Pedro Alves, CEO a zakladatel Ople.ai – rozhovorová série

Pedro Alves je CEO a zakladatel Ople.ai, platformy, která umožňuje analytikům a odborníkům na danou problematiku využívat výkonnou prediktivní analytiku. 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 огромný potenciál v strojovém učení a umělém inteligenci. Během studia počítačové vědy jako bakaláře a rozhodování, které suboboru dále sledovat, jsem si řekl: OK, AI/ML je oblast počítačové vědy, která mě zajímá – můžete pomoci předpovídat události v jakémkoli oboru. Bez ohledu na to, zda jste v biologii, medicíně nebo financích, pokud máte strojové učení a AI, můžete tyto obory významně 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 ve strojovém učení, bude naučit se, jak jej aplikovat. Byl jsem vždy velmi praktický; nechtěl jsem se učit teorii jen pro teorii. Rozhodl jsem se studovat strojové učení, jak se aplikuje na obor genomics a proteomics. Všechna moje postgraduální práce byla v oblasti computační biologie, ale zaměřená na strojové učení.

Brzy poté jsem vstoupil do zdravotnického průmyslu, kde jsem viděl velký potenciál pro aplikace AI/ML. To bylo okamžik, kdy jsem začal vidět problémy, které AI měl v praxi, mimo akademickou sféru. Zažil jsem realitu AI a naučil se, jak neefektivně byl aplikován ve skutečném světě, a to nejen z důvodu technických problémů. Takže jsem se stal přitahován k řešení tohoto problému.

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

Jako společnost jsme detekovali události zaznamenané na sociálních médiích, konkrétně události, které bylo třeba označit jako potenciální nebezpečí, jako například blízkou autonehodu nebo hořící budovu. Pomáhali jsme tyto události označit, abychom mohli dále pomoci mobilizovat první respondenty. Používali jsme sociální média pro dobro.

Mnohé z těchto událostí jsou vzácné, pokud jde o data ze sociálních médií. Například existuje mnoho autonehod, ke kterým dochází každý den v každém městě, ale když se podíváte na objem dat ze sociálních médií, obrázek autonehody se stává rather malým. Zvažte miliony obrázků štěňat, obrázků jídla, další milion obrázků selfie a jeden obrázek autonehody, vše v rámci několika minut. V podstatě jsme v Banjo hledali jehlu v kupce sena.

Jednou z výzev, které vznikaly, byla otázka počítačového vidění. Ačkoli počítačové vidění bylo v té době poměrně dobré, když se snažíte najít jeden z několika milionů, i malá chybová pravděpodobnost může zcela zničit vaše šance na detekci těchto vzácných událostí.

Například existoval veřejný dataset, který při použití k trénování neuronových sítí způsobil, že nebyly schopny identifikovat barvu. I když byl obrázek v datasetu barevný a neuronová síť se dívala na všechny RGB, nepoužívala barvu jako signifikátor. Vezměte si tradiční policejní auto a tradiční taxi – obě jsou stejné základní modely auta a další kus zařízení nahoře (tj. sirény na policejním autě nebo volný/obsazený signál na taxíku). Ale pokud se podíváte na barvu, rozdíl mezi nimi je zřejmý. Díky tomuto případu jsme mohli pochopit, že vytvoření správného datasetu je zásadní.

V roce 2017 jste poté spustil Ople. Jaký je příběh za vznikem této startupu?

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 nedostatkem dostatečné komunikace mezi týmem datové vědy a obchodním uživatelem, vedoucí k modelům, které předpovídají něco, co obchodní tým nepotřebuje, protože tým datové vědy nerozumí, co je třeba postavit. Nebo, pokud postaví správný model, pak, když tým datové vědy dokončí, obchodní tým nevyužije předpovědi vůbec. Ve většině společností jsou oddělení, jako prodej, marketing a logistika, ty, které by měly skutečně využívat AI, ale je to tým datové vědy, který rozumí modelům. Když tyto týmy nerozumí modelům, které jsou pro ně postaveny, tendují k tomu, aby jim nedůvěřovali a proto je nepoužívají.

Takže, pokud AI nemění, jak společnost podniká, jaký je smysl?

Chtěli jsme vytvořit platformu, která tohle vyřeší – chceme pomoci týmu datové vědy nebo obchodním analytikům, datovým analytikům, komukoli, kdo je zapojen do procesu ve společnosti, postavit správné projekty a pomoci zaměstnancům pochopit a důvěřovat modelům. Pokud tohle vyřešíme, pak věřím, že datová věda může být pro společnosti skutečně cenná.

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 obvykle stráví několik měsíců dokončením modelu a poté, co je model dokončen, společnost implementuje uvedený model, i když nebude tak přesný, jak je možné. V měsících následujících po implementaci modelu bude datový vědec pokračovat v práci na něm v pokusu o zvýšení přesnosti modelu o malé inkrementální množství. To je obecně tam, kde mnoho datových vědců tráví čas, když by mohli trávit čas jinými úkoly, jako je zajištění toho, aby zaměstnanci rozuměli, důvěřovali a využívali AI modely. Všechny tyto úkoly, jako je inženýrství funkcí, trénování modelů, parametrizace a výběr algoritmu, snažící se zvýšit přesnost modelu, lze snadno automatizovat pomocí AI.

Můžete popsat, 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 dataset, který předpovídá, kdy se stroje na tovární půdě 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 učení. Takže, zatímco trénujete svůj 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 lépejšími v budování efektivnějších modelů, rychleji.

Jaký je váš názor na syntetická data?

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

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

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

V oblasti obrázků však mohou být syntetická data mnohem snazší na pochopení a vytvoření. Řekněme, že máte obrázek auta a auto je umístěno v levém horním rohu. Není třeba být odborníkem, aby věděl, že stejné auto by mohlo být v levém dolním rohu, pravém horním rohu nebo ve středu. Не pouze můžete namířit kameru mnoha způsoby, ale můžete také realignovat obrázek. Přesunutí zaměření obrázku, aby auto bylo ve všech různých rozích, je vytváření syntetických dat – další jednoduchou metodou je rotace.

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

Ople.AI dává podnikům schopnost využívat hlubokou datovou analytiku na všech úrovních organizace a dává jejich zaměstnancům příležitost odemknout hodnotu AI, pouze několika kliknutími. Na rozdíl od organizací, které spoléhají na malý tým datových vědců, aby artikulovali a implementovali AI, platforma Ople.AI vybavuje zaměstnance v různých odděleních nástroji pro přístup k informacím z jejich dat a následně zvyšuje jejich denní efektivitu.

S tím řečeným, velkou překážkou, se kterou se organizace často setkávají při implementaci AI, je vysvětlení modelu. Je zásadní, aby organizace nabízely AI, kterému jejich zaměstnanci mohou rozumět, a ještě důležitější, důvěřovat. 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. Vytvoření vysvětlení modelu bude generovat mocné výsledky pro podniky v dlouhodobém horizontu.

Kromě toho je mnohem více hodnoty, které model může přinést společnostem, než pouze dělat předpovědi. AI může odhalit potenciální problémy nebo oblasti, které lze využít. Nazýváme to vysvětlení dat – je to různé způsoby, jak model může sdílet inteligentní informace o datech, které jsou cenné pro společnost. To je velký způsob, jak AI může pomoci podnikům, a oblast, ve které jsme pokročili, ve srovnání s naší konkurencí.

Děkuji za rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Ople.ai.