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

بيدرو ألفيس هو الرئيس التنفيذي ومؤسس Ople.ai، وهي منصة تمنح المحللين وخبراء الموضوع قوة تحليلات تنبؤية قوية. تم تجهيز المنصة بمعرفة وخبرة أفضل علماء البيانات في العالم حتى يتمكن المستخدمون من التركيز على ما هم جيدون فيه حقًا: خلق تأثير تجاري.

ما الذي جذبك في البداية إلى علم البيانات؟

في عام 2001، رأيت إمكانيات هائلة في التعلم الآلي والذكاء الاصطناعي. أثناء دراستي للعلوم الحاسوبية كطالب، وقراري ما الفرع الفرعي لمتابعة، فكرت: حسنًا، AI / ML هو مجال من علوم الحاسوب الذي أعتقد أنه مثير للاهتمام – يمكنك مساعدة التنبؤ بالأحداث في أي مجال. سواء كنت في الأحياء أو الطب أو المالية، إذا كان لديك تعلم الآلة والذكاء الاصطناعي، يمكنك تقدم تلك المجالات بشكل كبير. لقد فكرت دائمًا أن الرياضيات وراءها ممتعة.

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

قريبًا بعد ذلك، دخلت ngành الرعاية الصحية، حيث رأيت إمكانيات كبيرة للتطبيقات AI / ML. هذا هو عندما بدأت أرى المشاكل التي كان لها AI في الممارسة، خارج الأكاديمية. واجهت واقع الذكاء الاصطناعي وتعلمت كيف تم تطبيقها بشكل غير فعال في العالم الحقيقي، وليس بسبب مشاكل فنية. لذلك، أصبحت مهتمًا بحل المشكلة.

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

كشركة، كنا نكتشف الأحداث المسجلة على وسائل التواصل الاجتماعي، وخاصة الأحداث التي تحتاج إلى التأكيد كخطر محتمل، مثل حادث سيارة قريب أو بناء في النار. ساعدنا في وضع علامة على هذه الأحداث، حتى نتمكن من мобلزة المزيد من المستجيبين الأوائل. كنا نستخدم وسائل التواصل الاجتماعي من أجل الخير.

许多 من تلك الأحداث نادرة، مع احترام بيانات وسائل التواصل الاجتماعي. على سبيل المثال، هناك حوادث كثيرة تحدث كل يوم في أي مدينة معينة، ولكن عندما تنظر إلى حجم بيانات وسائل التواصل الاجتماعي، تصبح صورة حادث سيارة صغيرة جدًا. فكر في ملايين الصور من الجراء، صور الطعام، مليون صورة أخرى من الصور الشخصية، وصور حادث سيارة واحدة، كل ذلك في غضون بضع دقائق. في الأساس، في Banjo، كنا نجد الإبرة في العصبة.

لذلك، واحدة من التحديات التي تظهر كانت تتعلق بالرؤية الحاسوبية. على الرغم من أن الرؤية الحاسوبية كانت جيدة في ذلك الوقت، عندما تحاول العثور على واحد 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 عندما يتم استخدامها لتدريب الشبكات العصبية تسبب في عدم khả năng التعرف على اللون. حتى لو كانت الصورة في مجموعة البيانات ملونة، والشبكة العصبية تنظر إلى جميع RGB، لم تستخدم اللون كدلالة. خذ سيارة شرطة تقليدية وسيارة تاكسي تقليدية – كلاهما نفس نموذج السيارة الأساسي وقطعة إضافية من الآلات في الأعلى (أي صفارات الشرطة 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، ذهبت بعد ذلك إلى إطلاق Ople. ما هي قصة التأسيس وراء هذا التشغيل؟

أردت أن تتلقى الشركات عائدًا جيدًا 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 الفنية، مثل دقة النموذج. عادة ما يكون ذلك بسبب ثقافة الشركة أو الجوانب الإجرائية داخل الشركة.

قد يكون هذا بسبب نقص التواصل الكافي بين فريق علم البيانات والفريق التجاري، مما يؤدي إلى نماذج تتنبأ بشيء لا يحتاجه الفريق التجاري لأن فريق علم البيانات لم يفهم ما يحتاج إلى بناؤه. أو، إذا بنوا النموذج الصحيح، ثم عندما ينتهي فريق علم البيانات، لا يستفيد الفريق التجاري من التنبؤات على الإطلاق. في معظم الشركات، الإدارات مثل المبيعات والتسويق واللوجستيات هي التي يجب أن تستفيد حقًا من الذكاء الاصطناعي، ولكن فريق علم البيانات هو الذي يفهم النماذج. عندما لا يفهم هؤلاء الأفراد النماذج التي يتم بناؤها لهم، فإنهم لا يثقون في تنبؤاتها وبالتالي لا يستخدمونها.

لذلك، إذا لم يغير الذكاء الاصطناعي طريقة عمل الشركة، فما هو الغرض؟

كنا نريد إنشاء منصة تحل هذه المشكلة – نريد مساعدة فريق علم البيانات أو المحللين التجاريين، أو من يشارك في هذه العملية في الشركة – في بناء المشاريع الصحيحة ومساعدة الموظفين على فهم النماذج وثقة بها. إذا حللنا ذلك، أعتقد أن علم البيانات يمكن أن يكون قيمًا للشركات بشكل حقيقي.

لقد ذكرت أن علماء البيانات يفقدون وقتًا ثمينًا في أداء المهام التي يمكن تلقيمها تلقائيًا بالذكاء الاصطناعي. ما هي بعض الأمثلة على المهام التي يجب تلقيمها تلقائيًا؟

سيستغرق عالم البيانات عادةً عدة أشهر لاستكمال نموذج، وبمجرد الانتهاء منه، سوف تنفذ الشركة النموذج، على الرغم من أنه قد لا يكون دقيقًا كما هو ممكن. في الأشهر التالية لتنفيذ النموذج، سيستمر عالم البيانات في العمل عليه في محاولة لزيادة دقة النموذج بكميات صغيرة. هذا هو المكان الذي يقضي فيه nhiều علماء البيانات وقتهم عندما يمكنهم قضاء وقتهم في أداء مهام أخرى، مثل ضمان فهم الموظفين وثقة النماذج واستخدامها. يمكن تلقيم جميع المهام التي يقضيها عالم البيانات عليها، مثل هندسة الميزات وتدريب النماذج وضبط المعلمات واختيار الخوارزمية، في محاولة لزيادة دقة النموذج، تلقائيًا بالذكاء الاصطناعي.

يمكنك وصف ما هو التعلم المتأصل وكيف تطبيق Ople هذا؟

قبل أن أتحدث عن التعلم المتأصل، من المهم فهم الطبقة الأولى من التعلم الآلي. دعنا نقول، لديك مجموعة بيانات تتنبأ بوقت كسر الآلات على أرضية المصنع. سوف يُبلغ الآلة الموظفين بأنها على وشك الكسر، حتى يتمكنوا من أداء الصيانة الوقائية. هذا يعتبر الطبقة الأولى من التعلم.

التعلم المتأصل، المعروف أيضًا باسم “التعلم لتعلم”، هو فهم أفضل لعملية التعلم. لذلك، أثناء تدريب نموذجك على التنبؤ بأخطاء الآلات، لديك نموذج آخر يراقب. على سبيل المثال، يمكن للنموذج الثاني مساعدة الشركات على فهم أي معلمات النموذج التنبؤي تعلمها جيدًا، وأي معلمات لا تعمل جيدًا. عندما تقوم بالتعلم المتأصل، تصبح أفضل في بناء نماذج أكثر كفاءة، وأسرع.

ما هي آرائك حول البيانات الاصطناعية؟

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

دعنا نقول، لديك بيانات سجلات طبية – لديك 20 مريضًا، وللمرضى هؤلاء، لديك عمرهم، جنسهم، وزنهم، طولهم، ضغط دمهم، قائمة بالأدوية، إلخ. من الممكن إنشاء بيانات اصطناعية بالاعتماد على سجلات طبيةเหล่านี้. ومع ذلك، إذا اعتمدت فقط على التعلم الآلي أو الإحصاء، يمكنك أن تنتهي ببيانات اصطناعية 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 450 كيلوغرامًا. في حين أن الذكاء الاصطناعي والتعلم الآلي موثوق بهما في العديد من الحالات، فإن استخدام البيانات الاصطناعية لالسجلات الطبية سيتطلب إدخال طبيب.

لذلك، تحصل على مشاركة محترف طبي لإنشاء معايير، مثل “إذا كان الشخص في هذا العمر، ما هو نطاق الوزن والطول المتعاقب؟” أو “إذا كان يأخذ هذا الدواء، ما الأدوية التي لا ينبغي أن يأخذها؟” سوف يصبح هذا العملية مهمة هائلة ومركبة للغاية لتحديد جميع الإمكانيات، كما تتعلق بسجلات المرضى الطبية.

في مجال الصور، ومع ذلك، يمكن أن تكون البيانات الاصطناعية أسهل في الفهم وإنشائها. قل إن لديك صورة لسيارة، والسيارة تقع في الزاوية العلوية اليسرى. لا تحتاج إلى أن تكون خبيرًا لتعرف أن السيارة نفسها يمكن أن تكون في الزاوية السفلى اليسرى أو الزاوية العلوية اليمنى أو في المركز. ليس فقط يمكن أن يوجه الشخص الكاميرا بطرق عديدة، ولكن يمكنه أيضًا إعادة تنظيم الصورة. تحريك تركيز الصورة بحيث تكون السيارة في جميع الزوايا المختلفة هو إنشاء بيانات اصطناعية – طريقة أخرى بسيطة هي استخدام الدوران.

هل يمكنك تقديم بعض الأمثلة عن كيفية مساعدة Ople للمؤسسات في احتياجاتهم من البيانات؟

تمنح Ople.AI المؤسسات القدرة على استخدام تحليلات بيانات عميقة على جميع مستويات المنظمة، وتمنح موظفيها الفرصة لفك القيمة الحقيقية للذكاء الاصطناعي، بمجرد النقر على بضع مرات. على عكس الاعتماد على فريق صغير من علماء البيانات لتحديد وتطبيق الذكاء الاصطناعي، توفر منصة Ople.AI موظفي الإدارات المختلفة بأدوات الوصول إلى رؤى من بياناتهم، وبالتالي زيادة كفاءتهم اليومية.

مع ذلك، هناك عقبة كبيرة تواجه المؤسسات عند تطبيق الذكاء الاصطناعي وهي تفسير النموذج. من المهم للغاية أن تقدم المؤسسات الذكاء الاصطناعي الذي يمكن لموظفيها فهمه، وأهم من ذلك، الثقة به. يساعد تفسير النموذج في ذلك. هدفنا مع منصة Ople.AI هو منح الموظفين، الذين قد لا يكونون على دراية بالذكاء الاصطناعي أو التكنولوجيا، الفرصة لفهم بسهولة كيفية عمل النماذج على التنبؤات ولماذا. إنشاء تفسير النموذج سوف يولد نتائج قوية للمؤسسات على المدى الطويل.

بالإضافة إلى ذلك، هناك قيمة أكبر يمكن أن تbringها النماذج إلى الشركات بخلاف جعل التنبؤات. يمكن للذكاء الاصطناعي أن يكشف عن مشاكل محتملة أو مجالات 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 للشركات أن تساعد، ومجال نتقدم فيه، مع احترام المنافسة.

شكرًا على المقابلة، القراء الذين يرغبون في التعلم المزيد يجب أن يزوروا Ople.ai.