Dr. Devavrat Shah, medstifter og administrerende direktør for Ikigai Labs – Intervju-serie

Dr. Devavrat Shah er medstifter og administrerende direktør for Ikigai Labs og han er en professor og direktør for Statistics and Data Science Center ved MIT. Han var med til at stifte Celect, en prædikativ 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, hhv.

Ikigai Labs tilbyder en AI-drevet platform, der er designet til at omdanne virksomhedens tabulære og tidsseriedata til prædiktive og handlebare indsighter. Ved hjælp af patenterede Large Graphical Models giver platformen forretningsbrugere og udviklere på tværs af forskellige brancher mulighed for at forbedre deres planlægnings- og beslutningsprocesser.

Kan du dele historien bag oprettelsen af Ikigai Labs? Hvad inspirerede dig til at skifte fra akademiet til iværksætteri?

Jeg har faktisk været i gang med at skifte mellem den akademiske og forretningsverden i nogle år nu. Jeg var med til at stifte Ikigai Labs med min tidligere studerende på MIT, Vinayak Ramesh. Tidligere var jeg med til at stifte et firma kaldet Celect, som hjalp detailhandlere med at optimere deres lagerbeslutninger via AI-baseret efterspørgselsprognose. Celect blev købt 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 tilgang til data. De er i skarp kontrast til “Foundation model”-baseret AI, såsom LLM.

Foundation-modellerne antager, at de kan “lære” alle relevante “mønstre” fra en meget stor mængde data. Og derfor kan de, når en ny bid af data præsenteres, extrapolere på basis af den relevante del af datamængden. LLMs har været meget effektive til uhierarkisk (tekst, billede) data.

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

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

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

LGMs er designet specifikt til at modellere struktureret data (dvs. tabulær, tidsserie-data). Derved giver 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 trænes 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 forretnings-scenarier giver LGMs mest værdi? Kan du give nogle eksempler på, hvordan de er blevet brugt til at forbedre forudsigelser, planlægning eller beslutningstagning?

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

Forestil dig en forretning, der sælger Halloween-kostumer og -artikler og søger indsighter til at træffe bedre beslutninger om merchandising. Givet deres sæsonbestemthed går virksomheden en balancegang: På den ene side skal virksomheden undgå at have for meget lager og ende med overskydende varer ved sæsonens slutning (hvad betyder usolgte varer og spildt kapitaludlag). På den anden side vil de heller ikke have, at de løber tør for lager tidligt (hvad betyder, at de har mistet salg).

Med LGMs kan virksomheden finde en perfekt balance og vejlede deres merchandising-insats. LGMs kan besvare spørgsmål som:

• Hvilke kostumer skal jeg have på lager denne sæson? Hvor mange skal vi have af hver vare?
• Hvor godt vil en bestemt vare sælge på en bestemt lokalitet?
• Hvor godt vil denne tilbehør sælge med denne kostume?
• Hvor kan vi undgå at kanibalere 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 give præcise indsighter, selv når de analyserer små eller støjende datasæt. Data-rekonciliation sikrer, at data er konsistent, nøjagtigt og komplet. Det indebærer sammenligning og validering af datasæt for at identificere diskrepanser, fejl eller inkonsistenser. Ved at kombinere den rumlige og tidsmæssige struktur af data giver LGMs mulighed for 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, at LGMs vil forme fremtidens AI i forretningsverdenen?

AI ændrer måden, vi arbejder på, og virksomheder må være forberedt på at AI-aktivere arbejdere af alle typer. Ikigai-platformen tilbyder en enkel 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 blive trænet og certificeret på Ikigai-platformen.

LGMs vil have en enorm indvirkning på virksomheder, der søger at anvende AI. Virksomheder ønsker at bruge generativ AI til brugsområder, der kræver numerisk prædiktiv og statistisk modellering, såsom sandsynlighedsbaseret prognose og scenarieplanlægning. Men LLMs er ikke bygget til disse brugsområder, og mange organisationer tror, at LLMs er den eneste form for generativ AI. Så de prøver Large Language Models til prognose- og planlægningsformål, og de leverer ikke. De giver op og antager, at generativ AI 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 prognose 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. Kan du forklare, hvordan denne kombination forbedrer nøjagtigheden og antagelsen af AI-modeller i virksomheder?

AI har brug for guardrails, da organisationer naturligvis er bekymrede for, at teknologien vil fungere nøjagtigt og effektivt. En af disse guardrails er menneskelig oversigt, som kan hjælpe med at indfuse 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 antagelse.

Hvad er de vigtigste teknologiske innovationer i Ikigais platform, der gør den forskellig fra andre AI-løsninger, der 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 generativ AI på struktureret data.

Hvad ser du for indvirkning af LGMs på brancher, der afhænger stærkt af præcise prognoser og planlægning, såsom detailhandel, supply chain management og finans?

LGMs vil være fuldstændigt transformative, da de er specifikt designet til brug på tabulær, tidsserie-data, som er livsblodet for enhver virksomhed. Stort set alle organisationer i alle brancher afhænger stærkt af struktureret data-analyse til efterspørgselsprognose og forretningsplanlægning for at træffe sunde beslutninger på både kort og lang sigt – uanset om disse beslutninger er relateret til merchandising, ansættelse, 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 på vej til at udvikle den yderligere og aktivere fuldt funktionsdygtig forstærket læring til operationshold. Dette vil give operationsholdet mulighed for at udføre AI-drevet planlægning på både kort og lang sigt.

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