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

Liran Hason, Fortune 500 şirketleri ve dünya çapındaki veri bilimcisi ekiplerinin sorumlu AI garantisi için kullanılan tam yığın ML gözlemlenebilirlik platformu olan Aporia‘nın Kurucu Ortağı ve CEO’sudur. Aporia, herhangi bir ML altyapısı ile sorunsuz bir şekilde entegre olur. Kubernetes üzerinde bir FastAPI sunucusu, MLFlow gibi açık kaynaklı dağıtım aracı veya AWS Sagemaker gibi makine öğrenimi platformu olsun,

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

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 adresi girdiğimde, isminin yazılı olduğu bir web sitesi gördüm. Bir şeyleri kendi bilgisayarında oluşturup benim de kendi bilgisayarımda görebilmem gerçekten çok ilgimi çekti. Nasıl çalıştığını ve ben de aynı şeyi nasıl yapabileceğimi öğrenmek istedim. Annemden bana bir HTML kitabı almasını istedim, bu benim programlamaya ilk adımım oldu.

Teknoloji alanında zorlu görevleri üstlenmekten büyük keyif alıyorum ve zaman geçtikçe merakım sadece arttı. ASP, PHP ve Visual Basic öğrendim ve elimden geldiğince her şeyi öğrenmeye çalıştım.

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

Boş zamanlarımda kendi projelerim üzerinde çalışıyordum – genellikle insanların hedeflerine ulaşmalarına yardımcı olmak amacıyla farklı web siteleri ve uygulamalar geliştiriyordum:

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

Blinky – Büyükanne ve büyükbabam işitme engelliler ve iletişim kurmak için işaret dili kullanıyorlar. Skype ve ooVoo gibi video konferans yazılımları ortaya çıktığında, ilk kez aynı odada olmasalar bile arkadaşlarıyla konuşabiliyorlardı. Ancak işitme engelli oldukları için gelen aramaları duymuyorlardı. Onlara yardımcı olmak için, gelen video aramalarını tespit eden ve kendi yaptığım, bilgisayarlarına bağladığım küçük bir donanım cihazındaki LED dizisini yanıp söndürerek onları uyaran bir yazılım yazdım.

Bunlar sadece gençlik yıllarımda geliştirdiğim birkaç proje. Merakım hiçbir zaman bitmedi ve C, C++, Assembly ve işletim sistemlerinin nasıl çalıştığını öğrenmeye çalıştım.

Microsoft (MSFT ) tarafından satın alınan Adallom’da makine öğrenimi mimarı olarak görev yaptığınız süre hakkında hikayenizi paylaşabilir misiniz?

Askerlik hizmetimden sonra Adallom’a katıldım. Yüzbaşı olarak 5 yıl süren askerlik görevimden sonra, ortaya çıkan bir şirket ve pazarın ilk çalışanlarından biri olarak büyük bir fırsat gördüm. Şirket, askeri hizmetimden tanıdığım harika kurucular tarafından yönetiliyordu ve üst düzey yatırımcılar tarafından destekleniyordu – Sequoia gibi. Bulut teknolojileri pazarına henüz yeni çıkıyordu ve o zamanların ilk bulut güvenlik çözümlerinden birini geliştiriyorduk. Şirketler, yerel olarak çalışan sistemlerden buluta geçmeye başlıyorlardı ve yeni endüstri standartları ortaya çıkıyordu – Office 365, Dropbox (DBX ), Marketo, Salesforce gibi.

İlk birkaç haftamda, bir gün kendi şirketimi kurmak istediğimi zaten biliyordum. Teknolojik açıdan, karşıma çıkan herhangi bir zorluğu üstlenmeye hazır olduğumu hissettim ve eğer ben değilsem, her şeyi aşmak için doğru insanları tanıdığımı biliyordum.

Adallom, hem derin teknoloji bilgisine sahip hem de müşteri ile iletişim kurabilecek biri arıyordu. Bir ay geçmeden, ilk ABD seyahatim için bir uçağa bindim ve LinkedIn (Microsoft öncesi) temsilcileriyle görüşmek için gittim. İki hafta sonra, ABD’deki ilk ödeme yapan müşterimiz oldular. Bu, Netflix , Disney ve Safeway gibi büyük şirketlere kritik bulut sorunlarını çözmemi sağlayan birçok büyük kuruluştan sadece biri oldu. Bu çok öğreticiydi ve kendime olan güvenimi güçlendirdi.

Adallom’a katılmak, gerçekten inandığım bir pazarda, inandığım bir ekibe ve inandığım bir vizyona katılmak anlamına geliyordu. Orada verilen fırsata çok teşekkür ediyorum.

Yaptığım işin amacı her zaman önemliydi. Askerlikte de aynı şekildeydi, her zaman önemliydi. Adallom’un SaaS çözümlerine bağlanarak, kullanıcı ve kaynakların faaliyetlerini izleyerek, anomalileri tespit ederek ve devam eden süreçlerde nasıl ilerleneceğini görmek, gelecekte nasıl yapılacağını biliyordum. Bu nedenle Adallom’u başarılı olacağına inandığım bir şirket olarak gördüm.

ML altyapımızın tüm mimarisinden sorumluydum. Ve ilk elden, ekosistemin uygun araçlardan yoksun olduğunu gördüm. Evet, merkezi bir yerde tüm modelleri görebileceğiniz, kararlarını görebileceğiniz, hedeflerinizi takip edebileceğiniz ve proaktif olabileceğiniz bir çözümün olması gerektiği açıktı. Örneğin, makine öğrenimi modellerimizdeki sorunları çok geç öğrendiğimiz oldu ve bu kullanıcılar ve iş için iyi değildi. İşte burada Aporia fikri oluşmaya başladı.

Aporia’nın hikayesini paylaşabilir misiniz?

Kendi kişisel makine öğrenimi deneyimim 2008 yılına dayanıyor, Weizmann Enstitüsü, Bath Üniversitesi ve bir Çin Araştırma Merkezi ile birlikte bir proje kapsamında iris resimlerini analiz ederek bir biyometrik tanımlama sistemi geliştirdim. %94’lük bir doğruluk elde ettim. Proje araştırma açısından başarılıydı; ancak 10 yaşımdan beri yazılım geliştiriyordum ve bu bana biraz gerçek dışı geliyordu. Çünkü geliştirdiğim biyometrik tanımlama sistemi sadece kullandığım belirli veri seti için çalışıyordu, gerçek hayatta kullanılamıyordu. Sonuçları yeterince deterministik değildi.

Bu yalnızca biraz arka plan bilgisi. Örneğin biyometrik tanımlama için bir makine öğrenimi sistemi geliştirirken tahminlerin deterministik olmasını, sistemin belirli bir kişiyi doğru tanımladığından emin olmayı istersiniz. iPhone’unuz doğru kişiyi doğru açıdan tanımadığında kilidinin açılmaması gibi, istenen sonuç budur. Fakat bu alana ilk girdiğimde makine öğreniminde durum böyle değildi.

Yaklaşık yedi yıl sonra Adallom’da, müşterilerimizi etkileyen iş kararları verirken güvenilir koruyucu mekanizmalar olmadan üretimde model çalıştırmanın gerçekliğini bizzat yaşadım. Ardından üç yıl Vertex Ventures’da yatırımcı olarak çalışma şansını yakaladım. Daha fazla kuruluşun ML kullandığını ve şirketlerin ML hakkında konuşmaktan gerçekten uygulamaya geçtiğini gördüm. Ancak onlar da Adallom’da karşılaştığımız sorunlarla karşılaşıyordu.

Herkes ML kullanmak için acele ediyor, kendi bünyesinde izleme sistemleri geliştirmeye çalışıyordu. Bu onların ana işi değildi ve zorluklar oldukça karmaşıktı. Büyük bir etki yaratma fırsatımın bu olduğunu anladım.

AI; sağlık, finansal hizmetler, otomotiv ve hemen her sektörde benimseniyor. Herkesin hayatına dokunacak ve hepimizi etkileyecek. Aporia’nın gerçek değeri, hayat değiştiren bu kullanım alanlarının amaçlandığı gibi çalışmasını ve toplumun iyileşmesine yardımcı olmasını sağlamaktır. Her yazılım gibi makine öğreniminde de hatalar olur. Kontrol edilmezlerse iş sürekliliğine zarar verebilir ve kasıtsız önyargılı sonuçlarla toplumu etkileyebilirler. Örneğin Amazon’un AI işe alım aracı uygulama girişiminde (AMZN ) kasıtsız önyargı, modelin erkek adayları kadın adaylara güçlü biçimde tercih etmesine yol açtı. Bu açıkça istenmeyen bir sonuçtur. Bu nedenle haber olmadan ve son kullanıcıları etkilemeden önce kasıtsız önyargıyı tespit edecek özel bir çözüme ihtiyaç vardır.

Kuruluşların makine öğrenimine güvenip yararlarından faydalanabilmesi için ne zaman doğru çalışmadığını bilmeleri gerekir. Yeni düzenlemelerle birlikte ML kullanıcıları model tahminlerini açıklayacak yöntemlere de sık sık ihtiyaç duyar. Yeni modeller ve yenilikçi projeler araştırıp geliştirmek önemlidir; ancak modeller gerçek dünyada insanlar, işletmeler ve toplum için karar vermeye başladığında AI’ya güveni sağlayacak kapsamlı bir gözlemlenebilirlik çözümü gerekir.

Şeffaf ve açıklanabilir AI’nın önemini açıklayabilir misiniz?

Benzer görünseler de geleneksel yazılım ile makine öğrenimi arasında önemli bir fark vardır. Yazılımda mühendis kodu yazar, uygulamanın mantığını tanımlar ve her kod akışında ne olacağını tam olarak biliriz. Bu deterministiktir. Mühendisler test senaryoları oluşturur, sınır durumlarını test eder ve %70–80 kapsama ulaştıklarında üretime geçmeye yetecek güveni hissederler. Bir uyarı çıkarsa hangi akışın yanlış gittiğini anlayıp hatayı gidermek kolaydır.

Makine öğreniminde ise mantığı insan tanımlamak yerine modelin eğitim süreci belirler. Geleneksel yazılımdaki kuralların yerini modelin zihnini, beynini temsil eden milyonlarca ve milyarlarca sayıdan oluşan bir matris alır. Bu bir kara kutudur; matristeki her sayının anlamını bilmeyiz. Ancak istatistiksel olarak biliriz, dolayısıyla süreç olasılıksaldır, deterministik değildir. Tahminler zamanın %83’ünde veya %93’ünde doğru olabilir. Bu pek çok soruyu doğurur: Tahminlerine nasıl ulaştığını açıklayamadığımız bir sisteme nasıl güvenebiliriz? Finans gibi sıkı düzenlenen sektörlerde tahminleri nasıl açıklayabiliriz? Örneğin ABD’deki finans kuruluşları, kredi başvuruları reddedilen müşterilerine bunun nedenini yasal olarak açıklamak zorundadır.

Makine öğrenimi öngörülerinin insan tarafından okunabilir metin olarak açıklanamaması, endüstriler genelinde makine öğreniminin geniş çapta benimsenmesini engelleyen bir engel olabilir. Modelin önyargılı kararlar almadığını, kararlarına yol açan şeyin ne olduğunu anlamak istiyoruz. İşte burada açıklanabilirlik ve şeffaflık çok önemlidir.

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

Aporia’nın açıklanabilir AI araç seti, birleşik bir makine öğrenimi gözlemlenebilirlik sistemi olarak çalışır. Üretim modelleri ve güvenilir bir izleme ve uyarı sistemi hakkında derin bir görünürlük olmadan, açıklanabilir AI içgörülerine güvenmek zordur – öngörüler güvenilir değilse açıklamak için bir ihtiyaç yoktur. İşte burada Aporia devreye girer, tüm çalışan modeller için tek bir ortak görünüm, özelleştirilebilir izleme, uyarı yetenekleri, hata ayıklama araçları, kök neden araştırması ve açıklanabilir AI sağlar. Üretim sırasında ortaya çıkan her türlü sorun için tam yığın bir gözlemlenebilirlik çözümüdür.

Aporia platformu tarafsızdır ve AI odaklı şirketlere, veri bilimcisi ve makine öğrenimi ekiplerine, modellerinin sağlığı, öngörülerinin ve kararlarının tam görünürlüğü için merkezi bir panoya sahiptir. Aporia’nın açıklanabilir AI’sini kullanarak, organizasyonlar, makine öğrenimi kararlarını bir düğme tıklatarak insan tarafından okunabilir içgörülerle açıklamak için tüm ilgili paydaşları dahil edebilir – belirli model öngörüleri hakkında insan tarafından okunabilir içgörüler elde edebilir veya “Ya şöyle olursa?” senaryolarını simüle edebilir. Ayrıca, Aporia, modele verilen verileri ve öngörülerini sürekli olarak izler ve performans azalması, kasıtsız önyargı, veri kayması ve 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 üretimdeki herhangi bir modeli iyileştirebilirsiniz.

Veri Noktaları ve Zaman Serisi Araştırma Araçları gibi bazı işlevler, AI önyargısı ve kaymasını önlemede nasıl yardımcı olur?

Veri Noktaları, modelin aldığı verileri ve iş yaptığı öngörülerini canlı olarak gösterir ve işinizde neler olduğu hakkında tam olarak anlayabilirsiniz. Bu görünürlük yeteneği şeffaflık için çok önemlidir. Bazen zaman içinde değişiklikler olur ve birden fazla değişiklikte zaman içinde bir korelasyon vardır – bu, zaman serisi araştırmasının rolüdür.

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

Bu tür sorunları tespit etmenin temel zorluğu, gelecekteki öngörülerden kaynaklanmaktadır. Örneğin, belirli bir ürünün kaç kişinin satın alacağını veya yeni bir PlayStation’ın kaç kişinin satın alacağını öngörüyorsunuz.

Gerçek sonuçların toplanması birkaç haftadan fazla sürer. Ardından gerçek talebin ne olduğunu özetleyebiliriz. Modelin tahmini yapmasından işletmenin doğru olup olmadığını anlamasına kadar toplam birkaç ay geçer. Bu, öngörülerin yapıldığı andan, işin gerçekten doğru olup olmadığını anlamaya kadar geçen süredir. Bu süre genellikle çok geçtir, iş ya potansiyel gelirleri kaybeder ya da fazla stoğu büyük indirimlerle satmak zorunda kaldığı için kâr marjı daralır.

Bu bir zorluktur ve tam da burada Aporia devreye girer ve organizasyonlara çok yardımcı olur. İlk olarak, kararların neler olduğunu ve anormal bir durum olup olmadığını kolayca görebilmelerini sağlar. İkinci olarak, büyük perakendeciler hakkında konuşuyoruz, devasa stokları takip etmek neredeyse imkansız. İşte burada Aporia, 7/24 otomatik ve özelleştirilebilir bir izleme sistemi olarak değerlenir. Aporia, verileri ve öngörülerini sürekli olarak izler, öngörülerin istatistiksel davranışını analiz eder ve tüketici davranışındaki ve verideki değişiklikleri hemen tespit edebilir. Altı ay beklemek yerine, birkaç gün içinde talep öngörülerinin yanlış olduğunu belirleyebilirsiniz. Aporia böylece bu süreyi birkaç aydan birkaç güne indirir. Bu, her ML uygulayıcısı için büyük bir değişimdir.

Aporia hakkında paylaşmak istediğiniz başka bir şey var mı?

Sürekli büyüyoruz ve Aporia yolculuğuna katılmak için harika insanları arıyoruz. Açık pozisyonlarımızı inceleyin.

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