Pedro Alves, CEO und Gründer von Ople.ai – Interview-Serie

Pedro Alves ist der CEO und Gründer von Ople.ai, einer Plattform, die Analysten und Fachleute mit leistungsstarken Predictive-Analytics-Tools ausstattet. Die Plattform verfügt über das Wissen und die Expertise der weltweit führenden Datenwissenschaftler, damit Benutzer sich auf das konzentrieren können, was sie wirklich gut können: die Erzielung von Geschäftsergebnissen.

Was hat Sie ursprünglich zur Datenwissenschaft hingezogen?

Im Jahr 2001 sah ich ein enormes Potenzial in der maschinellen Lerntheorie und künstlichen Intelligenz. Während meines Studiums der Informatik als Bachelor-Student und bei der Entscheidung, welches Teilgebiet ich weiterverfolgen wollte, dachte ich: Okay, AI/ML ist ein Bereich der Informatik, der interessant ist – Sie können helfen, Ereignisse in jedem Bereich vorherzusagen. Ob Sie in der Biologie, Medizin oder Finanzen tätig sind, wenn Sie maschinelle Lerntheorie und künstliche Intelligenz haben, können Sie diese Bereiche erheblich voranbringen. Ich fand die Mathematik dahinter faszinierend.

Als ich das Graduiertenstudium aufnahm, entschied ich mich, dass die beste Möglichkeit, meine Expertise in der maschinellen Lerntheorie zu verbessern, darin bestand, zu lernen, wie man sie anwendet. Ich war immer sehr praktisch; ich wollte nicht nur Theorie lernen, um der Theorie willen. Ich wählte die maschinelle Lerntheorie als Teilgebiet der Bioinformatik und Proteomik. Alle meine Arbeiten im Graduiertenstudium waren in der computergestützten Biologie, aber der Schwerpunkt lag auf der maschinellen Lerntheorie.

Bald darauf trat ich in die Gesundheitsbranche ein, wo ich ein großes Potenzial für Anwendungen von AI/ML sah. Das war der Zeitpunkt, als ich die Probleme sah, die AI in der Praxis hatte, außerhalb der akademischen Welt. Ich erlebte die Realität von AI und lernte, wie unwirksam sie in der realen Welt angewendet wurde, und nicht wegen technischer Probleme. Also wurde ich von der Lösung dieses Problems angezogen.

Sie waren früher leitender Datenwissenschaftler bei Banjo, wo Sie Herausforderungen im Bereich sozialer Netzwerke angegangen sind. Können Sie einige dieser Herausforderungen erläutern?

Als Unternehmen detektierten wir Ereignisse, die in sozialen Netzwerken aufgezeichnet wurden, insbesondere Ereignisse, die als potenzielle Gefahr hervorgehoben werden mussten, wie z.B. ein nahegelegener Autounfall oder ein brennendes Gebäude. Wir halfen dabei, diese Ereignisse zu markieren, damit wir erste Hilfeleistende mobilisieren konnten. Wir nutzten soziale Netzwerke für gute Zwecke.

Viele dieser Ereignisse sind selten im Vergleich zu den Daten sozialer Netzwerke. Zum Beispiel gibt es jeden Tag in jeder Stadt zahlreiche Unfälle, aber wenn man den Umfang der Daten sozialer Netzwerke betrachtet, wird ein Bild von einem Autounfall zu einem winzigen Teil. Denken Sie an Millionen von Bildern von Hunden, Bildern von Essen, einer Million von Selfies und dann an ein Bild von einem Autounfall, alles innerhalb von wenigen Minuten. Im Grunde suchten wir bei Banjo nach der Nadel im Heuhaufen.

Einige der Herausforderungen, die auftraten, bezogen sich auf die Computer-Vision. Obwohl die Computer-Vision zu dieser Zeit ordentlich war, wenn man versuchte, eine von Millionen zu finden, selbst eine kleine Fehlerrate konnte Ihre Chancen, diese seltenen Ereignisse zu erkennen, völlig zerstören.

Beispielsweise gab es ein öffentliches Dataset, das, wenn man es zum Trainieren von neuronalen Netzen verwendete, dazu führte, dass diese nicht in der Lage waren, Farben zu erkennen. Selbst wenn ein Bild im Dataset farbenfroh war und das neuronale Netz alle RGB-Bilder betrachtete, nutzte es die Farbe nicht als Erkennungsmerkmal. Nehmen Sie ein traditionelles Polizeiauto und ein traditionales Taxi – beide sind im Grunde das gleiche Auto-Modell mit einem zusätzlichen Stück Ausrüstung oben (z.B. Sirenen auf einem Polizeiauto oder ein Frei/Besetzt-Signal auf einem Taxi). Aber wenn man auf die Farbe schaut, ist der Unterschied zwischen den beiden offensichtlich. Aufgrund dieses Beispiels konnten wir verstehen, wie wichtig es ist, ein ordnungsgemäßes Dataset zu erstellen.

2017 gründeten Sie dann Ople. Was ist die Gründungsgeschichte hinter diesem Startup?

Ich wollte, dass Unternehmen eine solide Rendite aus der Implementierung von künstlicher Intelligenz erzielen. Laut Gartner sehen zwischen 80 und 90 Prozent aller künstlichen Intelligenz-Projekte nie das Licht der Welt. Das hat nichts mit technischen Aspekten wie der Genauigkeit des Modells zu tun. Es geht meist um Unternehmenskultur oder Verfahrensaspekte innerhalb des Unternehmens.

Das kann auf mangelnde Kommunikation zwischen dem Datenwissenschaftsteam und den Geschäftsanwendern zurückzuführen sein, was zu Modellen führt, die etwas vorhersagen, was das Geschäftsteam nicht benötigt, weil das Datenwissenschaftsteam nicht versteht, was gebaut werden muss. Oder, wenn sie das richtige Modell bauen, dann nutzt das Geschäftsteam die Vorhersagen des Datenwissenschaftsteams nicht, wenn diese fertig sind. In den meisten Unternehmen sind es Abteilungen wie Vertrieb, Marketing und Logistik, die künstliche Intelligenz wirklich nutzen sollten, aber es ist das Datenwissenschaftsteam, das die Modelle versteht. Wenn diese Teams die Modelle, die für sie entwickelt werden, nicht verstehen, vertrauen sie deren Vorhersagen nicht und nutzen sie daher nicht.

Wenn künstliche Intelligenz nicht dazu beiträgt, wie das Unternehmen Geschäfte macht, was ist der Sinn?

Wir wollten eine Plattform entwickeln, die dies löst – wir wollen dem Datenwissenschaftsteam oder den Business-Analysten, Datenanalysten, allen, die an diesem Prozess im Unternehmen beteiligt sind, helfen, die richtigen Projekte zu bauen und den Mitarbeitern zu helfen, die Modelle zu verstehen und zu vertrauen. Wenn wir das lösen, glaube ich, dass Datenwissenschaft endlich für Unternehmen von echtem Wert sein kann.

Sie haben angegeben, dass Datenwissenschaftler wertvolle Zeit mit Aufgaben verbringen, die mit künstlicher Intelligenz automatisiert werden können. Welche Aufgaben sollten automatisiert werden?

Ein Datenwissenschaftler benötigt in der Regel mehrere Monate, um ein Modell zu erstellen, und sobald es fertig ist, wird das Unternehmen das Modell implementieren, obwohl es wahrscheinlich nicht so genau wie möglich ist. In den Monaten nach der Implementierung des Modells wird der Datenwissenschaftler weiter daran arbeiten, um die Genauigkeit des Modells um kleine Inkrementalbeträge zu erhöhen. Das ist normalerweise der Zeitpunkt, an dem viele Datenwissenschaftler ihre Zeit verbringen, anstatt Zeit mit anderen Aufgaben zu verbringen, wie z.B. sicherzustellen, dass Mitarbeiter die künstlichen Intelligenz-Modelle verstehen, vertrauen und nutzen. All diese Zeit, die für Aufgaben wie Feature-Engineering, Modelltraining, Parametertuning und Algorithmusauswahl aufgewendet wird, um die Genauigkeit eines Modells zu erhöhen, kann leicht mit künstlicher Intelligenz automatisiert werden.

Können Sie erklären, was Meta-Lernen ist und wie Ople dies anwendet?

Bevor ich zu Meta-Lernen komme, ist es wichtig, die erste Ebene des maschinellen Lernens zu verstehen. Nehmen wir an, Sie haben ein Dataset, das vorhersagt, wann Maschinen auf einem Fabrikboden ausfallen werden. Die Maschine wird die Mitarbeiter benachrichtigen, dass sie ausfallen wird, damit sie präventive Wartung durchführen können. Dies wird als erste Ebene des Lernens betrachtet.

Meta-Lernen, oft auch als “Lernen, zu lernen” bezeichnet, ist das weitere Verständnis dieses Lernprozesses. Wenn Sie also Ihr Modell trainieren, um Maschinenausfälle vorherzusagen, haben Sie ein anderes Modell, das beobachtet. Zum Beispiel könnte das zweite Modell Unternehmen helfen, zu verstehen, welche Parameter das Vorhersagemodell für die Wartung gut lernt und welche Parameter nicht gut funktionieren. Wenn Sie Meta-Lernen durchführen, werden Sie besser darin, effizientere Modelle zu bauen, schneller.

Was ist Ihre Meinung zu synthetischen Daten?

Synthetische Daten können sehr schwierig zu handhaben sein, wenn sie nicht richtig eingesetzt werden.

Nehmen wir an, Sie haben medizinische Daten – Sie haben 20 Patienten und für diese Patienten haben Sie ihr Alter, Geschlecht, Gewicht, Größe, Blutdruck, Medikamentenliste usw. Es ist möglich, synthetische Daten mit maschineller Lerntheorie auf der Grundlage dieser medizinischen Daten zu erstellen. Wenn Sie sich jedoch nur auf maschinelle Lerntheorie oder Statistik verlassen, können Sie unsinnige synthetische Daten erstellen. Es kann eine willkürliche Kombination von Werten wie einem 3-jährigen, der 1,80 m groß ist, oder einem 1,20 m großen Menschen, der 450 kg wiegt, erstellen. Obwohl AI/ML in vielen Fällen zuverlässig sind, würden synthetische Daten für medizinische Daten die Beteiligung eines Arztes erfordern.

Also würden Sie einen medizinischen Fachmann einbeziehen, um Parameter wie “Wenn die Person dieses Alters ist, was ist ein realistischer Größenbereich und Gewicht” oder “Wenn sie dieses Medikament einnehmen, welche Medikamente sollten sie nicht einnehmen” festzulegen. Dieser Prozess würde unweigerlich zu einem riesigen Unterfangen werden und zu kompliziert, um alle Möglichkeiten im Hinblick auf die medizinischen Daten jedes Patienten zu kartieren.

Im Bereich von Bildern kann synthetische Daten jedoch viel einfacher zu verstehen und zu erstellen sein. Nehmen wir an, Sie haben ein Bild von einem Auto und das Auto ist in der oberen linken Ecke. Sie müssen kein Experte sein, um zu wissen, dass das gleiche Auto in der unteren linken Ecke, in der oberen rechten Ecke oder in der Mitte sein könnte. Nicht nur kann man die Kamera auf viele Arten ausrichten, sondern man kann auch das Bild neu ausrichten. Das Auto in den verschiedenen Ecken zu platzieren – das ist die Erstellung von synthetischen Daten, eine weitere einfache Methode ist die Verwendung von Rotation.

Können Sie einige Beispiele nennen, wie Ople Unternehmen bei ihren Datenbedürfnissen helfen konnte?

Ople.AI gibt Unternehmen die Möglichkeit, tiefe Datenanalysen auf allen Ebenen des Unternehmens durchzuführen und ihren Mitarbeitern die Chance, den Wert von künstlicher Intelligenz mit nur wenigen Klicks zu entsperren. Im Gegensatz zu Unternehmen, die auf ein kleines Team von Datenwissenschaftlern angewiesen sind, um künstliche Intelligenz zu artikulieren und umzusetzen, equippet die Ople.AI-Plattform Mitarbeiter in verschiedenen Abteilungen mit Tools, um Erkenntnisse aus ihren Daten zu gewinnen und so ihre tägliche Effizienz zu steigern.

Es ist erwähnenswert, dass eine große Hürde, die Unternehmen oft bei der Implementierung von künstlicher Intelligenz überwinden müssen, die Erklärbarkeit von Modellen ist. Es ist von entscheidender Bedeutung, dass Unternehmen künstliche Intelligenz anbieten, die ihre Mitarbeiter verstehen und vor allem vertrauen können. Die Erklärbarkeit von Modellen hilft dabei. Unser Ziel mit der Ople.AI-Plattform ist es, Mitarbeitern, die möglicherweise nicht AI- oder technisch versiert sind, die Möglichkeit zu geben, leicht zu verstehen, wie die Modelle Vorhersagen treffen und warum. Die Schaffung von Modell-Erklärbarkeit wird langfristig starke Ergebnisse für Unternehmen liefern.

Zusätzlich gibt es noch viel mehr Wert, den ein Modell Unternehmen bieten kann, außer Vorhersagen zu treffen. Künstliche Intelligenz kann potenzielle Probleme oder Bereiche aufdecken, die genutzt werden können. Wir nennen das Daten-Erklärbarkeit – das sind die verschiedenen Möglichkeiten, wie ein Modell intelligente Erkenntnisse über Daten teilen kann, die für ein Unternehmen von Wert sind. Das ist eine große Möglichkeit, wie künstliche Intelligenz Unternehmen helfen kann, und ein Bereich, in dem wir im Vergleich zu unserer Konkurrenz vorankommen.

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