Ahmed Elsamadisi, grundlægger og administrerende direktør for Narrator.ai – Interviewserie

Ahmed Elsamadisi er grundlægger og administrerende direktør for Narrator.ai, et dataintelligenceselskab, der udstyrer beslutningstagerne med personlige, handlebare indsigt.

Ahmed startede sin karriere på Cornells Autonomous Systems Laboratory med fokus på menneske-robot-interaktion og Bayesian datafusion samt bygning af algoritmer for selvstyrende biler.

Hvad var det, der oprindeligt tiltrak dig til AI og datavidenskab?

Jeg faldt i kærlighed med, hvordan mennesker tager beslutninger. Fra psykologi til social ingeniørkunst og til sidst, hvordan vi forholder os til usikkerhed. Dette førte mig til at dykke ned i Bayesian matematik, og verden begyndte at give mere mening. Jeg besluttede at påbegynde en rejse for at genskabe, hvordan vi tager beslutninger.

Du har haft en fantastisk karriere, herunder arbejde på Cornells Autonomous Systems Laboratory. Kan du dele nogle højdepunkter fra denne periode?

Cornells ASL var rigtig sjovt! Fra vores selvstyrende bil til en flåde af mobile robotter fik jeg oplevelsen af at bygge, programmere og teste algoritmer og hardware i virkelige sammenhænge. Mit yndlingsøjeblik var et projekt, jeg ledte, for at se, om vi kunne spille et spil 20 Spørgsmål med alle studerende på Cornell. Spillet var enkelt: en robot søger efter et objekt og kan stille ja/nej-spørgsmål til Cornell-studerende for at hjælpe den med at finde genstanden. En lille vending: mennesker kan lyve.

I denne situation er der ingen reel information, intet, der er absolut sandt. Jeg arbejdede på en algoritme, der kunne fusionere information fra mennesker og sensorer for at tage bedre beslutninger. Dette projekt blev senere optaget af Business Insider og blev kendt som “robotten, der kan lyve”.

Disse øjeblikke, hvor data og algoritmer kan gøre noget, du ikke let kan forestille dig, er det, der gør disse projekter fænomenale.

Idéen til Narrator opstod fra din frustration over at arbejde med data i din tidligere arbejdsgiver WeWork (WE ). Hvad var problemet med stjerne-skema-modellering?

Hvert selskab bruger en stjerne-skema til deres data-modeller. Det giver mening! Du bygger tabeller, der repræsenterer en række spørgsmål, du vil besvare, og så giver du det til mennesker at plotte. Udfordringen er, at spørgsmål konstant vokser og ændrer sig, og derfor er serien af tabeller, du bygger, aldrig nok til at besvare alle mulige spørgsmål. Den eneste løsning er at bygge flere tabeller, hvilket medfører en afvigelse fra sandheden.

Jeg søger altid på “air flow data modeling” for at vise folk, hvad det bedste scenarie for en modellingslag er, og det er komplekst. Hundredvis af tabeller, der afhænger af hinanden.

Det sagde sig selv, at det var den eneste løsning. Hos WeWork talte jeg med mange enhjørninger og så den samme situation, vi stod overfor. Vi brugte millioner af dollars på data-værktøjer. Vi byggede hundredvis af modeller. Data mistede stadig tillid og kunne ikke besvare spørgsmål på en tilfredsstillende måde. Så hver 1-2 år genopbyggede vi systemet med de nyeste værktøjer, men med samme tilgang.

Hvis hvert selskab, der implementerede en stjerne-skema, endte med at skulle genopbygge deres system, er der et problem med rammen.

Hvordan kom du på en bedre løsning til at arbejde med data?

Initialt fik jeg inspiration fra data-blogs. I en blog kan et selskab fortælle en historie om en kunde og en analyse uden at vise os deres data-modell. De bruger kunder, der udfører handlinger over tid, til at forklare enhver analyse af algoritmer. Effektivt er disse alle begreber, som alle forstår (en bruger så på hjemmesiden, så bookede et møde). Jeg undrede mig over, hvorfor denne struktur ikke blev brugt i data, hvis den synes at have potentialet til at repræsentere noget som helst. Det korte svar er, at denne data-struktur ikke er søgbar for BI-værktøjer (der er intet at JOIN på).

Vores data-modell, som vi kalder en aktivitetsskema, syntes at have potentialet til at ændre verden. Den kunne tillade hvert selskab at have 1 enkelt data-modell, der kan besvare ethvert spørgsmål. Hvert selskab kunne have den samme data-modell — og derfor kunne analyse og algoritmer deles på tværs af selskaber for første gang. Og endelig kunne den skabe en fælles måde for data-folk at arbejde sammen og tale om data.

Jeg tænkte, at dette kunne revolutionere data-industrien, så jeg forlod WeWork i 2017 med målet at gøre aktivitetsskemaet søgbart.

Narrator-uddata er formateret på en anden måde end det, vi er vant til, kan du forklare, hvad Narrativer er, og hvordan de er formateret som en historie?

Narrativer er handlebare analyser i en historie-format.

Vi, som data-folk, er så vant til dashboards. Men dashboards er et middel til et mål. Dashboards viser dig data, og du skal selv fortolke det:

1. Figur ud, hvordan du læser de hundredvis af forskellige visualiseringer.
2. Kombiner data i dit hoved for at figurere ud, hvad der virkelig sker.
3. Skab en historie i dit hoved, der giver mening af data-stykkerne.
4. Beslut dig for en handling at udføre.

Udfordringen med denne proces er, at hver person, der ser på et dashboard, vil komme op med en anden historie og en anden anbefaling. Dette er en naturlig bias.

Målet med Narrator var at drive handlinger baseret på data. Da vi itererede, så vi, at vores kunder havde brug for historier og fortolkninger for at tage beslutninger, og det var, hvad vi gav dem.

Narrativer starter med et klart mål. De giver en anbefaling. Så viser de dig de vigtigste takeaways, du vil få. Til sidst går de gennem analysen. Hver sektion fortæller en historie om noget, vi lærer, og data bruges som støttende bevis.

Vis 100 mennesker den samme Narrative, og de alle kommer tilbage med den samme anbefaling og fortolkning.

Narrativer forstår også, at din forretning ændrer sig, så de køres konstant hver uge for at se, om anbefalingerne og fortolkningerne stadig er gyldige, og de vil opdatere sig selv derefter.

Efter at have gået gennem alt dette lærings- og Narrativ-arbejde indså vi, at de fleste store konsulentfirmaer havde lært det samme. McKinsey giver dig lignende præsentationer og tilgange i stedet for kun dashboards. Vi arbejder på at tilbyde dette niveau af kvalitet for en brøkdel af prisen.

Hvad er nogle af fordelene ved at bruge Narrator til data-ingeniører?

Data-ingeniører er vores største forkæmpere! Jeg tror, det er, fordi jeg startede som data-ingeniør, at Narrator blev bygget med dem i mente.

I Narrator er det rigtig let at modellere data — du skal bare kortlægge begreber fra sandheden til vores data-modell. Vi kører en række tests for at sikre, at det vil virke, og så skal du pushe til produktion. Narrator håndterer migrationen, synkroniserer data og sikrer, at alt er hurtigt og let.

Inden for Narrator kan du hurtigt samle enhver dataset, du ønsker, på få minutter og give det til enhver, der anmoder om det.

Vi tænkte også på alle de små ting, du har brug for, og sikrede, at du fik det:

• Fuld gennemsigtighed i alle processer og kontrol til at pause, annullere, køre nu, osv..
• Evne til at placere alerts på rådata før og efter transformationen.
• Fuld log over alle ændringer i forespørgslen.
• Fuld visibilitet til hver opdatering, der sker i tabellen.
• 1 klik for at materialisere enhver dataset eller sende det til Google -ark.
• Opsæt hurtige webhooks til at sende data til ethvert system.
• Ræk ud til support, og du vil få en data-ingeniør til at hjælpe dig.
• Hver forespørgsel, Narrator genererer, er LÆSELIG og gennemsigtig.
• Fejlfinde enhver data med hurtige tidslinjer for alt, der er sket med en bestemt kunde.
• Byg 1 dataset og opret mange aggregationer oven på det (ingen behov for at kopiere den samme forespørgsel i en CTE).
• Hvis du udskifter nogen af byggeklodserne, så vil vi gensynkronisere alle dine data til dig.

Der er så meget mere, data-ingeniører vil elske!

Hvor meget tid spares der med at lave rapporter med Narrator i forhold til traditionel modellering?

Ærligt talt er det urimeligt at sammenligne Narrator med traditionel modellering. I Narrator er alle dine data modelleret på kun 1 dag i stedet for måneder med planlægning som i en stjerne-skema. Ændringer i Narrator er lavrisikable og lette. Oprettelse af enhver tabel er øjeblikkelig i Narrator, fordi du ikke behøver at bekymre dig om, hvorvidt der er en fremmed nøgle til at binde ting sammen.

I forhold til analyser har Narrator en bibliotek af ekspert-forfattede analyser, du kan køre øjeblikkeligt. Disse analyser er godt gennemtænkte, testet på multiple selskaber, opdaterer baseret på dine forretningsændringer, udnytter algoritmer til at fortolke data og er smukt præsenteret i en historie-format. Dette niveau af arbejde bliver ofte udført af hold af data-folk over uger (det er, hvad vi gør, men vi gør det kun en gang og så gør det øjeblikkeligt tilgængeligt for alle).

Er der noget andet, du gerne vil dele om Narrator?

Narrator er anderledes.

Det er lidt svært at forstå, hvordan og hvorfor det virker, men når du først kommer i gang med det, vil det klikke, og du vil aldrig kunne gå tilbage.

Jeg er begejstret for den verden, Narrator gør mulig, og jeg inviterer alle til at få mere at vide!

Sammen kan vi tage bedre beslutninger, der vil skabe en bedre verden.

Tak for det fantastiske interview. Læsere, der ønsker at lære mere, skal besøge Narrator.ai.