بيدرو ألفيس، الرئيس التنفيذي ومؤسس Ople.ai – سلسلة المقابلات

بيدرو ألفيس هو الرئيس التنفيذي ومؤسس Ople.ai، وهي منصة تتيح للمحللين وخبراء الموضوعات استخدام تحليلات تنبؤية قوية. تم تجهيز المنصة بمعرفة وخبرة أفضل علماء البيانات في العالم، بحيث يمكن للمستخدمين التركيز على ما يفعلونه جيدًا حقًا: إنشاء تأثير تجاري.

ما الذي جذبك في البداية إلى علوم البيانات؟

في عام 2001، رأيت إمكانيات كبيرة في التعلم الآلي والذكاء الاصطناعي. أثناء دراستي للعلوم الحاسوبية كطالب، وقراري لاختيار مجال فرعي لمتابعة الدراسة، فكرت: حسنًا، التعلم الآلي والذكاء الاصطناعي هما مجال من مجالات علوم الحاسوب التي أعتقد أنها مثيرة للاهتمام – يمكنك مساعدة التنبؤ بالأحداث في أي مجال. سواء كنت في الأحياء أو الطب أو المالية، إذا كان لديك تعلم آلي وذكاء اصطناعي، يمكنك تحسين تلك المجالات بشكل كبير. لقد فكرت دائمًا أن الرياضيات وراء ذلك كانت مثيرة للاهتمام.

عندما دخلت الدراسات العليا، قررت أن أفضل طريقة لتحسين خبرتي في التعلم الآلي هي تعلم كيفية تطبيقه. لقد كنت دائمًا عمليًا؛ لم أرد أن أتعلم النظرية فقط من أجل النظرية. اخترت دراسة التعلم الآلي كما يطبق على مجال الجينوميات والبروتيوميات. كل عمل دراسي لي كان في علم الأحياء الحاسوبي، ولكن التركيز كان على التعلم الآلي.

قريبًا بعد ذلك، دخلت ngành الرعاية الصحية، حيث رأيت إمكانيات كبيرة للتطبيقات التعلم الآلي. لقد رأيت مشاكل كبيرة في تطبيق التعلم الآلي في الممارسة، خارج الأكاديمية. لقد واجهت واقع التعلم الآلي وتعلمت كيف تم تطبيقه بشكل غير فعال في العالم الحقيقي، وليس بسبب مشاكل تقنية. لذلك، أصبحت مهتمًا بحل هذه المشكلة.

كنت سابقًا رئيس علماء البيانات في Banjo، حيث واجهت تحديات في مجال الشبكات الاجتماعية. هل يمكنك مناقشة بعض تلك التحديات؟

كشركة، كنا نكتشف الأحداث المسجلة على وسائل التواصل الاجتماعي، özellikle الأحداث التي تحتاج إلى التأكيد كخطر محتمل، مثل حادث سيارة أو بناء في النار. كنا نساعد في وضع علامة على هذه الأحداث، بحيث يمكننا مساعدة جهات الإستجابة السريعة. كنا نستخدم وسائل التواصل الاجتماعي من أجل الخير.

许多 من تلك الأحداث نادرة بالنسبة إلى بيانات وسائل التواصل الاجتماعي. على سبيل المثال، هناك العديد من الحوادث التي تحدث كل يوم في أي مدينة معينة، ولكن عندما تنظر إلى حجم بيانات وسائل التواصل الاجتماعي، تصبح صورة حادث سيارة صغيرة جدًا. فكر في الملايين من صور الكلاب، صور الطعام، مليون صورة أخرى للوجوه، وثم صورة حادث سيارة واحدة، كل ذلك في غضون بضع دقائق. في الأساس، في Banjo، كنا نجد الإبرة في العصبة.

لذلك، واحدة من التحديات التي ظهرت كانت تتعلق بالرؤية الحاسوبية. على الرغم من أن الرؤية الحاسوبية كانت جيدة في ذلك الوقت، عندما تحاول العثور على واحدة من بين مليون، حتى معدل الخطأ الصغير يمكن أن يدمر تمامًا فرصك في اكتشاف هذه الأحداث النادرة.

على سبيل المثال، كان هناك مجموعة بيانات عامة التي، عند استخدامها لتدريب الشبكات العصبية، تسبب في عدم khả năng التعرف على الألوان. حتى لو كانت الصورة في مجموعة البيانات ملونة، والشبكة العصبية تنظر إلى جميع قيم RGB، إلا أنها لم تستخدم اللون كدليل. خذ سيارة شرطة تقليدية وسيارة تاكسي تقليدية – كلاهما نفس نموذج السيارة الأساسي وإضافة قطعة آليات في الأعلى (مثل السيرين على سيارة الشرطة أو إشارة حرة/مشغولة على سيارة تاكسي). ولكن إذا نظرت إلى اللون، فإن الفرق بينهما واضح. بسبب هذه الحالة، كنا نستطيع فهم أن إنشاء مجموعة بيانات مناسبة هو أمر حيوي.

في عام 2017، ثم انتقلت إلى إطلاق Ople. ما هي قصة التأسيس وراء هذا التشغيل؟

أردت أن تحصل الشركات على عائد جيد من الاستثمار في تطبيق الذكاء الاصطناعي. وفقًا لشركة Gartner، بين 80 إلى 90 في المائة من مشاريع الذكاء الاصطناعي لا ترى النور أبدًا. هذا لا يعتمد على الجوانب التقنية، مثل دقة النموذج. عادةً ما يكون ذلك بسبب ثقافة الشركة أو الجوانب الإجرائية داخل الشركة.

قد يكون هذا بسبب نقص التواصل الكافي بين فريق علوم البيانات ومستخدم الأعمال، مما يؤدي إلى إنشاء نماذج تتنبأ بشيء لم يكن فريق الأعمال يحتاجه لأن فريق علوم البيانات لم يفهم ما يحتاج إلى بناءه. أو، إذا بنوا النموذج الصحيح، ثم عندما ينتهي فريق علوم البيانات، لا يستفيد فريق الأعمال من التنبؤات على الإطلاق. في معظم الشركات، الإدارات مثل المبيعات والتسويق واللوجستيات هي التي يجب أن تستخدم الذكاء الاصطناعي، ولكن فريق علوم البيانات هو الذي يفهم النماذج. عندما لا يفهم هؤلاء الأفراد النماذج التي يتم بناؤها لهم، فإنهم يميلون إلى عدم ثقة تنبؤاتها وبالتالي لا يستخدمونها.

لذلك، إذا لم يغير الذكاء الاصطناعي كيفية عمل الشركة، فما الفائدة؟

أردنا إنشاء منصة تساعد على حل هذه المشكلة – نحن نريد مساعدة فريق علوم البيانات أو المحللين أو من يشارك في هذه العملية في الشركة – في بناء المشاريع الصحيحة ومساعدة الموظفين على فهم النماذج وثقة بها. إذا حلنا ذلك، أعتقد أن علوم البيانات يمكن أن تكون قيمة للشركات بطريقة حقيقية.

لقد ذكرت أن علماء البيانات يفقدون وقتًا قيمًا في أداء مهام يمكن تلقينيها بالذكاء الاصطناعي. ما هي بعض الأمثلة على المهام التي يجب تلقينيها؟

يستغرق عالم البيانات عادةً عدة أشهر لإكمال نموذج، وعندما يتم إكماله، تقوم الشركة بتطبيق النموذج، على الرغم من أنه قد لا يكون دقيقًا كما هو ممكن. في الأشهر التي تلي تطبيق النموذج، يستمر عالم البيانات في العمل عليه في محاولة لزيادة دقة النموذج بكميات صغيرة. هذا هو ما يقضيه معظم علماء البيانات وقتهم عندما يمكنهم قضاء وقتهم في مهام أخرى، مثل ضمان فهم الموظفين وثقة النماذج الذكية الموجودة في الشركة. كل ذلك الوقت المبذول في مهام مثل هندسة الميزات وتدريب النماذج وضبط المعلمات واختيار الخوارزميات، محاولة لزيادة دقة نموذج، يمكن تلقينيها بسهولة بالذكاء الاصطناعي.

يمكنك وصف ما هو التعلم المتأصل و كيف تطبقه Ople؟

قبل أن أتحدث عن التعلم المتأصل، من المهم فهم الطبقة الأولى من التعلم الآلي. دعنا نقول، لديك مجموعة بيانات تتنبأ بوقت حدوث أعطال الآلات في مصنع. الآلة سوف تنبه الموظفين إلى أنهم على وشك حدوث عطل، بحيث يمكنهم أداء صيانة وقائية. هذا يعتبر الطبقة الأولى من التعلم.

التعلم المتأصل، المعروف أيضًا باسم “التعلم للتعلم”، هو فهم عملية التعلم هذه بشكل أفضل. لذلك، أثناء تدريب نموذجك لتنبؤ بأعطال الآلات، لديك نموذج آخر يراقب. على سبيل المثال، يمكن للنموذج الثاني مساعدة الشركات على فهم أي معلمات نموذج الصيانة التنبؤية يتعلم جيدًا، وأي معلمات لا تعمل جيدًا. عندما تقوم بالتعلم المتأصل، تصبح أفضل في بناء نماذج أكثر كفاءة، بشكل أسرع.

ما هي وجهات نظرك حول البيانات الاصطناعية؟

البيانات الاصطناعية يمكن أن تكون صعبة للغاية في العمل معها، إذا لم تكن مطبقة بشكل صحيح.

لنقل، لديك بيانات سجلات طبية – لديك 20 مريضًا، ولأجل هؤلاء المرضى، لديك عمرهم، جنسهم، وزنهم، طولهم، ضغط دمهم، قائمة بالأدوية، إلخ. من الممكن إنشاء بيانات اصطناعية باستخدام التعلم الآلي بناءً على هذه السجلات الطبية. ومع ذلك، إذا اعتمدت فقط على التعلم الآلي أو الإحصاء، يمكنك انتهي بنتائج غير منطقية. يمكن أن يخلق مزيجًا عشوائيًا من القيم مثل طفل يبلغ من العمر 3 سنوات وطوله 6 أقدام أو شخص يبلغ طوله 4 أقدام ووزنه 1000 رطل. في حين أن الذكاء الاصطناعي والتعلم الآلي موثوق بهما في العديد من الحالات، فإن استخدام البيانات الاصطناعية لالسجلات الطبية سوف يحتاج إلى مدخلات الطبيب.

لذلك، تحصل على مشاركة محترف طبي لإنشاء معايير، مثل “إذا كان الشخص في هذا العمر، ما هو نطاق الطول والوزن المعقول”، أو “إذا كانوا يأخذون هذا الدواء، ما الأدوية التي لا ينبغي لهم أن يأخذوها”. هذا سوف يصبح مشروعًا ضخمًا ومتعقيدًا جدًا لتحديد جميع الإمكانيات المتعلقة بسجلات المرضى.

في مجال الصور، ومع ذلك، يمكن أن تكون البيانات الاصطناعية أسهل في الفهم وإنشائها. قل، لديك صورة لسيارة، والسيارة تقع في الزاوية العلوية اليسرى. لا تحتاج إلى أن تكون خبيرًا لتعرف أن السيارة نفسها يمكن أن تكون في الزاوية السفلية اليسرى أو في المركز. ليس فقط يمكن لشخص إ направة الكاميرا في العديد من الطرق، ولكن يمكنه أيضًا إعادة ترتيب الصورة. تحريك تركيز الصورة بحيث تكون السيارة في جميع الزوايا المختلفة هو إنشاء بيانات اصطناعية – طريقة أخرى بسيطة هي استخدام الدوران.

يمكنك تقديم بعض الأمثلة عن كيفية مساعدة Ople للمشاريع التجارية في احتياجاتها من البيانات؟

تمنح Ople.AI للمشاريع التجارية القدرة على استخدام تحليلات بيانات متقدمة في جميع مستويات المنظمة، وتعطي موظفيها الفرصة لفك القيمة الحقيقية للذكاء الاصطناعي، بضغطات قليلة. على عكس الاعتماد على فريق صغير من علماء البيانات لتحديد وتنفيذ الذكاء الاصطناعي، منصة Ople.AI تجهيز موظفي الإدارات المختلفة بأدوات الوصول إلى رؤى من بياناتهم، وبالتالي زيادة كفاءتهم اليومية.

مع ذلك، هناك عقبة كبيرة تواجهها المنظمات عند تطبيق الذكاء الاصطناعي، وهي تفسير النموذج. من المهم للغاية أن تقدم المنظمات الذكاء الاصطناعي الذي يمكن لموظفيه فهمه، وأهم من ذلك، ثقته. يساعد تفسير النموذج في ذلك. هدفنا مع منصة Ople.AI هو إعطاء الموظفين، الذين قد لا يكونون على دراية بالذكاء الاصطناعي أو التكنولوجيا، الفرصة لفهم كيفية عمل النماذج في التنبؤ والسبب. إنشاء تفسير النموذج سوف يولد نتائج قوية للمنظمات على المدى الطويل.

بالإضافة إلى ذلك، هناك قيمة أكبر يمكن أن يأتي بها النموذج إلى الشركات بخلاف التنبؤ. يمكن للذكاء الاصطناعي كشف المشاكل المحتملة أو المجالات التي يمكن الاستفادة منها. نسمي ذلك تفسير البيانات – وهي الطرق المختلفة التي يمكن للنموذج مشاركة رؤى ذكية حول البيانات التي تهم الشركة. هذا هو طريقة كبيرة يمكن للذكاء الاصطناعي مساعدة الأعمال، ومجال نحن نتقدم فيه، مع احترام المنافسة.

شكرًا على المقابلة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة Ople.ai.