Pedro Alves, CEO a zakladatel Ople.ai – rozhovor

Pedro Alves je CEO a zakladatel Ople.ai, platformy, která poskytuje analytikům a odborníkům silné prediktivní analytické nástroje. Platforma je vybavena znalostmi a odbornými znalostmi předních světových datových vědců, aby uživatelé mohli soustředit na to, co jsou opravdu dobří: vytvářet obchodní dopad.

Co vás最初 přitáhlo k datové vědě?

V roce 2001 jsem viděl enormní potenciál v strojovém učení a umělém inteligenci. Když jsem studoval počítačové vědy jako bakalář a rozhodoval se, kterou specializaci dále studovat, myslel jsem si: OK, AI/ML je oblast počítačových věd, která mě zajímá – můžete pomoci předpovědět události v jakémkoli oboru. Bez ohledu na to, zda jste v biologii, medicíně nebo financích, pokud máte strojové učení a umělou inteligenci, můžete tyto obory výrazně posunout. Věděl jsem, že matematika za tím je fascinující.

Když jsem vstoupil do postgraduálního studia, rozhodl jsem se, že nejlepší způsob, jak zlepšit svou odbornost v strojovém učení, bude naučit se, jak jej aplikovat. Byl jsem vždy velmi praktický; nechtěl jsem se učit pouze teoreticky. Rozhodl jsem se studovat strojové učení v oblasti genomiky a proteomiky. Všechna má postgraduální práce byla v oblasti počítačové biologie, ale zaměřila se na strojové učení.

Brzy poté jsem vstoupil do zdravotnického průmyslu, kde jsem viděl velký potenciál pro aplikace AI/ML. To bylo tehdy, kdy jsem začal vidět problémy, které AI měly v praxi, mimo akademickou sféru. Zažil jsem realitu AI a naučil se, jak neefektivně byla aplikována ve skutečném světě, a to nejen z důvodu technických problémů. Takže jsem se stal vášnivým řešením tohoto problému.

Byl jste dříve chief data scientist v Banjo, kde jste řešil výzvy v oblasti sociálních sítí. Můžete mluvit o některých z těchto výzev?

Jako společnost bychom detekovali události zaznamenané na sociálních médiích, konkrétně události, které by měly být zvýrazněny jako potenciální nebezpečí, jako například nedaleká autonehoda nebo hořící budova. Pomáhali bychom upozornit na tyto události, aby mohly být mobilizovány první záchranářské týmy. Používali jsme sociální média pro dobro.

Mnohé z těchto událostí jsou vzácné ve srovnání se sociálními médii. Například v každém městě dochází k mnoha autonehodám denně, ale když se podíváte na objem sociálních médií, fotografie autonehody se stává poměrně malou. Zvažte miliony fotografií štěňat, fotografií jídla, další milion fotografií selfie a jednu fotografii autonehody, všechny v průběhu několika minut. V podstatě v Banjo jsme hledali jehlu v kupce sena.

Jedna z výzev, které vznikly, se týkala počítačového vidění. Ačkoli počítačové vidění bylo v té době dobré, když jste se pokusili najít jednu z milionů, i malá chybová pravděpodobnost mohla zcela zničit vaše šance na detekci těchto vzácných událostí.

Například existovala veřejná datová sada, která, když se použila k výcviku neuronových sítí, způsobila, že nebyly schopny identifikovat barvu. I když fotografie v datové sadě byla barevná a neuronová síť se dívala na všechny RGB, nepoužila barvu jako identifikátor. Klasické policejní auto a klasické taxi – obě jsou stejné základní modely aut a navíc kus strojního vybavení nahoře (tj. sirény na policejním autě nebo volné/zaneprázdněné signály na taxíku). Ale pokud se podíváte na barvu, rozdíl mezi nimi je zřejmý. Díky tomuto případu jsme pochopili, že vytvoření správné datové sady je zásadní.

V roce 2017 jste poté spustil Ople. Můžete mluvit o příběhu, který stál za touto startup?

Chtěl jsem, aby společnosti získaly solidní návratnost investic z implementace AI. Podle Gartneru mezi 80 až 90 procenty projektů AI nikdy nespatří světlo světa. To nemá nic společného s technickými aspekty, jako je přesnost modelu. Je to obvykle firemní kultura nebo procedurální aspekty uvnitř společnosti.

To může být způsobeno nedostatečnou komunikací mezi týmem datových vědců a obchodními uživateli, vedoucími k modelům, které předpovídají něco, co obchodní tým nepotřebuje, protože tým datových vědců nerozumí, co potřebuje postavit. Nebo, pokud postaví správný model, pak, když tým datových vědců dokončí, obchodní tým nevyužije předpovědi vůbec. Ve většině společností jsou to týmy, jako jsou prodej, marketing a logistika, které by měly skutečně využívat AI, ale je to tým datových vědců, který rozumí modelům. Když tyto týmy nerozumí modelům, které jsou pro ně postaveny, nedůvěřují jim a proto je nepoužívají.

Proč bychom měli implementovat AI, pokud nemění, jak společnost podniká?

Chtěli jsme vytvořit platformu, která to vyřeší – chceme pomoci týmu datových vědců nebo obchodním analytikům, datovým analytikům, komukoli, kdo je zapojen do tohoto procesu ve společnosti, postavit správné projekty a pomoci zaměstnancům pochopit a důvěřovat modelům. Pokud to opravíme, pak věřím, že datové vědy mohou být pro společnosti skutečně cenné.

Řekl jste, že datoví vědci ztrácejí cenný čas při provádění úkolů, které lze automatizovat pomocí AI. Můžete uvést einige příklady úkolů, které by měly být automatizovány?

Datový vědec obecně potřebuje několik měsíců k dokončení modelu a poté, co je model implementován, společnost pravděpodobně nebude mít model tak přesný, jak by mohl být. V měsících po implementaci modelu datový vědec bude pokračovat v práci na něm, aby se pokusil zvýšit přesnost modelu o malé inkrementální množství. To je obecně tam, kde banyak datoví vědci tráví svůj čas, místo aby trávili čas jinými úkoly, jako je zajištění, aby zaměstnanci rozuměli, důvěřovali a používali modely AI, které jsou na místě. Všechny ty úkoly, jako je inženýrství funkcí, školení modelů, ladění parametrů a výběr algoritmu, které se pokoušejí zvýšit přesnost modelu, lze snadno automatizovat pomocí AI.

Můžete vysvětlit, co je meta-učení a jak Ople aplikuje toto?

Než se dostanu k meta-učení, je důležité pochopit první vrstvu strojového učení. Řekněme, že máte datovou sadu, která předpovídá, kdy se stroje na tovární ploše rozbijí. Stroj upozorní zaměstnance, že se chystá rozbít, aby mohli provést preventivní údržbu. To se považuje za první vrstvu učení.

Meta-učení, často nazývané “učení se učit”, je další pochopení tohoto učení. Když tedy trénujete model, aby předpovídal chyby strojů, máte další model, který pozoruje. Například druhý model by mohl pomoci podnikům pochopit, které parametry model předpovídání chyb se učí dobře a které parametry nefungují dobře. Když děláte meta-učení, stáváte se lepšími v budování efektivnějších modelů, rychleji.

Jaké jsou vaše názory na syntetická data?

Syntetická data mohou být extrémně obtížná, pokud nejsou provedena správně.

Řekněme, že máte zdravotnické záznamy – máte 20 pacientů a pro tyto pacienty máte jejich věk, pohlaví, hmotnost, výšku, krevní tlak, seznam léků atd. Je možné vytvořit syntetická data pomocí strojového učení na základě těchto zdravotnických záznamů. Nicméně, pokud se spoléháte pouze na strojové učení nebo statistiku, můžete skončit s nesmyslnými syntetickými daty. Může vytvořit náhodné kombinace hodnot, jako je tříleté dítě, které je šest stop vysoké, nebo čtyřstopý člověk, který váží tisíc liber. Zatímco AI/ML jsou spolehlivé ve mnoha případech, syntetická data pro zdravotnické záznamy by vyžadovala vstup lékaře.

Takže se zapojí lékařský odborník, aby vytvořil parametry, jako je “pokud je osoba tohoto věku, co je realistický rozsah výšky a hmotnosti” nebo “pokud berou tento lék, které léky by neměli brát”. Tento proces by se nakonec stal masivním úsilím a příliš komplikovaným, aby se mapovaly všechny možnosti, které se vztahují k záznamům každého pacienta.

V oblasti obrazů však lze syntetická data snadno pochopit a vytvořit. Řekněme, že máte fotografii auta a auto je v levém horním rohu. Není třeba být odborníkem, aby věděl, že stejné auto by mohlo být v levém dolním rohu, horním pravém rohu nebo ve středu. Nejenže může osoba namířit kameru mnoha způsoby, ale může také realignovat obraz. Přesunutí zaměření obrazu, aby auto bylo ve všech různých rozích, je vytváření syntetických dat – další jednoduchou metodou je rotace.

Můžete uvést einige příklady toho, jak Ople pomohla podnikům se svými datovými potřebami?

Ople.AI poskytuje podnikům možnost využívat hluboké datové analytiky na všech úrovních organizace a dává zaměstnancům možnost odemknout hodnotu AI pouze několika kliknutími. Na rozdíl od toho, aby se společnosti spoléhaly na malý tým datových vědců, aby formulovaly a implementovaly AI, platforma Ople.AI vybavuje zaměstnance v různých odděleních nástroji pro přístup k informacím z jejich dat a tím zvyšuje jejich denní efektivitu.

Řekl bych, že jedna z velkých překážek, se kterou se společnosti často setkávají při implementaci AI, je vysvětlitelnost modelu. Je zásadní, aby podniky nabízely AI, které jejich zaměstnanci mohou pochopit, a ještě důležitější, důvěřovat jim. Vysvětlitelnost modelu pomáhá s tím. Naším cílem s platformou Ople.AI je dát zaměstnancům, kteří nemusí být AI nebo technicky zdatní, šanci snadno pochopit, jak modely dělají předpovědi a proč. Tvorba vysvětlitelnosti modelu bude mít mocné výsledky pro podniky v dlouhodobém horizontu.

<p Navíc existuje mnohem více hodnoty, kterou může model přinést společnostem kromě předpovídání. AI může odhalit potenciální problémy nebo oblasti, které lze využít. Říkáme tomu vysvětlitelnost dat – to jsou různé způsoby, jakými může model sdílet inteligentní informace o datech, které jsou cenné pro společnost. To je velký způsob, jak AI může pomoci podnikům, a oblast, ve které jsme pokročilejší ve srovnání s naší konkurencí.

Děkuji za rozhovor, čtenáři, kteří chtějí se更多 informací, by měli navštívit Ople.ai.