของโมเดล เมื่อพูดถึงตรรกะ มันไม่ใช่ชุดของกฎ แต่เป็นเมทริกซ์ของตัวเลขหลายล้านและหลายพันล้านที่แสดงถึงจิตใจของโมเดลการเรียนรู้ของเครื่อง และสิ่งนี้คือกล่องดำ เราไม่รู้จริงๆ ว่าหมายเลขแต่ละตัวในเมทริกซ์นี้หมายถึงอะไร แต่เรารู้ทางสถิติ ดังนั้นมันจึงเป็นแบบสุ่มและไม่ใช่แบบกำหนดได้ มันสามารถแม่นยำได้ 83% หรือ 93% ของเวลา สิ่งนี้ทำให้เกิดคำถามมากมาย ใช่ไหม? อันดับแรกวิธีการที่เราสามารถไว้วางใจระบบที่เราจะไม่สามารถอธิบายได้ว่ามันมาถึงการคาดการณ์ของมันอย่างไร? ที่สองวิธีการที่เราสามารถอธิบายการคาดการณ์สำหรับอุตสาหกรรมที่มีการควบคุมอย่างเข้มงวด – เช่น ภาคการเงิน ตัวอย่างเช่น ในสหรัฐอเมริกา บริษัทการเงินมีหน้าที่ตามกฎหมายที่จะต้องอธิบายให้ลูกค้าทราบว่าทำไมพวกเขาถึงถูกปฏิเสธในการสมัครเงินกู้

ความไม่สามารถอธิบายการคาดการณ์ของการเรียนรู้ของเครื่องในข้อความที่อ่านได้สำหรับมนุษย์อาจเป็นปัญหาที่สำคัญสำหรับการนำไปใช้การเรียนรู้ของเครื่องในวงกว้าง เราต้องการทราบว่าโมเดลไม่ได้ตัดสินใจที่มีความลำเอียง เราต้องการทราบว่าสิ่งใดที่นำโมเดลไปสู่การตัดสินใจที่เฉพาะเจาะจง นี่คือที่ที่ความโปร่งใสและความสามารถในการอธิบายมีความสำคัญอย่างมาก

วิธีการทำงานของ Aporia ในการแก้ปัญหา AI ที่โปร่งใสและสามารถอธิบายได้

Aporia Explainable AI Toolbox ทำงานเป็นส่วนหนึ่งของระบบการตรวจสอบการเรียนรู้ของเครื่องแบบรวม ไม่มีการมองเห็นอย่างลึกซึ้งเกี่ยวกับโมเดลการผลิตและระบบติดตามและแจ้งเตือนที่เชื่อถือได้ จึงยากที่จะไว้วางใจข้อมูลเชิงลึกของ AI ที่สามารถอธิบายได้ – ไม่มีความจำเป็นในการอธิบายการคาดการณ์หากผลลัพธ์ไม่น่าเชื่อถือ และนี่คือที่ที่ Aporia เข้ามาโดยให้การมองเห็นแบบกระจกเงินสำหรับโมเดลที่ทำงานทั้งหมด การติดตามแบบกำหนดเอง ความสามารถในการแจ้งเตือน เครื่องมือการแก้ปัญหา การสืบสวนรากที่แท้จริง และ AI ที่สามารถอธิบายได้ โซลูชันการตรวจสอบแบบเต็มสำหรับปัญหาใดๆ ที่เกิดขึ้นในการผลิต

แพลตฟอร์ม Aporia ไม่ขึ้นอยู่กับระบบใดๆ และจัดเตรียมธุรกิจที่มุ่งเน้น AI ทีมวิทยาศาสตร์ข้อมูลและทีมการเรียนรู้ของเครื่องด้วยแดชบอร์ดที่มีการมองเห็นแบบกระจกเงินและความสมบูรณ์แบบสำหรับสุขภาพ โมเดลการคาดการณ์และการตัดสินใจ – ทำให้พวกเขาสามารถไว้วางใจ AI ของตนได้ โดยใช้ AI ที่สามารถอธิบายได้ของ Aporia องค์กรสามารถเก็บผู้มีส่วนได้ส่วนเสียที่เกี่ยวข้องทุกคนในวงจรโดยการอธิบายการตัดสินใจของการเรียนรู้ของเครื่องด้วยการคลิกปุ่ม – ได้รับข้อมูลเชิงลึกที่อ่านได้สำหรับมนุษย์เกี่ยวกับการคาดการณ์ของโมเดลที่เฉพาะเจาะจงหรือการจำลองสถานการณ์ “สมมติว่า” นอกจากนี้ Aporia ยังติดตามข้อมูลที่ป้อนเข้าโมเดลและผลลัพธ์ของมันอย่างต่อเนื่องและแจ้งเตือนคุณเมื่อมีเหตุการณ์ที่สำคัญ – รวมถึงการเสื่อมสภาพของประสิทธิภาพ ความลำเอียงที่ไม่ตั้งใจ การเปลี่ยนแปลงของข้อมูล และแม้กระทั่งโอกาสในการปรับปรุงโมเดลของคุณ สุดท้ายด้วยเครื่องมือการสืบสวนของ Aporia คุณสามารถเข้าถึงรากที่แท้จริงของเหตุการณ์ใดๆ เพื่อแก้ไขและปรับปรุงโมเดลใดๆ ในการผลิต

เครื่องมือบางอย่างที่มีให้ใช้ เช่น Data Points และ Time Series Investigation Tools ช่วยในการป้องกันความลำเอียงและความผันผวนของ AI ได้อย่างไร

Data Points ให้มุมมองแบบเรียลไทม์ของข้อมูลที่โมเดลได้รับและผลลัพธ์ที่มันคาดการณ์สำหรับธุรกิจ คุณสามารถรับข้อมูลแบบเรียลไทม์ของสิ่งนี้และเข้าใจสิ่งที่เกิดขึ้นในธุรกิจของคุณได้อย่างแม่นยำ ความสามารถในการมองเห็นนี้มีความสำคัญสำหรับการโปร่งใส บางครั้งสิ่งต่างๆ จะเปลี่ยนแปลงไปตามเวลา และมีความสัมพันธ์ระหว่างการเปลี่ยนแปลงหลายอย่างที่เกิดขึ้นพร้อมกัน – นี่คือบทบาทของการตรวจสอบซีรีส์เวลา

ล่าสุด ร้านค้าปลีกขนาดใหญ่หลายแห่งมีเครื่องมือการคาดการณ์ AI ที่ล้มเหลวในการคาดการณ์ปัญหาในห่วงโซ่อุปทานอย่างไร Aporia จะแก้ไขปัญหานี้ได้อย่างไร

ความท้าทายหลักในการระบุปัญหาเหล่านี้คือการคาดการณ์เกี่ยวกับอนาคต ซึ่งหมายความว่าเรากำลังคาดการณ์ว่าสิ่งใดจะเกิดขึ้นหรือไม่ในอนาคต ตัวอย่างเช่น มีคนจำนวนเท่าใดที่จะซื้อเสื้อหรือซื้อ PlayStation ใหม่

จากนั้นใช้เวลาหลายสัปดาห์ในการรวบรวมผลลัพธ์ที่แท้จริง – มากกว่าหลายสัปดาห์ จากนั้นเราสามารถสรุปและบอกได้ว่านี่คือความต้องการที่แท้จริงที่เราเห็น สิ่งนี้คือช่วงเวลาที่เรากำลังพูดถึง – จากช่วงเวลาที่โมเดลทำการคาดการณ์จนถึงธุรกิจที่ทราบว่ามันถูกต้องหรือไม่ และโดยเวลานั้น มันคือช่วงเวลาที่สายเกินไป ธุรกิจอาจสูญเสียรายได้ที่อาจเกิดขึ้นหรือกำไรที่ถูกบีบให้ขายสินค้าเกินจำนวนในราคาที่ลดลงมาก

สิ่งนี้คือความท้าทาย และสิ่งนี้คือที่ที่ Aporia เข้ามาและเป็นประโยชน์อย่างมากสำหรับองค์กรเหล่านี้ อันดับแรก มันช่วยให้องค์กรสามารถมองเห็นและเข้าใจการตัดสินใจที่ทำโดยโมเดลได้อย่างง่ายดาย – มีการเปลี่ยนแปลงหรือไม่? มีสิ่งใดที่ไม่สมเหตุสมผลหรือไม่? ในฐานะที่เป็นร้านค้าปลีกขนาดใหญ่ เรากำลังพูดถึงจำนวน庫存ที่มากและติดตามมันอย่างยากลำบาก นี่คือที่ที่ธุรกิจและทีมการเรียนรู้ของเครื่องให้คุณค่ากับ Aporia มากที่สุด – ในฐานะระบบติดตามและแจ้งเตือนแบบอัตโนมัติ 24/7 ที่สามารถปรับแต่งได้ Aporia ติดตามข้อมูลและผลลัพธ์อย่างต่อเนื่อง วิเคราะห์พฤติกรรมทางสถิติของผลลัพธ์เหล่านั้น และสามารถคาดการณ์และระบุการเปลี่ยนแปลงในพฤติกรรมของผู้บริโภคและข้อมูลได้แทบจะทันทีที่เกิดขึ้น แทนที่จะรอ 6 เดือนเพื่อทราบว่าการคาดการณ์ความต้องการไม่ถูกต้อง คุณสามารถระบุได้ภายในไม่กี่วันว่าเรากำลังเดินผิดทางกับการคาดการณ์ความต้องการของเรา Aporia ย่อช่วงเวลานี้จากหลายเดือนเป็นเพียงไม่กี่วัน สิ่งนี้คือการเปลี่ยนแปลงที่สำคัญสำหรับนักปฏิบัติการการเรียนรู้ของเครื่องใดๆ

มีสิ่งใดที่คุณต้องการแบ่งปันเกี่ยวกับ Aporia อีกหรือไม่

เรากำลังเติบโตอย่างต่อเนื่องและกำลังมองหาคนที่มีใจรักและความคิดที่ยอดเยี่ยมเพื่อเข้าร่วมการเดินทางของ Aporia ตรวจสอบตำแหน่งที่เปิด ที่นี่

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Aporia