Brian Sathianathan, Chief Technology Officer & Co-Founder von Iterate.ai – Interview-Serie

Brian Sathianathan ist Chief Technology Officer und Mitgründer von Iterate.ai, dem Ersteller der Interplay-Low-Code-Plattform für den schnellen Aufbau von AI-basierten Anwendungen in verschiedenen Branchen. Zuvor arbeitete Sathianathan bei Apple (AAPL ) an verschiedenen Emerging-Technology-Projekten, darunter das Mac-Betriebssystem und das erste iPhone.

Was hat Sie ursprünglich dazu gebracht, mit AI-Technologien zu arbeiten?

Ich hatte immer ein Interesse an algorithmusgesteuertem Lernen und begann während meines Studiums mit der Arbeit an AI-Systemen. Darüber hinaus verbrachte ich zu Beginn meiner Karriere viel Zeit damit, Kryptographie- und andere Sicherheitstechnologien für Apple sowie Video-Compressionstechnologien für ein vorher von mir gegründetes Unternehmen zu entwickeln. Sowohl Video- als auch Kryptotechnologien sind sehr algorithmusintensiv und haben meine Lernkurve in AI/ML beschleunigt. Um 2016 herum begann ich, mit Open-Source-AI-Frameworks/GPUs zu experimentieren und erkannte, wie weit sie in den letzten fünf Jahren gekommen waren – sowohl aus algorithmischer Sicht als auch in ihrer Fähigkeit, eine breitere Palette von Klassifizierungen durchzuführen. Dann wurde mir klar, dass es notwendig war, dies einfacher und zugänglicher für jeden zu machen.

Sie haben einige starke Meinungen zu kognitiver Verzerrung und Datenverzerrung in AI, könnten Sie diese Bedenken teilen?

AI-Verzerrung tritt auf, wenn Ingenieure ihre eigenen Standpunkte und Vorurteile in ihre AI-Trainingsdatensätze einfließen lassen. Dies untergräbt schnell, was sie mit AI erreichen wollen. Meistens ist dieser Einfluss unbewusst, sodass sie möglicherweise nicht einmal bemerken, dass Verzerrung in ihre Datensätze eingedrungen ist. Ohne wirksame Kontroll- und Ausgleichsmechanismen kann die Datenmenge auf nur die Punkte oder Demografien beschränkt werden, die Ingenieure betrachten. Selbst wenn Ingenieure eine hohe Qualität und Menge an Daten haben, können Verzerrungen in den Datensätzen die Ergebnisse, die von AI-Anwendungen geliefert werden, falsch und in vielen Fällen weitgehend nutzlos machen.

Ein Gartner-Bericht schätzte, dass bis 2030 85 % aller AI-Projekte aufgrund von Verzerrung falsche Ergebnisse liefern werden. Das ist eine große Lücke, die überwunden werden muss. Unternehmen, die in KI investieren und ihr vertrauen und strategische Entscheidungen aufgrund von AI treffen, riskieren teure Misserfolge und Schäden an ihrem Ruf, wenn sie von falschen Schlussfolgerungen getäuscht werden, die in Verzerrung wurzeln. Da AI schnell von einer Emerging-Technology zu einem allgegenwärtigen Eckpfeiler in Kundenanwendungen und internen Prozessen wird, ist die Entfernung von Verzerrung entscheidend, um das wahre Potenzial von AI in Zukunft zu realisieren.

Wie können diese Arten von Verzerrungen verhindert werden?

AI-Verzerrung muss systematisch und proaktiv erkannt und entfernt werden. Verzerrungen können in Algorithmen hartcodiert sein. Ungenauigkeiten können durch kognitive Verzerrungen eingeführt werden, die notwendige Daten einfach auslassen. Aggregationsverzerrung ist ein weiteres Risiko, bei dem sich eine Reihe kleiner Entscheidungen zu verzerrten KI-Ergebnissen summiert.

Die Erkennung und Entfernung von AI-Verzerrung in all ihren Formen erfordert, dass Organisationen Frameworks, Toolkits, Prozesse und Richtlinien nutzen, die darauf ausgelegt sind, diese Probleme effektiv zu mildern. Beispielsweise können AI-Frameworks wie das Aletheia-Framework von Rolls Royce und Deloittes AI-Framework – ergänzt durch automatisch durchgesetzte Benchmarks – biasfreie Praktiken in der AI-Anwendungsentwicklung und -bereitstellung fördern. Toolkits wie AI Fairness 360 und IBM Watson OpenScale können Verzerrung und Verzerrungsmuster in Machine-Learning-Modellen und -Pipelines erkennen und entfernen. Schließlich ermöglichen Prozesse, die Daten gegen definierte Verzerrungsmetriken testen, kombiniert mit Richtlinien, die eine Regulierung zur Verhinderung von Verzerrung durch festgelegte Praktiken bereitstellen, es Organisationen, systematisch ihre blinden Flecken zu überprüfen und AI-Verzerrung zu unterbinden.

Sie sind CTO und Mitgründer von Iterate.ai – wie kam es dazu?

Die Geschichte beginnt im Jahr 2013, als unser CEO Jon Nordmark und ich beide als Vorstandsmitglieder eines in der Ukraine ansässigen Beschleunigers tätig waren, der darauf abzielte, Unternehmern dort zu helfen, Silicon-Valley-Style-Startups aufzubauen und zu betreiben. Diese Erfahrungen mit innovativen neuen Unternehmen führten uns zu der Idee, vielversprechende (aber vielleicht weniger bekannte) Startups mit großen Unternehmen zu paaren, die Innovationen benötigen. Wir starteten daraufhin das, was damals Iterate Studio hieß, und boten eine spezielle Suchmaschine für Unternehmen an, um Startup-Partner basierend auf den innovativen Fähigkeiten zu finden, die diese größeren Organisationen suchten. 2015 wurde das Unternehmen zu Iterate.ai, um unsere AI-getriebene Startup-Kuration hervorzuheben. Heute indexiert unsere Signals-Datenbank mehr als 15,7 Millionen Startup-Technologien basierend auf verschiedenen Faktoren (und unter Verwendung von proprietärer AI, um dies in diesem Umfang zu ermöglichen).

Wir erweiterten uns 2017 und veröffentlichten die erste Version unserer Interplay-Low-Code-Anwendungsentwicklungsplattform. Interplay bietet eine AI-getriebene Softwareebene, die die Legacy-Stacks von Unternehmen modernisiert, indem sie die Drag-and-Drop-Nutzung innovativer Technologien ermöglicht und die Softwareentwicklung um das Zehnfache beschleunigt. Die Low-Code-Plattform verfügt über 475 vorgefertigte Komponenten, sodass Benutzer die Technologien, die sie benötigen, schnell kombinieren und Anwendungen erstellen können. AI-Ermächtigung ist im Kern der Plattform sowie andere Low-Code-Komponenten für IoT, Datenintegration und sogar Blockchain.

Iterate ist eine Low-Code-Plattform für die Entwicklung von AI-getriebenen Anwendungen; was sind einige der AI-Anwendungen, die gebaut werden können?

Unsere Low-Code-Plattform hat es ermöglicht, AI-Anwendungen für eine wirklich interessante Vielzahl von Anwendungsfällen zu erstellen – die Breite der Bereitstellung ist etwas, worauf wir wirklich stolz sind. Ulta Beauty (ULTA ), der milliardenschwere globale Beauty-Retailer, nutzte unsere Plattform, um einen intelligenten AI-Retail-Gast-Chatbot in nur zwei Wochen zu erstellen. Im Gegensatz dazu sind primitive Chatbots keywordzentriert, und die meisten Chatbot-Anwendungen von Anbietern können nicht nahtlos in Legacy-Systeme integriert werden, um auf Kundeninformationen zuzugreifen oder einen reibungslosen Übergang zu menschlicher Unterstützung zu ermöglichen. Ulta Beautys intelligenter AI-Chatbot beseitigte diese Probleme mit natürlicher Sprachverarbeitungsfunktion und der Fähigkeit, Kunden-“Intentionen” zu erkennen, um wirklich genaue Antworten zu liefern. Unsere Plattform ermöglichte es Ulta, den AI-Motor des Chatbots in nur wenigen Stunden zu erstellen und die Konfiguration, Verfeinerung und Verbesserung des Chatbot-Trainings und der Antworten extrem schnell durchzuführen.

In einem weiteren Beispiel nutzte Jockey unsere Plattform für KI-gestützte FAQs, die selbst auf recht komplexe und subjektive Kundendienstsituationen automatisch und erfolgreich reagieren können. Unsere Plattform ermöglichte außerdem einem weltweiten Netz von Convenience-Stores und Tankstellen, während der Pandemie kontaktlose Zapfsäulen einzuführen, die auf der KI-basierten Erkennung von Kfz-Kennzeichen beruhen. Unsere KI-Funktionen werden auch für kameragestützte Sicherheitsstrategien im Einzelhandel eingesetzt. Durch Bilderkennung können trainierte KI-Anwendungen Bedrohungen und Waffen vor Geschäften erkennen, zum Schutz der Kunden eine Abriegelung auslösen und die Behörden verständigen.

Wie gering sind die tatsächlichen Programmieranforderungen? Wie viel Entwicklungskompetenz benötigen Benutzer?

Ich denke, die 80/20-Regel gilt. 80 % der angewandten AI-Anwendungsfälle sind bereits gebaut und haben etablierte Modelle und Trainingsdaten. Ein traditionelles Unternehmen kann leicht eine Low-Code-Plattform (unser Interplay ist eine solche Plattform) nutzen und diese Fälle umsetzen. Hier sind einige Beispiele:

• AI-getriebene FAQs
• AI-gestützte Produktfinder
• Produkt-Empfehlungen und Bündelung
• OCR
• Visuelle Produktidentifizierung
• Tabellarische Datenanalyse: Dinge wie AOV, Warenkorb-Analyse, Abwanderungsprognosen usw.
• Objektextraktion/-erkennung
• Objektpermanenz

Die oben genannten Fälle könnten von einem Ingenieur mit Server-seitiger Programmierkenntnissen und einem grundlegenden Verständnis von Machine-Learning-APIs umgesetzt werden. Es ist sehr ähnlich wie bei Video-Streaming, Kryptographie und Schlüsselverwaltungstechniken, die heute über APIs weit verbreitet sind. Die meisten Ingenieure, die diese APIs nutzen, wissen oft nicht, wie sie unter der Oberfläche funktionieren.

Warum ist Low-Code-AI wichtig für die Skalierung von AI-Technologie?

Unternehmen, die AI-Fähigkeiten in ihrer Anwendungsentwicklung verfolgen, können schnell vor großen Herausforderungen stehen, wenn sie keine Low-Code-Technologie nutzen. In der heutigen Welt gibt es nur 300.000 AI-Ingenieure, und nur 60.000 davon sind Data-Scientist. Aufgrund dessen ist der benötigte Talentpool, um AI-Lösungen zu entwickeln und zu skalieren, teuer und wird immer teurer. Im Gegensatz dazu demokratisiert Low-Code-Entwicklung den Zugang zu AI. Mit Low-Code können alle 25 Millionen Software-Entwickler der Welt und sogar diejenigen ohne Ausbildung leicht AI-Engines implementieren, ihre Fähigkeiten verfeinern und effektive Lösungen produzieren und skalieren.

Zurück zu Iterate.ai’s AI-getriebener Signals-Plattform – was sind einige der interessanteren Trends, die sich abzeichnen?

Wir sehen ein rapides Wachstum über fünf Innovationskräfte hinweg: AI, IoT, Blockchain, Daten und aufstrebende Startup-Lösungen. Diese sind alle sehr große Märkte. Wir sehen Tausende von Datenpunkten zu Nachrichten, Patenten und neuen Startup-Produkten jeden Tag. Interplay ist darauf ausgelegt, diese Kräfte zu nutzen, indem es vorgefertigte Komponenten enthält, um diese wachsenden Kräfte zu nutzen.

Gibt es noch etwas, das Sie über Iterate.ai teilen möchten?

Ich denke, es gibt immer noch Missverständnisse über Low-Code und seine Rolle bei der Erstellung von AI-Anwendungen. Es ist nicht ungewöhnlich, IT-Profis zu sehen, die sich fragen, ob eine Low-Code-Strategie ihre Anforderungen an Unternehmensskalierbarkeit, Erweiterbarkeit und Sicherheit erfüllen kann. Ich denke, dass Low-Code-Optionen, die für Prototyping gedacht sind, aber als Werkzeuge für Produktionsanwendungen missbraucht werden, zu dieser Skepsis beigetragen haben. Allerdings sind die richtigen Low-Code-Plattformen absolut in der Lage, Produktionsbereite AI-Anwendungen zu erstellen und zu unterstützen. Unternehmen sollten ihre Due Diligence bei der Auswahl von Low-Code-Tools durchführen, sicherstellen, dass diese Tools eine transparente und umfassende Sicherheitsschicht haben und einen nachgewiesenen Erfolg bei der Lieferung von Anwendungen im Unternehmensumfang haben.

Vielen Dank für das großartige Interview, Leser, die mehr erfahren möchten, sollten Iterate.ai besuchen.