Dr. Vishal Sikka, grundlægger & CEO af Vianai – Intervieuserie

Vishal Sikka er grundlægger og CEO af Vianai, tidligere CTO i SAP AG og tidligere CEO i Infosys. Han fungerer også i øjeblikket som bestyrelsesmedlem i Oracle, tilsynsrådet for BMW Group og som rådgiver for Stanford Institute of Human-Centered AI.

Vianai-platformen kombinerer open-source-elementer, Vianai-ejendoms-teknikker og -optimeringer samt human-centered design for at bringe AI til virksomheder i stor skala på tværs af diverse landskaber. Med platformen kan store organisationer bygge, optimere, implementere og administrere avancerede ML-modeller på eksisterende infrastruktur og forbedre driften og ydeevnen af ML-modeller på tværs af virksomheden,

Hvad tiltrak dig oprindeligt til maskinlæring?

Jeg blev interesseret i AI som teenager, da jeg læste Marvin Minskys betragtninger om vores sind som samfund af simple agenter, og læste om Joe Weizenbaums Eliza (en meget tidlig chatbot) og John McCarthys kritik af den. Senere havde jeg æren af at have McCarthy som formand for min AI-eksamenskomité på Stanford. McCarthy og Minsky var de to fædre til feltet af kunstig intelligens, og begge havde dybe indsighter i AI’s kræfter såvel som begrænsninger, og jeg var heldig nok til at studere med begge.

Vi kan stadig se i dag, at AI har stor potentiale, og på samme tid har betydelige begrænsninger. De samme udfordringer, vi kæmpede med for 30 år siden, er stadig tydelige i dag, især når vi ser på AI i virksomhederne. Jeg blev inspireret af arbejdet som studerende til at se, om AI’s værdi på en eller anden måde kunne låses op, og jeg har fortsat været passioneret om det.

Du har tidligere skrevet nogle instrumentale artikler, hvilken artikel mener du var den mest instrumentale i udviklingen af dine synspunkter på AI?

Som studerende må jeg have læst flere tusinde artikler. McCarthys profetiske artikler om en “Advice Taker”, om nogle nøglefilosofiske problemer i AI, Marvin’s artikler om sindet som et samfund, om at bringe sammen forbindelsesbaserede (neurale netværksbaserede) og symboliske tilgange til AI, Judea Pearls artikler om sandsynlighedsbaseret resonnering og årsagsmæssig intelligens, og artikler af David Marr (om syn), Pat Winston (om at lære beskrivelser af objekter fra eksempler), Waldingers arbejde om programsyntese, og mange andre formede mine synspunkter. Mere nyligt har jeg læst værker af Hinton, Lecun, attention-folkene, såvel som værker af Cynthia Rudin, Fernanda Viegas og andre.

Du har udtalt, at udvikleroplevelsen af at bygge et AI-system er fragmenteret og brudt, hvad er nogle af de nuværende problemer bag bygning af et AI-system?

AI-systemer i dag kan kun forklares af et relativt lille antal mennesker — statistikker varierer, men det ser ud til, at der måske kun er omkring 20-30.000 i verden, der forstår de sande metoder til, hvordan AI-systemer kører. Dette er langt mindre end de 52.000 eller så mennesker, vi estimerer er MLOps-fagfolk, eller de 1 million, vi estimerer er datavidenskabsmænd. Mange af dem kunne ikke fortælle dig, hvorfor systemet gør, hvad det gør, hvorfor det giver de anbefalinger, det gør, eller hvad der muligvis kan gå galt, eller hvordan de underliggende teknikker fungerer.

Sæt dette mod baggrunden af et enormt komplekst landskab. Der er over 300 MLOps-virksomheder, som Gartner sporer på et given tidspunkt. Hver af disse har et specialiseret tilbud. De store cloud-virksomheder på den anden side har deres egen smag af alt, og søger ofte at låse virksomheder ind i deres økosystemer og deres infrastruktur.

Så er computeringen selv ofte for dyr for virksomheder at bygge og træne nogle af de mest avancerede modeller, der er tilgængelige. Disse er overladt til få virksomheder, der har talent og ressourcerne til at håndtere et AI-systems krav.

Manglende forståelse, kompleksiteten af værktøjerne og omkostningerne ved computeringen kombinerer for at skabe et splittet og udfordrende landskab for enhver virksomhed, der søger at være AI-kompetent. Hos Vianai bygger vi metoder til at gøre AI lettere at bruge og lettere at forstå og observere, samtidig med at vi kraftigt reducerer ressourcerne og omkostningerne forbundet med at få den bedste ydeevne.

Kunne du dele historien om Vianais oprindelse?

Jeg havde tilbragt mange år med at arbejde for at bringe nye, innovative løsninger til virksomheder. Mine hold og jeg byggede flere produkter, der nåede titusinder af virksomheder og blev betragtet som gennembrud. Jeg ledte også to grundlæggende transformationer i mine to rejser før starten af Vianai og deltog i transformationer i hundredvis af virksomheder. Tilføjet til dette var mine mange års studier af AI og fokus på, hvordan man kan gøre AI bedre, mere relevant og i tjeneste for menneskeheden.

På en lidt usædvanlig måde – disse ting kom sammen. Jeg var på ferie med min familie i Sydøstasien [i slutningen af 2018]. Vi handlede i en lille marked, og sælgeren havde smukke, håndlavede smykker. Det var lavet med traditionelle teknikker og lokale sten, og det var storslået, men, naturligvis, havde ingen uden for denne lille by hørt om dem. Og jeg havde dette spørgsmål, der kom til min sind, “Hvad nu, hvis denne sælger kunne bruge AI? Hvad ville det se ud som? Hvordan ville systemerne have til at fungere?” I det øjeblik ramte det mig, at hver virksomhed i verden ville blive transformeret med AI, og at denne transformation ikke kunne ses med gårsdagens briller, men behøvede produkter og idéer, der skulle starte fra en blank tavle.

Om en måned senere grundlagde jeg Vianai med en mission om at bringe sandt, human-centered AI til virksomheder verden over. Dette indebærer at tilbyde produkter og tjenester, applikationer og teknologier, værktøjer, der giver forretningsbrugere, datavidenskabsmænd, ML-ingeniører og selv sælgere i fjerne dele af verden mulighed for at virkelig høste fordelene af AI.

Siden da har vi skabt applikationer til at hjælpe virksomheder med at komme i gang med AI, en platform til at hjælpe ML-praktikere med at administrere og overvåge deres AI-modeller, og optimeringsteknikker til at give flere virksomheder adgang til AI.

Gennem alt dette har vi fundet, at det betydelige potentiale for at bringe kraften af menneskelig forståelse, dømmekraft og samarbejde sammen med data og de bedste AI-teknikker forbliver utilgængeligt. Baseret på vores arbejde med førende virksomhedsfirmarer, så jeg, at de samme teknikker, der ville hjælpe den lille sælger, ville hjælpe de største virksomheder i verden.

Vianai handler om human-centered AI, kunne du definere, hvad dette er, og hvorfor det er vigtigt?

Human-centered AI er AI, der søger at forstærke menneskers arbejde og forbedre menneskelig dømmekraft. Maskinlæring bliver alt for ofte betragtet som en erstatning for menneskeligt arbejde. Men AI er komplementær til mennesker — det tilbyder skala og gentagelse og præcision, som mennesker ikke kan replikere. Men AI kan ikke replikere menneskelig dømmekraft, menneskelige erfaringer eller vores forståelse af kontekst.

Der er åbenlyse eksempler på dette, af AI, der tager en skildpadde for en riffel, for eksempel, men langt oftere stoler vi for meget på AI, når det endnu ikke har bevist sig selv som troværdigt. En berømt historie kommer fra for et årti siden, da et firma tillod deres AI at handle uden menneskelig indgriben. Algoritmen tabte 440 millioner dollar på under en time.

For et mere nyligt eksempel forbliver avancerede sprogmodeller relativt lette at forvirre eller forbinde. Tekst-til-billede-generatore er potentielt kraftfulde, men kræver meget specifikke kommandoer fra en menneskelig bruger for at få deres fulde potentiale.

Human-centered AI er således en slags fokus i designet af vores produkter. Vi bringer kraften af menneskelig forståelse – som dømmekraft og samarbejde – sammen med de bedste data og AI-teknikker for at skabe intelligente systemer, der kan betydeligt forbedre forretningsresultater og processer.

Kunne du forklare behovet for en feedback-løkke bag mennesker og AI?

Der er en hel gren af AI kaldet “human in the loop“, der afhænger af feedback-mekanismerne fra mennesker for at naturligt forbedre AI’s ydeevne. Dette er naturligt, og giver mening for ethvert system.

AI-systemer kan forbedres over tid gennem genoptræning, der inkorporerer, hvad som helst, brugeren har foretaget. Dette er, naturligvis, en del af vores applikationer. Lad mig give et eksempel.

Før Covid arbejdede vi med et stort, finansielt services-firma påkrævet-prognose. Fordi af, hvordan vi designede systemet, da Covid kom og brød mange andre modeller, tilpassede vores hurtigt og behøvede aldrig at genopbygges. Dette er den anden og vigtigste aspekt af human-centered AI, designet af systemerne fra starten til at inkorporere kompleksiteterne i moderne liv.

Dette skaber tillid og et system, der vokser med organisationen og brugeren.

Hvad gør Vianai til en næste generations AI-platform?

Mens der er meget diskussion om risiko, regulering og AI’s løfte, har få søgt, hvad vi finder at være løsningen — konceptet om human-centered AI.

Vores platform er således klar til de problemer, der vil opstå, når AI bliver mere reel i virksomheden. Det er til at tackle problemer omkring tillid, bias og gennemsigtighed. Det giver virksomheder mulighed for at skala AI med overvågning og optimering. Og det giver ikke-tekniske brugere mulighed for at udnytte AI gennem vores applikationer.

Hvad er nogle af udfordringerne bag bygning af en platform, der dramatisk strømliner oplevelsen for enterprise AI?

De største udfordringer, vi ser i virksomheder, der inkorporerer AI, er talent, værktøjer og teknologi. Først og fremmest tenderer talent til at være koncentreret i få steder, især i større tech-virksomheder. Dette gør det meget svært for udenforstående teammedlemmer at deltage i oversigt, styring og formning af AI-programmet og kan skabe endnu mere bias, da kun et begrænset antal teammedlemmer arbejder på operationerne.

Teknologi og værktøjer kan også være en udfordring i at strømline AI. Lige nu er både teknologi og værktøjer begrænsede. Chip til at køre AI er sjældne og meget dyre, og værktøjer er låst til bestemte leverandører, hvilket reducerer friheden til at forbedre omkostningerne, mens værdien udvides. Uanset, hvor en virksomhed er i sin enterprise AI-rejse, kan disse udfordringer gøre implementering af nyttig og etisk AI udfordrende, da det skaber en frakoblet, fragmenteret strategi og fjerner værktøjerne nødvendige for at udføre de rigtige funktioner. Organisationer har brug for at kunne støtte alle områder af AI fra implementering til vedligeholdelse og have team-støtte og tilbud for at gøre det til en succes.

For sandt succes har jeg fundet, at platform-kapaciteterne skal være fuldstændig åbne, modulære, fleksible og ikke afhængige af dyre hardware- og software-opgraderinger. Og med en human-centered tilgang er mennesker stadig i stand til at bringe viden, kontekst, erfaringer og kreativitet til at løse problemer – dette er så forstærket af AI-platformen, ikke erstattet.

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

På mange måder lever vi i AI-tider. Der er meget hype og diskussion omkring AI, hvilket som helhed er en god ting. Vi ser mange fremskridt og en bredere accept af AI end tidligere i områder som Generative AI og andre områder. Men vi skal også arbejde for at anerkende AI’s begrænsninger – realiteterne af AI-teknologi i dag såvel som realiteterne af manglen på ekspertise i AI og manglen på tillid til AI, især i virksomheder. Hvis vi kan ramme AI som en forstærker af vores liv, samfund, vores arbejde, vores potentiale og have den nødvendige oversigt over AI for at sikre dette, så tror jeg, vi endelig vil se det komme til live på meningsfulde og transformationelle måder.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Vianai.