Dr. Devavrat Shah, Mitgründer und CEO von Ikigai Labs – Interviewreihe

Dr. Devavrat Shah ist der Mitgründer und CEO von Ikigai Labs und er ist ein Professor und Direktor des Statistics and Data Science Center am MIT. Er gründete Celect, eine Plattform für predictive Analytics für Einzelhändler, die er an Nike verkaufte. Devavrat hat einen Bachelor- und PhD-Abschluss in Informatik von der Indian Institute of Technology und der Stanford University.

Ikigai Labs bietet eine AI-gestützte Plattform, die Unternehmensdaten in Tabellen und Zeitreihen in vorhersehbare und handhabbare Erkenntnisse umwandelt. Durch die Verwendung von patentierten Large Graphical Models ermöglicht die Plattform es Geschäftsanwendern und Entwicklern in verschiedenen Branchen, ihre Planungs- und Entscheidungsprozesse zu verbessern.

Könnten Sie die Geschichte hinter der Gründung von Ikigai Labs teilen? Was hat Sie dazu bewogen, von der Akademie zur Unternehmertätigkeit zu wechseln?

Ich habe tatsächlich zwischen der akademischen und geschäftlichen Welt hin- und hergewechselt. Ich gründete Ikigai Labs mit meinem ehemaligen Studenten am MIT, Vinayak Ramesh. Zuvor gründete ich ein Unternehmen namens Celect, das Einzelhändlern half, Inventarentscheidungen durch AI-basierte Nachfrageprognose zu optimieren. Celect wurde 2019 von Nike übernommen.

Was sind genau Large Graphical Models (LGMs), und wie unterscheiden sie sich von den bekannteren Large Language Models (LLMs)?

LGMs oder Large Graphical Models sind eine wahrscheinlichkeitstheoretische Sichtweise von Daten. Sie stehen in scharfem Kontrast zu den “Foundation-Modell”-basierten KI-Systemen wie LLM.

Die Foundation-Modelle gehen davon aus, dass sie alle relevanten “Muster” aus einer sehr großen Datenmenge lernen können. Und daher kann ein neues Datenstück auf der Grundlage des relevanten Teils der Datenmenge extrapoliert werden. LLMs haben sich für unstrukturierte Daten (Text, Bild) als sehr effektiv erwiesen.

LGMs identifizieren hingegen die geeigneten “funktionalen Muster” aus einer großen “Menge” solcher Muster, gegeben ein Datenstück. Die LGMs sind so konzipiert, dass sie alle relevanten “funktionalen Muster” für strukturierte Daten (Tabellen, Zeitreihen) zur Verfügung haben.

Die LGMs können präzise Vorhersagen und Prognosen mit sehr wenig Daten liefern. Zum Beispiel können sie für sehr genaue Prognosen von kritischen, dynamisch veränderlichen Trends oder Geschäftsergebnissen eingesetzt werden.

Könnten Sie erklären, wie LGMs besonders für die Analyse von strukturierten, tabellarischen Daten geeignet sind und welche Vorteile sie gegenüber anderen KI-Modellen in diesem Bereich bieten?

LGMs sind speziell für die Modellierung von strukturierten Daten (d. h. Tabellen, Zeitreihen) konzipiert. Als Ergebnis liefern sie bessere Genauigkeit und zuverlässigere Vorhersagen.

Zusätzlich benötigen LGMs weniger Daten als LLMs und haben daher geringere Rechen- und Speicheranforderungen, was die Kosten senkt. Dies bedeutet auch, dass Organisationen mit LGMs auch mit begrenzten Trainingsdaten genaue Erkenntnisse erhalten können.

LGMs unterstützen auch bessere Datensicherheit und -privatsphäre. Sie trainieren nur auf den Daten des Unternehmens – mit Ergänzungen aus ausgewählten externen Datenquellen (wie Wetterdaten und sozialen Medien) wenn nötig. Es besteht nie das Risiko, dass sensible Daten mit einem öffentlichen Modell geteilt werden.

In welchen Geschäftsszenarien bieten LGMs den größten Nutzen? Könnten Sie Beispiele dafür nennen, wie sie zur Verbesserung von Prognose, Planung oder Entscheidungsfindung eingesetzt wurden?

LGMs bieten in jedem Szenario, in dem ein Unternehmen ein Geschäftsergebnis vorhersagen oder Trends vorhersehen muss, um seine Strategie zu leiten, einen Nutzen. Mit anderen Worten, sie helfen bei einer breiten Palette von Anwendungsfällen.

Stellen Sie sich ein Unternehmen vor, das Halloween-Kostüme und -Artikel verkauft und nach Erkenntnissen sucht, um bessere Merchandising-Entscheidungen zu treffen. Aufgrund ihrer Saisonality gehen sie ein enges Risiko ein: Einerseits muss das Unternehmen vermeiden, zu viel Inventar zu haben und am Ende jeder Saison mit unverkauften Waren und verschwendetem CAPEX zu enden (was bedeutet, dass es unverkaufte Waren und verschwendete Investitionen gibt). Andererseits will es auch nicht zu früh ausverkaufen (was bedeutet, dass es Umsätze verpasst).

Mit LGMs kann das Unternehmen einen perfekten Ausgleich finden und seine Einzelhandels-Merchandising-Bemühungen leiten. LGMs können Fragen wie diese beantworten:

• Welche Kostüme sollte ich in dieser Saison lagern? Wie viele sollten wir von jedem Artikel insgesamt lagern?
• Wie gut wird ein bestimmtes Kostüm an einem bestimmten Standort verkaufen?
• Wie gut wird dieses Zubehör mit diesem Kostüm verkaufen?
• Wie können wir vermeiden, Verkäufe in Städten zu kanalisieren, in denen wir mehrere Filialen haben?
• Wie wird ein neues Kostüm abschneiden?

Wie helfen LGMs in Szenarien, in denen die Daten spärlich, inkonsistent oder schnell veränderlich sind?

LGMs nutzen AI-basierte Datenrekonstruktion, um präzise Erkenntnisse auch bei kleinen oder verrauschten Datensätzen zu liefern. Datenrekonstruktion stellt sicher, dass die Daten konsistent, genau und vollständig sind. Sie beinhaltet das Vergleichen und Validieren von Datensätzen, um Ungenauigkeiten, Fehler oder Inkonsistenzen zu identifizieren. Durch die Kombination der räumlichen und zeitlichen Struktur der Daten ermöglichen LGMs gute Vorhersagen mit minimalen und fehlerhaften Daten. Die Vorhersagen kommen mit Unsicherheitsquantifizierung und Interpretation.

Wie stimmt Ikigais Mission, KI zu demokratisieren, mit der Entwicklung von LGMs überein? Wie sehen Sie LGMs die Zukunft von KI in Unternehmen prägen?

KI verändert die Art und Weise, wie wir arbeiten, und Unternehmen müssen sich darauf vorbereiten, Arbeitnehmer aller Art mit KI auszustatten. Die Ikigai-Plattform bietet eine einfache Low-Code/No-Code-Erfahrung für Geschäftsanwender sowie eine vollständige KI-Builder- und API-Erfahrung für Data Scientists und Entwickler. Darüber hinaus bieten wir kostenlose Bildung in unserer Ikigai-Akademie, damit jeder die Grundlagen von KI lernen und sich auf der Ikigai-Plattform ausbilden und zertifizieren lassen kann.

LGMs werden einen großen Einfluss auf Unternehmen haben, die KI für Anwendungsfälle einsetzen möchten, die numerische Vorhersagen und statistische Modellierung erfordern, wie probabilistische Vorhersagen und Szenario-Planung. Aber LLMs wurden nicht für diese Anwendungsfälle entwickelt, und viele Unternehmen denken, dass LLMs die einzige Form von KI sind. Sie versuchen also, Large Language Models für Vorhersage- und Planungszwecke zu verwenden, und sie liefern nicht. Sie geben auf und nehmen an, dass KI nicht in der Lage ist, diese Anwendungen zu unterstützen. Wenn sie LGMs entdecken, werden sie erkennen, dass sie tatsächlich KI nutzen können, um bessere Vorhersagen und Planungen zu treffen und bessere Geschäftsentscheidungen zu treffen.

Ikigais Plattform integriert LGMs mit einem menschenzentrierten Ansatz durch Ihr eXpert-in-the-loop-Feature. Könnten Sie erklären, wie diese Kombination die Genauigkeit und Akzeptanz von KI-Modellen in Unternehmen verbessert?

KI benötigt Sicherheitsvorkehrungen, da Unternehmen naturgemäß misstrauisch sind, ob die Technologie genau und effektiv funktioniert. Eine dieser Sicherheitsvorkehrungen ist die menschliche Überwachung, die dazu beitragen kann, kritische Domänen-Expertise einzubringen und sicherzustellen, dass KI-Modelle Vorhersagen und Prognosen liefern, die für das Unternehmen relevant und nützlich sind. Wenn Unternehmen einen menschlichen Experten in der Rolle des KI-Überwachers einsetzen können, können sie KI vertrauen und ihre Genauigkeit überprüfen. Dies überwindet ein großes Hindernis für die Akzeptanz.

Was sind die wichtigsten technologischen Innovationen in Ikigais Plattform, die sie von anderen KI-Lösungen auf dem Markt abheben?

Unere Kern-LGM-Technologie ist der größte Differenzierungsmerkmal. Ikigai ist ein Pionier in diesem Bereich ohne Peer. Mein Mitgründer und ich haben LGMs während unserer akademischen Arbeit am MIT erfunden. Wir sind der Erfinder von Large Graphical Models und der Nutzung von KI auf strukturierten Daten.

Welchen Einfluss erwarten Sie, dass LGMs auf Branchen haben, die stark auf genaue Vorhersagen und Planung angewiesen sind, wie Einzelhandel, Supply-Chain-Management und Finanzen?

LGMs werden völlig transformierend sein, da sie speziell für die Verwendung auf tabellarischen und zeitlichen Daten konzipiert sind, die das Lebenselixier jedes Unternehmens sind. Fast jedes Unternehmen in jeder Branche hängt stark von strukturierter Datenanalyse für Vorhersagen und Geschäftsplanung ab, um fundierte Entscheidungen zu treffen – sei es in Bezug auf Merchandising, Einstellungen, Investitionen, Produktentwicklung oder andere Kategorien. LGMs bieten das nächstliegende Ding zu einem Kristallball, um die besten Entscheidungen zu treffen.

Was sind die nächsten Schritte für Ikigai Labs bei der Weiterentwicklung der Fähigkeiten von LGMs? Gibt es neue Funktionen oder Entwicklungen in der Pipeline, die Sie besonders aufregend finden?

Unser bestehendes aiPlan-Modell unterstützt What-if- und Szenarioanalysen. Wir zielen darauf ab, es weiterzuentwickeln und eine vollständige Verstärkung des maschinellen Lernens für Betriebsteams zu ermöglichen. Dies würde es einem Betriebsteam ermöglichen, AI-gesteuerte Planung in beiden Zeiträumen zu betreiben.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Ikigai Labs besuchen Ikigai Labs.