Dr. Devavrat Shah, spoluzakladatel a CEO Ikigai Labs – rozhovor

Dr. Devavrat Shah je spoluzakladatel a CEO Ikigai Labs a je také profesor a ředitel Centra pro statistiku a datové vědy na MIT. Spoluzakládal Celect, platformu pro prediktivní analýzu pro maloobchodníky, kterou prodal firmě Nike. Devavrat získal bakalářský a doktorandský titul v oboru počítačových věd na Indickém technologickém institutu a Stanfordově univerzitě.

Ikigai Labs nabízí platformu s umělou inteligencí, která je navržena tak, aby transformovala podnikové tabulková a časová data na prediktivní a akční přehledy. Díky patentovaným velkým grafickým modelům umožňuje platforma podnikovým uživatelům a vývojářům v různých odvětvích vylepšit procesy plánování a rozhodování.

Můžete sdílet příběh o založení Ikigai Labs? Co vás inspirovalo k přechodu z akademie do podnikání?

Skutečně jsem mezi akademickým a obchodním světem přecházel již několik let. Ikigai Labs jsem založil se svým bývalým studentem na MIT, Vinayakem Rameshem. Předtím jsem založil společnost Celect, která pomáhala maloobchodníkům optimalizovat rozhodnutí o zásobách pomocí AI-založeného předpovědního modelu poptávky. Celect byla v roce 2019 koupena firmou Nike.

Co jsou vlastně Velké grafické modely (LGM) a jak se liší od více známých Velkých jazykových modelů (LLM)?

LGM nebo Velké grafické modely jsou pravděpodobnostní pohled na data. Jsou v ostrém kontrastu s „základními modely“ založenými na umělém inteligenci, jako je LLM.

Základní modely předpokládají, že mohou „naučit“ všechny relevantní „ vzorce“ z velmi velké sbírky dat. A proto, když je předložen nový kus dat, může být extrapolován na základě relevantní části ze sbírky dat. LLM byly velmi efektivní pro nestrukturovaná data (text, obrázky).

LGM naopak identifikují vhodné „funkční vzorce“ z velké „univerzity“ takových vzorců dané části dat. LGM jsou navrženy tak, aby měly všechny relevantní „funkční vzorce“ k dispozici pro strukturovaná data (tabulková, časová řada).

LGM jsou schopny naučit se a poskytnout přesné předpovědi a prognózy pomocí velmi omezených dat. Například lze je použít pro velmi přesné předpovědi kritických, dynamicky se měnících trendů nebo obchodních výsledků.

Můžete vysvětlit, jak jsou LGM zvláště vhodné pro analýzu strukturovaných, tabulkových dat, a jaké výhody nabízejí oproti jiným modelům AI v této oblasti?

LGM jsou navrženy speciálně pro modelování strukturovaných dat (tj. tabulková, časová řada dat). Jako výsledek poskytují lepší přesnost a spolehlivější předpovědi.

Kromě toho LGM vyžadují méně dat než LLM a proto mají nižší výpočetní a úložné nároky, což snižuje náklady. To také znamená, že organizace mohou získat přesné přehledy z LGM i s omezenými trénovacími daty.

LGM také podporují lepší ochranu dat a bezpečnost. Školí se pouze na datech podniku – s doplňováním z vybraných externích zdrojů dat (jako je počasí a sociální média) podle potřeby. Neexistuje žádné riziko, že citlivá data budou sdílena s veřejným modelem.

V jakých obchodních scénářích poskytují LGM největší hodnotu? Můžete poskytnout einige příklady, jak byly použity ke zlepšení předpovědí, plánování nebo rozhodování?

LGM poskytují hodnotu ve scénářích, kde organizace potřebuje předpovědět obchodní výsledek nebo předvídat trendy, aby mohla vést svou strategii. Jinými slovy, pomáhají napříč širokým spektrem případů použití.

Představte si podnik, který prodává halloweenské kostýmy a zboží a hledá přehledy, aby mohl učinit lepší rozhodnutí o merchandisingu. Vzhledem k jejich sezónnosti se pohybují na tenké hraně: Na jedné straně společnost chce tránhit přebytečné zásoby a zbavit se neprodaných zboží na konci každé sezóny (což znamená neprodané zboží a zmařené CAPEX). Na druhé straně také nechce vyčerpat zásoby příliš brzy (což znamená, že zmeškal prodej).

Použitím LGM může podnik najít rovnováhu a vést své úsilí o merchandising. LGM mohou odpovědět na otázky, jako:

• Jaké kostýmy bych měl skladovat této sezóny? Kolik bych měl skladovat z každého SKU?
• Jak dobře se bude prodávat jeden SKU na konkrétním místě?
• Jak dobře se bude prodávat tento příslušenství s tímto kostýmem?
• Jak můžeme tránhit kanibalizaci prodejů ve městech, kde máme více obchodů?
• Jak budou nové kostýmy fungovat?

Jak LGM pomáhají ve scénářích, kde jsou data řídká, nesourodá nebo rychle se měnící?

LGM využívají AI-založenou datovou rekonsilaci, aby poskytly přesné přehledy i při analýze malých nebo šumových datových souborů. Datová rekonsilace zajišťuje, aby data byla konzistentní, přesná a úplná. Zahrnuje srovnání a ověření datových souborů, aby identifikovala nesrovnalosti, chyby nebo nesrovnalosti. Kombinací prostorové a časové struktury dat LGM umožňují dobré předpovědi s minimálními a vadnými daty. Předpovědi jsou doprovázeny kvantifikací nejistoty a interpretací.

Jak se mise Ikigai Labs na demokratizaci AI shoduje s rozvojem LGM? Jak vidíte LGM formující budoucnost AI v podnikání?

AI mění způsob, jakým pracujeme, a podniky musí být připraveny na AI-založené pracovníky všech typů. Platforma Ikigai nabízí nízký kód / žádný kód pro podnikové uživatele, stejně jako plný AI Builder a API pro datové vědce a vývojáře. Kromě toho nabízíme bezplatné vzdělávání na naší Ikigai Academy, aby kdokoli mohl naučit základy AI a získat certifikaci na platformě Ikigai.

LGM budou mít obrovský dopad na podniky, které chtějí využívat AI pro numerické prediktivní a statistické modelování, jako je pravděpodobnostní předpověď a scénářové plánování. Ale LLM nebyly navrženy pro tyto případy použití, a mnoho organizací si myslí, že LLM jsou jediným typem generativní AI. Takže se pokusí použít Large Language Modely pro předpověď a plánování, a ony to nezvládnou. Pak se vzdají a předpokládají, že generativní AI není schopná podporovat tyto aplikace. Když objeví LGM, uvědomí si, že skutečně mohou využívat generativní AI pro lepší předpověď a plánování a pomoci jim učinit lepší obchodní rozhodnutí.

Platforma Ikigai integruje LGM s lidským přístupem prostřednictvím funkce eXpert-in-the-loop. Můžete vysvětlit, jak tato kombinace zvyšuje přesnost a přijetí AI modelů v podnikání?

AI potřebuje zábrany, protože organizace jsou přirozeně opatrné, zda technologie bude fungovat přesně a efektivně. Jedna z těchto zábran je lidský dohled, který může pomoci vložit kritické odborné znalosti a zajistit, aby AI modely poskytly předpovědi a prognózy, které jsou relevantní a užitečné pro podnik. Když organizace mohou umístit lidského odborníka do role monitorování AI, mohou jí důvěřovat a ověřit její přesnost. To překonává jednu z hlavních překážek přijetí.

Jaké jsou klíčové technologické inovace na platformě Ikigai, které ji odlišují od ostatních AI řešení dostupných na trhu?

Naše základní technologie LGM je největším rozlišovacím prvkem. Ikigai je průkopníkem v tomto prostoru bez peer. Můj spoluzakladatel a já vynalezli LGM během naší akademické práce na MIT. Jsme inovátory v oblasti velkých grafických modelů a využití generativní AI na strukturovaná data.

Jaký dopad očekáváte, že LGM budou mít na odvětvích, která silně závisí na přesné předpovědi a plánování, jako je maloobchod, řízení dodavatelského řetězce a finance?

LGM budou zcela transformační, protože jsou speciálně navrženy pro použití na tabulková a časová řada dat, která je životním krevním oběhem každé společnosti. Virtuálně každá organizace ve všech odvětvích silně závisí na analýze strukturovaných dat pro předpověď poptávky a obchodní plánování, aby mohla učinit správná rozhodnutí, ať už se jedná o merchandising, nábor, investice, vývoj produktů nebo jiné kategorie. LGM poskytují nejbližší věc k „křišťálové kouli“ pro učinit nejlepší rozhodnutí.

Jaké jsou další kroky pro Ikigai Labs při rozvoji schopností LGM? Jsou nějaké nové funkce nebo vývoj v pipeline, které vás zvláště zajímají?

Naše stávající model aiPlan podporuje funkce what-if a scénářové analýzy. V budoucnu se chceme dále rozvíjet a umožnit plně vybavené učení s posilováním pro operační týmy. To by umožnilo operačnímu týmu dělat AI-založené plánování v krátkém i dlouhém období.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Ikigai Labs.