Pedro Alves, CEO og grundlægger af Ople.ai – Interviewserie

Pedro Alves er CEO og grundlægger af Ople.ai, en platform der giver analytikere og fagfolk med indsigt i kraftfuld predictiv analytics. Platformen er udstyret med viden og ekspertise fra verdens førende datavidenskabsfolk, 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 et enormt potentiale i maskinlæring og kunstig intelligens. Mens jeg studerede datalogi som bachelorstuderende og besluttede, hvilket subfelt jeg skulle forfølge yderligere, 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 har altid syntes, 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, hvordan man anvender den. Jeg var altid meget praktisk; jeg ville ikke lære teori blot for teoriens skyld. Jeg valgte at studere maskinlæring, som det anvendes i feltet genetik og proteomik. Alt mit kandidatarbejde var i computational biologi, men fokuset var 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 akademien. Jeg oplevede virkeligheden af AI og lærte, hvordan det havde været anvendt ineffektivt i den virkelige verden, og ikke på grund af tekniske problemer. Så blev jeg draget til at løse problemet.

Du var tidligere chief data scientist hos Banjo, hvor du tog dig af udfordringer inden for sociale netværksområdet. Kan du diskutere nogle af disse udfordringer?

Som virksomhed ville vi opdage 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 respondenter. 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 beskedent. Overvej millioner af billeder af hunde, billeder af mad, endnu en million billeder af selfies 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 computer vision. Selv om computer vision var ret godt på det tidspunkt, når du forsøger at finde én ud af få millioner, kan selv en lille fejlrate sandsynlighed fuldstændigt ødelægge dine chancer for at opdage disse sjældne begivenheder.

For eksempel var der en offentlig dataset, som når den blev brugt til at træne neurale netværk, ville forhindre dem i at kunne identificere farver. Selv hvis et billede i en dataset var farverigt, og det neurale netværk så på alle RGB, brugte det ikke farve som en signifikator. Tag et traditionelt politibilsbillede og et traditionelt taxibillede – 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 forekomst kunne vi forstå, at det at skabe en ordentlig dataset er afgørende.

I 2017 startede du derefter Ople. Hvad var grundlæggelsehistorien bag denne startup?

Jeg ville have, at virksomheder skulle få en solid ROI fra implementering af AI. Ifølge Gartner er det mellem 80 og 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 procedurer inden for virksomheden.

Dette kan skyldes manglen på tilstrækkelig 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, og når datavidenskabsteamet er færdigt, tager forretningsholdet ikke fordel af forudsigelserne overhovedet. I de fleste virksomheder er det afdelinger som salg, marketing og logistik, der virkelig burde 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 derfor ikke bruge dem.

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

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

Du har udtalt, at datavidenskabsfolk taber værdifuld tid med at udføre 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 modellen er færdig, vil virksomheden implementere den, selv om den sandsynligvis ikke er så nøjagtig som muligt. I månederne efter modellens implementering vil datavidenskabspersonen fortsætte med at arbejde på den i et forsøg på at øge modellens nøjagtighed med små inkrementelle mængder. Dette er normalt, hvor mange datavidenskabsfolk bruger deres tid, når de kunne bruge tiden på at udføre andre opgaver, såsom at sikre, at medarbejdere forstår, stoler på og bruger AI-modellerne. Alt den tid, der bruges på opgaver som funktionelt udvikling, modeltræning, parameterjustering og algoritmevalg for at øge en models nøjagtighed, kan let automatiseres med AI.

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

Før jeg kommer til meta-læring, er det vigtigt at forstå den første lag af maskinlæring. Lad os sige, du har en dataset, der forudsiger, hvornår maskinerne på en fabriksfloor er ved at gå i stykker. 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 “at lære at lære”, er yderligere at forstå læreprocessen. Sådan at sige, mens du træner din model til at forudsige maskinfejl, har du 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 ikke fungerer godt. Når du udfører meta-læring, bliver du bedre til at bygge mere effektive modeller, hurtigere.

Hvad er dine synspunkter på synthetisk data?

Synthetisk data kan være utrolig svær at arbejde med, hvis den ikke udføres korrekt.

Lad os sige, du har medicinske journaldata – 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 synthetisk data med maskinlæring baseret på disse medicinske journaler. Men hvis du kun afhænger af maskinlæring eller statistik, kan du ende med at få meningsløs synthetisk data. Det kan skabe en tilfældig kombination af værdier, såsom en 3-årig, der er 1,80 meter høj, eller en person, der er 1,20 meter høj og vejer 450 kilo. Selv om AI/ML er pålidelig i mange tilfælde, ville synthetisk data, der anvendes til medicinske journaler, kræve en læges input.

Så du får en medicinsk fagperson involveret i at skabe parametre, som “hvis personen er denne alder, hvilket er et realistisk højde- og vægtområde”, eller “hvis de tager denne medicin, hvilke medicin bør de ikke tage?” Denne proces ville uundgåeligt blive et enormt foretagende og for komplekst at kortlægge alle muligheder, som det angår hver enkelt patients medicinske journaler.

I billedernes verden kan synthetisk 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 en 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 justere billedet. At flytte fokus på billedet, så bilen er i alle forskellige hjørner, er at skabe synthetisk 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 dybdegående dataanalyse på alle niveauer i en organisation og give deres medarbejdere mulighed for at låse værdien af AI med blot få klik. I stedet for at virksomheder afhænger af et lille team af datavidenskabsfolk til at formulere og implementere AI, udstyrer Ople.AI-platformen medarbejdere 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 over for, når de implementerer AI, modelforklarbarhed. Det er afgørende for virksomheder at tilbyde AI, som deres medarbejdere kan forstå, og endnu vigtigere, stole på. Modelforklarbarhed hjælper med det. Vores mål med Ople.AI-platformen er at give medarbejdere, der måske ikke er AI- eller teknologi-kyndige, mulighed for let at forstå, hvordan modellerne laver forudsigelser og hvorfor. At skabe modelforklarbarhed vil generere kraftfulde resultater for virksomheder på længere sigt.

Derudover er der langt mere værdi, en model kan give til virksomheder end blot at lave forudsigelser. AI kan afsløre potentielle problemer eller områder, der kan udnyttes. Vi kalder det dataforklarbarhed – det er de forskellige måder, en model kan dele intelligente indsigt om data, der er værdifuld for en virksomhed. Dette er en stor måde, AI kan hjælpe virksomheder, og et område, vi er i gang med at udvikle i forhold til vores konkurrenter.

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