Dr. Devavrat Shah, Co-Fundador y CEO de Ikigai Labs – Serie de Entrevistas

El Dr. Devavrat Shah es el Co-Fundador y CEO de Ikigai Labs y es un profesor y director del Centro de Estadística y Ciencia de Datos en el MIT. Co-fundó Celect, una plataforma de análisis predictivo para minoristas, que vendió a Nike. Devavrat tiene una licenciatura y un doctorado en Ciencias de la Computación del Instituto de Tecnología de la India y la Universidad de Stanford, respectivamente.

Ikigai Labs ofrece una plataforma impulsada por IA diseñada para transformar los datos tabulares y de series temporales de las empresas en información predictiva y accionable. Utilizando modelos gráficos grandes patentados , la plataforma permite a los usuarios comerciales y desarrolladores de diversas industrias mejorar sus procesos de planificación y toma de decisiones.

¿Podría compartir la historia detrás de la fundación de Ikigai Labs? ¿Qué lo inspiró a pasar de la academia a la empresa?

En realidad, he estado saltando entre el mundo académico y el empresarial durante unos años. Co-fundé Ikigai Labs con mi exalumno en el MIT, Vinayak Ramesh. Anteriormente, co-fundé una empresa llamada Celect que ayudaba a los minoristas a optimizar las decisiones de inventario a través de la previsión de la demanda basada en IA. Celect fue adquirida por Nike en 2019.

¿Qué son exactamente los Modelos Gráficos Grandes (LGM), y cómo difieren de los Modelos de Lenguaje Grandes (LLM) más conocidos?

Los LGM o Modelos Gráficos Grandes son una visión probabilística de los datos. Están en marcado contraste con el enfoque de “modelo base” de la IA, como el LLM.

Los Modelos Base asumen que pueden “aprender” todos los patrones relevantes de un gran corpus de datos. Y, por lo tanto, cuando se presenta un nuevo fragmento de datos, se puede extrapolar en función de la parte relevante del corpus de datos. Los LLM han sido muy efectivos para los datos no estructurados (texto, imagen).

En cambio, los LGM identifican los patrones funcionales adecuados de un gran “universo” de dichos patrones, dados los fragmentos de datos. Los LGM están diseñados para que tengan todos los patrones funcionales relevantes a su disposición, pertinentes a los datos estructurados (tabulares, de series temporales).

Los LGM pueden aprender y proporcionar predicciones precisas utilizando muy pocos datos. Por ejemplo, se pueden utilizar para realizar predicciones muy precisas de tendencias críticas y resultados empresariales que cambian dinámicamente.

¿Podría explicar cómo los LGM están particularmente adaptados para analizar datos estructurados y tabulares, y qué ventajas ofrecen sobre otros modelos de IA en este área?

Los LGM están diseñados específicamente para modelar datos estructurados (es decir, datos tabulares y de series temporales). Como resultado, entregan una mayor precisión y predicciones más confiables.

Además, los LGM requieren menos datos que los LLM y, por lo tanto, tienen requisitos de cómputo y almacenamiento más bajos, lo que reduce los costos. Esto también significa que las organizaciones pueden obtener información precisa de los LGM incluso con datos de entrenamiento limitados.

Los LGM también ofrecen una mejor privacidad y seguridad de los datos. Se entrenan solo con los datos de la propia empresa, con suplementos de fuentes de datos externas seleccionadas (como datos climáticos y de redes sociales) cuando sea necesario. No hay riesgo de que se compartan datos sensibles con un modelo público.

¿En qué escenarios comerciales ofrecen los LGM el mayor valor? ¿Podría proporcionar algunos ejemplos de cómo se han utilizado para mejorar la previsión, la planificación o la toma de decisiones?

Los LGM ofrecen valor en cualquier escenario en el que una organización necesite predecir un resultado empresarial o anticipar tendencias para guiar su estrategia. En otras palabras, ayudan en una amplia gama de casos de uso.

Imagínese una empresa que vende disfraces y artículos de Halloween y busca información para tomar mejores decisiones de merchandising. Dada su estacionalidad, la empresa camina por una línea fina: por un lado, la empresa necesita evitar tener demasiado stock y terminar con inventario excedente al final de cada temporada (lo que significa bienes no vendidos y capital de explotación desperdiciado). Al mismo tiempo, también no quiere quedarse sin inventario demasiado pronto (lo que significa que se perdió la oportunidad de vender).

Usando LGM, la empresa puede encontrar un equilibrio perfecto y guiar sus esfuerzos de merchandising minorista. Los LGM pueden responder preguntas como:

• ¿Qué disfraces debo surtir esta temporada? ¿Cuántos debo surtir de cada SKU en total?
• ¿Cómo venderá un SKU determinado en una ubicación específica?
• ¿Cómo venderá este accesorio con este disfraz?
• ¿Cómo puedo evitar canibalizar las ventas en ciudades donde tengo varias tiendas?
• ¿Cómo funcionarán los nuevos disfraces?

¿Cómo ayudan los LGM en escenarios en los que los datos son escasos, inconsistentes o cambian rápidamente?

Los LGM utilizan la reconciliación de datos basada en IA para ofrecer información precisa incluso cuando analizan conjuntos de datos pequeños o ruidosos. La reconciliación de datos garantiza que los datos sean coherentes, precisos y completos. Implica comparar y validar conjuntos de datos para identificar discrepancias, errores o inconsistencias. Al combinar la estructura espacial y temporal de los datos, los LGM permiten buenas predicciones con datos mínimos y defectuosos. Las predicciones vienen con cuantificación de incertidumbre y también interpretación.

¿Cómo se alinea la misión de Ikigai de democratizar la IA con el desarrollo de los LGM? ¿Cómo ve el impacto de los LGM en el futuro de la IA en los negocios?

La IA está cambiando la forma en que trabajamos, y las empresas deben estar preparadas para habilitar a los trabajadores de todos los tipos con IA. La plataforma de Ikigai ofrece una experiencia de código bajo / sin código simple para los usuarios comerciales, así como una experiencia completa de constructor de IA y API para científicos de datos y desarrolladores. Además, ofrecemos educación gratuita en nuestra Academia Ikigai para que cualquier persona pueda aprender los fundamentos de la IA y también capacitarse y certificarse en la plataforma de Ikigai.

Los LGM tendrán un impacto enorme en las empresas que buscan emplear la IA. Las empresas quieren utilizar la IA generativa para casos de uso que requieren modelado predictivo y estadístico numérico, como la previsión probabilística y la planificación de escenarios. Pero los LLM no fueron diseñados para estos casos de uso, y muchas organizaciones piensan que los LLM son la única forma de IA generativa. Así que intentan utilizar los LLM para la previsión y la planificación, y no entregan. Se rinden y asumen que la IA generativa simplemente no es capaz de admitir estas aplicaciones. Cuando descubran los LGM, se darán cuenta de que de hecho pueden aprovechar la IA generativa para impulsar una mejor previsión y planificación y ayudarlos a tomar mejores decisiones comerciales.

La plataforma de Ikigai integra los LGM con un enfoque centrado en el ser humano a través de su función de experto en el bucle. ¿Podría explicar cómo esta combinación mejora la precisión y la adopción de los modelos de IA en las empresas?

La IA necesita guardrails, ya que las organizaciones están naturalmente preocupadas de que la tecnología funcione con precisión y eficacia. Uno de estos guardrails es la supervisión humana, que puede ayudar a infundir experiencia de dominio crítica y garantizar que los modelos de IA entreguen predicciones y previsiones relevantes y útiles para su negocio. Cuando las organizaciones pueden poner a un experto humano en un rol de monitoreo de la IA, pueden confiar en ella y verificar su precisión. Esto supera un gran obstáculo para la adopción.

¿Cuáles son las principales innovaciones tecnológicas en la plataforma de Ikigai que la distinguen de otras soluciones de IA disponibles actualmente en el mercado?

Nuestra tecnología central de LGM es el mayor diferenciador. Ikigai es un pionero en este espacio sin igual. Mi co-fundador y yo inventamos los LGM durante nuestro trabajo académico en el MIT. Somos los innovadores en modelos gráficos grandes y el uso de la IA generativa en datos estructurados.

¿Qué impacto vislumbra para los LGM en las industrias que dependen en gran medida de la previsión y la planificación precisas, como el comercio minorista, la gestión de la cadena de suministro y las finanzas?

Los LGM serán completamente transformadores, ya que están diseñados específicamente para su uso en datos tabulares y de series temporales, que son la savia de cada empresa. Virtualmente, cada organización en cada industria depende en gran medida del análisis de datos estructurados para la previsión de la demanda y la planificación empresarial para tomar decisiones informadas a corto y largo plazo, ya sean decisiones relacionadas con el merchandising, la contratación, la inversión, el desarrollo de productos u otras categorías. Los LGM ofrecen lo más cercano a una bola de cristal posible para tomar las mejores decisiones.

¿Qué son los próximos pasos para Ikigai Labs en la mejora de las capacidades de los LGM? ¿Hay alguna característica o desarrollo nuevo en el horizonte que esté particularmente emocionado?

Nuestro modelo aiPlan existente admite el análisis de escenarios y suposiciones. Mirando hacia adelante, estamos apuntando a desarrollarlo aún más y habilitar el aprendizaje de refuerzo completo para los equipos de operaciones. Esto permitiría que un equipo de operaciones realice una planificación impulsada por IA tanto a corto como a largo plazo.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Ikigai Labs.