Δρ. Devavrat Shah, Συνιδρυτής & Διευθύνων Σύμβουλος της Ikigai Labs – Σειρά Συνεντεύξεων

Ο Δρ. Devavrat Shah είναι ο συνιδρυτής και διευθύνων σύμβουλος της Ikigai Labs και είναι καθηγητής και διευθυντής του Κέντρου Στατιστικής και Επιστήμης Δεδομένων στο MIT. Συνίδρυσε την Celect, μια πλατφόρμα προβλεπτικής ανάλυσης για λιανοπωλητές, η οποία πωλήθηκε στη Nike. Ο Devavrat κατέχει πτυχίο και διδακτορικό στη Επιστήμη Υπολογιστών από το Ινδικό Ινστιτούτο Τεχνολογίας και το Πανεπιστήμιο του Στάνφορντ, αντίστοιχα.

Η Ikigai Labs παρέχει μια πλατφόρμα που βασίζεται στο AI, σχεδιασμένη για τη μετατροπή δεδομένων επιχειρήσεων σε προβλεπτικές και ενεργές ενημερώσεις. Χρησιμοποιώντας πατενταρισμένα Μεγάλα Γραφικά Μοντέλα, η πλατφόρμα επιτρέπει στους επιχειρηματίες και τους développers σε διάφορους κλάδους να βελτιώσουν τις διαδικασίες σχεδιασμού και λήψης αποφάσεων.

Μπορείτε να μοιραστείτε την ιστορία πίσω από την ίδρυση της Ikigai Labs; Τι σας έκανε να μεταβείτε από την ακαδημαϊκή σταδιοδρομία στην επιχειρηματικότητα;

Έχω πραγματοποιήσει μια σειρά από ακαδημαϊκές και επιχειρηματικές δραστηριότητες τα τελευταία χρόνια. Συνίδρυσα την Ikigai Labs με τον πρώην μαθητή μου στο MIT, Vinayak Ramesh. Προηγουμένως, συνίδρυσα μια εταιρεία που ονομάζεται Celect, η οποία βοηθούσε τους λιανοπωλητές να βελτιώσουν τις αποφάσεις αποθήκευσης μέσω προβλεπτικής ανάλυσης. Η Celect αγοράστηκε από τη Nike το 2019.

Τι είναι ακριβώς τα Μεγάλα Γραφικά Μοντέλα (LGMs), και πώς διαφέρουν από τα πιο γνωστά Μεγάλα Γλωσσικά Μοντέλα (LLMs);

Τα LGMs ή Μεγάλα Γραφικά Μοντέλα είναι μια πιθανοτική άποψη των δεδομένων. Είναι σε απότομη αντίθεση με τα “μοντέλα θεμελίου” που βασίζονται στο AI, όπως τα LLM.

Τα Μοντέλα Θεμελίου υποθέτουν ότι μπορούν να “μαθήσουν” όλα τα σχετικά “μοτίβα” από ένα πολύ μεγάλο σώμα δεδομένων. Και επομένως, όταν παρουσιάζεται ένα νέο τμήμα δεδομένων, μπορεί να εξαχθεί με βάση το σχετικό μέρος από το σώμα δεδομένων. Τα LLM έχουν αποδειχθεί πολύ αποτελεσματικά για μη δομημένα δεδομένα (κείμενο, εικόνα).

Τα LGMs αντίθετα αναγνωρίζουν τα κατάλληλα “λειτουργικά μοτίβα” από ένα μεγάλο “σύμπαν” τέτοιων μοτίβων, δεδομένου του τμήματος δεδομένων. Τα LGMs σχεδιάζονται так, ώστε να έχουν όλα τα σχετικά “λειτουργικά μοτίβα” διαθέσιμα για αυτά, που αφορούν δομημένα δεδομένα (ταμπελάδες, χρονοσειρές).

Τα LGMs μπορούν να μάθουν και να παρέχουν ακριβείς προβλέψεις και προγνώσεις χρησιμοποιώντας πολύ περιορισμένα δεδομένα. Για παράδειγμα, μπορούν να χρησιμοποιηθούν για να πραγματοποιήσουν πολύ ακριβείς προγνώσεις κρίσιμων, δυναμικά μεταβαλλόμενων τάσεων ή επιχειρηματικών αποτελεσμάτων.

Μπορείτε να εξηγήσετε πώς τα LGMs είναι ιδιαίτερα κατάλληλα για την ανάλυση δομημένων, ταμπελάδων δεδομένων, και ποιες πλεονεκτήματα προσφέρουν σε σύγκριση με άλλα μοντέλα AI σε αυτόν τον τομέα;

Τα LGMs σχεδιάζονται ειδικά για την μοντελοποίηση δομημένων δεδομένων (δηλαδή ταμπελάδων, χρονοσειρών δεδομένων). Ως αποτέλεσμα, προσφέρουν καλύτερη ακρίβεια και πιο αξιόπιστες προβλέψεις.

Επιπλέον, τα LGMs απαιτούν λιγότερα δεδομένα από τα LLMs και επομένως έχουν χαμηλότερες απαιτήσεις υπολογισμού και αποθήκευσης, μειώνοντας το κόστος. Αυτό σημαίνει ότι οι οργανισμοί μπορούν να λάβουν ακριβείς ενημερώσεις από τα LGMs ακόμη και με περιορισμένα δεδομένα εκπαίδευσης.

Τα LGMs cũng υποστηρίζουν καλύτερη προστασία δεδομένων και ασφάλεια. Εκπαιδεύονται μόνο στα δεδομένα της επιχείρησης – με συμπλήρωση από επιλεγμένες εξωτερικές πηγές δεδομένων (όπως καιρικές συνθήκες και δεδομένα κοινωνικών μέσων) όταν χρειάζεται. Δεν υπάρχει ποτέ κίνδυνος να μοιραστούν ευαίσθητα δεδομένα με ένα δημόσιο μοντέλο.

Σε ποιους τύπους επιχειρηματικών σεναρίων παρέχουν τα LGMs την μεγαλύτερη αξία; Μπορείτε να δώσετε κάποια παραδείγματα για το πώς έχουν χρησιμοποιηθεί για τη βελτίωση της προβλέψης, του σχεδιασμού ή της λήψης αποφάσεων;

Τα LGMs παρέχουν αξία σε κάθε σεναρίο όπου μια επιχείρηση πρέπει να προβλέψει ένα επιχειρηματικό αποτέλεσμα ή να προβλέψει τάσεις για να οδηγήσει τη στρατηγική της. Σε άλλες λέξεις, βοηθούν σε ένα ευρύ φάσμα χρήσεων.

Φανταστείτε μια επιχείρηση που πωλεί κοστούμια και αντικείμενα για το Χάλοουιν και αναζητά ενημερώσεις για να λάβει καλύτερες αποφάσεις για το εμπόριο. Δεδομένου του εποχιακού χαρακτήρα, η εταιρεία περπατάει σε μια λεπτή γραμμή: Από τη μια πλευρά, η εταιρεία πρέπει να αποφύγει την υπερπαραγωγή και να μην μείνει με περίσσεια αποθέματος στο τέλος κάθε εποχής (που σημαίνει μη πωλημένα αγαθά και σπατάλη ΚΕΦΑΛΑΙΟΥ). Από την άλλη πλευρά, δεν θέλουν να εξαντλήσουν το απόθεμα νωρίς (που σημαίνει ότι έχασε πωλήσεις).

Χρησιμοποιώντας τα LGMs, η επιχείρηση μπορεί να βρει την ιδανική ισορροπία και να οδηγήσει τις προσπάθειες εμπορίου λιανικής. Τα LGMs μπορούν να απαντήσουν ερωτήσεις όπως:

• Ποια κοστούμια πρέπει να αποθηκεύσω αυτή τη σεζόν; Πόσα πρέπει να αποθηκεύσω από κάθε SKU συνολικά;
• Πώς θα πουλήσει ένα SKU σε μια συγκεκριμένη τοποθεσία;
• Πώς θα πουλήσει αυτό το αξεσουάρ με αυτό το κοστούμι;
• Πώς μπορούμε να αποφύγουμε την κατανάλωση πωλήσεων σε πόλεις όπου έχουμε πολλά καταστήματα;
• Πώς θα εκτελεστούν τα νέα κοστούμια;

Πώς βοηθούν τα LGMs σε σεναρίους όπου τα δεδομένα είναι σπάνια, ασυνέπεια ή ταχέως μεταβαλλόμενα;

Τα LGMs χρησιμοποιούν AI-βασισμένη συμφιλίωση δεδομένων για να παρέχουν ακριβείς ενημερώσεις ακόμη και όταν αναλύουν μικρά ή θορυβώδη σύνολα δεδομένων. Η συμφιλίωση δεδομένων εξασφαλίζει ότι τα δεδομένα είναι συνεπή, ακριβή και πλήρη. Περιλαμβάνει τη σύγκριση και επαλήθευση συνόλων δεδομένων για να αναγνωριστούν διακρίσεις, λάθη ή ασυνέπειες. Συνδυάζοντας τη χωρική και χρονική δομή των δεδομένων, τα LGMs επιτρέπουν καλές προβλέψεις με ελάχιστα και ελαττωματικά δεδομένα. Οι προβλέψεις συνοδεύονται από ποσοτικοποίηση αβεβαιότητας και ερμηνεία.

Πώς η αποστολή της Ikigai για την δημοκρατικοποίηση του AI συμφωνεί με την ανάπτυξη των LGMs; Πώς βλέπετε τα LGMs να διαμορφώνουν το μέλλον του AI στις επιχειρήσεις;

Το AI αλλάζει τον τρόπο που εργαζόμαστε, και οι επιχειρήσεις πρέπει να είναι προετοιμασμένες να AI-ενεργοποιήσουν τους εργαζόμενους όλων των τύπων. Η πλατφόρμα Ikigai προσφέρει μια απλή εμπειρία low code/no code για τους επιχειρηματίες, καθώς και μια πλήρη εμπειρία AI Builder και API για τους data scientists και développers. Επιπλέον, προσφέρουμε δωρεάν εκπαίδευση στο Ikigai Academy, ώστε όλοι να μπορούν να μάθουν τα βασικά του AI, καθώς και να εκπαιδευτούν και να πιστοποιηθούν στην πλατφόρμα Ikigai.

Τα LGMs θα έχουν einen τεράστιο αντίκτυπο σε επιχειρήσεις που επιδιώκουν να χρησιμοποιήσουν το AI. Οι επιχειρήσεις θέλουν να χρησιμοποιήσουν το γενικό AI για χρήσεις που απαιτούν αριθμητική προβλεπτική και στατιστική μοντελοποίηση, όπως η πιθανοτική προβλέψη και ο σχεδιασμός σεναρίων. Αλλά τα LLMs δεν κατασκευάστηκαν για αυτές τις χρήσεις, και πολλές οργανώσεις πιστεύουν ότι τα LLMs είναι η μόνη μορφή γενικού AI. Έτσι, προσπαθούν να χρησιμοποιήσουν τα Μεγάλα Γλωσσικά Μοντέλα για προβλέψεις και σχεδιασμό, και δεν αποδίδουν. Παραιτούνται και υποθέτουν ότι το γενικό AI δεν είναι ικανό να υποστηρίξει αυτές τις εφαρμογές. Όταν ανακαλύψουν τα LGMs, θα συνειδητοποιήσουν ότι μπορούν πραγματικά να χρησιμοποιήσουν το γενικό AI για να οδηγήσουν καλύτερες προβλέψεις και σχεδιασμό και να βοηθήσουν να ληφθούν καλύτερες επιχειρηματικές αποφάσεις.

Η πλατφόρμα Ikigai ενσωματώνει τα LGMs με μια ανθρωποκεντρική προσέγγιση μέσω της λειτουργίας eXpert-in-the-loop. Μπορείτε να εξηγήσετε πώς αυτή η συνδυασμένη προσέγγιση ενισχύει την ακρίβεια και την υιοθέτηση των μοντέλων AI στις επιχειρήσεις;

Το AI χρειάζεται φραγμούς, καθώς οι οργανισμοί είναι φυσικά επιφυλακτικοί ότι η τεχνολογία θα εκτελεστεί με ακρίβεια και αποτελεσματικότητα. Ένας από αυτούς τους φραγμούς είναι η ανθρώπινη επιτήρηση, η οποία μπορεί να βοηθήσει στην έγχυση κρίσιμης εξειδίκευσης τομέα και να εξασφαλίσει ότι τα μοντέλα AI παρέχουν προβλέψεις και προγνώσεις που είναι σχετικές και χρήσιμες για την επιχείρηση. Όταν οι οργανισμοί μπορούν να τοποθετήσουν έναν ανθρώπινο εμπειρογνώμονα σε ρόλο παρακολούθησης του AI, μπορούν να το εμπιστευτούν και να επαληθεύσουν την ακρίβειά του. Αυτό υπερνικά ένα σημαντικό εμπόδιο στην υιοθέτηση.

Ποια είναι τα βασικά τεχνολογικά καινοτομίες στην πλατφόρμα Ikigai που την ξεχωρίζουν από άλλες λύσεις AI που είναι διαθέσιμες στην αγορά;

Η βασική τεχνολογία LGM είναι ο μεγαλύτερος διαφοροποιητής. Η Ikigai είναι πιονιέρης σε αυτόν τον χώρο χωρίς ισάξιους. Ο συνιδρυτής μου και εγώ εφευρέσαμε τα LGM κατά τη διάρκεια της ακαδημαϊκής μας εργασίας στο MIT. Είμαστε οι εφευρέτες των μεγάλων γραφικών μοντέλων και της χρήσης γενικού AI σε δομημένα δεδομένα.

Τι επίδραση βλέπετε τα LGMs να έχουν σε βιομηχανίες που βασίζονται σε ακριβείς προβλέψεις και σχεδιασμό, όπως η λιανική, η διαχείριση εφοδιασμού και η finance;

Τα LGMs θα είναι πλήρως μετασχηματιστικά, καθώς είναι ειδικά σχεδιασμένα για χρήση σε ταμπελάδες, χρονοσειρές δεδομένων, που είναι η αιμοσφυξία κάθε εταιρείας. Πραγματικά, κάθε οργανισμός σε κάθε βιομηχανία εξαρτάται βαθιά από την ανάλυση δομημένων δεδομένων για προβλέψεις ζήτησης και επιχειρηματικό σχεδιασμό για να λάβει σωστές αποφάσεις, τόσο βραχυπρόθεσμες όσο και μακροπρόθεσμες – είτε αυτές οι αποφάσεις αφορούν το εμπόριο, την πρόσληψη, τις επενδύσεις, την ανάπτυξη προϊόντων ή άλλες κατηγορίες. Τα LGMs παρέχουν το πιο κοντινό πράγμα σε einen κρυστάλλινο μπαλαντέρ που είναι δυνατόν για να ληφθούν οι καλύτερες αποφάσεις.

Κοιτάζοντας μπροστά, ποια είναι τα επόμενα βήματα για την Ikigai Labs στην προώθηση των ικανοτήτων των LGMs; Υπάρχουν κάποιες νέες λειτουργίες ή αναπτύξεις στη διαδικασία που είστε ιδιαίτερα ενθουσιασμένοι;

Το υπάρχον μοντέλο aiPlan μας υποστηρίζει το σενάριο και την ανάλυση. Προχωρώντας, στοχεύουμε να αναπτύξουμε περαιτέρω και να ενεργοποιήσουμε τη πλήρη λειτουργία του Reinforcement Learning για τις ομάδες λειτουργιών. Αυτό θα επιτρέψει σε μια ομάδα λειτουργιών να κάνει AI-κίνητο σχεδιασμό τόσο σε βραχυπρόθεσμο όσο και σε μακροπρόθεσμο ορίζοντα.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την Ikigai Labs.