مقابلات
فيناي كومار سانكارابو، المؤسس المشارك والرئيس التنفيذي لأريا.اي – سلسلة المقابلات
أضف Unite.AI إلى مصادرك المفضلة على Google
فيناي كومار سانكارابو، هو المؤسس المشارك والرئيس التنفيذي لأريا.اي، منصة تقدم “سحابة الذكاء الاصطناعي” للمؤسسات المالية، والشركات التأمينية، والمؤسسات المالية لتحديد أفضل واجهات برمجة تطبيقات الذكاء الاصطناعي، وحلول الخبراء في الذكاء الاصطناعي، وأدوات الحوكمة الشاملة المطلوبة لتنفيذ محركات الذكاء الاصطناعي الموثوقة والمتعلمة ذاتيًا.
خلفيتك في الرياضيات والفيزياء والكيمياء والهندسة الميكانيكية، هل يمكنك مناقشة رحلتك في الانتقال إلى علوم الحاسوب والذكاء الاصطناعي؟
في معهد الهندسة والتكنولوجيا في بومباي، لدينا برنامج الدرجات المزدوجة الذي يوفر دورة مدتها 5 سنوات لتغطية كل من البكالوريوس والماجستير في التكنولوجيا. درست الهندسة الميكانيكية مع تخصص في التصميم والتصنيع بمساعدة الحاسوب، حيث أن علوم الحاسوب جزء من مناهجنا. لأبحاث ما بعد التخرج، اخترت العمل على التعلم العميق. بينما بدأت باستخدام التعلم العميق لبناء إطار تنبؤ الفشل لتصنيع مستمر، أنهيت أبحاثي على استخدام الشبكات العصبية المتتالية للتنبؤ بالحياة المتبقية. كان ذلك حول عام 2013/2014.
أطلقت أريا.اي أثناء وجودك في الكلية، هل يمكنك مشاركة قصة ولادة هذا الاستارت أب؟
كجزء من الأبحاث الأكاديمية، كان علينا قضاء 3-4 أشهر في مراجعة الأدب لإنشاء دراسة مفصلة حول موضوع الاهتمام، ونطاق العمل المنجز حتى الآن وما يمكن أن يكون مجال تركيز البحث. خلال عام 2012/2013، كانت الأدوات التي استخدمناها khá أساسية. كان محرك البحث مثل جوجل سكولار وسكوبوس يقومون ببساطة بالبحث عن الكلمات الرئيسية. كان من الصعب حقًا فهم حجم المعرفة المتاحة. كنت أعتقد أن هذا المشكلة سوف تزداد سوءًا. في عام 2013، أعتقد أن هناك على الأقل 30+ ورقة يتم نشرها كل دقيقة. اليوم، هذا على الأقل 10-20 مرة أكثر من ذلك.
كنا نريد بناء مساعد ذكاء اصطناعي مثل “أستاذ” للباحثين لمساعدتهم في اقتراح موضوع بحث، العثور على ورقة مناسبة وأحدث ما هو موجود حول أبحاث العلوم والتكنولوجيا والهندسة والرياضيات. مع خبرتنا في التعلم العميق، فكرت أننا يمكن أن نحل هذا المشكلة. في عام 2013، بدأنا أريا.اي مع فريق من 3 أشخاص، ثم توسع إلى 7 أشخاص في عام 2014 بينما كنت لا تزال في الكلية.
كان إصدارنا الأول من المنتج مبنيًا عن طريق حصد أكثر من 30 مليون ورقة وموجز. استخدمنا تقنيات التعلم العميق المتقدمة في ذلك الوقت لإنشاء مساعد بحث ذكاء اصطناعي ومحرك بحث سياقي للعلوم والتكنولوجيا والهندسة والرياضيات. لكن عندما عرضنا مساعد الذكاء الاصطناعي على بعض الأساتذة والزملاء، أدركنا أننا كنا مبكرين جدًا. كانت تدفقات المحادثة محدودة، وكان المستخدمون يتوقعون تدفقًا حُرًا ومتواصلًا. كانت التوقعات غير واقعية جدًا في ذلك الوقت (2014/2015) على الرغم من أنها كانت تجيب على أسئلة معقدة.
بعد ذلك، غيرنا تركيزنا لاستخدام أبحاثنا والتركيز على أدوات التعلم الآلي للباحثين والشركات كمنصة عمل لتسخير التعلم العميق. لكن مرة أخرى، كان هناك عدد قليل من علماء البيانات الذين يستخدمون التعلم العميق في عام 2016. لذلك، بدأنا بتحويله لاستخدامه في مجال رأسي واحد وتركيزنا على بناء طبقات منتجات متخصصة لمجال رأسي واحد، أي المؤسسات المالية. كنا نعرف أن هذا سوف يعمل لأننا بينما يهدف اللاعبون الكبار للفوز باللعبة الأفقية، يمكن لللاعبين الرأسيين إنشاء فكرة متميزة كبيرة للاستارت أبس.
نحن نبني سحابة الذكاء الاصطناعي للمؤسسات المالية، والشركات التأمينية، والمؤسسات المالية مع أكثر الطبقات الرأسية المتخصصة لتسليم حلول ذكاء اصطناعي معززة ومسؤولة.
ما مدى حجم مشكلة صندوق أسود الذكاء الاصطناعي في مجال المالية؟
مهمة للغاية! يستخدم فقط 30% من المؤسسات المالية “الذكاء الاصطناعي” إلى إمكانياته الكاملة. بينما أحد الأسباب هو سهولة الوصول، فإن آخر هو نقص ثقة ومراقبة “الذكاء الاصطناعي”. المنظمات الآن واضحة في بعض الجغرافيات حول قانونية استخدام الذكاء الاصطناعي لحالات استخدام منخفضة ومتوسطة وعالية الحساسية. يتطلب القانون في الاتحاد الأوروبي استخدام نماذج شفافة لケースات عالية الخطورة. العديد من حالات الاستخدام في المؤسسات المالية هي حالات استخدام عالية الخطورة. لذلك، يتعين عليهم استخدام نماذج واضحة.
دورات الهوس تتقلب أيضًا بسبب الخبرات المبكرة مع حلول الذكاء الاصطناعي. هناك عدد متزايد من الأمثلة في الأوقات الحديثة حول آثار استخدام “الذكاء الاصطناعي” الأسود، وفشل “الذكاء الاصطناعي” بسبب عدم مراقبته، وتحديات مع مدراء المخاطر والقانون بسبب محدودية المراقبة.
هل يمكنك مناقشة الفرق بين مراقبة التعلم الآلي ومراقبته؟
عمل أداة المراقبة هو ببساطة مراقبة وتحذير. ووظيفة أداة المراقبة هي ليس فقط مراقبة وتقرير، ولكن، والأهم، تقديم أدلة كافية للعثور على أسباب الفشل أو التنبؤ بهذه الفشل مع مرور الوقت.
في الذكاء الاصطناعي والتعلم الآلي، تلعب هذه الأدوات دورًا حاسمًا. بينما يمكن لهذه الأدوات تقديم الأدوار أو المراقبة المطلوبة، فإن نطاق مراقبة التعلم الآلي
لماذا تحتاج منصات محددة بالصناعة إلى مراقبة التعلم الآلي بدلاً من المنصات العامة؟
المنصات العامة مصممة للجميع وجميع حالات الاستخدام، بغض النظر عن الصناعة– يمكن لأي مستخدم أن يأتي على متن المنصة ويبدأ في استخدامها. عملاء هذه المنصات عادة ما يكونون مطورين، وعلماء بيانات، إلخ. المنصات، ومع ذلك، تخلق تحديات عديدة للمستفيدين بسبب طبيعتها المعقدة ونهج “الحجم الواحد يناسب الجميع”.
لسوء الحظ، تحتاج معظم الأعمال اليوم إلى خبراء في علوم البيانات لاستخدام المنصات العامة ويتطلبون حلولًا/طبقات منتجات إضافية لجعل هذه النماذج “قابلة للاستخدام” من قبل المستخدمين النهائيين في أي مجال رأسي. هذا يشمل تفسيرية، ومراقبة، وقطاعات/szenarios، وعمليات متعددة في الحلقة، وتعليم التغذية الراجعة، ومراقبة، وخطوط أنابيب خاصة بالأداة، إلخ.
هنا تأتي منصات الذكاء الاصطناعي المحددة بالصناعة كفائدة. منصة الذكاء الاصطناعي المحددة بالصناعة تملك سير العمل بأكمله لحل احتياجات العملاء المستهدفين أو حالات الاستخدام وتم تطويرها لتوفير منتج كامل من النهاية إلى النهاية، من فهم الاحتياجات التجارية إلى مراقبة أداء المنتج. هناك العديد من العوائق المحددة بالصناعة، مثل الإطارات التنظيمية والامتثال، ومتطلبات الخصوصية، ومتطلبات المراقبة والتحكم، إلخ. منصات الذكاء الاصطناعي المحددة بالصناعة والعروض تسريع تبني الذكاء الاصطناعي وتقليل مسار الوقت والрисك المرتبطين بتشغيل الذكاء الاصطناعي. بالإضافة إلى ذلك، سيساعد ذلك على جمع خبراء الذكاء الاصطناعي في الصناعة كطبقة منتج تساعد على تحسين قبول “الذكاء الاصطناعي”، وتحفيز الجهود المتمثلة في الامتثال، ووضع نهج مشترك لمخاوف الثقة والسمعة.
هل يمكنك مشاركة بعض التفاصيل حول منصة مراقبة التعلم الآلي التي تقدمها أريا.اي؟
لقد عملنا في مؤسسات الخدمات المالية لمدة 6+ سنوات. منذ عام 2016. هذا أعطانا وصولًا مبكرًا إلى التحديات الفريدة لتنفيذ الذكاء الاصطناعي المعقد في المؤسسات المالية. واحدة من التحديات المهمة كانت “قبول الذكاء الاصطناعي”. على عكس المجالات الأخرى، هناك العديد من اللوائح على استخدام أي برنامج (كذلك حلول الذكاء الاصطناعي)، وخصوصية البيانات، والأخلاقيات، والأهم، التأثير المالي على الأعمال. لمواجهة هذه التحديات بمقياس، كان علينا اختراع واستمرار إضافة طبقات جديدة من التفسيرية، ومراقبة، واختبار المخاطر والمساءلة على رأس حلولنا – معالجة المطالبات، والتأمين، ومراقبة الاحتيال، إلخ. مع مرور الوقت، أنشأنا إطارًا مقبولًا ومقياسًا لمراقبة التعلم الآلي لجميع أصحاب المصلحة في صناعة الخدمات المالية.
نحن الآن إطلاق نسخة DIY من الإطار كأريا إكس إيه آي (xai.arya.ai). يمكن لأي فريق تعلم آلي أو فريق أعمال استخدام أريا إكس إيه آي لإنشاء حوكمة ذكاء اصطناعي شاملة للمواقع الحساسة. تقدم المنصة شفافية ومراقبة ل حلول الذكاء الاصطناعي التي تقبلها جميع أصحاب المصلحة. أريا إكس إيه آي يجعل الذكاء الاصطناعي أكثر أمانًا وقبولًا للاستخدامات الحساسة من خلال تقديم تفسيرية موثوقة ودقيقة، وتقديم أدلة لدعم الإجراءات التنظيمية، وإدارة عدم اليقين في الذكاء الاصطناعي من خلال تقديم سيطرات سياسية متقدمة، وضمان الاتساق في الإنتاج من خلال مراقبة انحراف البيانات أو انحراف النموذج وتحذير المستخدمين بتحليل السبب الجذري.
أريا إكس إيه آي يخدم أيضًا كسير عمل مشترك ويقدم رؤى مقبولة من قبل جميع أصحاب المصلحة – علوم البيانات، وتكنولوجيا المعلومات، والрисك، والعمليات، والامتثال، مما يجعل طرح و صيانة نماذج الذكاء الاصطناعي والتعلم الآلي سلسة وخالية من الفوضى.
هناك حل آخر يتم تقديمه وهو منصة تعزز قابلية تطبيق نموذج التعلم الآلي مع تنفيذ سياسة سياقية. هل يمكنك وصف ما هو هذا بالتحديد؟
يصبح من الصعب مراقبة وسيطرة نماذج التعلم الآلي في الإنتاج بسبب حجم الميزات والتنبؤات الهائل. بالإضافة إلى ذلك، يجعلهم عدم اليقين في سلوك النموذج يصعب إدارة وتنظيم الحوكمة والخطر والامتثال. يمكن أن تؤدي فشل هذه النماذج إلى خسائر سمعة ومالية كبيرة.
تقدم أريا إكس إيه آي “سيطرات السياسة/الخطر”، وهو مكون حاسم يحافظ على المصالح التجارية والأخلاقية من خلال فرض السياسات على الذكاء الاصطناعي. يمكن للمستخدمين بسهولة إضافة/تحرير/تعديل السياسات لإدارة سيطرات السياسة. هذا يسمح للفرق العابرة للوظائف بتحديد حواجز سياسة لضمان تقييم مستمر للمخاطر، وحماية الأعمال من عدم اليقين في الذكاء الاصطناعي.
ما هي بعض الأمثلة على حالات استخدام هذه المنتجات؟
يمكن تنفيذ أريا إكس إيه آي لعمليات مهمة وحساسة عبر الصناعات. الأمثلة الأكثر شيوعًا هي:
المؤسسات المالية: في بيئة من الصرامة التنظيمية، يجعل أريا إكس إيه آي من السهل على صناعة المؤسسات المالية أن تتوافق على المتطلبات وجمع الأدلة اللازمة لإدارة المخاطر وضمان الامتثال.
- التأمين الائتماني للأقران
- تحديد الاحتيال/المعاملات المشبوهة
- مراجعة
- إدارة دورة حياة العملاء
- اتخاذ القرارات الائتمانية
السيارات المستقلة: المركبات المستقلة تحتاج إلى الامتثال للصرامة التنظيمية، والسلامة التشغيلية، والتفسيرية في الوقت الفعلي للقرارات. أريا إكس إيه آي يسمح بفهم كيف يتفاعل نظام الذكاء الاصطناعي مع المركبة
- تحليل القرار
- عمليات المركبات المستقلة
- بيانات صحة المركبة
- مراقبة نظام القيادة الذكية
الرعاية الصحية: أريا إكس إيه آي يوفر رؤى أعمق من المنظورات الطبية، والتكنولوجية، والقانونية، والمرضية. من اكتشاف الأدوية إلى التصنيع، والمبيعات، والتسويق، أريا إكس إيه آي يодейств على تعاون متعدد التخصصات
- اكتشاف الأدوية
- البحث السريري
- التحقق من صحة بيانات التجارب السريرية
- جودة الرعاية الأعلى
ما هو رؤيتك لمستقبل التعلم الآلي في المالية؟
على مدار العقد الماضي، كان هناك تثقيف وتسويق هائل حول “الذكاء الاصطناعي”. لقد رأينا دورات هوس متعددة خلال هذا الوقت. ربما سنكون في الدورة الرابعة أو السادسة الآن. كانت الدورة الأولى عندما فاز التعلم العميق بمنافسة إيماجنت في عام 2011/2012، تليها عمل حول تصنيف الصور والكلام، والتعرف على الكلام، والسيارات المستقلة، والذكاء الاصطناعي التوليدي، والآن مع نماذج اللغة الكبيرة. الفجوة بين ذروة الهوس والاستخدام الشامل تقل مع كل دورة هوس بسبب التكرارات حول المنتج، والطلب، والتمويل.
حدثت هذه الأشياء الثلاثة الآن:
- أعتقد أننا قد حصلنا على إطار قابلية للتطوير ل حلول الذكاء الاصطناعي، على الأقل من قبل بعض الخبراء. على سبيل المثال، أوبن آي آي حاليًا منظمة غير ربحية، لكنهم يتوقعون تحقيق إيرادات تبلغ مليار دولار في غضون عامين. بينما قد لا تحقق كل شركة ذكاء اصطناعي نفس النطاق، إلا أن قالب قابلية التطوير أصبح أوضح.
- تعريف حلول الذكاء الاصطناعي المثالية أصبح واضحًا تقريبًا لجميع المجالات الرأسية: على عكس الماضي، حيث تم بناء المنتج من خلال تجارب تكرارية لكل حالة استخدام وكل منظمة، أصبح أصحاب المصلحة على دراية متزايدة بفهم ما يحتاجونه من حلول الذكاء الاصطناعي.
- اللوائح الآن تتقدم: الاحتياج إلى لوائح واضحة حول خصوصية البيانات واستخدام الذكاء الاصطناعي يكتسب زخمًا كبيرًا. الهيئات الحاكمة والمنظمات能够 نشر إطارات مطلوبة لاستخدام الذكاء الاصطناعي بأمان ومسؤولية.
ماذا يأتي بعد ذلك؟
انفجار “النموذج كخدمة” (MaaS):
سنرى زيادة في الطلب على مقترحات “النموذج كخدمة” ليس فقط أفقيًا ولكن رأسيًا أيضًا. بينما يمثل “أوبن آي آي” مثالًا جيدًا لـ “MaaS” أفقي، أريا.اي هو مثال ل “MaaS” رأسي. مع خبرتنا في الت_deployments والبيانات، جمعت أريا.اي مجموعات بيانات حرجة رأسية تم استخدامهما لتدريب النماذج وتقديمها كنموذج مسبق أو نموذج مدرب مسبقًا.
الرأسي هو الأفقية الجديد: لقد رأينا هذا الاتجاه في “تبني السحابة”. بينما يركز لاعبو السحابة الأفقية على “منصات للجميع”، يركز اللاعبون الرأسيون على احتياجات المستخدم النهائي ويقدمونها كطبقة منتج متخصصة. هذا صحيح أيضًا لعروض “MaaS”.
أريا إكس إيه آي و حوكمة الذكاء الاصطناعي ستصبح عادة في المؤسسات: اعتمادًا على حساسية اللوائح، ستحقق كل مجال رأسي إطارًا مقبولًا لمراقبة التعلم الآلي وحوكمة الذكاء الاصطناعي سيتم تنفيذه كجزء من التصميم، على عكس ما هو عليه اليوم، حيث يتم التعامل معه كإضافة.
الذكاء الاصطناعي التوليدي على بيانات الجدول قد يرى دورات هوسه في المؤسسات: إنشاء مجموعات بيانات اصطناعية يُعتبر واحدًا من الحلول السهلة للتطبيق لمعالجة تحديات البيانات في المؤسسات. سيتفضل فريق علوم البيانات بشدة هذا لأنه مشكلة تحت سيطرتهم، على عكس الاعتماد على الأعمال لأنها قد تأخذ وقتًا وتكون مكلفة ولا تضمن اتباع جميع الخطوات أثناء جمع البيانات. حلول البيانات الاصطناعية تحل مشاكل الانحياز، وعدم توازن البيانات، وخصوصية البيانات، والبيانات غير الكافية. بالطبع، فعالية هذا النهج لا يزال يتعين إثباتها. ومع ذلك، مع زيادة النضج في تقنيات جديدة مثل المحولات، قد نرى المزيد من التجارب على مجموعات بيانات تقليدية مثل البيانات الجدولية والبيانات متعددة الأبعاد. عند نجاحها، يمكن أن يكون لهذا النهج تأثير كبير على المؤسسات وعروض “MaaS”.
هل هناك أي شيء آخر تريد مشاركته حول أريا.اي؟
تركز أريا.اي على حل “الذكاء الاصطناعي” للمؤسسات المالية، والشركات التأمينية، والمؤسسات المالية. نهجنا هو رأسي إلى الطبقة الأخيرة وجعله قابلاً للاستخدام وقبولًا من قبل كل منظمة و صاحب مصلحة.
أريا إكس إيه آي (xai.arya.ai) سيلعب دورًا هامًا في تسليمها إلى الجماهير داخل مجال المؤسسات المالية. أبحاثنا المستمرة حول البيانات الاصطناعية نجحت في عدد قليل من الحالات، ولكننا نهدف إلى جعلها خيارًا أكثر قابلاً للقبول. سنستمر في إضافة المزيد من الطبقات إلى سحابة “الذكاء الاصطناعي” لدينا لخدمة مهمتنا.
أعتقد أننا سنرى المزيد من الشركات الناشئة مثل أريا.اي، ليس فقط في مجال المؤسسات المالية ولكن في كل مجال رأسي.
شكرًا على المقابلة الرائعة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا أريا.اي.
