Dr. Zohar Bronfman, medstifter og administrerende direktør for Pecan AI – Intervju-serie

Dr. Zohar Bronfman er medstifter og administrerende direktør for Pecan AI. Med dyb ekspertise i beregningspsykologi og datavidenskab, anvendte Zohar sin indre iværksætterånd til at medstifte Pecan, lige efter at have afsluttet sin uddannelse. Zohar har to ph.d.-grader fra Tel Aviv Universitet – en i beregningskognitiv neurovidenskab og en anden i historie og filosofi om videnskab og teknologi. Han har også en bachelorgrad i økonomi fra Open University of Israel.

Stiftet i 2018, er Pecan AI en prædikativ analytisk platform, der udnytter sin banebrydende Predictive GenAI til at fjerne barrierer for AI-adopter, og gøre prædikativ modeling tilgængelig for alle data- og forretningshold. Guidet af generativ AI, kan virksomheder opnå præcise forudsigelser på tværs af forskellige forretningsdomæner uden behov for specialiseret personale. Predictive GenAI muliggør hurtig modeldefinering og -træning, mens automatiserede processer accelererer AI-implementering. Med Pecans fusion af prædikativ og generativ AI, er det nu langt hurtigere og nemmere at opnå forretningsimpact af AI.

Hvad var rejsen som i grundlæggelsen af Pecan AI, og hvad er nogle af de vigtigste milepæle, der er opnået undervejs?

At starte Pecan AI var en ret turbulent rejse. Det hele begyndte, da min medstifter og jeg deltog i en international datavidenskabskonkurrence. Vi skabte en dataproduktionsautomatisering, der udviklede sig til Pecans prototype, men vi missede deadline og tabte. I stedet for at give op, besluttede vi at omdanne vores prototype til noget, der kunne have en positiv indvirkning. Kun to måneder efter at have afsluttet vores ph.d.-uddannelser i 2018, lejede vi et lille rum på Tel Aviv Universitet og startede med at arbejde hårdt. Med begrænset erhvervserfaring, præsenterede vi vores idé for venturekapitalister. Heldigvis så Haim Sadger og Aya Peterburg fra S Capital potentialet og investerede 4 millioner dollars, hvilket gav os det nødvendige boost.

En af de vigtigste milepæle var at rejse 66 millioner dollars i en serie C-runde ledet af Insight Partners, med støtte fra GV (tidligere Google (GOOGL ) Ventures) og andre. Denne finansiering muliggjorde, at vi kunne udvide os globalt og accelerere vores udviklingsindsats.

Hvordan påvirker din baggrund i beregningskognitiv neurovidenskab din tilgang til udvikling af AI-løsninger?

Min baggrund i beregningskognitiv neurovidenskab, samt min ph.d. i historie og filosofi om videnskab og teknologi, spiller en stor rol i, hvordan jeg udvikler AI-løsninger. Disse fag hjælper mig med at forstå både de tekniske og filosofiske aspekter af teknologi. Denne dobbelte perspektiv er utrolig værdifuld i dagens hurtigt skiftende teknologilandskab. Det muliggør, at jeg kan skabe AI-produkter, der ikke kun er teknisk avancerede, men også etisk korrekte og brugervenlige.

Kan du forklare begrebet Predictive GenAI og hvordan det integrerer generativ AI med prædikativ maskinlæring?

Det er naturligvis. Predictive GenAI handler om at kombinere Generativ AI med Prædikativ Maskinlæring. Generativ AI tillader brugerne at interagere med data gennem naturligt sprog, hvilket gør det let at stille spørgsmål og guide AI’en. Men dens prædikative evner er begrænsede. Det er her, Prædikativ Maskinlæring kommer ind, da den behandler data for at give præcise fremtidige forudsigelser. Ved at kombinere disse to teknologier, muliggør Predictive GenAI, at selv brugere med begrænset datavidenskabskundskab kan opbygge prædikative modeller og bruge dem ubesværet, ligesom man taler med ChatGPT.

Hvordan gør Predictive GenAI processen med at opbygge og implementere prædikative modeller for virksomheder nemmere?

Predictive GenAI gør processen nemmere med funktioner som Predictive Chat og Predictive Notebook. Predictive Chat fungerer som en AI-makker, der guider brugerne gennem modelprocessen ved hjælp af naturligt sprog. Den formulerer prædikative spørgsmål baseret på brugerens forretningsbekymringer og genererer en Predictive Notebook med færdige SQL-forespørgsler og eksempeldata. Dette betyder, at brugerne ikke behøver at starte fra scratch eller have dyb teknisk viden for at få præcise forudsigelser.

Kunne du uddybe eksemplet med CAA Club Group og hvordan Pecan AI optimerede deres vejassistance-tjenester?

Absolut. CAA Club Group brugte tidligere en uge på at forudsige vejassistance-manually, hvilket var tidskrævende og begrænset. Efter implementering af Pecan AI, udviklede deres datavidenskabsteam over 30 modeller til at generere kortfristede efterspørgselsforudsigelser to gange om ugen. Disse forudsigelser forudsiger opkaldsvolumen og servicetyper timeligt, hvilket sikrer effektiv bemanning og hurtige svar, især under hårde vinterforhold. Pecans platform tillader også kontinuerlig forbedring af disse modeller, hvilket forbedrer servicemæssigen.

Hvordan fik Credit Pros fordel af at bruge Pecan AI til kunde-afhopningsforudsigelse, og hvilke specifikke udfordringer løste det for dem?

Credit Pros havde betydelige udfordringer med kunde-afhopningsforudsigelse, som var en kompleks og tidskrævende proces. Implementering af Pecan AI reducerede modeludviklingstiden fra tre måneder til kun få uger, hvilket muliggjorde proaktive retentionsstrategier. Denne strømlinede proces tillod TCP at præcist forudsige kunde-afhopning og udvikle effektive strategier til at fastholde kunder, hvilket øgede deres indtjening.

Hvordan forbedrer Predictive Chat og Predictive Notebook-værktøjerne brugeroplevelsen og gør prædikativ analyse tilgængelig for ikke-tekniske brugere?

Predictive Chat bruger GenAI til at opbygge brugerdefinerede notebooks baseret på brugerens forretningsspørgsmål og data. Brugere kan interagere med chatten i naturligt sprog, svare på spørgsmål og følge instruktioner, hvilket simplificerer modelopbygningsprocessen. Predictive Notebook indeholder alle nødvendige koder, der tillader brugerne at se forespørgsler, opbygge brugerdefinerede tabeller og forstå træningsdatatsets logik. Denne tilgang gør prædikativ analyse tilgængelig for ikke-tekniske brugere ved at strømline dataforberedelse og modelopbygning.

Hvordan ser du Predictive GenAI transformerer forskellige industrier og forretningsfunktioner?

Predictive GenAI giver virksomheder mulighed for at træffe datadrevne beslutninger med usædvanlig præcision og effektivitet. I produktion og logistik optimerer det drift ved at forudsige efterspørgsel og strømline forsyningskæder. I kundeorienterede industrier forbedrer det kundetilfredshed og loyalitet gennem målrettet markedsføring og tilpassede anbefalinger. Predictive GenAI driver også innovation ved at forudsige markedsudviklinger, guide produktudvikling og accelerere tid-til-marked. Dets anvendelser strækker sig til sundhedssektoren for sygdomsforudsigelse og personlige behandlingsplaner, og til bæredygtighedsindsatsen ved at optimere ressourceanvendelse og reducere miljøpåvirkning.

Hvordan sikrer Pecan AI nøjagtigheden og pålideligheden af sine prædikative modeller?

Vi sikrer nøjagtighed og pålidelighed gennem omfattende test og kontinuerlig validering. Pecan AI bruger separate trænings- og testdatatæt til at evaluere modelpræstation, ligesom man bedømmer en skoleprøve. Nøglemetrikker som nøjagtighed, præcision og recall bruges til at validerer modeller under udvikling og i produktion. Vi fremmer også gennemsigtighed gennem forklarede forudsigelser, der hjælper brugerne med at forstå de faktorer, der påvirker hver forudsigelse, og opbygger tillid til AI-drevne indsigt.

Hvordan forestiller du dig, at rollen af Predictive GenAI udvikler sig de næste par år?

Settende fremad, handler fremtiden for AI ikke kun om at forudsige begivenheder, men også om at foreslå handlinger baseret på disse forudsigelser. Predictive GenAI sigter mod at automatisere beslutningsprocesser og optimere forretningsdrift. Men det er afgørende at forstå de tilknyttede risici og sikre ansvarlig brug af AI. Mens teknologien udvikler sig, vil den spille en kritisk rol i at forbedre operationel effektivitet, fremme innovation og drive strategisk beslutningstagning på tværs af forskellige industrier.

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