Joy Mustafi, Chief Data Scientist von Aviso, Inc – Interview-Serie

Als einer der 10 besten Data Scientists Indiens von Analytics India Magazine eingestuft, hat Joy Mustafi die Datenwissenschaftsforschung bei Technologie-Giganten wie Salesforce, Microsoft und IBM geleitet und 50 Patente gewonnen sowie über 25 Veröffentlichungen zu künstlicher Intelligenz verfasst.

Er war über ein Jahrzehnt bei IBM als Data Scientist tätig und beteiligt an verschiedenen Business-Intelligence-Lösungen, einschließlich IBM Watson. Er arbeitete als Principal Applied Scientist bei Microsoft und war für die künstliche Intelligenz-Forschung verantwortlich. Zuletzt war Mustafi Principal Researcher für Salesforces Einstein-Plattform.

Mustafi ist auch der Gründer und Präsident von MUST Research, einer Non-Profit-Organisation, die Exzellenz in den Bereichen Datenwissenschaft, kognitive Computing, künstliche Intelligenz, maschinelles Lernen und erweiterte Analytik für den Nutzen der Gesellschaft fördert.

Kürzlich trat Mustafi der in Redwood City ansässigen Aviso, Inc als Chief Data Scientist bei, wo er seine jahrelange Erfahrung nutzen wird, um Aviso-Kunden bei der Beschleunigung von Geschäftsabschlüssen und der Erweiterung von Umsatzmöglichkeiten zu unterstützen.

Was hat Sie ursprünglich zur künstlichen Intelligenz hingezogen?

Ich liebe Mathematik sehr und auch Programmieren. Ich habe meinen Abschluss in Statistik und meine postgraduale Arbeit in Computeranwendungen gemacht. Als ich 2002 an der Indian Statistical Institute in Kolkata meine AI-Forschungsreise begann, verwendete ich die C-Programmiersprache, um ein künstliches neuronales Netzwerk-System für die Erkennung handschriftlicher Ziffern zu entwickeln. Das waren 2500+ Zeilen Code, die vollständig von Grund auf ohne jegliche Bibliotheken außer Standard-Ein- und Ausgabe geschrieben wurden. Es bestand aus Datenreinigung und -vorverarbeitung, Feature-Engineering und einem Backpropagation-Algorithmus mit einem mehrschichtigen Perzeptron. Der gesamte Prozess war eine Kombination aller Fächer, die ich studiert habe. Zu dieser Zeit war die künstliche Intelligenz in der Wirtschaftswelt noch nicht sehr populär, und nur wenige akademische Organisationen führten fortschrittliche Forschung in diesem Bereich durch. Und, übrigens, die künstliche Intelligenz war zu dieser Zeit noch nicht neu! Das Feld der künstlichen Intelligenz-Forschung reicht bis ins Jahr 1956 zurück, als Prof. John McCarthy und andere das Feld auf einem legendären Workshop am Dartmouth College einweihten.

Sie haben mit einigen der fortschrittlichsten Unternehmen im Bereich künstliche Intelligenz wie IBM Watson und Microsoft gearbeitet. Was war das interessanteste Projekt, an dem Sie gearbeitet haben?

Ich möchte das erste Patent erwähnen, das ich während meiner Arbeit bei IBM erhielt: eine Methode zur Lösung von Wortproblemen in natürlicher Sprache, die ein offenes Problem bei IBM Watson war. Das System, das ich entwickelte, kann ein arithmetisches oder algebraisches Problem in natürlicher Sprache verstehen und in Echtzeit eine Lösung in natürlicher Sprache liefern. Dazu musste das System die folgenden Schlüsselschritte ausführen: Eingabe von Problemstatements und Fragen, die beantwortet werden sollen; Umwandlung der Eingabesätze in eine Folge von Sätzen, die aus mathematischer Sicht wohlgeformt sind; Umwandlung der wohlgeformten Sätze in mathematische Gleichungen; Lösung der Gleichungen; und Darstellung des mathematischen Ergebnisses in natürlicher Sprache.

Es gibt auch mein bestes Projekt für Microsoft – Softie! Ich erfand und baute einen physischen Roboter, der mit verschiedenen Arten von austauschbaren Eingabegeräten und Sensoren ausgestattet war, um Informationen von Menschen zu erhalten. Eine standardisierte Methode der Kommunikation mit dem Computer ermöglichte es dem Benutzer, praktische Anpassungen vorzunehmen, um je nach Kontext reichere Interaktionen zu ermöglichen. Wir konnten ein robustes System mit Funktionen wie Tastatur, Zeigegerät, Touchscreen, Computer-Vision, Spracherkennung und so weiter umsetzen. Wir bildeten ein Team aus verschiedenen Geschäftsbereichen und ermutigten sie, Forschungsanwendungen auf künstlicher Intelligenz und verwandten Gebieten zu erkunden.

Sie sind auch der Gründer und Präsident von MUST Research, einer Non-Profit-Organisation, die nach dem Society and Trust Act of India registriert ist. Können Sie uns über diese Non-Profit-Organisation erzählen?

MUST Research widmet sich der Förderung von Exzellenz und Kompetenz in den Bereichen Datenwissenschaft, kognitive Computing, künstliche Intelligenz, maschinelles Lernen und erweiterte Analytik zum Nutzen der Gesellschaft. MUST zielt darauf ab, ein Ökosystem zu schaffen, um die Interaktion zwischen Wissenschaft und Wirtschaft zu ermöglichen, um Probleme zu lösen und sie über die neuesten Entwicklungen in der kognitiven Ära zu informieren, um Lösungen anzubieten, Beratung oder Schulung zu bieten, Vorträge, Seminare und Workshops zu organisieren und an wissenschaftlichen Programmen und gesellschaftlichen Missionen mitzuarbeiten. Das aufregendste Merkmal von MUST ist seine grundlegende Forschung auf dem Gebiet der SpitzenTechnologien wie künstliche Intelligenz, maschinelles Lernen, natürliche Sprachverarbeitung, Textanalyse, Bildverarbeitung, Computer-Vision, Audio-Signalverarbeitung, Sprachtechnologie, eingebettete Systeme, Robotik und so weiter.

Was hat Sie dazu inspiriert, MUST Research zu gründen?

Meine Liebe zu Science-Fiction-Filmen und Mathematik bedeutet, dass ich oft darüber nachdenke, wie Technologie die Welt verändern kann, und ich dachte bereits 1993, als ich in der 9. Klasse war, darüber nach, eine Gruppe von Gleichgesinnten auf dem Gebiet der fortschrittlichen Technologien zu gründen. Als ich meinen ersten Job bekam, dauerte es 10 Jahre, bis ich zu einem Treffen aufrief, und weitere 10 Jahre, bis ich eine Gruppe von geeigneten Experten fand und eine Non-Profit-Gesellschaft gründete. Jetzt haben wir jedoch rund 500 Data Scientists in MUST in ganz Indien, die mit Leidenschaft zu Forschung auf dem Gebiet der aufkommenden Technologien beitragen.

In den letzten Jahren hat die Branche erhebliche Fortschritte in Deep Learning, Reinforcement Learning, natürlicher Sprachverarbeitung usw. gemacht. Welchen Bereich des maschinellen Lernens betrachten Sie derzeit als den aufregendsten?

Alle maschinellen Lernalgorithmen sind aufregend, wenn sie als Produkt oder Dienstleistung umgesetzt werden, die von Unternehmen oder Einzelpersonen in der realen Welt genutzt werden kann. Die Ära des Deep Learning hat Vor- und Nachteile – manchmal hilft es bei der automatischen Feature-Engineering, aber gleichzeitig kann es wie eine Black-Box arbeiten und mit einem garbage-in-garbage-out-Szenario enden, wenn nicht die richtigen Datenmengen oder Algorithmen verwendet werden. Einige der neuesten Technologien sind auch ressourcenintensiv und erfordern enorme Rechenleistung, Zeit und Daten. Das Wichtigste zu beachten ist, dass Deep Learning ein Teilbereich des maschinellen Lernens (ML) ist, das wiederum ein Teilbereich der künstlichen Intelligenz (AI) ist, und AI ist ein Teilbereich der Datenwissenschaft – also ist alles miteinander verbunden. Und es geht nicht um Python, R oder Scala – ich begann meine AI-Reise in C, und man kann sogar AI-Programme in Assemblersprache schreiben. Der Bau erfolgreicher AI-Systeme hängt in erster Linie von dem Verständnis der Geschäftsumgebung oder der Forschung ab und dann von der Verbindung der Punkte zwischen Aktionen und Daten, um ein System zu bauen, das wirklich verschiedenen Menschen in verschiedenen Bereichen hilft. Ob Sie mit natürlicher Sprachverarbeitung, Computer-Vision, Video-Analytics, Sprachtechnologie oder Robotik arbeiten, der beste Weg ist, mit dem einfachsten möglichen Ansatz zu beginnen und dann komplexere Methoden schrittweise zu übernehmen, während Sie mit Ihrem System experimentieren und es verfeinern.

Sie sind ein häufiger Gastredner an führenden Universitäten in Indien. Welche Frage hören Sie von Studenten am häufigsten, und wie beantworten Sie sie am besten?

Die Frage, die ich am häufigsten höre, ist: “Wie kann ich Data Scientist werden?” Ich sage immer den jungen Leuten, dass es definitiv möglich ist, und versuche, sie dazu zu bringen, ihre Liebe zu Mathematik, Statistik oder Informatik zu nutzen, um reale Geschäftsprobleme zu lösen. Die Leute fragen auch, wie sie MUST beitreten können, und wiederum ist die Antwort einfach: “Bauen Sie Ihr Profil mit mehreren Projekten auf und konzentrieren Sie sich darauf, außerhalb der Box zu denken.” Wenn Sie Data Scientist werden wollen, müssen Sie auch beweisen, dass Sie innovativ sein können. Ohne Innovation können wir uns nicht als Wissenschaftler bezeichnen. Natürlich hilft es auch, Patente zu erhalten oder Forschung in renommierten Zeitschriften und auf Konferenzen zu veröffentlichen!

Sie haben kürzlich Aviso als Chief Data Scientist beigetreten, um Ihre AI/ML-Expertise einzubringen. Können Sie uns ein bisschen über Aviso und Ihre Rolle in diesem Unternehmen erzählen?

Aviso nutzt künstliche Intelligenz und maschinelles Lernen, um Vertriebsmitarbeitern zu helfen und den Raten des Deal-Makings zu entziehen. Das ist eine faszinierende Herausforderung, und meine Hauptverantwortung besteht darin, der Organisation zu helfen, in eine positive Richtung zu wachsen, indem ich tiefe Forschung durchführe, um den Erfolg der Kunden zu ermöglichen. Ich nutze mein Wissen und meine Erfahrung in künstlicher Intelligenz und Innovation, um unsere Kernprodukte und Forschungsprojekte zu machen:

Anpassungsfähig: Sie müssen lernen, wenn sich Informationen ändern, und wenn Ziele und Anforderungen evolvieren. Sie müssen Unsicherheit auflösen und Unvorhersehbarkeit tolerieren. Sie müssen so konzipiert werden, dass sie dynamische Daten in Echtzeit verarbeiten können.

Interaktiv: Sie müssen leicht mit Benutzern interagieren, damit diese ihre Bedürfnisse komfortabel definieren können. Sie müssen mit anderen Prozessoren, Geräten, Diensten sowie mit Menschen interagieren.

Iterativ und Zustandsbehaftet: Sie müssen dabei helfen, ein Problem zu definieren, indem sie Fragen stellen oder zusätzliche Quelleneingaben finden, wenn ein Problemstatement unklar oder unvollständig ist. Sie müssen sich an vorherige Interaktionen in einem Prozess erinnern und Informationen zurückgeben, die für die spezifische Anwendung zu diesem Zeitpunkt geeignet sind.

Kontextbezogen: Sie müssen kontextuelle Elemente wie Bedeutung, Syntax, Zeit, Ort, geeigneten Bereich, Vorschriften, Benutzerprofil, Prozess, Aufgabe und Ziel verstehen, identifizieren und extrahieren. Sie müssen auf mehrere Quellen von Informationen zurückgreifen, einschließlich sowohl strukturierter als auch unstrukturierter digitaler Informationen.

Was hat Sie zu dieser Position bei Aviso hingezogen?

Aviso arbeitet daran, aufgeblähte Legacy-CRM-Systeme durch reibungslose, künstliche Intelligenz-aktivierte Tools zu ersetzen, die handhabbare Erkenntnisse liefern und das volle Potenzial von Vertriebsteams freisetzen können. Unser Produkt ist ein intelligentes System, das die Schmerzpunkte von Vertriebsmitarbeitern versteht, zeitaufwändige Dateneingaben eliminiert und Führungskräften die Vorschläge und Richtlinien bietet, die sie benötigen, um Geschäfte effektiv abzuschließen. Ich wurde von dem starken Führungsteam und der Kundenbasis angezogen, aber auch von Avisos Engagement, fortschrittliche künstliche Intelligenz-Tools zu nutzen, um reale Herausforderungen zu meistern. Verkaufen ist ein wichtiger Teil jedes Geschäfts, und Aviso hilft dabei, indem es die Macht der künstlichen Intelligenz nutzt. Volltreffer! Was mehr könnte man sich wünschen?

Zum Schluss, gibt es noch etwas, das Sie über künstliche Intelligenz teilen möchten?

Künstliche Intelligenz macht eine neue Klasse von Problemen berechenbar. Um auf die fluide Natur der Wahrnehmung von Benutzern ihrer Probleme zu reagieren, bietet das kognitive Computersystem eine Synthese nicht nur von Informationsquellen, sondern auch von Einflüssen, Kontexten und Erkenntnissen. Diese Systeme unterscheiden sich von aktuellen Computeranwendungen, da sie über die Tabellierung und Berechnung auf der Grundlage vordefinierter Regeln und Programme hinausgehen. Sie können inferenzieren und sogar auf der Grundlage von breiten Zielen begründen. In diesem Sinne ist kognitive Computing eine neue Art des Computings, deren Ziel darin besteht, genauere Modelle davon zu entwickeln, wie das menschliche Gehirn oder der menschliche Geist wahrnimmt, begründet und auf Reize reagiert. Es ist ein Studienfach, das verschiedene Wissenschaften und Berufe umfasst, einschließlich Informatik, Elektronik, Mathematik, Statistik, Psychologie, Linguistik, Philosophie, Neurowissenschaft und Biologie. Das ist es, was es so aufregend macht!