Dr. Zohar Bronfman, Co-Founder & CEO von Pecan AI – Interview-Serie

Dr. Zohar Bronfman ist der Co-Founder & CEO von Pecan AI. Mit tiefem Fachwissen in computergestützter Psychologie und Data Science wandte Zohar seinen angeborenen unternehmerischen Geist an, um Pecan direkt nach seinem Studium mitzubegründen. Zohar hält zwei PhDs von der Tel Aviv University – einen in computergestützter kognitiver Neurowissenschaft und einen in der Geschichte und Philosophie von Wissenschaft und Technologie. Er hält auch einen BA in Wirtschaftswissenschaften von der Open University of Israel.

Gegründet im Jahr 2018 ist Pecan AI eine Plattform für Predictive Analytics, die ihre bahnbrechende Predictive GenAI nutzt, um Barrieren für die Adoption von künstlicher Intelligenz zu beseitigen und predictive Modeling für alle Daten- und Geschäftsteams zugänglich zu machen. Unter der Leitung von generativer künstlicher Intelligenz können Unternehmen präzise Vorhersagen in verschiedenen Geschäftsbereichen ohne die Notwendigkeit speziell ausgebildeten Personals erhalten. Predictive GenAI ermöglicht eine schnelle Modelldefinition und -ausbildung, während automatisierte Prozesse die Umsetzung von künstlicher Intelligenz beschleunigen. Durch die Kombination von predictiver und generativer künstlicher Intelligenz ist die Umsetzung des Geschäftseinflusses von künstlicher Intelligenz jetzt viel schneller und einfacher.

Wie war die Reise bei der Gründung von Pecan AI und welche Meilensteine wurden auf dem Weg erreicht?

Die Gründung von Pecan AI war ein echter Achterbahn. Alles begann, als mein Mitgründer und ich an einem internationalen Data-Science-Wettbewerb teilnahmen. Wir erstellten eine Automatisierung der Datenbereitung, die zu Pecans Prototyp wurde, aber wir verpassten die Frist und verloren. Anstatt aufzugeben, entschieden wir uns, unseren Prototyp zu etwas Bedeutsamem zu machen. Nur zwei Monate nach Abschluss unserer Promotionen im Jahr 2018 mieteten wir ein kleines Zimmer an der Tel Aviv University und begannen zu arbeiten. Mit begrenzter Geschäftserfahrung präsentierten wir unsere Idee Risikokapitalgebern. Zum Glück sahen Haim Sadger und Aya Peterburg von S Capital das Potenzial und investierten 4 Millionen Dollar, was uns den notwendigen Schub gab.

Ein wichtiger Meilenstein war die Aufnahme von 66 Millionen Dollar in einer Series-C-Runde unter der Führung von Insight Partners, mit Unterstützung von GV (früher Google Ventures) und anderen. Diese Finanzierung ermöglichte es uns, global zu expandieren und unsere Entwicklungsanstrengungen zu beschleunigen.

Wie beeinflusst Ihr Hintergrund in computergestützter kognitiver Neurowissenschaft Ihre Herangehensweise an die Entwicklung von künstlicher Intelligenz?

Mein Hintergrund in computergestützter kognitiver Neurowissenschaft sowie mein PhD in Geschichte und Philosophie der Wissenschaft spielen eine große Rolle bei der Entwicklung von künstlicher Intelligenz. Diese Bereiche helfen mir, sowohl die technischen als auch die philosophischen Aspekte der Technologie zu verstehen. Diese doppelte Perspektive ist in der heutigen sich schnell verändernden Technologielandschaft unglaublich wertvoll. Sie ermöglicht es mir, künstliche Intelligenz-Produkte zu erstellen, die nicht nur technisch fortschrittlich sind, sondern auch ethisch einwandfrei und benutzerfreundlich.

Können Sie das Konzept von Predictive GenAI erklären und wie es generative künstliche Intelligenz mit predictiver Machine Learning integriert?

Sicher. Predictive GenAI geht darum, generative künstliche Intelligenz mit predictiver Machine Learning zu kombinieren. Generative künstliche Intelligenz ermöglicht es Benutzern, mit Daten durch natürliche Sprache zu interagieren, was es einfach macht, Fragen zu stellen und die künstliche Intelligenz zu steuern. Allerdings sind ihre predictiven Fähigkeiten begrenzt. Hier kommt predictiver Machine Learning ins Spiel, der Daten verarbeitet, um genaue zukünftige Vorhersagen zu treffen. Durch die Kombination dieser beiden Technologien ermöglicht Predictive GenAI es sogar Benutzern mit wenig Erfahrung in Data Science, predictive Modelle zu erstellen und zu verwenden, wie bei einem Gespräch mit ChatGPT.

Wie vereinfacht Predictive GenAI den Prozess der Erstellung und Bereitstellung von predictiven Modellen für Unternehmen?

Predictive GenAI vereinfacht den Prozess mit Funktionen wie Predictive Chat und Predictive Notebook. Predictive Chat fungiert als künstliche Intelligenz-Assistent, der den Benutzer durch den Modellierungsprozess mit natürlicher Sprache führt. Es formulierte predictive Fragen basierend auf den Geschäftsbedenken des Benutzers und generiert ein Predictive Notebook mit vorbereiteten SQL-Abfragen und Beispieldaten. Das bedeutet, dass Benutzer nicht von vorne beginnen müssen oder tiefgreifendes technisches Wissen benötigen, um genaue Vorhersagen zu erhalten.

Können Sie den Fallbeispiel des CAA Club Group erläutern und wie Pecan AI ihre Pannenhilfe-Dienste optimierte?

Absolut. Der CAA Club Group verbrachte früher eine Woche damit, Pannenhilfe manuell vorherzusagen, was zeitaufwändig und begrenzt war. Nach der Implementierung von Pecan AI entwickelte ihr Data-Science-Team über 30 Modelle, um kurzfristige Nachfrageprognosen zweimal wöchentlich zu erstellen. Diese Prognosen sagen Anrufvolumen und Diensttypen stündlich voraus, um eine effiziente Besetzung und schnelle Reaktionen zu gewährleisten, insbesondere während harter Winterbedingungen. Pecans Plattform ermöglicht auch eine kontinuierliche Verbesserung dieser Modelle, um die Serviceeffizienz zu erhöhen.

Wie profitierte Credit Pros von der Verwendung von Pecan AI für die Vorhersage von Kundenabwanderung und welche spezifischen Herausforderungen löste es für sie?

Credit Pros hatte erhebliche Schwierigkeiten mit der Vorhersage von Kundenabwanderung, was ein komplexer und zeitaufwändiger Prozess war. Durch die Implementierung von Pecan AI wurde die Modellentwicklungszeit von drei Monaten auf nur wenige Wochen reduziert, was proaktive Beziehungsstrategien ermöglichte. Dieser gestreamte Prozess ermöglichte es TCP, Kundenabwanderung genau vorherzusagen und effektive Strategien zur Kundenbindung zu entwickeln, was letztendlich den Umsatz erhöhte.

Wie verbessern die Tools Predictive Chat und Predictive Notebook die Benutzererfahrung und machen predictive Analytics für nicht-technische Benutzer zugänglich?

Predictive Chat nutzt GenAI, um benutzerdefinierte Notebooks basierend auf den Geschäftsfragen und Daten des Benutzers zu erstellen. Benutzer können mit dem Chat in natürlicher Sprache interagieren, Fragen beantworten und Anweisungen befolgen, was den Modellierungsprozess vereinfacht. Das Predictive Notebook enthält alle notwendigen Codezeilen, sodass Benutzer Abfragen anzeigen, benutzerdefinierte Tabellen erstellen und die Logik des Trainingsdatensatzes verstehen können. Dieser Ansatz macht predictive Analytics für nicht-technische Benutzer zugänglich, indem er die Datenbereitung und Modellerstellung rationalisiert.

Wie sehen Sie Predictive GenAI die verschiedenen Branchen und Geschäftsfunktionen verändern?

Predictive GenAI ermöglicht es Unternehmen, datengesteuerte Entscheidungen mit unvergleichlicher Genauigkeit und Effizienz zu treffen. In der Fertigungs- und Logistikbranche optimiert es den Betrieb durch Nachfrageprognosen und die Rationalisierung von Lieferketten. In kundenorientierten Branchen verbessert es die Zufriedenheit und Loyalität durch gezielte Marketingmaßnahmen und personalisierte Empfehlungen. Predictive GenAI treibt auch die Innovation voran, indem es Markttrends vorhersagt, die Produktentwicklung leitet und die Zeit bis zur Markteinführung beschleunigt. Seine Anwendungen erstrecken sich auf die Gesundheitsbranche für die Vorhersage von Krankheiten und personalisierte Behandlungspläne sowie auf Nachhaltigkeitsbemühungen, um Ressourcenverbrauch zu optimieren und den Umweltimpact zu reduzieren.

Wie stellt Pecan AI sicher, dass seine predictiven Modelle genau und zuverlässig sind?

Wir stellen die Genauigkeit und Zuverlässigkeit durch strenge Tests und kontinuierliche Validierung sicher. Pecan AI verwendet separate Trainings- und Testdatensätze, um die Modellleistung zu bewerten, ähnlich wie bei der Bewertung einer Schulprüfung. Schlüsselkennzahlen wie Genauigkeit, Präzision und Recall werden verwendet, um Modelle während der Entwicklung und im Produktionsbetrieb zu validieren. Wir fördern auch Transparenz durch erklärbare Vorhersagen, die den Benutzern helfen, die Faktoren zu verstehen, die jede Vorhersage beeinflussen, und das Vertrauen in AI-gesteuerte Erkenntnisse fördern.

Wie sehen Sie die Rolle von Predictive GenAI in den nächsten Jahren evolvieren?

Wenn man in die Zukunft blickt, geht es bei der künstlichen Intelligenz nicht nur darum, Ereignisse vorherzusagen, sondern auch Handlungen basierend auf diesen Vorhersagen vorzuschlagen. Predictive GenAI zielt darauf ab, Entscheidungsprozesse zu automatisieren und Geschäftsoperationen zu optimieren. Es ist jedoch wichtig, die damit verbundenen Risiken zu verstehen und den verantwortungsvollen Einsatz von künstlicher Intelligenz sicherzustellen. Wenn die Technologie sich weiterentwickelt, wird sie eine entscheidende Rolle bei der Verbesserung der Betriebseffizienz, der Förderung von Innovation und der strategischen Entscheidungsfindung in verschiedenen Branchen spielen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Pecan AI besuchen.