Pedro Alves, administrerende direktør og grundlægger af Ople.ai – Interviewserie

Pedro Alves er administrerende direktør og grundlægger af Ople.ai, en platform, der giver analytikere og fagfolk med indsigt i stærk prædikativ analyse. Platformen er udstyret med viden og ekspertise fra verdens førende dataforskere, så brugerne kan fokusere på, hvad de er rigtig gode til: at skabe en virksomhedsindvirkning.

Hvad var det, der oprindeligt tiltrak dig til datavidenskab?

Tilbage i 2001 så jeg en enorm potentiale i maskinlæring og kunstig intelligens. Mens jeg studerede datalogi som bachelorstuderende og besluttede, hvilket underfelt jeg ville videreuddanne mig i, tænkte jeg: OK, AI/ML er et område inden for datalogi, som jeg synes er interessant – du kan hjælpe med at forudsige begivenheder i ethvert felt. Uanset om du er i biologi, medicin eller finans, hvis du har maskinlæring og AI, kan du avancere disse felter betydeligt. Jeg syntes altid, at matematikken bagved var fascinerende.

Da jeg startede på kandidatuddannelsen, besluttede jeg, at den bedste måde at forbedre min ekspertise i maskinlæring ville være at lære at anvende den. Jeg var altid meget praktisk; jeg ville ikke lære teori kun for teoriens skyld. Jeg valgte at studere maskinlæring, som det anvendes i feltet genetik og proteomik. Alt mit kandidatarbejde var i computacional biologi, men fokuserede på maskinlæring.

Snart efter gik jeg ind i sundhedssektoren, hvor jeg så et stort potentiale for AI/ML-anvendelser. Det var, da jeg begyndte at se problemerne, som AI havde i praksis, uden for akademiet. Jeg oplevede virkeligheden af AI og lærte, hvor ineffektivt det havde været anvendt i den virkelige verden, og ikke på grund af tekniske problemer. Så blev jeg tiltrukket af at løse problemet.

I din tidligere stilling som chef for datavidenskab i Banjo, mødte du udfordringer i det sociale netværksområde. Kan du diskutere nogle af disse udfordringer?

Som virksomhed ville vi registrere begivenheder, der blev optaget på sociale medier, specifikt begivenheder, der skulle fremhæves som en potentiel fare, som en bilulykke eller en bygning i brand. Vi ville hjælpe med at markere disse begivenheder, så vi kunne yderligere hjælpe med at mobilisere de første reaktioner. Vi brugte sociale medier til godt.

Mange af disse begivenheder er sjældne i forhold til sociale medie-data. For eksempel sker der mange ulykker hver dag i en given by, men når du ser på mængden af sociale medie-data, bliver et billede af en bilulykke ret lille. Tænk på millioner af billeder af hunde, billeder af mad, endnu en million billeder af selvportrætter og så et billede af en bilulykke, alt sammen på få minutter. I virkeligheden var vi ved Banjo ved at finde nålen i høstakken.

Sådan en udfordring, der opstod, var relateret til computerseende. Selvom computerseende var ret godt på det tidspunkt, når du forsøger at finde en i få millioner, kan selv en lille fejlrate sandsynlighed fuldstændigt ødelægge dine chancer for at registrere disse sjældne begivenheder.

For eksempel var der en offentlig dataset, som når den blev brugt til at træne neurale netværk, ville forhindre, at de kunne identificere farver. Selv hvis et billede i datasettet var farverigt, og det neurale netværk så på alle RGB, brugte det ikke farve som en signifikator. Tag et traditionelt politibils- og taxabil – begge er grundlæggende det samme bilmodel og en ekstra maskine på toppen (dvs. sirener på en politibil eller en ledig/optaget-signal på en taxi). Men hvis du ser på farven, er forskellen mellem de to åbenbar. Fordi af denne instance kunne vi forstå, at det er vigtigt at skabe en ordentlig dataset.

I 2017 startede du herefter Ople. Hvad var historien bag denne startup?

Jeg ville have, at virksomheder fik en solid afkast fra implementering af AI. Ifølge Gartner er det mellem 80 til 90 procent af AI-projekter, der aldrig ser dagens lys. Dette har intet at gøre med tekniske aspekter, som modellens nøjagtighed. Det er normalt virksomhedskultur eller procedureriske aspekter inden for virksomheden.

Dette kan skyldes manglende kommunikation mellem datavidenskabsteamet og forretningsbrugeren, hvilket fører til modeller, der forudsiger noget, som forretningsholdet ikke havde brug for, fordi datavidenskabsteamet ikke forstod, hvad der skulle bygges. Eller hvis de bygger den rigtige model, så når datavidenskabsteamet er færdigt, tager forretningsholdet ikke fordel af forudsigelserne overhovedet. I de fleste virksomheder er det afdelinger som salg, marketing og logistik, der i virkeligheden bør anvende AI, men det er datavidenskabsteamet, der forstår modellerne. Når disse hold ikke forstår modellerne, der bygges til dem, har de tendens til ikke at stole på deres forudsigelser og bruger dem derfor ikke.

Så hvis AI ikke ændrer, hvordan virksomheden driver forretning, hvad er pointen?

Vi ville skabe en platform, der løser dette – vi vil hjælpe datavidenskabsteamet eller forretningsanalytikerne, dataanalytikerne, hvem som helst, der er involveret i denne proces – bygge de rigtige projekter og hjælpe medarbejderne med at forstå og stole på modellerne. Hvis vi løser dette, så tror jeg, at datavidenskab kan være værdifuldt for virksomheder på en rigtig måde.

Du har udtalt, at datavidenskabsfolk spilder værdifuld tid på opgaver, der kan automatiseres med AI. Hvad er nogle eksempler på opgaver, der bør automatiseres?

En datavidenskabsperson vil normalt bruge flere måneder på at fuldføre en model, og når den er færdig, vil virksomheden implementere modellen, selvom den sandsynligvis ikke vil være så nøjagtig som muligt. I månederne efter modellens implementering vil datavidenskabspersonen fortsætte med at arbejde på den for at øge modellens nøjagtighed med små inkrementer. Det er normalt, hvor mange datavidenskabsfolk tilbringer deres tid, når de kunne tilbringe tiden på andre opgaver, såsom at sikre, at medarbejderne forstår, stoler på og bruger AI-modellerne. Al den tid, der bruges på opgaver som funktionstilpasning, modellering, parameterjustering og algoritmevalg for at øge en modells nøjagtighed, kan let automatiseres med AI.

Kan du beskrive, hvad meta-læring er og hvordan Ople anvender denne?

Før jeg kommer til meta-læring, er det vigtigt at forstå det første lag af maskinlæring. Lad os sige, du har en dataset, der forudsiger, når maskinerne vil gå i stykker på en fabriksfloor. Maskinen vil underrette medarbejderne om, at den er ved at gå i stykker, så de kan udføre forebyggende vedligeholdelse. Dette kaldes det første lag af læring.

Meta-læring, også kendt som “læring at lære”, er yderligere at forstå læreprocessen. Sådan at du, mens du træner din model til at forudsige maskinfejl, har en anden model, der observerer. For eksempel kunne den anden model hjælpe virksomheder med at forstå, hvilke parametre den forudsigende vedligeholdelsesmodel lærer godt, og hvilke parametre, der ikke fungerer godt. Når du gør meta-læring, bliver du bedre til at bygge mere effektive modeller, hurtigere.

Hvad er dine synspunkter på synthetiske data?

Synthetiske data kan være utroligt svære at arbejde med, hvis de ikke udføres korrekt.

Lad os sige, du har medicinske data – du har 20 patienter, og for disse patienter har du deres alder, køn, vægt, højde, blodtryk, liste over medicin, osv. Det er muligt at skabe synthetiske data med maskinlæring baseret på disse medicinske data. Men hvis du kun afhænger af maskinlæring eller statistik, kan du ende med at få meningsløse synthetiske data. Det kan skabe en tilfældig kombination og match af værdier, såsom en 3-årig, der er 1,80 meter høj eller en 1,20 meter høj person, der vejer 450 kilo. Mens AI/ML er pålidelige i mange tilfælde, ville synthetiske data, der bruges til medicinske data, kræve en læges input.

Så du får en medicinsk professionel involveret for at skabe parametre, som “hvis personen er denne alder, hvad er et realistisk højdeinterval og vægt”, eller “hvis de tager denne medicin, hvilke medicin bør de ikke tage?” Denne proces ville uundgåeligt blive et massivt foretagende og for komplekst at kortlægge alle muligheder, da de vedrører hver patients medicinske data.

I billedernes verden kan synthetiske data dog være langt lettere at forstå og skabe. Lad os sige, du har et billede af en bil, og bilen er placeret i øverste venstre hjørne. Du behøver ikke at være ekspert for at vide, at samme bil kunne være i nederste venstre hjørne, øverste højre hjørne eller i midten. Ikke kun kan personen pege kameraet i mange måder, men de kan også genjustere billedet. At flytte fokus på billedet, så bilen er i alle forskellige hjørner, er at skabe synthetiske data – en anden simpel metode er at bruge rotation.

Kan du give nogle eksempler på, hvordan Ople har kunnet hjælpe virksomheder med deres databehov?

Ople.AI giver virksomheder mulighed for at anvende dybe dataanalyser på alle niveauer i en organisation og give deres medarbejdere mulighed for at låse værdien af AI med kun få klik. I stedet for at virksomheder afhænger af et lille team af datavidenskabsfolk for at formulere og implementere AI, udstyrer Ople.AI-platformen medarbejderne i forskellige afdelinger med værktøjer til at få indsigt i deres data og øge deres daglige effektivitet.

Med det sagt er en stor forhindring, som virksomheder ofte står overfor, når de implementerer AI, model-forklaringsmulighed. Det er afgørende for virksomheder at tilbyde AI, som deres medarbejdere kan forstå, og endnu vigtigere, stole på. Model-forklaringsmulighed hjælper med det. Vores mål med Ople.AI-platformen er at give medarbejderne, som måske ikke er AI- eller teknologi-kyndige, mulighed for at let forstå, hvordan modellerne laver forudsigelser og hvorfor. At skabe model-forklaringsmulighed vil generere kraftfulde resultater for virksomheder på lang sigt.

Derudover er der langt mere værdi, en model kan bringe til virksomheder ud over at lave forudsigelser. AI kan afsløre potentielle problemer eller områder, der kan udnyttes. Vi kalder det data-forklaringsmulighed – det er de forskellige måder, en model kan dele intelligente indsighter om data, der er værdifulde for en virksomhed. Dette er en stor måde, AI kan hjælpe virksomheder, og et område, vi avancerer i, i forhold til vores konkurrence.

Tak for interviewet, læsere, der ønsker at lære mere, skal besøge Ople.ai.