Dr. Zohar Bronfman, Co-founder & CEO of Pecan AI – Interview Serie

Dr. Zohar Bronfman er co-founder og CEO af Pecan AI. Med dyb ekspertise i beregningspsykologi og datavidenskab, anvendte Zohar sin indre iværksætterånd til at co-founder Pecan, lige ud af graduate school. Zohar har to PhD’er fra Tel Aviv Universitet – en i beregningskognitiv neurovidenskab og en anden i historie og filosofi om videnskab og teknologi. Han har også en BA i økonomi fra Open University of Israel.

Stiftet i 2018, er Pecan AI en prædikativ analytics-platform, der udnytter sin banebrydende Predictive GenAI til at fjerne barrierer for AI-adoption, og gør prædikativ modeling tilgængelig for alle data- og forretningshold. Guidet af generativ AI, kan virksomheder få præcise forudsigelser på tværs af forskellige forretningsdomæner uden behov for specialiseret personale. Predictive GenAI muliggør hurtig modeldefinition og træning, mens automatiserede processer accelererer AI-implementering. Med Pecans fusion af prædikativ og generativ AI, er det nu meget hurtigere og lettere at realisere forretningsimpacten 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 ret meget en rutsjebane. Det hele startede, da min co-founder og jeg deltog i en international datavidenskabskonkurrence. Vi skabte en data-forberedelseautomatisering, der blev til Pecans prototype, men vi missede deadline og tabte. I stedet for at gå videre, besluttede vi at omdanne vores prototype til noget, der kunne have en betydning. Kun to måneder efter afslutning af vores doktorater 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 boost, vi havde brug for.

En af de vigtigste milepæle var at rejse 66 millioner dollars i en Series C-runde ledet af Insight Partners, med støtte fra GV (tidligere Google Ventures) og andre. Denne finansiering tillod os at 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 PhD i historie og filosofi om videnskab, 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 tillader mig at 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?

Selvfølgelig. Predictive GenAI handler om at kombinere Generativ AI med Prædikativ Maskinlæring. Generativ AI tillader brugere at interagere med data gennem naturlig 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 lave præcise fremtidige forudsigelser. Ved at kombinere disse to teknologier, tillader Predictive GenAI selv brugere med lidt datavidenskabsoplevelse at bygge prædikative modeller og bruge dem uden problemer, ligesom man taler med ChatGPT.

Hvordan gør Predictive GenAI processen med at oprette og implementere prædikative modeller for virksomheder lettere?

Predictive GenAI gør processen lettere med funktioner som Predictive Chat og Predictive Notebook. Predictive Chat fungerer som en AI-makker, der guider brugere gennem modelleringprocessen 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 brugere ikke behøver at starte fra scratch eller have dyb teknisk viden for at få præcise forudsigelser.

Kunne du uddybe sagen omfattende CAA Club Group og hvordan Pecan AI optimerede deres vejhjælpservice?

Absolut. CAA Club Group brugte tidligere en uge på at forudse vejhjælp manuelt, hvilket var tidskrævende og begrænset. Efter implementering af Pecan AI, udviklede deres datavidenskabshold 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 barske vinterforhold. Pecans platform tillader også kontinuerlig forbedring af disse modeller, hvilket forbedrer servicenyheden.

Hvordan fik Credit Pros gavn af at bruge Pecan AI til kundeafhopningsforudsigelse, og hvilke specifikke udfordringer løste det for dem?

Credit Pros stod over for betydelige udfordringer med kundeafhopningsforudsigelse, 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 kundeafhopning og udvikle effektive strategier til at fastholde kunder, hvilket ultimativt øgede deres omsætning.

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

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

På hvilke måder ser du Predictive GenAI transformerer forskellige brancher og forretningsfunktioner?

Predictive GenAI giver virksomheder mulighed for at træffe datadrevne beslutninger med en hidtil uset nøjagtighed og effektivitet. I produktion og logistik optimerer det operationer ved at forudsige efterspørgsel og strømline forsyningssystemer. I kundeorienterede brancher forbedrer det kundetilfredshed og loyalitet gennem målrettet marketing og tilpassede anbefalinger. Predictive GenAI driver også innovation ved at forudsige markedstrends, 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 testdatamængder til at evaluere modelpræstation, ligesom man bedømmer en skoleprøve. Nøglemetric som nøjagtighed, præcision og recall bruges til at validerer modeller under udvikling og i produktion. Vi fremmer også gennemsigtighed gennem forklarede forudsigelser, hvilket hjælper brugere med at forstå de faktorer, der påvirker hver forudsigelse, og fremmer tillid til AI-drevne indsigt.

Hvordan forestiller du dig, at rollen af Predictive GenAI vil udvikle sig i de næste få år?

Set fremad, er fremtiden for AI ikke kun om at forudsige begivenheder, men også om at foreslå handlinger baseret på disse forudsigelser. Predictive GenAI har til formål at automatisere beslutningsprocesser og optimere forretningsoperationer. Men det er vigtigt at forstå de tilhørende risici og sikre ansvarlig brug af AI. Da teknologien udvikler sig, vil den spille en kritisk rol i at forbedre operationel effektivitet, fremme innovation og drive strategisk beslutningstagning på tværs af forskellige brancher.

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