د. ديفافرات شاه، المؤسس المشارك والرئيس التنفيذي لمختبرات Ikigai – سلسلة المقابلات

د. ديفافرات شاه هو المؤسس المشارك والرئيس التنفيذي لمختبرات Ikigai وهو أستاذ ومدير مركز الإحصاء والعلوم البيانية في معهد ماساتشوستس للتكنولوجيا. شارك في تأسيس منصة تحليلات تنبؤية لبيع التجزئة، والتي باعتها لاحقًا إلى شركة نايكي. يحمل ديفافرات شهادة البكالوريوس في علوم الحاسوب من المعهد الهندي للتكنولوجيا وشهادة الدكتوراه من جامعة ستانفورد.

توفر مختبرات Ikigai منصة مدعومة بالذكاء الاصطناعي مصممة لتحويل البيانات الجدولية والزمنية إلى رؤى تنبؤية وقابلة للتنفيذ. باستخدام نماذج كبيرة للرسومات، تمكّن المنصة مستخدمي الأعمال والمطورين في مختلف الصناعات من تعزيز عمليات التخطيط والاتخاذ القرارات.

يمكنك أن تشاركنا بقصة تأسيس مختبرات Ikigai؟ ما هو ما دفعك للانتقال من الأكاديمية إلى ريادة الأعمال؟

لقد كنت أتنقل بين العالمين الأكاديمي والتجاري لبعض الوقت الآن. شاركت في تأسيس مختبرات Ikigai مع طالب سابق لي في معهد ماساتشوستس للتكنولوجيا، فيناياك راميش. في وقت سابق، شاركت في تأسيس شركة تُدعى Celect، والتي ساعدت بائعي التجزئة على تحسين قرارات المخزون من خلال التنبؤ بالطلب باستخدام الذكاء الاصطناعي. تم الاستحواذ على Celect من قبل نايكي في عام 2019.

ما هي نماذج الرسومات الكبيرة (LGMs)؟ وكيف تختلف عن نماذج اللغة الكبيرة (LLMs) الأكثر شهرة؟

نماذج الرسومات الكبيرة (LGMs) هي نظرة احتمالية للبيانات. وهي تختلف بشكل حاد عن نماذج الذكاء الاصطناعي الأخرى مثل LLMs.

تعتمد نماذج LLMs على افتراض أن بإمكانها “تعلم” جميع الأنماط ذات الصلة من مجموعة بيانات كبيرة جدًا. وعندما يتم تقديم قطعة جديدة من البيانات، يمكن استخلاصها بناءً على الجزء ذي الصلة من مجموعة البيانات. كانت نماذج LLMs فعالة جدًا لبيانات غير منظمات (نصوص، صور).

بدلاً من ذلك، تعتمد نماذج LGMs على تحديد “الأنماط الوظيفية” المناسبة من مجموعة كبيرة من هذه الأنماط مع قطعة البيانات. تم تصميم نماذج LGMs بحيث تحتوي على جميع الأنماط الوظيفية ذات الصلة المتاحة لها، وذات الصلة لبيانات منظمات (جدولية، زمنية).

تتمكن نماذج LGMs من التعلم وتقديم تنبؤات دقيقة باستخدام بيانات محدودة جدًا. على سبيل المثال، يمكن استخدامها لأداء تنبؤات دقيقة جدًا لاتجاهات أو نتائج أعمال حرجة وديناميكية.

يمكنك أن تفسر كيف أن نماذج LGMs مناسبة بشكل خاص لتحليل البيانات المنظمة والجدولية، وما هي المزايا التي تقدمها على نماذج الذكاء الاصطناعي الأخرى في هذا المجال؟

تم تصميم نماذج LGMs خصيصًا لتمثيل البيانات المنظمة (الجدولية والزمنية). وبالتالي، توفر دقة أفضل وتوقعات أكثر موثوقية.

بالإضافة إلى ذلك، تتطلب نماذج LGMs بيانات أقل من نماذج LLMs، وبالتالي فإنها تقلل من متطلبات الحوسبة والتخزين، مما يقلل التكاليف. هذا يعني أيضًا أن المنظمات يمكن أن تحصل على رؤى دقيقة من نماذج LGMs حتى مع بيانات تدريب محدودة.

نماذج LGMs تدعم أيضًا أفضل حماية لبيانات الخصوصية والأمان. يتم تدريبها فقط على بيانات المنظمة الخاصة – مع إضافة بيانات خارجية محددة عند الحاجة (مثل بيانات الطقس ووسائل التواصل الاجتماعي). لا يوجد خطر من مشاركة البيانات الحساسة مع نموذج عام.

في أي سيناريوهات تجارية تقدم نماذج LGMs القيمة الأكبر؟ يمكنك أن تقدم أمثلة حول كيفية استخدامها لتحسين التنبؤ والتخطيط أو اتخاذ القرارات؟

تُقدم نماذج LGMs قيمة في أي سيناريو حيث تحتاج المنظمة إلى التنبؤ بنتيجة أعمال أو توقع اتجاهات لتوجيه استراتيجيتها. بمعنى آخر، تساعد في مجموعة واسعة من الحالات.

تخيل شركة تبيع ملابس وأدوات هالوين وتبحث عن رؤى لاتخاذ قرارات بيع أفضل. نظرًا لطبيعتها الموسمية، تمشي الشركة على حافة رقيقة: من ناحية، لا تريد الشركة أن تُفرط في التخزين وتنتهي ببضائع غير مباعة في نهاية كل موسم (وهو ما يعني بضائع غير مباعة وCAPEX مُهدور). ومن ناحية أخرى، لا تريد الشركة أن تنفد من المخزون في وقت مبكر (وهو ما يعني أن الشركة فاتتها مبيعات).

باستخدام نماذج LGMs، يمكن للشركة أن تحقق توازنًا مثاليًا وتوجيه جهود بيع التجزئة. يمكن لنماذج LGMs الإجابة على أسئلة مثل:

• ما هي الملابس التي يجب أن أخزنها هذا الموسم؟ كم يجب أن أخزن من كل SKU؟
• كيف ستباع ملابس معينة في موقع معين؟
• كيف ستباع هذا الملحق مع هذه الملابس؟
• كيف يمكنني تجنب التنافس على المبيعات في المدن التي لديها متاجر متعددة؟
• كيف سيتفوق أداء الملابس الجديدة؟

كيف تساعد نماذج LGMs في السيناريوهات التي تكون فيها البيانات نادرة أو غير متسقة أو تتغير بسرعة؟

تستخدم نماذج LGMs مصافحة البيانات القائمة على الذكاء الاصطناعي لتوفير رؤى دقيقة حتى عند تحليل مجموعات بيانات صغيرة أو ضوضاء. تعمل مصافحة البيانات على ضمان أن تكون البيانات متسقة ودقيقة و كاملة. وتشمل ذلك مقارنة مجموعات البيانات وتحقق من التناقضات أو الأخطاء أو عدم الاتساق. من خلال الجمع بين الهيكل المكاني والزمني للبيانات، تمكن نماذج LGMs من تقديم تنبؤات جيدة مع بيانات محدودة أو معيبة. وتأتي التنبؤات مع تقدير عدم اليقين وتفسير.

كيف تتوافق مهمة Ikigai لتحويل الذكاء الاصطناعي مع تطوير نماذج LGMs؟ كيف ترى نماذج LGMs تشكل مستقبل الذكاء الاصطناعي في الأعمال؟

الذكاء الاصطناعي يتغير طريقة عملنا، ويتعين على الشركات أن تكون مستعدة لتمكين العمال من جميع الأنواع. تقدم منصة Ikigai تجربة بسيطة منخفضة الرمز / بدون رمز للمستخدمين التجاريين، بالإضافة إلى تجربة كاملة لبناء الذكاء الاصطناعي وواجهة برمجة التطبيقات للمطورين وعلماء البيانات. بالإضافة إلى ذلك، نقدم تعليمًا مجانيًا في أكاديمية Ikigai حتى يمكن لأي شخص تعلم أساسيات الذكاء الاصطناعي والحصول على تدريب وشهادة على منصة Ikigai.

ستكون نماذج LGMs لها تأثير كبير على الشركات التي تبحث عن استخدام الذكاء الاصطناعي. الشركات تريد استخدام الذكاء الاصطناعي العام لسيناريوهات تتطلب نمذجة إحصائية وتنبؤية رقمية، مثل التنبؤ الاحتمالي وتخطيط السيناريوهات. ولكن نماذج LLMs لم تُصمم لهذه السيناريوهات، ويتفكر الكثير من المنظمات في استخدام نماذج LLMs للتنبؤ والتخطيط، ولا تحقق النتائج المرجوة. لذلك يعتقدون أن الذكاء الاصطناعي العام لا ي поддержي هذه التطبيقات. عند اكتشافهم لنماذج LGMs، سوف يدركون أنهم يمكنهم بالفعل استخدام الذكاء الاصطناعي العام لتحسين التنبؤ والتخطيط والمساعدة في اتخاذ قرارات الأعمال.

تدمج منصة Ikigai نماذج LGMs مع نهج بشري من خلال ميزة الخبير في الحلقة. يمكنك أن تفسر كيف يُحسن هذا المزيج من دقة واعتماد نماذج الذكاء الاصطناعي في الشركات؟

الذكاء الاصطناعي يحتاج إلى حواجز أمان، حيث أن الشركات تقلق بشكل طبيعي من أن التكنولوجيا سوف تعمل بدقة وفعالية. واحدة من هذه الحواجز هي الإشراف البشري، الذي يمكن أن يساعد في دمج خبرة مجال حرجة وضمان أن نماذج الذكاء الاصطناعي تقدم تنبؤات وتنبؤات ذات صلة وقيمة للأعمال. عندما يمكن للشركات وضع خبير بشري في دور مراقبة الذكاء الاصطناعي، فإنهم يمكن أن يثقوا به ويثبتوا دقته. هذا يُغلب عائقًا كبيرًا للاعتماد.

ما هي الابتكارات التكنولوجية الرئيسية في منصة Ikigai التي تميزها عن حلول الذكاء الاصطناعي الأخرى المتاحة في السوق؟

تكنولوجيا نماذج LGMs هي أكبر ميزة تميز. Ikigai هي رائدة في هذا المجال دون مثيل. اخترعت نماذج LGMs أنا وشركائي خلال عملنا الأكاديمي في معهد ماساتشوستس للتكنولوجيا. نحن المبتكرون في نماذج الرسومات الكبيرة واستخدام الذكاء الاصطناعي على البيانات المنظمة.

ما هو التأثير الذي تتخيله لنماذج LGMs على الصناعات التي تعتمد بشكل كبير على التنبؤ والتخطيط الدقيق، مثل بيع التجزئة وإدارة الإمدادات والمالية؟

ستكون نماذج LGMs تحولية بشكل كامل لأنها مصممة خصيصًا لبيانات منظمات (جدولية، زمنية)، والتي هي حياة كل شركة. تعتمد几乎 كل منظمة في كل صناعة على تحليل البيانات المنظمة لاتخاذ قرارات صحيحة قصيرة وطويلة الأمد – سواء كانت هذه القرارات تتعلق بالتجارة، أو التوظيف، أو الاستثمار، أو تطوير المنتجات، أو فئات أخرى. توفر نماذج LGMs أقرب شيء إلى كرة بلور للاتخاذ القرارات.

ما هي الخطوات التالية لمختبرات Ikigai في تطوير قدرات نماذج LGMs؟ هل هناك ميزات أو تطورات جديدة في الطريق التي أنت متحمس لها بشكل خاص؟

نموذج aiPlan الحالي يدعم التحليلات المشروطة وتحليل السيناريوهات. في المستقبل، نهدف إلى تطويره بشكل أكبر وتفعيل التعلم التكراري الكامل لفرق العمليات. هذا سوف يسمح لفرق العمليات بالتخطيط المدعوم بالذكاء الاصطناعي في المدى القصير والطويل.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة مختبرات Ikigai.