Πέδρο Άλβες, Διευθύνων Σύμβουλος και Ιδρυτής της Ople.ai – Σειρά Συνεντεύξεων

Ο Πέδρο Άλβες είναι ο Διευθύνων Σύμβουλος και Ιδρυτής της Ople.ai, μια πλατφόρμα που ενδυναμώνει τους αναλυτές και τους ειδικούς με ισχυρική προγνωστική ανάλυση. Η πλατφόρμα είναι εξοπλισμένη με τη γνώση και την εμπειρία των κορυφαίων επιστημόνων δεδομένων του κόσμου, ώστε οι χρήστες να μπορούν να επικεντρωθούν στο τι είναι πραγματικά καλοί: να δημιουργούν επιχειρηματικό αντίκτυπο.

Τι σας έκανε να ενδιαφερθείτε αρχικά για την επιστήμη των δεδομένων;

Το 2001, είδα τεράστια δυνατότητα στη μηχανική μάθηση και την τεχνητή νοημοσύνη. Κατά τη διάρκεια των σπουδών μου στην επιστήμη των υπολογιστών, αποφάσισα να ακολουθήσω το υποπεδίο της μηχανικής μάθησης. Σκέφτηκα ότι η μηχανική μάθηση και η τεχνητή νοημοσύνη ήταν ένα πεδίο της επιστήμης των υπολογιστών που μου φαινόταν ενδιαφέρον – μπορούσα να βοηθήσω να προβλέψω γεγονότα σε οποιοδήποτε πεδίο. Αν ήμουν στη βιολογία, την ιατρική ή τις финάνσεις, αν είχα μηχανική μάθηση και τεχνητή νοημοσύνη, θα μπορούσα να προωθήσω σημαντικά αυτά τα πεδία. Πάντα σκέφτηκα ότι οι μαθηματικές αρχές πίσω από αυτό ήταν fascinující.

Όταν μπήκα στο μεταπτυχιακό, αποφάσισα ότι ο καλύτερος τρόπος να βελτιώσω την εμπειρογνωσία μου στη μηχανική μάθηση θα ήταν να μάθω πώς να την εφαρμόσω. Ήμουν πάντα πολύ πρακτικός – δεν ήθελα να μάθω θεωρία μόνο για το sake της θεωρίας. Έπρεπε να μελετήσω τη μηχανική μάθηση όπως εφαρμόζεται στο πεδίο της γενετικής και της πρωτεομικής. Όλη η μεταπτυχιακή μου εργασία ήταν στην υπολογιστική βιολογία, αλλά ο στόχος ήταν η μηχανική μάθηση.

Σύντομα μετά, μπήκα στη βιομηχανία της υγείας, όπου είδα μεγάλο δυναμικό για εφαρμογές της τεχνητής νοημοσύνης. Τότε άρχισα να βλέπω τα προβλήματα που είχε η τεχνητή νοημοσύνη στην πράξη, εκτός από την ακαδημία. Βίωσα την πραγματικότητα της τεχνητής νοημοσύνης και έμαθα πώς ανεπαρκώς είχε εφαρμοστεί στον πραγματικό κόσμο, και όχι λόγω τεχνικών προβλημάτων. Έτσι, τότε έγινα προσηλωμένος στο να λύσω το πρόβλημα.

Ήταν πρώην αρχισυντάκτης δεδομένων στη Banjo, όπου αντιμετώπισε προκλήσεις στο πεδίο των κοινωνικών δικτύων. Μπορείτε να συζητήσετε κάποιες από αυτές τις προκλήσεις;

Ως εταιρεία, ανιχνεύαμε γεγονότα που καταγράφηκαν στα κοινωνικά δίκτυα, συγκεκριμένα γεγονότα που χρειαζόταν να υπογραμμιστούν ως πιθανό κίνδυνο, όπως ένα κοντινό αυτοκινητιστικό ατύχημα ή ένα κτίριο που καιγόταν. Βοηθούσαμε να σημάνουμε αυτά τα γεγονότα, ώστε να μπορούσαμε να βοηθήσουμε να κινητοποιήσουμε τους πρώτους απανταχού. Χρησιμοποιούσαμε τα κοινωνικά δίκτυα για καλό.

Πολλά από αυτά τα γεγονότα είναι σπάνια, σε σχέση με τα δεδομένα των κοινωνικών δικτύων. Για παράδειγμα, υπάρχουν πολλά ατυχήματα που συμβαίνουν κάθε μέρα σε οποιαδήποτε πόλη, αλλά όταν κοιτάτε τον όγκο των δεδομένων των κοινωνικών δικτύων, μια φωτογραφία ενός αυτοκινητιστικού ατυχήματος γίνεται bastante μικρή. Σκεφτείτε τα εκατομμύρια φωτογραφιών σκυλιών, φωτογραφιών φαγητού, ενός εκατομμυρίου φωτογραφιών αυτοπροσωπογραφιών και μιας φωτογραφίας αυτοκινητιστικού ατυχήματος, όλα μέσα σε quelques λεπτά. Ουσιαστικά, στη Banjo, ψάχναμε το βελόνι στη στρίγγλα.

Έτσι, μια από τις προκλήσεις που θα αναδυόταν ήταν σχετικά με την υπολογιστική όραση. Αν και η υπολογιστική όραση ήταν αξιοπρεπής εκείνη την εποχή, όταν προσπαθούσατε να βρείτε ένα σε quelques εκατομμύρια, ακόμη και một μικρός πιθανός σφάλμα θα μπορούσε να καταστρέψει完全 τις πιθανότητες ανίχνευσης αυτών των σπάνιων γεγονότων.

Για παράδειγμα, υπήρχε ένα δημόσιο σύνολο δεδομένων που όταν χρησιμοποιούνταν για την εκπαίδευση των νευρωνικών δικτύων θα έκανε τα δίκτυα να μην μπορούν να αναγνωρίσουν το χρώμα. Ακόμη και αν μια φωτογραφία στο σύνολο δεδομένων ήταν πολύχρωμη και το νευρωνικό δίκτυο κοιτούσε όλα τα RGB, δεν χρησιμοποιούσε το χρώμα ως σημείωση. Πάρτε ένα παραδοσιακό αστυνομικό αυτοκίνητο και ένα παραδοσιακό ταξί – και τα δύο είναι το ίδιο βασικό μοντέλο αυτοκινήτου και ένα επιπλέον κομμάτι μηχανημάτων στην κορυφή (π.χ. σίρες σε ένα αστυνομικό αυτοκίνητο ή ένα σήμα ελεύθερου/κατειλημμένου σε ένα ταξί). Αλλά αν κοιτάξετε το χρώμα, η διαφορά μεταξύ των δύο είναι εμφανής. Λόγω αυτού του περιστατικού, καταλάβαμε ότι η δημιουργία eines σωστού συνόλου δεδομένων είναι ζωτικής σημασίας.

Το 2017, στη συνέχεια, ξεκινήσατε την Ople. Ποια ήταν η ιστορία γέννησης πίσω από αυτή την εταιρεία;

Ήθελα οι εταιρείες να λαμβάνουν ένα σταθερό οφέλους από την εφαρμογή της τεχνητής νοημοσύνης. Σύμφωνα με την Gartner, μεταξύ 80 και 90 τοις εκατό των projet της τεχνητής νοημοσύνης δεν βλέπουν το φως της ημέρας. Αυτό δεν έχει να κάνει με τεχνικά θέματα, όπως η ακρίβεια του μοντέλου. Συνήθως είναι θέματα πολιτισμού ή διαδικαστικών πτυχών μέσα στην εταιρεία.

Αυτό μπορεί να οφείλεται σε έλλειψη επαρκούς επικοινωνίας μεταξύ της ομάδας επιστημόνων δεδομένων και της ομάδας επιχειρήσεων, οδηγώντας σε μοντέλα που προβλέπουν κάτι που η ομάδα επιχειρήσεων δεν χρειάζεται, επειδή η ομάδα επιστημόνων δεδομένων δεν καταλάβαινε τι χρειαζόταν να κατασκευαστεί. Ή, αν κατασκευάσουν το σωστό μοντέλο, τότε όταν η ομάδα επιστημόνων δεδομένων τελειώνει, η ομάδα επιχειρήσεων δεν επωφελείται από τις προβλέψεις καθόλου. Σε meisten εταιρείες, τμήματα όπως οι πωλήσεις, η маркетинг και η λογιστική είναι αυτά που πραγματικά πρέπει να χρησιμοποιούν την τεχνητή νοημοσύνη, αλλά είναι η ομάδα επιστημόνων δεδομένων που καταλαβαίνει τα μοντέλα. Όταν αυτά τα τμήματα δεν καταλαβαίνουν τα μοντέλα που κατασκευάζονται για αυτά, δεν εμπιστεύονται τις προβλέψεις και δεν τις χρησιμοποιούν.

Έτσι, αν η τεχνητή νοημοσύνη δεν αλλάζει τον τρόπο που η εταιρεία λειτουργεί, ποιο είναι το σημείο;

Θέλαμε να δημιουργήσουμε μια πλατφόρμα που να λύνει αυτό το πρόβλημα – θέλαμε να βοηθήσουμε την ομάδα επιστημόνων δεδομένων ή τους αναλυτές, τους αναλυτές δεδομένων, όποιον εμπλέκεται στην εταιρεία σε αυτή τη διαδικασία – να κατασκευάσουν τα σωστά projet και να βοηθήσουμε τους υπαλλήλους να καταλάβουν και να εμπιστευτούν τα μοντέλα. Αν λύσουμε αυτό, τότε πιστεύω ότι η επιστήμη των δεδομένων μπορεί τελικά να είναι πολύτιμη για τις εταιρείες με έναν πραγματικό τρόπο.

Έχετε δηλώσει ότι οι επιστήμονες δεδομένων χάνουν πολύτιμο χρόνο εκτελώντας εργασίες που μπορούν να αυτοματοποιηθούν με την τεχνητή νοημοσύνη. Ποια είναι κάποια παραδείγματα εργασιών που πρέπει να αυτοματοποιηθούν;

Ένας επιστήμονας δεδομένων θα χρειαστεί几个 μήνες για να ολοκληρώσει ένα μοντέλο, και όταν ολοκληρωθεί, η εταιρεία θα εφαρμόσει το μοντέλο, αν και πιθανότατα δεν θα είναι τόσο ακριβές όσο είναι δυνατό. Στα επόμενα μήνες μετά την εφαρμογή του μοντέλου, ο επιστήμονας δεδομένων θα συνεχίσει να εργάζεται σε αυτό, προσπαθώντας να αυξήσει την ακρίβεια του μοντέλου με μικρές αυξήσεις. Αυτό είναι γενικά εκεί όπου πολλοί επιστήμονες δεδομένων περνούν τον χρόνο τους, όταν θα μπορούσαν να περνούν τον χρόνο τους σε άλλες εργασίες, όπως να διασφαλίζουν ότι οι υπαλλήλους καταλαβαίνουν, εμπιστεύονται και χρησιμοποιούν τα μοντέλα της τεχνητής νοημοσύνης που εφαρμόζονται. Όλος ο χρόνος που περνάται σε εργασίες όπως η μηχανική των χαρακτηριστικών, η εκπαίδευση μοντέλων, η ρύθμιση παραμέτρων και η επιλογή αλγορίθμων, προσπαθώντας να αυξήσει την ακρίβεια ενός μοντέλου, μπορεί να αυτοματοποιηθεί εύκολα με την τεχνητή νοημοσύνη.

Μπορείτε να περιγράψετε τι είναι η μετα-μάθηση και πώς εφαρμόζει η Ople αυτή;

Πριν πάω στη μετα-μάθηση, είναι σημαντικό να καταλάβουμε το πρώτο στρώμα της μηχανικής μάθησης. Λέτε, έχετε ένα σύνολο δεδομένων που προβλέπει όταν θα σπάσουν οι μηχανές σε ένα εργοστάσιο. Η μηχανή θα ειδοποιήσει τους υπαλλήλους ότι πρόκειται να σπάσει, ώστε να μπορέσουν να thực hiện προληπτική συντήρηση. Αυτό θεωρείται το πρώτο στρώμα μάθησης.

Η μετα-μάθηση, επίσης γνωστή ως “μάθηση για μάθηση”, είναι η περαιτέρω κατανόηση αυτής της διαδικασίας μάθησης. Όσο εκπαιδεύετε το μοντέλο σας να προβλέψει σφάλματα μηχανών, έχετε ένα άλλο μοντέλο που παρατηρεί. Για παράδειγμα, το δεύτερο μοντέλο θα μπορούσε να βοηθήσει τις εταιρείες να καταλάβουν ποια παραμέτρα το προβλεπτικό μοντέλο μάθησης είναι καλά, και ποια παραμέτρα δεν λειτουργούν καλά. Όταν κάνετε μετα-μάθηση, γίνετε καλύτεροι στην κατασκευή πιο αποτελεσματικών μοντέλων, πιο γρήγορα.

Τι είναι η άποψή σας για τα συνθετικά δεδομένα;

Τα συνθετικά δεδομένα μπορούν να είναι εξαιρετικά δύσκολα να εργαστούν, αν δεν εκτελεστούν σωστά.

Λέτε, έχετε δεδομένα ιατρικών αρχείων – έχετε 20 ασθενείς, και για αυτούς τους ασθενείς, έχετε την ηλικία, το φύλο, το βάρος, το ύψος, την αρτηριακή πίεση, τη λίστα φαρμάκων, κ.λπ. Είναι δυνατό να δημιουργηθούν συνθετικά δεδομένα με τη μηχανική μάθηση με βάση αυτά τα ιατρικά αρχεία. Ωστόσο, αν βασιστείτε μόνο στη μηχανική μάθηση ή στα στατιστικά, μπορείτε να終止σετε με ανοησιά συνθετικά δεδομένα. Μπορεί να δημιουργήσετε ένα τυχαίο μείγμα και αντιστοίχηση των τιμών, όπως ένα 3χρονο παιδί που είναι 6 πόδια ψηλό ή ένα 4 πόδια ψηλό άτομο που ζυγίζει χίλιες λίβρες. Ενώ η τεχνητή νοημοσύνη είναι αξιόπιστη σε πολλές περιπτώσεις, τα συνθετικά δεδομένα που χρησιμοποιούνται για ιατρικά αρχεία θα χρειαζόταν την εμπλοκή ενός γιατρού.

Έτσι, παίρνετε έναν ιατρικό επαγγελματία να συμμετάσχει στη δημιουργία παραμέτρων, όπως “αν το άτομο είναι αυτή η ηλικία, ποια είναι η πραγματική περιοχή ύψους και βάρους”, ή “αν λαμβάνει αυτό το φάρμακο, ποια φάρμακα δεν πρέπει να λαμβάνει;” Αυτή η διαδικασία θα γινόταν αναπόφευκτα μια τεράστια επιχείρηση και πολύ περίπλοκη για να χαρτογραφηθεί όλες οι πιθανότητες, όπως αυτές που αφορούν τα ιατρικά αρχεία κάθε ασθενή.

Στην περιοχή των εικόνων, ωστόσο, τα συνθετικά δεδομένα μπορούν να είναι πολύ πιο εύκολα να κατανοηθούν και να δημιουργηθούν. Λέτε, έχετε μια φωτογραφία ενός αυτοκινήτου, και το αυτοκίνητο βρίσκεται στην πάνω αριστερή γωνία. Δεν χρειάζεται να είστε ειδικός για να ξέρετε ότι το ίδιο αυτοκίνητο θα μπορούσε να βρίσκεται στην κάτω αριστερή γωνία, στην πάνω δεξιά γωνία ή στο κέντρο. Όχι μόνο μπορεί ο άνθρωπος να σηκώσει μια κάμερα με πολλούς τρόπους, αλλά μπορεί επίσης να επαναταξινομήσει την εικόνα. Μετακινώντας το焦点 της εικόνας, ώστε το αυτοκίνητο να βρίσκεται σε όλες τις γωνίες, είναι δημιουργία συνθετικών δεδομένων – ένας άλλος απλός τρόπος είναι η χρήση περιστροφής.

Μπορείτε να δώσετε κάποια παραδείγματα για το πώς η Ople βοήθησε τις εταιρείες με τις ανάγκες τους σε δεδομένα;

Η Ople.AI δίνει στις εταιρείες τη δυνατότητα να χρησιμοποιήσουν βαθιά ανάλυση δεδομένων σε όλα τα επίπεδα της οργάνωσης και να δώσουν στους υπαλλήλους την ευκαιρία να ξεκλειδώσουν την αξία της τεχνητής νοημοσύνης, με μόνο quelques κλικ. Αντιθέτως με τις εταιρείες που βασίζονται σε μια μικρή ομάδα επιστημόνων δεδομένων για να артикуλιруют και να εφαρμόσουν την τεχνητή νοημοσύνη, η πλατφόρμα Ople.AI εξοπλίζει τους υπαλλήλους σε διάφορα τμήματα με εργαλεία για να αποκτήσουν έμπνευση από τα δεδομένα τους και να αυξήσουν την ημερήσια τους αποδοτικότητα.

Με αυτό που είπα, ένα μεγάλο εμπόδιο που οι εταιρείες συχνά αντιμετωπίζουν κατά την εφαρμογή της τεχνητής νοημοσύνης είναι η εξηγήσιμη μοντέλου. Είναι ζωτικής σημασίας για τις εταιρείες να προσφέρουν τεχνητή νοημοσύνη που οι υπαλλήλους μπορούν να καταλάβουν, και πιο σημαντικά, να εμπιστευτούν. Η εξηγήσιμη μοντέλου βοηθά με αυτό. Ο στόχος μας με την πλατφόρμα Ople.AI είναι να δώσουμε στους υπαλλήλους, που μπορεί να μην είναι τεχνητή νοημοσύνη ή τεχνολογικοί, την ευκαιρία να καταλάβουν εύκολα πώς τα μοντέλα κάνουν προβλέψεις και γιατί. Η δημιουργία εξηγήσιμης μοντέλου θα παράγει ισχυρά αποτελέσματα για τις εταιρείες μακροπρόθεσμα.

Επιπλέον, υπάρχει πολύ περισσότερη αξία που ένα μοντέλο μπορεί να φέρει στις εταιρείες πέρα από το να κάνει προβλέψεις. Η τεχνητή νοημοσύνη μπορεί να ανακαλύψει πιθανές προβλήματα ή περιοχές που μπορούν να κεφαλαιοποιηθούν. Τα λέμε δεδομένα εξηγήσιμα – είναι οι διάφορες τρόποι με τους οποίους ένα μοντέλο μπορεί να μοιράζεται έξυπνες έμπνευση για τα δεδομένα που είναι πολύτιμα για μια εταιρεία. Αυτός είναι ένας μεγάλος τρόπος με τον οποίο η τεχνητή νοημοσύνη μπορεί να βοηθήσει τις εταιρείες, και ένα πεδίο στο οποίο προχωρούμε, σε σχέση με την ανταγωνιστική μας.

Ευχαριστώ για τη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Ople.ai.