Dr. Devavrat Shah, Co-Founder & CEO of Ikigai Labs – Interview Serie

Dr. Devavrat Shah er co-founder og CEO af Ikigai Labs og han er en professor og direktør for Statistics and Data Science Center på MIT. Han co-foundede Celect, en predictiv analytics-platform for detailhandlere, som han solgte til Nike. Devavrat har en bachelor- og ph.d.-grad i datalogi fra Indian Institute of Technology og Stanford University, respectively.

Ikigai Labs tilbyder en AI-drevet platform, der er designet til at omdanne enterprise-tabellariske og tidsseriedata til predictiv og handlebare indsighter. Ved hjælp af patenterede Large Graphical Models, gør platformen det muligt for forretningsbrugere og udviklere på tværs af forskellige industrier at forbedre deres planlægning og beslutningsprocesser.

Kunne du dele historien bag oprettelsen af Ikigai Labs? Hvad inspirerede dig til at gå fra akademien til iværksætteri?

Jeg har faktisk været på vej mellem den akademiske og forretningsverden i nogle år nu. Jeg co-foundede Ikigai Labs med min tidligere studerende på MIT, Vinayak Ramesh. Tidligere co-foundede jeg et selskab kaldet Celect, som hjalp detailhandlere med at optimere deres lagerbeslutninger via AI-baseret efterspørgselsprognose. Celect blev opkøbt af Nike i 2019.

Hvad er Large Graphical Models (LGMs) præcis, og hvordan adskiller de sig fra de mere kendte Large Language Models (LLMs)?

LGMs eller Large Graphical Models er en sandsynlighedsbaseret visning af data. De er i skarp kontrast til “Foundation model”-baseret AI, såsom LLM.

Foundation Models antager, at de kan “lære” alle relevante “mønstre” fra en meget stor samling af data. Og derfor, når en ny bid af data præsenteres, kan den extrapoleres på basis af den relevante del af datakorpus. LLMs har været meget effektive til unstruktureret (tekst, billede) data.

LGMs identificerer i stedet de passende “funktionelle mønstre” fra et stort “univers” af sådanne mønstre, given bid af data. LGMs er designet sådan, at de har alle relevante “funktionelle mønstre” til rådighed for dem, der er relevant for struktureret (tabellarisk, tidsserie) data.

LGMs kan lære og give præcise forudsigelser og prognoser ved hjælp af meget begrænset data. For eksempel kan de bruges til at udføre meget præcise forudsigelser af kritiske, dynamisk ændrende tendenser eller forretningsresultater.

Kunne du forklare, hvordan LGMs er særligt velegnede til at analysere struktureret, tabellarisk data, og hvad fordele de tilbyder i forhold til andre AI-modeller på dette område?

LGMs er designet specifikt til at modellere struktureret data (dvs. tabellarisk, tidsserie-data). Som resultat leverer de bedre nøjagtighed og mere pålidelige forudsigelser.

Derudover kræver LGMs mindre data end LLMs og har derfor lavere beregnings- og lagringskrav, hvilket reducerer omkostningerne. Dette betyder også, at organisationer kan få præcise indsighter fra LGMs, selv med begrænsede træningsdata.

LGMs understøtter også bedre datasikkerhed og -beskyttelse. De træner kun på en virksomheds eget data – med supplement fra udvalgte eksterne datakilder (såsom vejrdata og sociale medie-data), når det er nødvendigt. Der er aldrig nogen risiko for, at følsomme data deles med en offentlig model.

I hvilke forretningsscenarier tilbyder LGMs mest værdi? Kunne du give nogle eksempler på, hvordan de er blevet brugt til at forbedre forudsigelser, planlægning eller beslutningstagning?

LGMs tilbyder værdi i enhver situation, hvor en organisation behøver at forudsige et forretningsresultat eller forudse tendenser for at guide deres strategi. Med andre ord hjælper de på tværs af en bred vifte af brugstilfælde.

Forestil dig en forretning, der sælger Halloween-kostumer og -artikler og søger efter indsighter til at træffe bedre merchandising-beslutninger. På grund af deres sæsonbestemthed går de en tæt linje: På den ene side behøver virksomheden at undgå at have for meget lager og ende med overskydende varer ved sæsonens slutning (hvad betyder usolgte varer og spildt CAPEX). På den anden side ønsker de heller ikke at løbe tør for lager tidligt (hvad betyder, at de har mistet salg).

Ved hjælp af LGMs kan virksomheden finde en perfekt balance og guide deres detailhandelsindsats. LGMs kan besvare spørgsmål som:

• Hvilke kostumer skal jeg have på lager denne sæson? Hvor mange skal vi have af hver vare enhed?
• Hvor godt vil en vare enhed sælge på en bestemt lokalitet?
• Hvor godt vil denne tilbehør sælge med denne kostume?
• Hvor kan vi undgå at kanibaliserer salg i byer, hvor vi har flere butikker?
• Hvor godt vil nye kostumer performe?

Hvordan hjælper LGMs i scenarier, hvor data er sparsomt, inkonsistent eller hurtigt ændrende?

LGMs udnytter AI-baseret data-rekonciliation til at levere præcise indsighter, selv når de analyserer små eller støjende datasæt. Data-rekonciliation sikrer, at data er konsistent, nøjagtigt og komplet. Det indebærer at sammenligne og validere datasæt for at identificere diskrepanser, fejl eller inkonsistenser. Ved at kombinere den rumlige og tidsmæssige struktur af data, gør LGMs det muligt at give gode forudsigelser med minimalt og fejlbehæftet data. Forudsigelserne kommer med usikkerheds kvantificering samt fortolkning.

Hvordan stemmer Ikigais mission om at demokratisere AI overens med udviklingen af LGMs? Hvordan ser du LGMs forme fremtiden for AI i forretningslivet?

AI ændrer måden, vi arbejder på, og virksomhederne må være parat til at AI-aktivere arbejdere af alle typer. Ikigai-platformen tilbyder en simpel low-code/ingen-kode-oplevelse for forretningsbrugere samt en fuld AI-Builder- og API-oplevelse for datavidenskabsmænd og udviklere. Derudover tilbyder vi gratis uddannelse på vores Ikigai Academy, så alle kan lære grundlæggende AI samt få træning og certificering på Ikigai-platformen.

LGMs vil have en enorm indvirkning på virksomheder, der søger at anvende AI. Virksomheder ønsker at bruge genAI til brugstilfælde, der kræver numerisk predictiv og statistisk modellering, såsom sandsynlighedsbaseret forudsigelse og scenarieplanlægning. Men LLMs var ikke bygget til disse brugstilfælde, og mange organisationer tror, at LLMs er den eneste form for genAI. Så de prøver Large Language Models til forudsigelses- og planlægningsformål, og de leverer ikke. De giver op og antager, at genAI ikke er i stand til at understøtte disse ansøgninger. Når de opdager LGMs, vil de indse, at de faktisk kan udnytte generativ AI til at drive bedre forudsigelse og planlægning og hjælpe dem med at træffe bedre forretningsbeslutninger.

Ikigais platform integrerer LGMs med en menneskecentreret tilgang gennem jeres eXpert-in-the-loop-funktion. Kunne du forklare, hvordan denne kombination forbedrer nøjagtigheden og adoptionen af AI-modeller i virksomheder?

AI har brug for guardrails, da organisationer naturligt er forsigtige med, at teknologien vil udføre sig nøjagtigt og effektivt. En af disse guardrails er menneskelig oversigt, som kan hjælpe med at indføre kritisk domæneekspertise og sikre, at AI-modeller leverer forudsigelser og prognoser, der er relevante og nyttige for deres forretning. Når organisationer kan indsætte en menneskelig ekspert i en rolle, der overvåger AI, kan de stole på den og verificere dens nøjagtighed. Dette overvinder en stor forhindring for adoption.

Hvad er de nøgle-teknologiske innovationer i Ikigais platform, der gør den til at stå ud fra andre AI-løsninger, der i øjeblikket er tilgængelige på markedet?

Vores kerne-LGM-teknologi er den største differentiator. Ikigai er en pioner på dette område uden ligemænd. Min medstifter og jeg opfandt LGMs under vores akademiske arbejde på MIT. Vi er innovatoren inden for large grafiske modeller og brugen af genAI på struktureret data.

Hvad ser du for en indvirkning, LGMs vil have på brancher, der er stærkt afhængige af nøjagtig forudsigelse og planlægning, såsom detailhandel, supply chain management og finans?

LGMs vil være fuldstændigt transformerende, da de er specifikt designet til brug på tabellarisk, tidsserie-data, som er livsblodet for enhver virksomhed. Stort set hver organisation i hver branche afhænger stærkt af struktureret data-analyse til efterspørgselsforudsigelse og forretningsplanlægning for at træffe sunde beslutninger på både kort og lang sigt – uanset om disse beslutninger er relaterede til merchandising, rekruttering, investering, produktudvikling eller andre kategorier. LGMs giver det nærmeste, man kan komme en krystalbold til at træffe de bedste beslutninger.

Set fremad, hvad er de næste skridt for Ikigai Labs i forbedringen af LGMs’ kapaciteter? Er der nogen nye funktioner eller udviklinger i pipeline, som du er særligt begejstret for?

Vores eksisterende aiPlan-model understøtter hvad-hvis og scenarieanalyse. Set fremad er vi målrettet om at udvikle den yderligere og aktivere fuld funktionsdygtig Forstærket Læring til operationshold. Dette vil enable et operationshold til at udføre AI-drevet planlægning både på kort og lang sigt.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Ikigai Labs.