Liran Hason, Aporia’nın Kurucu Ortağı ve CEO’su – Röportaj Serisi

Liran Hason, Aporia‘nın kurucu ortağı ve CEO’sudur. Aporia, Fortune 500 şirketleri ve dünya çapındaki veri bilimcisi ekiplerinin sorumlu AI güvencesi için kullanılan bir full-stack ML gözlemlenebilirlik platformudur. Aporia, herhangi bir ML altyapısına sorunsuz bir şekilde entegre olur. Bu, Kubernetes üzerinde FastAPI sunucusu, MLFlow gibi açık kaynaklı bir dağıtım aracı veya AWS Sagemaker gibi bir makine öğrenimi platformu olabilir.

Aporia’yı kurmadan önce, Liran, Microsoft tarafından satın alınan Adallom’da bir ML mimarı ve daha sonra Vertex Ventures’da bir yatırımcı olarak görev yaptı.

Siz 10 yaşındayken kodlamaya başladınız, bilgisayarlara ilk olarak ne çekti sizi ve neler üzerinde çalışıyordunuz?

1999 yılıydı ve bir arkadaşım bana bir web sitesi kurduğunu söyledi. Tarayıcımda 200 karakterlik bir adres yazdıktan sonra, isminin yazılı olduğu bir web sitesi gördüm. Bunun nasıl çalıştığını ve ben de aynı şeyi nasıl yapabileceğimi öğrenmek için çok meraklıydım. Annemden bana bir HTML kitabı almasını istedim ve bu, programlamaya adım atmamdı.

Teknoloji zorluklarını üstlenmekten büyük keyif alıyorum ve zaman geçtikçe meraktım daha da arttı. ASP, PHP ve Visual Basic öğrendim ve elimden gelen her şeyi tükettim.

13 yaşımdayken zaten bazı freelance işler yapıyordum, web siteleri ve masaüstü uygulamaları inşa ediyordum.

Aktif bir işim olmadığında, genellikle diğer insanların hedeflerine ulaşmalarına yardımcı olmak amacıyla farklı web siteleri ve uygulamalar üzerinde çalışıyordum:

Mavi-Beyaz Programlama – İsrail’de İngilizce seviyesi yüksek olmayan çocukların kodlama dünyasından uzaklaşmasını veya kısıtlanmasını önlemek amacıyla benzeri bir HTML dili olan İbranice bir programlama dili geliştirdim.

Blinky – Büyükanne ve büyükbabam işitme engelliler ve iletişim kurmak için işareti kullanıyorlar. Skype ve ooVoo gibi video konferans yazılımlarının ortaya çıkmasıyla, aynı odada olmasalar bile arkadaşlarıyla konuşabiliyorlardı. Ancak işitmedikleri için gelen çağrıları bilemezlerdi. Onları desteklemek için, gelen video çağrılarını tespit eden ve bilgisayarlarına bağlı küçük bir donanım cihazı aracılığıyla LED dizisini yanıp söndüren bir yazılım yazdım.

Bu, gençlik yıllarımda inşa ettiğim birkaç projeden sadece birkaçı. Merakım hiçbir zaman durmadı ve C, C++, Assembly ve işletim sistemlerinin nasıl çalıştığını öğrenmeye çalıştım.

Microsoft tarafından satın alınan Adallom’da makine öğrenimi mimarı olarak yolculuğunuzun hikayesini paylaşabilir misiniz?

Askeri hizmetimden sonra Adallom’a katıldım. Ordudan sonra, bir fırsat gördüm ve yeni bir şirket ve pazarın ilk çalışanlarından biri olarak katıldım. Şirket, askeri hizmetimden tanıdığım harika kurucular tarafından yönetiliyordu ve üst düzey VCs tarafından destekleniyordu – gibi Sequoia. Bulut teknolojilerinin piyasaya sürülmesi masih относительно bebeklik döneminde ve o zamanlar ilk bulut güvenlik çözümlerinden birini inşa ediyorduk. Şirketler, şirket içi sistemlerden buluta geçmeye başlıyorlardı ve yeni endüstri standartları ortaya çıkıyordu – gibi Office 365, Dropbox, Marketo, Salesforce ve diğerleri.

İlk birkaç haftamda, already knew ki bir gün kendi şirketimi kurmak istiyordum. Teknolojik açıdan, karşıma çıkan herhangi bir zorluğun üstesinden gelebileceğimi hissediyordum ve eğer ben değilsem, zorluğu aşmamı sağlayacak doğru insanları tanıyordum.

Adallom, derin teknoloji bilgisine sahip ancak aynı zamanda müşteri ile iletişim kurabilen biri ihtiyacını duyuyordu. Bir ay sonra, ilk kez hayatimde, LinkedIn (Microsoft öncesi) ile görüşmek için ABD’ye uçuyordum. Birkaç hafta sonra, ABD’deki ilk ödeme yapan müşterimiz oldular. Bu, Netflix, Disney ve Safeway gibi birçok büyük kuruluştan sadece biriydi ve onların kritik bulut sorunlarını çözmelerine yardımcı oluyordum. Bu, çok eğitimli ve güven artırıcıydı.

Adallom’a katılmak, benim için bir pazarın, bir ekibin ve bir vizyonun olduğuna inandığım bir yere katılmak anlamına geliyordu. Orada verilen fırsata çok teşekkür ediyorum.

Yaptığım işin amacı, her zaman önemliydi. Askerlikte de aynı şekildeydi. Adallom’un SaaS çözümlerine bağlanmak, kullanıcıların ve kaynakların faaliyetlerini izlemek, anomalileri bulmak ve benzeri işlemler yapmak, işlerin nasıl yapılacağına dair bir anlayışa sahiptim. Bu, gelecekteki yaklaşım olacağını anladım. Dolayısıyla, Adallom’u başarılı olacak bir şirket olarak gördüm.

ML altyapımızın tüm mimarisinden sorumluydum. Ve ilk elden, ekosistem için uygun araçların eksikliğini gördüm. Evet, merkezi bir yerde tüm modellerinizi görebileceğiniz, modellerinizin aldıkları kararları görebileceğiniz, ML hedeflerinizle proaktif olabileceğiniz bir çözüm olması gerektiği açıktı. Örneğin, makine öğrenimi modellerimizdeki sorunları çok geç öğrendiğimiz zamanlar oldu ve bu, kullanıcılar ve kesinlikle iş için iyi değildi. İşte burada Aporia fikri şekillenmeye başladı.

Aporia’nın doğuş hikayesini paylaşabilir misiniz?

Kendi makine öğrenimi deneyimim 2008 yılına dayanır. Weizmann Enstitüsü, Bath Üniversitesi ve bir Çin Araştırma Merkezi ile birlikte bir işbirliği projesinde, iris resimlerini analiz ederek bir biyometrik tanımlama sistemi geliştirdim. %94’lük bir doğruluk elde ettim. Proje, araştırma açısından başarılıydı, ancak ben 10 yaşından beri yazılım geliştiriyordum ve bir şeyler, sanki gerçek değilmiş gibi geliyordu. Gerçek hayatta kullanılabilecek bir biyometrik tanımlama sistemi inşa etmedim, çünkü yalnızca kullandığım veri seti için iyi çalışıyordu. Deterministik değildi.

Bu, sadece bir arka plan. Makine öğrenimi sistemi inşa ettiğinizde, örneğin biyometrik tanımlama için, tahminlerin deterministik olmasını istersiniz – sistem belirli bir kişiyi doğru bir şekilde tanımladığını bilirsiniz, değil mi? İşte iPhone’unuzun, doğru kişiyi ve doğru açıyı tanıyarak kilidini açmaması gibi. Bu, o zamanlar makine öğrenimi alanında olmayan bir şeydi.

Yaklaşık yedi yıl sonra, Adallom’da üretim modellerini güvenilir sınırlar olmadan çalıştırmanın gerçekliğini yaşadım ve bu, işimiz için kararlar alan bir işti. Sonra, üç yıl boyunca Vertex Ventures’da yatırımcı olarak çalıştım. Daha fazla organizasyonun makine öğrenimi kullandığını ve şirketlerin makine öğrenimi konuşmaktan yapmaya geçiş yaptığını gördüm. Ancak bu şirketler, aynı sorunlarla karşılaştılar.

Herkes makine öğrenimi kullanmaya koşuştu ve kendi içlerinde izleme sistemleri inşa etmeye çalıştılar. Açıkçası, bu onların core işi değildi ve bu zorluklar oldukça karmaşıktı. İşte burada fırsatımı gördüm.

AI, sağlık hizmetleri, finansal hizmetler, otomotiv ve diğer birçok endüstriyi kapsayacak şekilde neredeyse her endüstriyi benimseyecek ve herkesin hayatını etkileyecek. İşte burada Aporia, tüm bu hayat değiştiren kullanım örneklerinin amaçlandığı gibi çalışmasını sağlamakta değerini gösteriyor. Çünkü, herhangi bir yazılım gibi, hatalar olacaktır ve makine öğrenimi de farklı değildir. Makine öğrenimi sorunları, iş sürekliliğini gerçekten etkileyebilir ve kasıtsız önyargı sonuçları ile toplumu etkileyebilir. Örneğin, Amazon’un AI işe alım aracını uygulamaya çalışması – kasıtsız önyargı, makine öğrenimi modelinin erkek adayları kadın adaylara göre daha fazla önermesine neden oldu. Bu, istenmeyen bir sonuçtur. Dolayısıyla, kasıtsız önyargı før ortaya çıkıp son kullanıcıları etkisinden önce tespit edecek bir çözüm olması gerekir.

Organizasyonların makine öğrenimine güvenebilmesi ve faydalarını elde edebilmesi için, doğru çalışmadığı zamanı bilmeleri gerekir ve yeni düzenlemelerle, souvent makine öğrenimi kullanıcılarının model tahminlerini açıklamak için yollar bulmaları gerekir. Sonunda, yeni modelleri ve yenilikçi projeleri araştırmak ve geliştirmek kritiktir, ancak bu modeller gerçek dünya ile karşılaştığında ve insanlara, işletmelere ve topluma gerçek kararlar aldığında, AI’yi güvence altına almak için kapsamlı bir gözlemlenebilirlik çözümü gerekir.

Şeffaf ve açıklanabilir AI’nin önemini açıklar misiniz?

Geleneksel yazılımdan makine öğrenimi ayıran önemli bir fark vardır. Yazılımda, bir yazılımcı, uygulamanın mantığını tanımlayan kodu yazar, genau biliriz ki her kod akışı ne yapacak. Deterministiktir. Bu, yazılımın genellikle inşa edildiği şekildir. Mühendisler, test durumları oluşturur, kenar durumlarını test eder, %70 – %80 kapsama ulaşırlar – yeterli hissettiler ve üretimde yayınlarlar. Herhangi bir uyarı ortaya çıkarsa, kolayca hata ayıklama ve neyin yanlış gittiğini anlayabilir ve düzeltilebilir.

Makine öğrenimi ile bu böyle değildir. Bir insan tarafından tanımlanan mantık, modelin eğitim sürecinin bir parçası olarak tanımlanır. Mantıktan bahsettiğimizde, geleneksel yazılımdaki kurallar kümesi değil, makine öğrenimi modelinin beynini temsil eden milyonlarca ve milyarlarca sayının matrisi ile karşı karşıyayız. Ve bu, bir kara kutudur, her bir sayının anlamını bilmiyoruz. Ancak istatistiksel olarak biliyoruz, bu nedenle bu olasılıksaldır ve deterministik değildir. %83 veya %93 oranında doğru olabilir. Bu, birçok soru ortaya koyar, değil mi? İlk olarak, nasıl bir sistemi güvenebiliriz ki, nasıl kararlar aldığını açıklamak mümkün değil? İkincisi, finans sektörü gibi yüksek derecede düzenlenmiş endüstrilerde tahminleri nasıl açıklayabiliriz? Örneğin, ABD’de finansal firmalar, müşterilerine neden kredi başvurusu reddedildiğini açıklamakla yükümlüdürler.

Makine öğrenimi tahminlerinin insan tarafından okunabilir metin olarak açıklanamaması, endüstriler genelinde makine öğreniminin geniş çaplı benimsenmesi için büyük bir engel olabilir. İnsanların, modelin önyargılı kararlar almadığını bilmelerini istiyoruz. Modelin belirli bir karara varmasına yol açan şeyi anlamak istiyoruz. İşte burada açıklanabilirlik ve şeffaflık son derece kritiktir.

Aporia’nın şeffaf ve açıklanabilir AI araç kutusu çözümü nasıl çalışır?

Aporia’nın açıklanabilir AI aracı, birleşik bir makine öğrenimi gözlemlenebilirlik sistemi olarak çalışır. Üretim modelleri ve güvenilir bir izleme ve uyarı sistemi olmadan, açıklanabilir AI içgörülerine güvenmek zordur – açıklamak için bir ihtiyaç yoktur hvis çıktı güvenilebilir değil. İşte burada Aporia devreye giriyor, tüm çalışan modelleri için tek bir camdan görünürlük, özelleştirilebilir izleme, uyarı yetenekleri, hata ayıklama araçları, kök neden araştırması ve açıklanabilir AI sunuyor. AI odaklı işletmelere, veri bilimcisi ve makine öğrenimi ekiplerine, model sağlığı, tahminleri ve kararları hakkında tam görünürlük sağlayan, merkezi bir panodan oluşan, đầy-stack gözlemlenebilirlik çözümü sunuyor. Aporia platformu, tarafsızdır ve AI’ye güvenebilmeleri için gereken her türlü sorunla başa çıkmalarına yardımcı olur.

Aporia’nın açıklanabilir AI’sini kullanan organizasyonlar, ilgili tüm paydaşları döngü içinde tutabilir, makine öğrenimi kararlarını bir düğme tıklatarak açıklanabilir hale getirebilir – belirli model tahminlerine ilişkin insan tarafından okunabilir içgörüler alabilir veya “Ne olursa?” senaryolarını simüle edebilir. Ayrıca, Aporia, modelin aldığı verileri ve tahminlerini sürekli olarak izler ve performans azalışı, kasıtsız önyargı, veri kayması ve hatta modelinizi geliştirme fırsatları dahil olmak üzere önemli olaylar hakkında proaktif olarak uyarı gönderir. Son olarak, Aporia’nın araştırma aracı kutusu ile herhangi bir olayın kök nedenine ulaşabilir ve herhangi bir üretim modelini iyileştirebilirsiniz.

Veri Noktaları ve Zaman Serisi Araştırma Araçları gibi bazı işlevlerin AI önyargı ve kaymasını önlemede nasıl yardımcı olduğunu açıklar misiniz?

Veri Noktaları, modelin aldığı veri ve yaptığı tahminlere ilişkin canlı bir görünüm sağlar. Canlı olarak neler olduğu anlaşılabilir. Bu, şeffaflık için çok önemlidir. Bazen şeyler zaman içinde değişir ve birden fazla değişim arasında bir korelasyon vardır – bu, zaman serisi araştırmasının rolüdür.

Son zamanlarda büyük perakendecilerin tüm AI tahmini araçları, tedarik zinciri sorunlarını öngörmede başarısız oldu, Aporia platformu bu sorunu nasıl çözer?

Bu tür sorunları tanımlamanın temel zorluğu, gelecekteki tahminlerle ilgili olmamızdır. Örneğin, belirli bir ürünün kaç kişinin satın alacağını veya yeni bir PlayStation’ın kaç kişinin satın alacağını tahmin ediyoruz.

Sonuçların toplanması birkaç hafta sürer. Daha sonra, gerçekten gördüğümüz talebi özetleyebiliriz. Bu, tahminlerin yapıldığı andan, işin gerçekten doğru olup olmadığını anlamamız birkaç ay sürer. Bu, çok geçtir, iş ya potansiyel gelirleri kaybeder ya da stoğu büyük indirimlerle satmak zorunda kalır.

Bu bir zorluktur. Ve işte burada Aporia devreye girer ve bu organizasyonlara çok yardımcı olur. İlk olarak, kararların şeffaf ve görünür olmasını sağlar – dalgalanmalar var mı? Hiçbir şey mantıksız görünmüyor mu? İkincisi, büyük perakendecilerden bahsediyoruz, enorme miktarda envanterden bahsediyoruz ve bunları manuel olarak takip etmek neredeyse imkansız. İşte burada Aporia, 24/7 otomatik ve özelleştirilebilir bir izleme sistemi olarak en çok değerlenir. Aporia, verileri ve tahminleri sürekli olarak izler, tahminlerin istatistiksel davranışını analiz eder ve tüketici davranışındaki değişiklikleri ve veri davranışındaki değişiklikleri hemen tespit edebilir. Altı ay bekleyerek talep tahmini yanlış olduğunu anlamak yerine, birkaç gün içinde yanlış yolda olduğumuzu tespit edebiliriz. Aporia, bu süreyi birkaç aydan birkaç güne kısaltır. Bu, herhangi bir makine öğrenimi uygulayıcısı için büyük bir değişimdir.

Aporia hakkında paylaşmak istediğiniz başka bir şey var mı?

Sürekli büyüyoruz ve Aporia yolculuğuna katılmak için harika zihinlere sahip insanları arıyoruz. Açık pozisyonlarımızı buradan inceleyebilirsiniz.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Aporia‘yı ziyaret edebilir.