Dr. Vishal Sikka, grundlægger og administrerende direktør for Vianai – Interviewserie

Vishal Sikka er grundlægger og administrerende direktør for Vianai, tidligere teknisk direktør for SAP AG og tidligere administrerende direktør for Infosys. Han er også medlem af Oracles bestyrelse, tilsynsrådet for BMW Group og rådgiver for Stanford Institute of Human-Centered AI.

Vianai-platformen kombinerer open-source-elementer, Vianai-ejerskabsteknikker og -optimeringer samt menneskecentreret design for at bringe AI til virksomheder i stor skala på tværs af forskellige landskaber. Med platformen kan store virksomheder bygge, optimere, implementere og styre avancerede ML-modeller på eksisterende infrastruktur og forbedre drift og ydeevne af ML-modeller på tværs af virksomheden,

Hvad var det, der oprindeligt tiltrak dig til maskinlæring?

Jeg blev interesseret i AI som teenager, da jeg læste Marvin Minskys tanker om vores hjerner 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-kvalificeringsudvalg på Stanford. McCarthy og Minsky var de to fædre til feltet af kunstig intelligens, og begge havde dybe indsigt i AI’s muligheder såvel som begrænsninger, og jeg var heldig 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 til stede i dag, især når vi ser på AI i virksomhederne. Jeg blev inspireret af arbejdet som studerende til at se, om AI’s værdi kunne låses op på en eller anden måde, og jeg har fortsat været passioneret om det.

DU har tidligere skrevet nogle væsentlige artikler, hvilken artikel mener du var den mest væsentlige 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 af de vigtigste filosofiske problemer i AI, Marvin’s artikler om hjernen som et samfund, om at bringe sammen de connectionistiske (neurale netværksbaserede) og symboliske tilgange til AI, Judea Pearls artikler om sandsynlighedsbaseret resonnering og årsagsintelligens, 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 nylig har jeg læst værker af Hinton, Lecun, opmærksomhedsfolkene, 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 bygningen af et AI-system?

AI-systemer i dag kan kun forstås af en relativt lille gruppe mennesker – statistikker varierer, men det ser ud til, at der måske kun er omkring 20-30.000 i verden, der forstår de sande metoder for, hvordan AI-systemer kører. Dette er langt mindre end de 52.000 eller så mange 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, eller hvorfor det giver de anbefalinger, det gør, eller hvad der kunne gå galt, eller hvordan de underliggende teknikker fungerer.

Stil dette mod baggrunden af et meget 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 infrastruktur.

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

Manglende forståelse, kompleksiteten af værktøjerne og omkostningerne ved computeringen kombinerer til at skabe et fragmenteret 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 forstå, samt reducerer ressourcerne og omkostningerne forbundet med at få den bedste ydeevne.

Kunne du dele historien bag Vianai?

Jeg havde brugt mange år på 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 ledede også to fundamentale transformationer i mine to rejser før starten af Vianai og deltog i transformationer hos hundredvis af virksomheder. Dertil kom 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 var på indkøb i en lille marked, og sælgeren havde smukke, håndlavet smykker. Det var lavet med traditionelle teknikker og lokale sten, og det var fantastisk, men, naturligvis, havde ingen uden for denne lille by hørt om dem. Og jeg havde dette spørgsmål, der kom til min sind, “Hvad hvis denne sælger kunne bruge AI? Hvad ville det se ud som? Hvordan ville systemerne 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 brillerne fra i går, 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, menneskecentreret AI til virksomheder verden over. Dette indebærer at levere 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 styre og overvåge deres AI-modeller, og optimeringsteknikker til at give flere virksomheder adgang til AI.

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

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

Menneskecentreret AI er AI, der søger at forstærke menneskers arbejde og forbedre menneskelig dømmekraft. Maskinlæring bliver 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 reproducere. Men AI kan ikke reproducere menneskelig dømmekraft, menneskelige erfaringer eller vores forståelse af kontekst.

Der er åbenlyse eksempler på dette, som AI, der tager en skildpadde for en riffel, men langt oftere stoler vi for meget på AI, når det ikke har bevist sig selv som pålideligt endnu. En berømt historie kommer fra for ti år siden, da en virksomheds AI blev tilladt at handle uden menneskelig indgriben. Algoritmen tabte 440 millioner dollar på under en time.

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

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

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

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

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

Før Covid arbejdede vi med en stor finansielle services-virksomhed på efterspørgselsprognose. Fordi af, hvordan vi designede systemet, da Covid kom og brød så mange andre modeller, tilpassede vores system sig hurtigt til ændringerne og behøvede aldrig at genopbygges. Dette er den anden og vigtigste aspekt af menneskecentreret 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?

Der er meget diskussion omkring risiko, regulering og AI’s løfte, men få har søgt, hvad vi finder som løsningen – konceptet om menneskecentreret AI.

Vores platform er derefter klar til de problemer, der vil komme, når AI bliver mere virkelig i virksomhederne. Det er til at tackle problemer omkring tillid, fordom 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 bygningen af en platform, der dramatisk forenkler 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 fordom, da kun et begrænset antal teammedlemmer arbejder på operationerne.

Teknologi og værktøjer kan også være en udfordring i at forenkle 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 omkostninger, samtidig med at værdien udvides. Uanset, hvor en virksomhed måtte være i sin enterprise AI-rejse, kan disse udfordringer gøre implementering af nyttig og etisk AI udfordrende, da det skaber en afbrudt, fragmenteret strategi og fjerner værktøjerne nødvendige for at udføre de rette funktioner. Organisationer behøver 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-kapaciteter behøver at være helt åbne, modulære, fleksible og ikke afhængige af dyre hardware- og software-opgraderinger. Og med en menneskecentreret tilgang kan mennesker stadig bringe viden, kontekst, erfaringer og kreativitet til løsning af 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 end tidligere i områder som generativ AI og andre områder. Men vi skal også arbejde på at anerkende AI’s begrænsninger – realiteterne af AI-teknologi i dag såvel som realiteterne af mangel på ekspertise i AI og mangel 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 vil se det komme til live på meningsfulde og transformationelle måder.

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