Humayun Sheikh, CEO af Fetch.ai – Interview Serie

Humayun Sheikh er en innovationsivrig iværksætter, en medstifter af DeepMind og er administrerende direktør for Fetch.ai, en innovativ platform til at tilslutte IoT-enheder og algoritmer til at muliggøre kollektiv læring. Bygget på en høj-gennemstrømnings sharded ledger, leverer Fetch.ai-arkitekturen en unik smart kontrakt-funktion til at implementere ML/AI-løsninger til decentraliseret problemløsning.

Hvordan blev du først interesseret i kunstig intelligens?

Min baggrund er computeringeniør, men jeg har brugt de sidste 20 år på at handle med varer, udvikle ML/AI-algoritmer til markedshandel, prisforudsigelse og arbejde med forskellige AI-projekter til at implementere kommercielt værdifuld brug af AI. Jeg blev introduceret til Demis Hasabis fra DeepMind for 15 år siden, og jeg blev mere involveret i kunstig intelligens i spil. Efter DeepMind grundlagde jeg sammen med mine medstiftere Toby Simpson og Thomas Hain Fetch.ai, og vores tilgang har været at bygge noget, som vi kunne begynde at kommercialisere.

Kunne du fortælle os mere om din investering i DeepMind før det senere blev købt af Google (GOOGL )?

Jeg blev introduceret til Demis Hasabis fra DeepMind, og vi arbejdede sammen i 3 til 4 år. Under min involvering med DeepMind forfulgte vi ideer og måder, hvorpå vi kunne få maskiner til at opføre sig og interagere mere som mennesker. Til sidst blev DeepMind solgt til Google og er nu en af verdens førende organisationer inden for kunstig almindelig intelligens.

Tror du, at det stadig er en mulighed at bygge en kunstig almindelig intelligens (AGI)?

Det kan synes som en langtliggende mulighed, men vi forestillede os også ikke 20 til 30 år siden, at AI-laboratorier som DeepMind ville opstå, eller at selskaber som Google, Apple (AAPL ), Microsoft (MSFT ), Amazon (AMZN ) og Facebook (META ) ville investere så meget i AI-forskning, herunder neurovidenskabsforskning. Kapacitetsmæssigt er vi stadig ret langt fra at opnå kunstig almindelig intelligens, og derefter er der spørgsmålet om kommercialisering. Hvis Google ikke var trådt ind, ville selskaber som DeepMind sandsynligvis være fejlet. Givet den hurtige udviklingstakt for AI kan vi forvente at nå et inflection point, hvor AI-forskningsfællesskabet overrasker os med udviklingen af kunstig almindelig intelligens.

Din seneste venture er Fetch.ai, kunne du dele historien bag dette startup?

Jeg, sammen med mine medstiftere, har diskuteret ideerne bag Fetch.ai i mange år, før vi fandt den teknologikombination, der ville levere det. Vi tror på en mere effektiv, optimeret og decentraliseret verden, hvor identitet, værdi og nytte returneres til den enkelte, og hvor kollektiv viden er tilgængelig for alle brugere af netværket. Det omdanner verden til byggeklodser af spændende nye forretninger. Verden er kompleks og underudnyttet; vi simplificerer den og gør bedre brug af, hvad vi har.

Et af de første Fetch.ai-projekter er et blockchain-baseret AI-smartby-infrastrukturprojekt i München. Kunne du forklare, hvad dette er, og hvordan blockchain og AI kan hjælpe en chauffør med at finde en parkeringsplads?

Datarella-Fetch.ai Smart City field trials bruger Fetch.ai’s AEAs (Autonome Økonomiske Agenter) til at låse data op og levere smart mobilitetsløsninger i Münchens kommercielle ejendomme, og til dette feltforsøg har vi valgt Connex-bygningen i München.

Hver registreret bruger, der er en regelmæssig parkeringsbruger, incentiviseres til at reducere deres individuelle trafik til Connex-kontorerne, og for det vil de blive belønnet med en vis mængde tokens per minut for ikke at parkere på parkeringspladsen. Autonome agenter vil forhandle “prisen” på parkeringspladser mellem ejerne af dem og dem, der søger efter en plads. Så snart en bil eller dens relaterede wallet-adresse er registreret som parkeret af Carpark AEA, stopper token-udsendelsen til denne wallet. Antallet af tokens, der belønnes per wallet og minut, afhænger af den nuværende udnyttelse af parkeringspladsen.

Målet er at støtte den bæredygtige og effektive brug af byens infrastruktur i München.

Et andet projekt i pipeline er AI Autonomous Travel Agents-programmet. Kunne du forklare, hvad dette er?

Fetch.ai’s Autonome AI-Rejsendeagenter tilbyder et decentraliseret, multi-agent-baseret system, der leverer personlige, privatfokuserede rejseløsninger. Ved hjælp af smarte kontrakter og AEA (Autonome Økonomiske Agenter), der udfører booking af hotelværelser gennem en direkte leverandør-til-forbruger-model, ønsker vi at sikre omkostningsbesparelser for både hoteller og forbrugere på op til 10%. Desuden er vores applikation integreret med Amadeus, der tilbyder instant adgang til over 770.000 hoteller.

Ved at bootstrappe til Amadeus’ servere kan vi hente et hotels navn og placering og andre oplysninger, der er nødvendige for at fuldføre en rejsendes booking uden at bruge en online-rejsendeagent eller metasøge-side.

En hotel-ejer kan lancere vores applikation uden nogen opsætningsomkostninger, og tilgangen er mere baseret på betal-per-brug. Hoteliers software vil interagere med den software, som forbrugere vil bruge til at shoppe. Endnu vigtigere er, at hotelierne ikke vil forsøge at sælge alle deres varer på denne nye kanal, der drives af kunstig intelligens. Det vil være en ekstra kanal i tillæg til den nuværende blanding, vi ser i hotelindustrien.

Den Autonome AI-Rejsendeagenter-applikation, der er designet af Fetch.ai, er ikke ment til at erstatte eksisterende systemer fuldstændigt, men mere til at supplere dem. Den fungerer sikkert, ikke-destruktivt og parallelt med eksisterende relationer, som hoteller måske har. Den leverer en alternativ metode, hvorpå bookinger kan tages: en, hvor kunden og hotellet har med hinanden at gøre direkte, og en, hvor en mere personlig, bedre værdi-oplevelse kan leveres.

Vil du samarbejde med OTAs (online-rejsendeagenter), hvis ikke, hvordan vil du påbegynde forskellige hoteller?

Nej, vi vil ikke samarbejde med OTAs. Vi vil enable hotelier til at registrere sig på en software, der er beregnet til hotelier, og adgang til Fetch.ai-netværket fra andet kvartal 2021, når vi lancerer applikationssuiten.

Hvilke typer maskinlæringsalgoritmer bliver brugt i disse applikationer?

Vi kan ikke gå i detaljer her, andet end den ML, der indirekte bliver brugt med andre Fetch-teknologier i forbindelse med søgning og opdagelse. Dog er naturlige sproggrænseflader og kontinuerlig læring af, hvad der er passende for en given agent-samling (der inkluderer, blandt andet, forstærkning og RNN’er), en stor del af det. Men der vil være mere!

Er der noget andet, du gerne vil dele om Fetch.ai?

Vi ønsker at fortsætte vores fokus på at bygge applikationer, produktsuites med værdi for vores fællesskab, vores partnere, og vi fortsætter med at fokusere på det på en offentligt synlig måde, så vores fællesskab kan dele vores succes. Dette bygger værdi, nytte og vækst for vores fællesskab. Plus, brugere kan deltage ved at investere i FET-token, der er rygmarven i Fetch-økosystemet. Det er påkrævet for at finde, oprette, udrulle og træne autonome økonomiske agenter og er afgørende for smarte kontrakter, orakler og transaktioner, der er nødvendige for at levere den nye digitale økonomi.

Og de kan altid interagere med os på tværs af vores sociale kanaler:

Telegram

Twitter

Medium

YouTube

Tak for det gode interview, læsere, der ønsker at lære mere, kan besøge de ovennævnte sociale medier eller Fetch.ai-website.