Sarah Nagy, grundlægger og administrerende direktør for Seek AI – interviewserie

Sarah Nagy er grundlægger og administrerende direktør for Seek AI, en platform, der giver forretningsbrugere mulighed for at stille Seek de samme spørgsmål, som de i øjeblikket stiller til dataholdet, lige i Slack, Teams og e-mail. De behøver ikke finjustere formuleringen af deres spørgsmål eller lære en ny platform at kende.

Hvad arbejdede du med, da du startede som forsker med data fra Hubble-rumteleskopet?

Jeg arbejdede med forskning på UCLA og Caltech, hvor jeg undersøgte nogle af de fjerneste galakser, der kunne observeres med et teleskop, og arbejdede med at analysere nogle af deres egenskaber, såsom deres masse og størrelse. Formålet med denne forskning var at hjælpe os med at forstå forskellen mellem meget fjerne galakser og galakser, der er tættere på vores egen, og udvikle modeller for, hvordan disse galakser dannes over tid.

Du arbejdede derefter som data scientist i forskellige startups. Hvad var nogle af de mere interessante projekter?

Et projekt, der står ud, involverede brug af naturlig sprogbehandling (NLP) til at klassificere ustruktureret tekst relateret til detailhandelsvarer. For eksempel at tage rå tekst (f.eks. “air jordans green”) og mærke den som det anslåede mærke (“Nike”). Jeg havde en kollega, der specialiserede sig i NLP, der var optaget af et andet projekt, så det var oprindeligt ikke meningen, at jeg skulle arbejde på projektet. Det blev overdraget til mig, fordi kollegaen var optaget. Jeg vidste ikke engang noget om NLP på det tidspunkt, så jeg gennemførte nogle gratis kurser fra Stanford og Fast.ai for at opgradere min viden. Jeg nød virkelig at lære om NLP og begyndte at forstå, hvorfor det er så vigtigt, og hvorfor kunstig intelligens (AI), der kan forstå sprog, er et stort skridt mod såkaldt “generel AI”. Denne oplevelse gjorde mig bestemt parat til at forstå vigtigheden af GPT-3, da det først kom ud.

Kan du dele historien bag Seek AI?

Da OpenAI’s GPT-3-model kom ud, genkendte jeg straks, hvor stor en fremgang det var, og blev særligt begejstret for anvendelser, der involverede GPT-3, der skrev kode. Jeg var jo selv data scientist, der skrev kode hele dagen, og at se AI gøre dette – og generere koden perfekt – var forbløffende. Jeg ville sammenligne min reaktion på GPT-3 med, da jeg første gang lærte om VR i 2013, som var en anden forbløffende oplevelse for mig. Jeg endte med at beslutte, at jeg måtte danne et startup for at satse på denne teknologi. Jeg vidste ikke nøjagtigt, hvad jeg ville bygge, men jeg havde en fornemmelse af, at hvis jeg lærte mere om disse modeller, ville noget værdifuldt falde på plads.

Da jeg havde lært mere om modellerne, var det, da jeg indså, at jeg kunne løse et problem, jeg havde mødt overalt, hvor jeg havde arbejdet som kvantitativ analytiker eller data scientist. Problemet det gjaldt var, at forretningsfolk ikke havde de rette værktøjer til at besvare deres egne data-spørgsmål. Som data scientist arbejdede jeg ofte på projekter, der krævede meget fokus, men jeg blev ofte afbrudt af kollegaer på forretningsiden, der havde spørgsmål om data, hvilket tvang mig til at stoppe, hvad jeg gjorde. Processen syntes arkaisk og ineffektiv. Jeg indså, at hvis jeg fokuserede på denne nye teknologi til at løse problemet, ville det være en kategori-definerende løsning til dette meget vigtige og udbredte problem.

Seek AI bruger generativ AI. Kan du forklare vores læsere, hvad det er?

“Generativ AI” er et meget hypet buzzord, men til forskel fra andre buzzwords, tror jeg ikke, at hypen er ubegrundet. Begrebet refererer til store maskinlæringsmodeller med hundredvis af milliarder af parametre, såsom Open AI’s DALL-E og GPT-3. Innovationen i disse modeller er, at de kan forstå naturligt sprog og generere tekst, billeder, kode og mere. Hvis du nogensinde leger med DALL-E eller Stable Diffusion, for eksempel, vil du hurtigt forstå, hvorfor disse modeller er så hypede; de har en utrolig menneske-lignende evne til at forstå naturligt sprog og kan generere kunst, der kan konkurrere med de bedste menneskelige kunstnere.

Kodegenerering er en af de mere niche, men vigtigste, anvendelser af generativ AI. Data bliver større og mere kompleks, og derfor sværere for mennesker at analysere og organisere manuelt. Dog er der så meget information indkodet i denne data. Denne information er ikke kun kraftfuld for organisationer, men kan også føre til utrolige videnskabelige gennembrud på den akademiske side. At bygge AI til at udtrække værdi fra data vil låse utrolig værdi op i form af nyttig information.

Seek AI bygger en grænseflade, der giver brugere mulighed for at interagere med data ved hjælp af naturligt sprog. Videnarbejdere kan få adgang til Seek AI’s naturlige sproggrænseflade via e-mail, Slack, tekstbeskeder og en række systemer til kunderelationsstyring (CRM).

Hvilke andre former for maskinlærning bruges der i Seek AI?

Mens generativ AI er en del af vores maskinlæringsarkitektur, omfatter vores arkitektur også flere grene af open-source dybtlæringsmodeller. Transformermodeller (hvor “generativ AI” er en variant) udgør mange (men ikke alle) af de modeller, som Seek bruger.

Hvorfor er det så vigtigt for ikke-tekniske brugere at kunne få adgang til data hurtigt?

Hvad godt er data, hvis det ikke genererer en ROI, og hvordan kan en forretning få denne ROI, hvis forretningsorienterede brugere ikke engang kan få adgang til det? Det er derfor absolut essentiel at give adgang til så mange mennesker som muligt, uden at kompromittere med nøjagtigheden.

Da jeg var data scientist, fik jeg nogle gange anmodninger fra CEO’en om at analysere nogle data for at hjælpe med vores virksomheds produkt- eller markedsintroduktionsstrategi. Disse projekter kunne tage uger eller længere. Som CEO nu forstår jeg helt sikkert vigtigheden af disse projekter på et dybere niveau, end da jeg var på data-siden. Jeg ville ofte ønske, at jeg havde dataene lige ved hånden, så jeg kan træffe mine beslutninger hurtigere. Dette er et eksempel på, hvad vi løser i Seek.

Hvordan gør Seek AI det så let at hente data?

Noget, der er interessant at tænke over, er, at data kun kan analyseres med kode. Det er sandt, at der er platforme, der er abstraktioner over denne kode (f.eks. data-dashboard), men under overfladen er der kode, der er skrevet manuelt af dataanalytikere, som giver dataene mulighed for at blive præsenteret for forretningsbrugerne.

De fleste videnarbejdere kender ikke til, hvordan man koder, ønsker ikke at kode eller kan ikke engang få adgang til data, selv hvis de ønsker at skrive kode for at analysere det. Derfor, når de har brug for data, enten skal de lokalisere det i et dashboard eller spørge dataholdet, hvis de ikke kan finde det. Jo større, datasets bliver, jo mere vil dette ske.

Dataholdene skal derfor være “oversættere” af naturligt sprogsspørgsmål rettet mod dem og dataene selv, som de forespørger ved hjælp af kode. At fjerne dette »oversætter«-mellemled er hjertet af, hvad Seek gør.

Hvordan sikrer virksomheder, at de data, de bruger, er nøjagtige?

At styre afvejningen mellem data-nøjagtighed og tilgængelighed er en kæmpe udfordring. Som jeg sagde i et nyligt interview, på den ene side giver tilgængelighed mulighed for, at mindre teknisk kyndige personer kan begynde at interagere med videnkilden, der er en virksomheds data. På den anden side, hvad godt er en videnkilde af forurenet vand (dvs. dårlige data)?

De bedste datahold er dem, der styrer denne afvejning på den mest optimale måde, og en stor del af det er at kalibrere og verificere ethvert værktøj, som ikke-tekniske brugere kan interagere med.

Hvilke eksempler på brugsområder er der for Seek AI-platformen?

Vi leverer allerede værdi til kunder og designpartnere i B2B SaaS, Fintech, Forbrugsvarer (CPG) og B2C e-handel.

Battlefin er for eksempel den førende markedsplads for alternative finansielle datasets. De mener, at at give hurtige, højkvalitets-svar på deres egne kunders spørgsmål er forskellen mellem at vinde og tabe over for deres konkurrenter. Virksomhedens CEO, Tim Harrington, bemærkede: “Seek AI spillede en afgørende rolle i vores virksomheds strategi i 2023 på grund af den fordel, det giver os i at få adgang til og analysere vores 2.400+ datasets i svaret på kundespørgsmål. Jeg ville anslå, at vores ROI på Seek AI er omkring 10 gange, baseret på hvad vi ville have brugt for at opnå dette niveau af effektivitet uden platformen.”

Er der noget andet, du gerne vil dele om Seek AI?

Dette kan være det rette sted for en skamløs reklame. Seek tilbyder i øjeblikket gratis prøver af vores platform, som kan tilgås på seek.ai. Vi er begejstrede for at være en pioner i at bringe generativ AI til datahold, og jeg ser frem til at gå på denne rejse med vores kunder.

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