Nir Bar-Lev，Allegro AI 的 CEO 和联合创始人 – 采访系列

Nir Bar-Lev 是 Allegro AI 的 CEO 和联合创始人。Allegro AI 专门帮助公司开发、部署和管理机器学习和深度学习解决方案。通过 Allegro AI，组织可以更快、更具成本效益地推出和管理更高质量的产品。这些产品基于 Allegro Trains 开源的机器学习和深度学习实验管理器和 ML-Ops 包。

您最初被什么吸引到 AI 领域？

在我的职业生涯中，我主要被吸引到的是将尖端技术创新应用于解决大规模问题或机会（实际上，它们是同一枚硬币的两面）。我必须承认，我在 Google (GOOGL ) 的时间确实帮助我形成了这种倾向。

AI 无疑符合这两个标准。它是当前技术前沿的尖端，并且有潜力影响我们生活的几乎每个方面。

您有着令人印象深刻的职业生涯，最初在 Google 担任语音识别平台的创始产品负责人。您能否讨论您在 Google 早期的工作经历以及您从中获得的经验？

从沃顿商学院毕业后，我被 Google 的运营方式所震惊，它与世界上最好的商学院所教授的成功商业运营方式以及我之前的职业经验有着巨大的差异。我记得当时与几位同事讨论这个问题，他们也在同一时间从 MBA 毕业后加入了 Google。

事实证明，Google 在某种程度上改变了商业规则，但它也拥有来自广告业务的巨大资金，这使得它能够以其他公司无法承受的方式进行实验。随着我在 Google 度过的十年时间，我看到公司逐渐采用了更为“主流”的商业实践和思维方式。

作为语音识别平台的产品负责人，我需要与研究科学家合作。这实际上是 Google 最早的、如果不是第一个，真正应用研究的团队之一。对我来说，这是一个巨大的挑战。研究人员的思维方式与工程师不同，我当时正试图在一个极度工程化的公司中与成就斐然的研究人员合作。

结果证明，我当时面临的挑战与现在公司试图将 AI 数据科学家融入其组织时面临的问题非常相似。

2016 年，您成为 Allegro AI 的联合创始人。是什么激发了您创立 Allegro AI 的灵感？

在创立 Allegro AI 时，我与两位出色的合作伙伴合作，他们都是世界级的工程人才。其中一位合作伙伴是以色列首批、也是最顶尖的 AI 实验室之一的第一位博士生。他真正地是当地应用 AI 社区的创始成员之一。他看到了在实践中应用机器学习和深度学习将面临的挑战，例如规模、自动化、可靠性、质量等。在与他们交谈时，我意识到我可以通过在 Google 和之前的经验为团队做出贡献，真正地创造一个能够通过我们提供的工具对 AI 产生巨大影响的公司。

Allegro AI 提供开源机器学习和深度学习管理平台。您能否讨论使用开源软件的好处？

开源软件有几个好处。最重要的是，它利用更广泛的社区来改进产品本身。用户会发现错误、问题，会有关于功能的广泛讨论；与其他开源工具的集成也比与两个商业组织的闭源专有工具的集成更容易实现等等。

这为社区和公司提供了一个双赢的模式。它使组织能够试用、测试，甚至扩展，而无需支付费用，同时也使更大的潜在客户能够在广泛使用的软件基础上支付扩展功能或服务的费用。

Allegro AI 提供数据管理服务。您能否讨论所提供的数据管理工具类型？

Allegro AI 提供结构化数据和非结构化数据管理。然而，虽然结构化数据管理已经有成熟的解决方案，我们提供了一个针对非结构化数据的独特解决方案。

具体来说，需要明确我们提供的数据管理类型。这里的想法不是物理数据管理，而是从 AI 角度出发的数据管理。对于 AI 来说，数据科学团队需要了解他们可以使用什么数据。对于非结构化数据来说，这非常困难。想象成千上万个小时的视频或音频，或者数十亿个传感器信号等等。

数据科学家需要了解他们的数据的变异性，以便与不同的情况相匹配，从而有效地训练他们的模型。他们需要了解是否有关键的数据缺失，是否有数据偏差或倾斜。

然后，在另一方面，他们需要有工具来以成本有效和快速的方式解决这些问题，而无需外部寻找新的物理数据并对其进行注释/标记（这是一个非常昂贵且耗时的任务）。

这本质上是我们在这一领域提供的工具类型：能够对数据进行前所未有的细粒度和详细程度的“AI 业务智能”，并且能够在不需要任何代码的情况下将数据紧密集成到实验和模型中，以便数据科学家可以使用现有数据设置有效的训练运行。

此外，我们还提供了数据流优化、数据移动等方面的附加价值。由于我们正在处理数十亿字节的数据，移动它们的成本很高，公司需要一个解决方案来优化这一过程。

Allegro AI 还提供数据工程服务的外包。您能否讨论所提供的服务类型？

Allegro AI 主要是一家产品公司，我们将自己视为为公司提供开发、部署和管理具有 AI（DL/ML）模型集成的产品的工具、基础设施或框架。

话虽如此，这是一个新领域，我们的客户有时需要帮助设置他们特定的管道，这些管道是建立在我们的工具之上的，或者甚至需要帮助启动他们自己的模型。当这种情况发生时，我们提供辅助服务来补充我们的核心软件产品。

您能否讨论联邦学习的重要性以及 Allegro AI 在此背景下的应用？

联邦学习基本上是指能够训练一个单一的 AI 模型，利用位于不同物理位置的数据集，而无需将这些数据集带到一个单一的位置。我们还提供了一种增强版的联邦学习，称为“盲联邦学习”或“盲协同学习”，在这种场景中，没有任何实体（包括最终获得模型的实体）可以访问不属于自己的数据。

联邦学习在数据隐私、监管或知识产权/保密性需要被保护的情况下非常重要，同时又希望利用不同的数据集。例如，两家或多家医院或医疗机构希望合作训练一个 CT 扫描模型；或者两家政府机构希望合作训练一个反恐怖主义模型，但由于法律原因不能相互暴露数据。

或者，即使是一个实体无法移动其数据仓库，因为这将非常昂贵——例如，一家全球汽车制造商希望利用来自世界各地行驶的汽车收集的数据来训练自动驾驶汽车。

Allegro AI 是全球为数不多的拥有经过验证和测试的商业平台来促进联邦学习的公司之一。

您是否还有其他关于 Allegro AI 的信息想要分享？

Allegro AI 是 AI 工具和 ML-Ops 领域的新兴力量。就在过去的季度，在 COVID-19 危机的第一波期间，我们的客户基础在仅仅三个月的时间内就增长了两倍以上。

感谢这次采访，希望了解更多的读者可以访问 Allegro AI。