Nir Bar-Lev, CEO & Co-Founder of Allegro AI – Interview Series

นิร บาร์-เลฟว์ เป็น CEO & Co-Founder ของ Allegro AI Allegro AI มีความเชี่ยวชาญในการช่วยให้ บริษัท ต่างๆ พัฒนาใช้งาน และจัดการโซลูชันเครื่องจักรและลึกการเรียนรู้ ด้วย Allegro AI องค์กรสามารถนำผลิตภัณฑ์ที่มีคุณภาพสูงขึ้นมาในตลาดได้เร็วขึ้นและมีประสิทธิภาพมากกว่า โดยผลิตภัณฑ์เหล่านี้อาศัย Allegro Trains ซึ่งเป็นโอเพ่นซอร์ส ML & DL เอกซ์เปอริเมนต์ มานาเจอร์และ ML-Ops แพ็คเกจ

สิ่งใดที่ดึงดูดคุณเข้าสู่ AI ในตอนแรก?

สิ่งที่ฉันถูกดึงดูดมากที่สุดในอาชีพการงานของฉันคือการนำนวัตกรรมเทคโนโลยีที่ทันสมัยมาใช้เพื่อแก้ไขปัญหาหรือโอกาส (และจริงๆ แล้วมันเป็นสองด้านของเหรียญเดียวกัน) ในขนาดใหญ่ ฉันต้องยอมรับว่าช่วงเวลาที่ฉันทำงานที่ Google ได้ช่วย塑造ความเชี่ยวชาญนี้

AI เป็นสิ่งที่ตอบสนองทั้งสองประเด็นนี้ มันเป็นหนึ่งในเทคโนโลยีที่ทันสมัยที่สุดในปัจจุบันและมีศักยภาพที่จะส่งผลกระทบต่อเกือบทุกด้านของชีวิตบนโลกนี้

คุณมีอาชีพที่น่าประทับใจตั้งแต่เริ่มงานที่ Google ในฐานะผู้นำผลิตภัณฑ์สำหรับแพลตฟอร์มการรู้จำเสียงของ Google คุณสามารถพูดคุยเกี่ยวกับช่วงแรกๆ ของการทำงานที่ Google และสิ่งที่คุณได้เรียนรู้จากประสบการณ์นี้ได้หรือไม่?

หลังจากที่ฉันจบการศึกษาจากโรงเรียนธุรกิจ Wharton ฉันรู้สึกประหลาดใจที่ Google มีการดำเนินงานที่ขัดแย้งกับบรรทัดฐานทางธุรกิจที่จัดตั้งขึ้นในการดำเนินธุรกิจที่ประสบความสำเร็จ ตามที่สอนในโรงเรียนธุรกิจที่ดีที่สุดในโลกและตามที่ฉันประสบในอาชีพการงานก่อนที่จะเข้าเรียนที่ Wharton

ผลลัพธ์ที่ได้คือ Google ได้เปลี่ยนแปลง – ในบางด้าน – บทบาทของธุรกิจ แต่ก็มีเงินจำนวนมากจากธุรกิจโฆษณาที่ช่วยให้สามารถทดลองในแบบที่บริษัทอื่นๆ ไม่สามารถทำได้ ฉันสามารถยืนยันได้ว่าเมื่อฉันใช้เวลา 10 ปีที่ Google ก็เริ่มนำแนวปฏิบัติและกระบวนการคิดที่เป็นมาตรฐานของธุรกิจมาใช้มากขึ้นเมื่อมันเติบโตขึ้น

สำหรับฉันเอง การเป็นผู้นำแพลตฟอร์มการรู้จำเสียงในฐานะหัวหน้าผู้จัดการผลิตภัณฑ์ ฉันต้องทำงานกับนักวิจัย ซึ่งเป็นหนึ่งในทีมวิจัยแรกๆ ของ Google ที่เกี่ยวข้องกับการวิจัยที่ใช้จริง มันเป็นความท้าทายที่ยิ่งใหญ่สำหรับฉัน นักวิจัยมีวิธีคิดที่แตกต่างจากวิศวกร และที่นี่ฉันพยายามทำงานกับนักวิจัยที่มีประสบการณ์ในบริษัทที่มีแนวโน้มทางวิศวกรรมสูง

ผลลัพธ์ที่ได้คือความท้าทายที่ฉันเผชิญเมื่อ 15 ปีที่แล้วมีความคล้ายคลึงกับปัญหาที่บริษัทต่างๆ ต้องเผชิญในปัจจุบันเมื่อพยายามรวมนักวิทยาศาสตร์ข้อมูล AI เข้ากับองค์กรของตน

ในปี 2016 คุณได้ก่อตั้ง Allegro AI ในฐานะ Co-Founder สิ่งใดคือแรงบันดาลใจที่อยู่เบื้องหลังการก่อตั้ง Allegro AI?

ในการก่อตั้ง Allegro AI ฉันร่วมมือกับสองพันธมิตรที่มีพรสวรรค์ทางวิศวกรรมที่น่าเหลือเชื่อ หนึ่งในพันธมิตรของฉันเคยเป็นนักศึกษาระดับ博士คนแรกในหนึ่งในห้องปฏิบัติการ AI แรกๆ ของอิสราเอล ซึ่งเป็นหนึ่งในศูนย์กลาง AI ที่มีชื่อเสียงที่สุดในโลก ดังนั้นเขาจึงมีวิสัยทัศน์ที่จะเห็นว่าการนำ ML/DL ไปใช้ในการปฏิบัติจะต้องเผชิญกับความท้าทายใหม่ๆ เกี่ยวกับขนาด การอัตโนมัติ ความน่าเชื่อถือ คุณภาพ และอื่นๆ ในการพูดคุยกับพวกเขา มันชัดเจนสำหรับฉันว่าฉันสามารถมีส่วนร่วมในทีมจากประสบการณ์ของฉันที่ Google และก่อนหน้านั้นเพื่อสร้างบริษัทที่สามารถมีผลกระทบอย่างมากต่อ AI ผ่านเครื่องมือที่เรามอบให้ Google และยักษ์ใหญ่ด้านเทคโนโลยีอื่นๆ มีความสามารถที่น่า羨慕ในแง่ของการเข้าถึงทรัพยากรที่ดีที่สุดในระดับอื่น แต่เกือบทุกคนไม่สามารถจ่ายได้ (ไม่ว่าจะเป็นในแง่ของการเข้าถึงทักษะ, ทรัพยากรทางการเงิน, ความมุ่งเน้นของบริษัท ฯลฯ) ดังนั้นนี่จึงเป็นโอกาสที่สอดคล้องกับสิ่งที่ฉันรักในการทำมากที่สุด (ดู q1) และช่วยให้ระบบนิเวศทั้งหมด

Allegro AI ให้บริการเป็นแพลตฟอร์มการจัดการการเรียนรู้ของเครื่องและลึกที่เปิดเผยแหล่งที่มา คุณสามารถพูดคุยเกี่ยวกับประโยชน์ของการใช้ซอฟต์แวร์แบบเปิดเผยแหล่งที่มาได้หรือไม่?

ซอฟต์แวร์แบบเปิดเผยแหล่งที่มามีประโยชน์หลายประการ ประการแรก มันใช้ประโยชน์จากชุมชนกว้างๆ เพื่อปรับปรุงผลิตภัณฑ์เอง ผู้ใช้พบข้อผิดพลาด ปัญหา มีการอภิปรายอย่างกว้างขวางเกี่ยวกับคุณลักษณะที่น่าสนใจ การรวมเข้ากับเครื่องมืออื่นๆ ที่เปิดเผยแหล่งที่มาเป็นเรื่องที่ง่ายกว่าในการอำนวยความสะดวกมากกว่าที่จะทำระหว่างองค์กรที่มีเครื่องมือที่ปิดกั้นและเป็นของส่วนตัว

มันเป็นแบบจำลองที่ดีสำหรับการชนะ-ชนะสำหรับทั้งชุมชนและบริษัทที่อยู่เบื้องหลัง มันช่วยให้สามารถทดลองและทดสอบได้ง่าย และแม้กระทั่งการขยายสำหรับองค์กรที่ไม่ต้องจ่ายเงิน และในขณะเดียวกันก็ช่วยให้ลูกค้าที่ใหญ่ขึ้นสามารถจ่ายเงินสำหรับคุณลักษณะที่เพิ่มขึ้น / บริการที่อยู่บนซอฟต์แวร์ที่ใช้กันอย่างแพร่หลาย (และดังนั้นจึงมีความเสี่ยงน้อยกว่า)

Allegro AI มอบบริการจัดการข้อมูล คุณสามารถพูดคุยเกี่ยวกับเครื่องมือที่มีให้สำหรับสิ่งนี้ได้หรือไม่?

Allegro Ai มอบบริการจัดการข้อมูลทั้งแบบโครงสร้างและไม่มีโครงสร้าง อย่างไรก็ตาม ในขณะที่มีวิธีแก้ปัญหาในการจัดการข้อมูลแบบโครงสร้างที่ได้รับการพิสูจน์แล้ว เราให้บริการวิธีแก้ปัญหาแบบไม่มีโครงสร้างที่ไม่เหมือนใคร

โดยเฉพาะอย่างยิ่ง มันสำคัญที่จะระบุประเภทของการจัดการข้อมูลที่เรามอบให้ ความคิดคือไม่ใช่การจัดการข้อมูลทางกายภาพ แต่เป็นการจัดการข้อมูลจากมุมมองของ AI สำหรับ AI มันสำคัญสำหรับทีมวิทยาศาสตร์ข้อมูลในการเข้าใจข้อมูลที่มีอยู่ที่ ихมีให้ ด้วยข้อมูลที่ไม่มีโครงสร้างนั้นเป็นเรื่องที่ยากมาก

นักวิทยาศาสตร์ข้อมูลต้องรู้ถึงความแปรผันของข้อมูลของตนเพื่อจับคู่กับสถานการณ์ที่แตกต่างกันเพื่อที่พวกเขาจะสามารถฝึกฝนโมเดลของตนได้อย่างมีประสิทธิภาพ พวกเขาต้องเข้าใจว่ามีรายละเอียดสำคัญของข้อมูลที่หายไปหรือไม่ หากมีความเอนเอียงหรือความไม่สมดุลในข้อมูล

และจากนั้น – ในทางกลับกัน – พวกเขาต้องมีเครื่องมือในการแก้ไขสถานการณ์เหล่านี้โดยไม่ต้องออกไปหาข้อมูลใหม่และทำการทำเครื่องหมาย / ระบุฉลาก (ซึ่งเป็นงานที่มีค่าใช้จ่ายสูงและใช้เวลานาน)

นี่คือสิ่งที่เราให้บริการเครื่องมือในพื้นที่นี้: เครื่องมือที่มีพลังในการทำ “AI BI (ธุรกิจอินเทลลิเจนซ์)” บนข้อมูลของคุณในระดับรายละเอียดและความละเอียดที่ไม่เคยเห็นมาก่อน และในทางกลับกัน เครื่องมือที่จะรวมข้อมูลเข้ากับโมเดลและทดลองได้อย่างแน่นหนา เพื่อที่นักวิทยาศาสตร์ข้อมูลสามารถตั้งค่าการฝึกอบรมที่มีประสิทธิภาพด้วยข้อมูลที่มีอยู่ได้โดยไม่ต้องเขียนโค้ด

นอกจากนี้เรายังมอบคุณค่าเพิ่มเติมในการเพิ่มประสิทธิภาพการไหลของข้อมูล การย้ายข้อมูล ฯลฯ เนื่องจากเรากำลังพูดถึงการประมวลผลข้อมูลหลายเทระไบต์ การย้ายข้อมูลไปรอบๆ มีค่าใช้จ่ายสูงและบริษัทต่างๆ ต้องการวิธีแก้ปัญหาในการเพิ่มประสิทธิภาพสิ่งนี้

Allegro AI ยังให้บริการจ้างบุคคลภายนอกในการจัดการข้อมูลวิศวกรรม คุณสามารถพูดคุยเกี่ยวกับบริการที่มีให้สำหรับสิ่งนี้ได้หรือไม่?

Allegro Ai เป็นบริษัทผลิตภัณฑ์หลัก และเรามองว่าตัวเองเป็นผู้ให้บริการเครื่องมือ อินฟราสตรัคเชอร์ หรือสิ่งอำนวยความสะดวกสำหรับบริษัทต่างๆ ในการพัฒนา ใช้งาน และจัดการผลิตภัณฑ์ที่มี AI (DL/ML) ที่รวมอยู่ด้วย

อย่างไรก็ตาม นี่เป็นพื้นที่ใหม่ และลูกค้าของเราต้องการความช่วยเหลือในการตั้งค่าพายพ์ไลน์เฉพาะของตนบนเครื่องมือของเรา หรือแม้กระทั่งความช่วยเหลือในการเริ่มต้นโมเดลของตนเอง เมื่อเกิดสถานการณ์เหล่านี้ เรามอบบริการเสริมให้กับซอฟต์แวร์หลักของเรา

คุณสามารถพูดคุยเกี่ยวกับความสำคัญของ Federated Learning และวิธีการใช้ Allegro AI ในบริบทนี้ได้หรือไม่?

Federated Learning คือความสามารถในการฝึกโมเดล AI เดียวโดยใช้ข้อมูลที่ตั้งอยู่ในสถานที่ต่างๆ โดยไม่ต้องนำข้อมูลเหล่านั้นมาไว้ที่เดียวกัน เรายังให้บริการรูปแบบที่เพิ่มขึ้นของสิ่งนี้ ซึ่งเรียกว่า “การเรียนรู้แบบไม่เห็น” หรือ “การเรียนรู้แบบไม่เห็น” โดยที่ไม่มีหน่วยงานใดๆ ในสถานการณ์นี้มีการเข้าถึงข้อมูลที่ไม่属于ตนเอง รวมถึงหน่วยงานที่ได้รับโมเดลสุดท้าย

Federate Learning มีความสำคัญในหลายสถานการณ์ที่ความเป็นส่วนตัวของข้อมูลหรือการควบคุมด้านกฎระเบียบหรือความลับเป็นสิ่งสำคัญที่จะต้องรักษา ในขณะเดียวกันก็มีความสนใจที่จะใช้ข้อมูลที่แตกต่างกัน ตัวอย่างเช่น โรงพยาบาลสองแห่งหรือสถาบันทางการแพทย์ที่ต้องการร่วมมือกันในการฝึกโมเดลสำหรับการสแกน CT; หรือหน่วยงานรัฐบาลสองแห่งที่ต้องการร่วมมือกันในการสร้างโมเดลต่อต้านการก่อการร้ายโดยใช้ข้อมูลด้านความมั่นคงแห่งมาตุภูมิ แต่ด้วยเหตุผลทางกฎหมายไม่สามารถเปิดเผยข้อมูลให้กันและกัน

หรือแม้กระทั่งสถานการณ์ที่หน่วยงานเดียวไม่สามารถย้ายข้อมูลที่เก็บไว้หลายแห่งได้เนื่องจากมีค่าใช้จ่ายสูงเกินไป – ตัวอย่างเช่น ผู้ผลิตรถยนต์ระดับโลกที่ต้องการฝึกโมเดลรถยนต์ไร้คนขับโดยใช้ข้อมูลที่รวบรวมจากรถยนต์ที่ขับไปทั่วโลก

Allegro AI เป็นหนึ่งในไม่กี่บริษัทที่มีแพลตฟอร์มที่ทดลองและทดสอบแล้วซึ่งอำนวยความสะดวกในการเรียนรู้แบบสหพันธรัฐ

มีสิ่งอื่นใดที่คุณต้องการแบ่งปันเกี่ยวกับ Allegro AI หรือไม่?

Allegro AI เป็นกำลังที่กำลังเติบโตในโลกของเครื่องมือ AI และ ML-Ops เพียงแค่ในไตรมาสที่แล้ว ในช่วงกลางของวิกฤตการณ์ COVID-19 ครั้งแรก เราได้รับการเติบโตที่เพิ่มขึ้นเป็นสองเท่าของฐานลูกค้าของเราในระยะเวลาเพียง 3 เดือน

ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม Allegro AI เพื่อเรียนรู้เพิ่มเติม