นิร บาร์-เลฟ, ซีอีโอ และผู้ร่วมก่อตั้ง Allegro AI – สัมภาษณ์ ซีรีส์

นิร บาร์-เลฟ เป็นซีอีโอ และผู้ร่วมก่อตั้ง Allegro AI Allegro AI มีความเชี่ยวชาญในการช่วยให้บริษัทต่างๆ พัฒนา ใช้งาน และจัดการโซลูชันเครื่องจักรและลึกการเรียนรู้ ด้วย Allegro AI องค์กรสามารถนำผลิตภัณฑ์ที่มีคุณภาพสูงขึ้นสู่ตลาดได้อย่างรวดเร็วและคุ้มต้นทุนมากขึ้น ผลิตภัณฑ์เหล่านี้พัฒนาโดยใช้ Allegro Trains ซึ่งเป็นซอฟต์แวร์เปิด源สำหรับการจัดการการทดลองและการดำเนินงาน ML & DL

สิ่งใดที่ดึงดูดคุณให้สนใจ AI ในตอนแรก?

สิ่งที่ฉันถูกดึงดูดมากที่สุดในอาชีพการงานของฉันคือการนำเทคโนโลยีล้ำสมัยมาใช้เพื่อแก้ไขปัญหาหรือโอกาส (และแท้จริงแล้วมันเป็นสองด้านของเหรียญเดียวกัน) ในระดับใหญ่ ฉันต้องยอมรับว่าช่วงเวลาที่ฉันทำงานที่ Google (GOOGL ) ได้ช่วย塑造ความเชี่ยวชาญนี้

AI เป็นสิ่งที่ตอบสนองกล่องเหล่านั้นทั้งสองกล่อง มันอยู่ที่แนวหน้าของเทคโนโลยีบางด้านในปัจจุบัน และมีศักยภาพที่จะส่งผลกระทบต่อเกือบทุกด้านของชีวิตบนโลกใบนี้

คุณมีอาชีพที่น่าประทับใจ โดยเริ่มต้นจาก Google ในฐานะผู้นำผลิตภัณฑ์สำหรับแพลตฟอร์มการรู้จำเสียงของ Google คุณสามารถพูดถึงช่วงแรกที่คุณทำงานที่ Google และสิ่งที่คุณได้เรียนรู้จากประสบการณ์นั้นได้หรือไม่?

หลังจากเรียนจบจาก Wharton School of Business ฉันรู้สึกประหลาดใจที่ Google ดำเนินธุรกิจในลักษณะที่แตกต่างจากบรรทัดฐานธุรกิจที่จัดตั้งขึ้นในการดำเนินธุรกิจที่ประสบความสำเร็จ ตามที่สอนในโรงเรียนธุรกิจที่ดีที่สุดในโลก และที่ฉันประสบในอาชีพการงานก่อนเข้าเรียนธุรกิจ ฉันจำได้ว่าฉันพูดคุยกับเพื่อนร่วมงานบางคนซึ่งเข้าร่วม Google ในเวลาเดียวกันกับฉันหลังจากเรียนจบ

สิ่งที่พบคือ Google ได้เปลี่ยนแปลง – ในบางด้าน – การเล่นธุรกิจ แต่ก็ยังได้รับเงินจำนวนมากจากธุรกิจโฆษณา ซึ่งช่วยให้สามารถทดลองในลักษณะที่บริษัทอื่นๆ ไม่สามารถทำได้ ฉันสามารถยืนยันได้ว่าในช่วงที่ฉันใช้เวลา 10 ปีที่ Google บริษัทได้นำแนวทางปฏิบัติและกระบวนการคิดที่เป็นที่ยอมรับมากขึ้นเมื่อมันเติบโต

สำหรับฉันเอง การเป็นผู้นำผลิตภัณฑ์สำหรับแพลตฟอร์มการรู้จำเสียงเป็นเรื่องที่ท้าทายมาก ฉันต้องทำงานร่วมกับนักวิจัย ซึ่งเป็นหนึ่งในทีมวิจัยแรกๆ ที่ Google ที่จริงๆ แล้วเป็นการวิจัยเชิงประยุกต์ สำหรับฉันแล้ว สิ่งนี้เป็นความท้าทายมาก

สิ่งที่ฉันเผชิญในตอนนั้นเมื่อ 15 ปีที่แล้ว มีความคล้ายคลึงกับปัญหาที่บริษัทต่างๆ ต้องเผชิญในปัจจุบันเมื่อพยายามรวมนักวิทยาศาสตร์ข้อมูลเข้ากับองค์กรของตน

ในปี 2016 คุณได้ก่อตั้ง Allegro AI คุณได้รับแรงบันดาลใจจากอะไรในการก่อตั้ง Allegro AI?

เมื่อก่อตั้ง Allegro AI ฉันร่วมมือกับพันธมิตรที่มีความสามารถด้านวิศวกรรมที่น่าประทับใจทั้งสองคน หนึ่งในพันธมิตรของฉันเคยเป็นนักศึกษาด้านปริญญาเอกคนแรกในหนึ่งในห้องปฏิบัติการ AI ที่มีชื่อเสียงของอิสราเอล ซึ่งเป็นหนึ่งในศูนย์กลาง AI ที่มีชื่อเสียงที่สุดในโลก เขามีวิสัยทัศน์ที่จะเห็นว่าการนำ ML / DL ไปใช้ในการปฏิบัติจะต้องเผชิญกับความท้าทายใหม่ๆ เกี่ยวกับการปรับขนาด การอัตโนมัติ ความน่าเชื่อถือ คุณภาพ และอื่นๆ เมื่อฉันพูดคุยกับพวกเขา มันชัดเจนว่าฉันสามารถมีส่วนร่วมในทีมจากประสบการณ์ของฉันที่ Google และก่อนหน้านั้นเพื่อสร้างบริษัทที่สามารถมีผลกระทบอย่างมากต่อ AI ผ่านเครื่องมือที่เราให้

Allegro AI ให้บริการจัดการการเรียนรู้ของเครื่องและลึกการเรียนรู้แบบเปิด源 คุณสามารถอธิบายถึงประโยชน์ของการใช้ซอฟต์แวร์เปิด源ได้หรือไม่?

ซอฟต์แวร์เปิด源มีประโยชน์หลายประการ ประการสำคัญที่สุดคือการนำชุมชนมาปรับปรุงผลิตภัณฑ์เอง ผู้ใช้พบปัญหา มีการอภิปรายเกี่ยวกับคุณสมบัติที่น่าสนใจ การรวมเข้ากับเครื่องมืออื่นๆ ที่เปิด源จึงง่ายกว่าการรวมระหว่างองค์กรที่มีเครื่องมือที่ปิด源และเป็นของเอกชน

มันเป็นแบบจำลองที่ดีสำหรับการชนะ-ชนะสำหรับทั้งชุมชนและบริษัทที่อยู่เบื้องหลัง มันช่วยให้สามารถทดลองและทดสอบได้ง่าย และยังช่วยให้องค์กรที่ไม่ต้องการจ่ายหรือไม่สามารถจ่ายได้สามารถขยายได้ ในขณะเดียวกันก็ช่วยให้ลูกค้าขนาดใหญ่สามารถจ่ายสำหรับคุณสมบัติและบริการที่ขยายออกไปจากซอฟต์แวร์ที่ใช้กันอย่างแพร่หลาย (และดังนั้นจึงมีความเสี่ยงน้อยกว่า)

Allegro AI ให้บริการจัดการข้อมูล คุณสามารถอธิบายถึงเครื่องมือที่ให้บริการสำหรับการจัดการข้อมูลนี้ได้หรือไม่?

Allegro Ai ให้บริการจัดการข้อมูลทั้งแบบโครงสร้างและไม่มีโครงสร้าง แต่ในขณะที่มีวิธีแก้ปัญหาในการจัดการข้อมูลแบบโครงสร้างที่ได้รับการพิสูจน์แล้ว เราให้บริการวิธีแก้ปัญหาเฉพาะสำหรับการจัดการข้อมูลที่ไม่มีโครงสร้าง

โดยเฉพาะอย่างยิ่ง มันสำคัญที่จะระบุประเภทของการจัดการข้อมูลที่เราให้บริการ ความคิดคือไม่ใช่การจัดการข้อมูลทางกายภาพ แต่การจัดการข้อมูลจากมุมมองของ AI สำหรับ AI ทีมวิทยาศาสตร์ข้อมูลต้องเข้าใจว่าพวกเขาได้รับข้อมูลอะไรอยู่ในมือ

นักวิทยาศาสตร์ข้อมูลต้องทราบถึงความแปรผันของข้อมูลเพื่อให้สอดคล้องกับสถานการณ์ต่างๆ เพื่อให้สามารถฝึกโมเดลได้อย่างมีประสิทธิภาพ พวกเขาต้องเข้าใจว่ามีข้อมูลที่สำคัญที่หายไปหรือไม่ มีความลำเอียงหรือความไม่สมดุลในข้อมูลหรือไม่

และในทางกลับกัน พวกเขาต้องมีเครื่องมือในการจัดการกับสถานการณ์เหล่านี้อย่างมีประสิทธิภาพและรวดเร็วโดยไม่ต้องออกไปหาข้อมูลใหม่และทำเครื่องหมาย/ป้ายกำกับ (ซึ่งเป็นงานที่มีค่าใช้จ่ายสูงและใช้เวลานาน)

นี่คือโดยทั่วไปเครื่องมือที่เราให้บริการในพื้นที่นี้: เครื่องมือที่มีพลังในการทำ “AI BI (ธุรกิจอินเทลลิเจนซ์)” บนข้อมูลของคุณในระดับรายละเอียดและความละเอียดที่ไม่เคยเห็นมาก่อน และในทางกลับกัน เครื่องมือที่จะรวมข้อมูลเข้ากับโมเดลและทดลองได้อย่างแน่นหนาโดยไม่ต้องเขียนโค้ด นักวิทยาศาสตร์ข้อมูลสามารถตั้งค่าการฝึกอบรมที่มีประสิทธิภาพด้วยข้อมูลที่มีอยู่

นอกจากนี้เรายังให้คุณค่าเพิ่มเติมในการเพิ่มประสิทธิภาพการไหลของข้อมูล การย้ายข้อมูล ฯลฯ เนื่องจากเรากำลังพูดถึงการประมวลผลเทราไบต์ของข้อมูล การย้ายข้อมูลเหล่านี้มีค่าใช้จ่ายสูง และบริษัทต่างๆ ต้องการวิธีแก้ปัญหาในการเพิ่มประสิทธิภาพสิ่งนี้

Allegro AI ยังให้บริการจัดการการวิศวกรรมข้อมูลอีกด้วย คุณสามารถอธิบายถึงบริการที่มีอยู่ได้หรือไม่?

Allegro Ai เป็นบริษัทผลิตภัณฑ์หลัก และเราเห็นตัวเองให้บริการเครื่องมือ โครงสร้างพื้นฐาน หรือโครงสร้างสำหรับบริษัทต่างๆ ในการพัฒนา ใช้งาน และจัดการผลิตภัณฑ์ที่มีโมเดล AI (DL / ML) ที่รวมอยู่ด้วย

ทั้งนี้ บริษัทลูกค้าของเราต้องการความช่วยเหลือในการตั้งค่าพายพайป์ไลน์เฉพาะของตนบนเครื่องมือของเรา หรือแม้กระทั่งความช่วยเหลือในการเริ่มต้นโมเดลของตนเอง เมื่อเกิดสถานการณ์เหล่านี้ เราให้บริการเสริมสำหรับผลิตภัณฑ์หลักของเรา

คุณสามารถอธิบายถึงความสำคัญของ Federated Learning และวิธีการที่ Allegro AI สามารถใช้ในบริบทนี้ได้หรือไม่?

Federated Learning คือความสามารถในการฝึกโมเดล AI เดียวโดยใช้เซตข้อมูลที่ตั้งอยู่ในตำแหน่งที่แตกต่างกันโดยไม่ต้องนำเซตข้อมูลเหล่านั้นมาไว้ในตำแหน่งเดียวกัน เรายังให้เวอร์ชันที่เพิ่มขึ้นของสิ่งนี้ ซึ่งเรียกว่า “Blind Federated Learning” หรือ “Blind Collaborative Learning” โดยที่ไม่มีหน่วยงานใดๆ ในสถานการณ์นี้สามารถเข้าถึงข้อมูลที่ไม่属于ตนเอง รวมถึงหน่วยงานที่ได้รับโมเดลสุดท้าย

Federate Learning มีความสำคัญในหลายๆ สถานการณ์ที่ความเป็นส่วนตัวของข้อมูลหรือการควบคุมหรือความลับเป็นสิ่งสำคัญ เช่น สองหรือหลายโรงพยาบาลหรือสถาบันทางการแพทย์ที่ต้องการร่วมมือกันในการฝึกโมเดลสำหรับการสแกน CT หรือสองหน่วยงานรัฐบาลที่ต้องการร่วมมือกันในการสร้างโมเดลต่อต้านการก่อการร้ายโดยใช้ข้อมูลด้านความมั่นคงบ้านเมือง แต่ไม่สามารถเปิดเผยข้อมูลให้กันและกันได้เนื่องจากเหตุผลทางกฎหมาย

หรือแม้กระทั่งสถานการณ์ที่หน่วยงานเดียวไม่สามารถย้ายข้อมูลที่เก็บไว้ในหลายๆ ที่ได้เนื่องจากมีค่าใช้จ่ายสูง เช่น ผู้ผลิตรถยนต์ระดับโลกที่ต้องการฝึกโมเดลรถยนต์ไร้คนขับโดยใช้ข้อมูลที่รวบรวมจากรถยนต์ที่ขับไปทั่วโลก

Allegro AI เป็นหนึ่งในไม่กี่บริษัททั่วโลกที่มีแพลตฟอร์ม Federated Learning ที่ได้รับการทดสอบและพิสูจน์แล้ว

มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ Allegro AI หรือไม่?

Allegro AI เป็นกำลังที่เพิ่มขึ้นในโลกของเครื่องมือ AI และ ML-Ops เพียงแค่ในไตรมาสที่ผ่านมา ในช่วงแรกของวิกฤต COVID-19 เราได้เติบโตขึ้นมากกว่าสองเท่าของฐานลูกค้าในระยะเวลาเพียง 3 เดือน

ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม Allegro AI เพื่อเรียนรู้เพิ่มเติม