Joy Mustafi, Chief Data Scientist της Aviso, Inc – Συνέντευξη Σειράς

Κατατάχθηκε ως ένας από τους 10 κορυφαίους επιστήμονες δεδομένων στην Ινδία από το περιοδικό Analytics India, ο Joy Mustafi έχει ηγηθεί ερευνών επιστημών δεδομένων σε τεχνολογικές εταιρείες όπως η Salesforce (CRM ), η Microsoft (MSFT ) και η IBM, κερδίζοντας 50 πατέντες και συγγράφοντας πάνω από 25 δημοσιεύσεις για την τεχνητή νοημοσύνη.

Συμμετείχε στην IBM για μια δεκαετία ως Επιστήμονας Δεδομένων, συμμετέχοντας σε διάφορες επιχειρηματικές λύσεις ευφυΐας, συμπεριλαμβανομένης της IBM Watson. Εργάστηκε ως Αρχιστράτηγας Εφαρμοσμένου Επιστήμονα στην Microsoft, υπεύθυνος για την έρευνα της τεχνητής νοημοσύνης. Πρόσφατα, ο Mustafi ήταν ο Αρχιστράτηγας Ερευνητής για την πλατφόρμα Einstein της Salesforce.

Ο Mustafi είναι επίσης ο Ιδρυτής και Πρόεδρος του MUST Research, một μη κερδοσκοπική οργάνωση που προωθεί την αριστεία στα πεδία της επιστήμης δεδομένων, της γνωστικής υπολογιστικής, της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της προηγμένης ανάλυσης για το όφελος της κοινωνίας.

Πρόσφατα, ο Mustafi εντάχθηκε στην εταιρεία Aviso, Inc, με έδρα την πόλη Redwood City, ως Επικεφαλής Επιστήμονας Δεδομένων, όπου θα αξιοποιήσει την εμπειρία του για να βοηθήσει τους πελάτες της Aviso να επιταχύνουν την κλείσιμο συμφωνιών και να αυξήσουν τις ευκαιρίες εσόδων.

Τι σας έκανε να ενδιαφερθείτε για την τεχνητή νοημοσύνη;

Αγαπώ πολύ τις μαθηματικές και την προγραμματισμό. Έκανα το μεταπτυχιακό μου στη στατιστική και την υπολογιστική. Όταν ξεκίνησα την έρευνά μου για την τεχνητή νοημοσύνη το 2002 στο Ινδικό Στατιστικό Ινστιτούτο της Καλκούτας, χρησιμοποίησα τη γλώσσα προγραμματισμού C για να αναπτύξω ένα σύστημα τεχνητών νευρωνικών δικτύων για την αναγνώριση χειρόγραφων ψηφίων. Αυτό ήταν 2500+ γραμμές κώδικα, όλες γραμμένες από το μηδέν χωρίς καμία ενσωματωμένη βιβλιοθήκη εκτός από την τυποποιημένη είσοδο/έξοδο. Περιελάμβανε καθαρισμό και προεπεξεργασία δεδομένων, μηχανική χαρακτηριστικών και αλγόριθμο πίσω διασποράς με πολυστρωματικό περσέπτρον. Ολόκληρη η διαδικασία ήταν μια συνδυασμένη προσέγγιση όλων των μαθημάτων που σπούδασα. Τότε, η τεχνητή νοημοσύνη δεν ήταν τόσο δημοφιλής στον εταιρικό κόσμο και λίγες ακαδημαϊκές οργανώσεις έκαναν προηγμένη έρευνα στο πεδίο. Και, από την άλλη πλευρά, η τεχνητή νοημοσύνη δεν ήταν καινούργια εκείνη την εποχή! Το πεδίο της έρευνας της τεχνητής νοημοσύνης χρονολογείται από το 1956, όταν ο καθηγητής John McCarthy και άλλοι εγκαινίασαν το πεδίο σε ένα τώρα-θρυλικό εργαστήριο στο Κολλέγιο Dartmouth.

Έχετε εργαστεί με μερικές από τις πιο προηγμένες εταιρείες στην τεχνητή νοημοσύνη, όπως η IBM Watson και η Microsoft. Ποιο ήταν το πιο ενδιαφέρον έργο που εργάστηκα;

Θέλω να αναφέρω την πρώτη πατέντα που μου απονεμήθηκε ενώ εργαζόμουν στην IBM: μια μέθοδος για την επίλυση προβλημάτων λέξεων σε φυσική γλώσσα, η οποία ήταν ένα ανοιχτό πρόβλημα με την IBM Watson. Το σύστημα που ανέπτυξα μπορεί να κατανοήσει ένα αрифμητικό ή αλγεβρικό πρόβλημα που εκφράζεται σε φυσική γλώσσα και να παρέχει μια λύση σε πραγματικό χρόνο ως απάντηση σε φυσική γλώσσα. Για να το κάνω αυτό, το σύστημα έπρεπε να χειριστεί τα ακόλουθα βασικά βήματα: Να λάβει τις εισαγωγικές δηλώσεις προβλημάτων και την ερώτηση που πρέπει να απαντηθεί. Να μετατρέψει τις εισαγωγικές προτάσεις σε μια σειρά προτάσεων που είναι καλά διατυπωμένες από μαθηματική άποψη. Να μετατρέψει τις καλά διατυπωμένες προτάσεις σε μαθηματικές εξισώσεις. Να λύσει το σύνολο των εξισώσεων. Να αφηγηθεί το μαθηματικό αποτέλεσμα σε φυσική γλώσσα.

Υπάρχει επίσης το καλύτερο έργο μου για τη Microsoft — Softie! Εφεύρα και κατασκεύασα ένα φυσικό ρομπότ που ήταν εξοπλισμένο με διάφορα είδη ανταλλακτικών εισαγωγικών συσκευών και αισθητήρων για να επιτρέψει την λήψη πληροφοριών από τους ανθρώπους. Μια τυποποιημένη μέθοδος επικοινωνίας με τον υπολογιστή επέτρεψε στον χρήστη να κάνει πρακτικές ρυθμίσεις, επιτρέποντας πλουσιότερες αλληλεπιδράσεις ανάλογα με το контέκστ. Καταφέραμε να εφαρμόσουμε ένα ρομποτικό σύστημα με χαρακτηριστικά όπως πληκτρολόγιο, συσκευή σήμανσης, οθόνη αφής, υπολογιστική όραση, αναγνώριση ομιλίας και così περαιτέρω. Δημιουργήσαμε μια ομάδα από διάφορες επιχειρηματικές μονάδες και τους ενθάρρυναμε να εξερευνήσουν ερευνητικές εφαρμογές στην τεχνητή νοημοσύνη και συναφείς πεδία.

Είστε επίσης ο Ιδρυτής και Πρόεδρος του MUST Research, μιας μη κερδοσκοπικής οργάνωσης που έχει καταχωρηθεί σύμφωνα με τον Νόμο για τις Εταιρείες και τις Ιδρύσεις της Ινδίας. Μπορείτε να μας πείτε περισσότερα για αυτήν την οργάνωση;

Το MUST Research είναι αφιερωμένο στην προώθηση της αριστείας και της ικανότητας στα πεδία της επιστήμης δεδομένων, της γνωστικής υπολογιστικής, της τεχνητής νοημοσύνης, της μηχανικής μάθησης και της προηγμένης ανάλυσης για το όφελος της κοινωνίας. Το MUST στοχεύει να δημιουργήσει ένα οικοσύστημα για να επιτρέψει την αλληλεπίδραση μεταξύ ακαδημαϊκών και επιχειρηματικών μονάδων, βοηθώντας τους να λύσουν προβλήματα και να τους ενημερώσει για τις τελευταίες εξελίξεις στην γνωστική εποχή για να παρέχουν λύσεις, να προσφέρουν καθοδήγηση ή εκπαίδευση, να οργανώσουν διαλέξεις, σεμινάρια και εργαστήρια και να συνεργαστούν σε επιστημονικά προγράμματα και κοινωνικές αποστολές. Το πιο ενδιαφέρον χαρακτηριστικό του MUST είναι η θεμελιώδης έρευνα σε προηγμένα τεχνολογικά πεδία όπως η τεχνητή νοημοσύνη, η μηχανική μάθηση, η φυσική γλώσσα, η ανάλυση κειμένου, η υπολογιστική όραση, η επεξεργασία ήχου, η αναγνώριση ομιλίας, η ενσωματωμένη συσκευή, η ρομποτική κ.λπ.

Τι σας ενέπνευσε να ξεκινήσετε το MUST Research;

Η αγάπη μου για τις ταινίες επιστημονικής φαντασίας και τις μαθηματικές με κάνουν συχνά να σκέφτομαι πώς η τεχνολογία μπορεί να αλλάξει τον κόσμο, και σκέφτηκα να δημιουργήσω μια ομάδα ειδικών σε προηγμένα τεχνολογικά πεδία από το 1993, όταν ήμουν στην 9η τάξη. Όταν πήρα την πρώτη μου δουλειά, πήρε 10 χρόνια να καλέσω μια συνάντηση — και άλλα 10 χρόνια να ανακαλύψω μια ομάδα κατάλληλων εμπειρογνωμόνων και να δημιουργήσω μια μη κερδοσκοπική εταιρεία. Τώρα, όμως, έχουμε περίπου 500 επιστήμονες δεδομένων στο MUST σε όλη την Ινδία που συνεισφέρουν με πάθος στην έρευνα για τις αναδυόμενες τεχνολογίες.

Κατά τη διάρκεια των τελευταίων ετών, η βιομηχανία έχει καταγράψει σημαντικές προόδους στην βαθιά μάθηση, την ενισχυτική μάθηση, την επεξεργασία φυσικής γλώσσας κ.λπ. Ποιο πεδίο της μηχανικής μάθησης θεωρείτε ότι είναι το πιο ενδιαφέρον σήμερα;

Όλοι οι αλγόριθμοι της μηχανικής μάθησης είναι ενδιαφέροντες όταν εφαρμόζονται ως προϊόν ή υπηρεσία που μπορεί να χρησιμοποιηθεί από επιχειρήσεις ή άτομα στον πραγματικό κόσμο. Η εποχή της βαθιάς μάθησης έχει πλεονεκτήματα και μειονεκτήματα — μερικές φορές βοηθά στην αυτόματη μηχανική χαρακτηριστικών, αλλά ταυτόχρονα μπορεί να λειτουργήσει σαν μια μαύρη κουτί και να οδηγήσει σε μια κατάσταση “σκουπίδι-μέσα, σκουπίδι-έξω” αν δεν χρησιμοποιηθούν σωστά τα δεδομένα ή οι αλγόριθμοι. Ορισμένες από τις τελευταίες τεχνολογίες είναι επίσης πλούσιες σε πόρους και απαιτούν τεράστιες ποσότητες επεξεργασίας, χρόνου και δεδομένων. Το κλειδί είναι να θυμόμαστε ότι η βαθιά μάθηση είναι ένα υποσύνολο της μηχανικής μάθησης (ML), η οποία με τη σειρά της είναι ένα υποσύνολο της τεχνητής νοημοσύνης (AI), και η τεχνητή νοημοσύνη είναι ένα υποσύνολο της επιστήμης δεδομένων —所以 όλα συνδέονται. Και δεν είναι για Python, R ή Scala — ξεκίνησα το ταξίδι μου στην τεχνητή νοημοσύνη με την C, και μπορείτε ακόμη και να γράψετε προγράμματα τεχνητής νοημοσύνης σε κώδικα συναρμολόγησης. Η κατασκευή επιτυχημένων συστημάτων τεχνητής νοημοσύνης εξαρτάται πρώτα και прежде από την κατανόηση του επιχειρηματικού ή ερευνητικού περιβάλλοντος και στη συνέχεια από την σύνδεση των σημείων μεταξύ ενεργειών και δεδομένων για να κατασκευάσετε ένα σύστημα που πραγματικά βοηθά διάφορους ανθρώπους σε διαφορετικά πεδία. Ανεξάρτητα από το αν εργάζεστε με φυσική γλώσσα, υπολογιστική όραση, ανάλυση βίντεο, τεχνολογία ομιλίας ή ρομποτική, ο καλύτερος τρόπος είναι να ξεκινήσετε με την πιο απλή δυνατή προσέγγιση και στη συνέχεια να υιοθετήσετε πιο σύνθετες μεθόδους διαδοχικά καθώς πειραματίζεστε και βελτιώνετε το σύστημα σας.

Είστε συχνός ομιλητής σε κορυφαία πανεπιστήμια στην Ινδία. Ποια είναι μια ερώτηση που ακούτε συχνά από τους φοιτητές και πώς απαντάτε;

Η einz ερώτηση που ακούω πιο συχνά είναι: “Πώς μπορώ να γίνω επιστήμονας δεδομένων;” Πάντα λέω στους νέους ανθρώπους ότι είναι απολύτως δυνατό και προσπαθώ να τους οδηγήσω να χρησιμοποιήσουν την αγάπη τους για τις μαθηματικές, την στατιστική ή την επιστήμη υπολογιστών για να προσπαθήσουν να λύσουν πραγματικά προβλήματα επιχειρήσεων. Οι άνθρωποι επίσης ρωτούν πώς μπορούν να ενταχθούν στο MUST, και πάλι, η απάντηση είναι απλή: “Δημιουργήστε το προφίλ σας με πολλά έργα και εστιάστε στο να σκέφτεστε έξω από το κουτί.” Αν θέλετε να γίνετε επιστήμονας δεδομένων, πρέπει επίσης να αποδείξετε ότι μπορείτε να καινοτομήσετε. Χωρίς καινοτομία, δεν μπορούμε να ονομάζουμε τους εαυτούς μας επιστήμονες. Φυσικά, η απονομή πατεντών ή η δημοσίευση της έρευνάς σας σε αξιόπιστες επιθεωρήσεις και συνέδρια επίσης βοηθά!

Πρόσφατα εντάχθητε στην εταιρεία Aviso ως Επικεφαλής Επιστήμονας Δεδομένων, για να αξιοποιήσετε την εμπειρία σας στην τεχνητή νοημοσύνη/μηχανική μάθηση. Μπορείτε να μας πείτε λίγα λόγια για την Aviso και το ρόλο σας σε αυτήν την εταιρεία;

Η Aviso χρησιμοποιεί την τεχνητή νοημοσύνη και την μηχανική μάθηση για να οδηγήσει τους πωλητές και να αφαιρέσει τις догадки από τη διαδικασία της σύναψης συμφωνιών. Αυτό είναι ένα fascinující πρόκληση, και η κύρια ευθύνη μου είναι να βοηθήσω την οργάνωση να αναπτυχθεί σε μια θετική κατεύθυνση, χρησιμοποιώντας βαθιά έρευνα για να θέσει τις βάσεις για την επιτυχία των πελατών. Χρησιμοποιώ τις γνώσεις και την εμπειρία μου στην τεχνητή νοημοσύνη και την καινοτομία για να βοηθήσω να κάνουμε τα βασικά προϊόντα και τα ερευνητικά μας έργα πιο:

Προσαρμοστικά: Πρέπει να μαθαίνουν καθώς αλλάζουν οι πληροφορίες, και καθώς εξελίσσονται οι στόχοι και οι απαιτήσεις. Πρέπει να επιλύουν αμφισημίες και να ανέχονται την αβεβαιότητα. Πρέπει να σχεδιαστούν για να τρέφονται με δυναμικά δεδομένα σε πραγματικό χρόνο.

Διαδραστικά: Πρέπει να αλληλεπιδρούν εύκολα με τους χρήστες, ώστε οι χρήστες να μπορούν να ορίσουν τις ανάγκες τους άνετα. Πρέπει να αλληλεπιδρούν με άλλους επεξεργαστές, συσκευές, υπηρεσίες, καθώς και με ανθρώπους.

Επανειληπτικά και κατάστασης: Πρέπει να βοηθούν στην ορισμό ενός προβλήματος ζητώντας ερωτήσεις ή βρίσκοντας πρόσθετες εισαγωγικές πληροφορίες εάν μια δήλωση προβλήματος είναι αμφίσημη ή ελλιπής. Πρέπει να θυμόμαστε τις προηγούμενες αλληλεπιδράσεις σε μια διαδικασία και να επιστρέφουν πληροφορίες που είναι κατάλληλες για την συγκεκριμένη εφαρμογή εκείνη την στιγμή.

Περιβαλλόντως: Πρέπει να κατανοούν, να αναγνωρίζουν και να εξάγουν περιβαλλόντως στοιχεία όπως σημασία, σύνταξη, χρόνος, τοποθεσία, κατάλληλο πεδίο, κανονισμό, προφίλ χρήστη, διαδικασία, εργασία και στόχος. Πρέπει να βασίζονται σε πολλές πηγές πληροφοριών, συμπεριλαμβανομένων τόσο δομημένων όσο και μη δομημένων ψηφιακών πληροφοριών.

Τι σας έκανε να ενδιαφερθείτε για αυτήν τη θέση στην Aviso;

Η Aviso εργάζεται για να αντικαταστήσει τις φουσκωμένες κλασικές συστήματα CRM με άπαχες, τεχνητή νοημοσύνη-ενεργοποιημένα εργαλεία που μπορούν να παρέχουν δράσιμες πληροφορίες και να ξεκλειδώσουν το πλήρες δυναμικό των ομάδων πωλήσεων. Το προϊόν μας είναι ένα έξυπνο σύστημα που κατανοεί τους πόνους των πωλητών, αφαιρεί την χρονοβόρα είσοδο δεδομένων και δίνει στους εκτελεστές τις προτάσεις και την καθοδήγηση που χρειάζονται για να κλείσουν συμφωνίες αποτελεσματικά. Μου άρεσε η ισχυρή ηγετική ομάδα και η βάση πελατών, αλλά και η δέσμευση της Aviso να χρησιμοποιήσει προηγμένα εργαλεία τεχνητής νοημοσύνης για να λύσει πραγματικά προβλήματα. Η πώληση είναι ένα ζωτικό μέρος κάθε επιχείρησης, και η Aviso βοηθά με αυτόν τον τρόπο αξιοποιώντας τη δύναμη της τεχνητής νοημοσύνης. Bulls-eye! Τι άλλο θα μπορούσατε να ζητήσετε;

Τέλος, υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με την τεχνητή νοημοσύνη;

Η τεχνητή νοημοσύνη καθιστά ένα νέο τύπο προβλημάτων υπολογίσιμο. Για να ανταποκριθεί στην ρευστή φύση της κατανόησης των χρηστών για τα προβλήματά τους, το σύστημα γνωστικής υπολογιστικής προσφέρει μια σύνθεση όχι μόνο των πηγών πληροφοριών αλλά και των επιρροών, των περιβαλλόντων και των επιδράσεων. Αυτά τα συστήματα διαφέρουν από τις τρέχουσες εφαρμογές υπολογιστών στο ότι ξεπερνούν την ταμπελώνηση και τον υπολογισμό με βάση προκατασκευασμένες κανόνες και προγράμματα. Μπορούν να συναγάγουν και ακόμη να συλλογίσουν με βάση ευρείες στόχους. Σε αυτόν τον τρόπο, η γνωστική υπολογιστική είναι ένας νέος τύπος υπολογιστικής με στόχο την ανάπτυξη πιο ακριβών μοντέλων του πώς η ανθρώπινη σκέψη ή ο εγκέφαλος αισθάνεται, συλλογίζεται και ανταποκρίνεται σε ερεθίσματα. Είναι ένα πεδίο μελέτης που μελετά πώς να δημιουργήσει υπολογιστές και λογισμικό που είναι ικανό για έξυπνη συμπεριφορά. Αυτό το πεδίο είναι διεπιστημονικό: η τεχνητή νοημοσύνη είναι ένα μέρος όπου ένας αριθμός επιστημών και επαγγελμάτων συ렴ονται, συμπεριλαμβανομένης της επιστήμης υπολογιστών, της ηλεκτρονικής, των μαθηματικών, της στατιστικής, της ψυχολογίας, της γλωσσολογίας, της φιλοσοφίας, της νευροεπιστήμης και της βιολογίας. Αυτό είναι που την κάνει τόσο ενδιαφέρον!