Pedro Alves, CEO y Fundador de Ople.ai – Serie de Entrevistas

Pedro Alves es el CEO y Fundador de Ople.ai, una plataforma que empodera a los analistas y expertos en materia con poderosas herramientas de análisis predictivo. La plataforma está equipada con el conocimiento y la experiencia de los principales científicos de datos del mundo, para que los usuarios puedan centrarse en lo que realmente son buenos: crear un impacto empresarial.

¿Qué te atrajo inicialmente a la ciencia de datos?

En 2001, vi un gran potencial en el aprendizaje automático y la inteligencia artificial. Mientras estudiaba ciencias de la computación como estudiante de pregrado y decidía qué subcampo seguir, pensé: OK, la IA/ML es un área de la ciencia de la computación que creo que es interesante – puedes ayudar a predecir eventos en cualquier campo. Ya sea que estés en biología, medicina o finanzas, si tienes aprendizaje automático y IA, puedes avanzar significativamente en esos campos. Siempre pensé que las matemáticas detrás de ello eran fascinantes.

Cuando entré en la escuela de posgrado, decidí que la mejor manera de mejorar mi experiencia en aprendizaje automático sería aprender a aplicarlo. Siempre fui muy práctico; no quería aprender teoría solo por la sake de la teoría. Elegí estudiar aprendizaje automático como se aplica al campo de la genómica y la proteómica. Todo mi trabajo de posgrado fue en biología computacional, pero el enfoque estaba en el aprendizaje automático.

Pronto después, entré en la industria de la salud, donde vi un gran potencial para aplicaciones de IA/ML. Fue entonces cuando comencé a ver los problemas que la IA tenía en la práctica, fuera de la academia. Experimenté la realidad de la IA y aprendí cómo se había aplicado de manera ineficaz en el mundo real, y no debido a problemas técnicos. Así que luego me atrajo arreglar el problema.

Anteriormente, eras el científico de datos jefe en Banjo, donde abordaste desafíos en el área de las redes sociales. ¿Puedes discutir algunos de esos desafíos?

Como empresa, detectábamos eventos registrados en las redes sociales, específicamente eventos que necesitaban ser destacados como un posible peligro, como un accidente de coche cercano o un edificio en llamas. Ayudábamos a señalarizar estos eventos, para que pudiéramos ayudar a movilizar a los primeros respondientes. Estábamos utilizando las redes sociales para el bien.

Muchos de esos eventos son raros, con respecto a los datos de las redes sociales. Por ejemplo, hay numerosos accidentes que ocurren todos los días en cualquier ciudad, pero cuando se busca en el volumen de datos de las redes sociales, una foto de un accidente de coche se vuelve bastante minúscula. Considera las millones de fotos de cachorros, fotos de comida, otro millón de fotos de selfies, y luego una foto de un accidente de coche, todo en el transcurso de unos minutos. Esencialmente, en Banjo, estábamos encontrando la aguja en el pajar.

Así que, uno de los desafíos que surgirían era con respecto a la visión por computadora. Aunque la visión por computadora era decente en ese momento, cuando intentas encontrar uno entre millones, incluso una pequeña tasa de error de probabilidad puede completely decimar tus posibilidades de detectar estos eventos raros.

Por ejemplo, había un conjunto de datos público que, cuando se utilizaba para entrenar redes neuronales, les impedía identificar el color. Incluso si una foto en el conjunto de datos era colorida, y la red neuronal estaba mirando todos los RGB, no utilizaba el color como significador. Toma un coche de policía tradicional y un taxi tradicional – ambos son el mismo modelo básico de coche y una pieza adicional de maquinaria en la parte superior (es decir, sirenas en un coche de policía o una señal de libre/ocupado en un taxi). Pero, si miras el color, la diferencia entre los dos es aparente. Debido a este ejemplo, pudimos entender que crear un conjunto de datos adecuado es vital.

En 2017, luego lanzaste Ople. ¿Cuál es la historia de génesis detrás de esta startup?

Quería que las empresas recibieran un sólido retorno de la inversión al implementar la IA. Según Gartner, entre el 80 y el 90 por ciento de los proyectos de IA nunca ven la luz del día. Esto no tiene nada que ver con aspectos técnicos, como la precisión del modelo. Es usualmente la cultura de la empresa o aspectos procedimentales dentro de la empresa.

Esto puede deberse a una falta de comunicación suficiente entre el equipo de ciencia de datos y el usuario empresarial, lo que lleva a modelos que predicen algo que el equipo empresarial no necesitaba porque el equipo de ciencia de datos no entendió qué necesitaba ser construido. O, si construyen el modelo correcto, entonces, cuando el equipo de ciencia de datos termina, el equipo empresarial no se beneficia de las predicciones en absoluto. En la mayoría de las empresas, departamentos como ventas, marketing y logística son los que realmente deberían estar utilizando la IA, pero es el equipo de ciencia de datos el que entiende los modelos. Cuando estos equipos no entienden los modelos que se están construyendo para ellos, tienden a no confiar en sus predicciones y, por lo tanto, no las utilizan.

Así que, si la IA no está cambiando la forma en que la empresa hace negocios, ¿cuál es el punto?

Queríamos crear una plataforma que resuelva esto – queremos ayudar al equipo de ciencia de datos o a los analistas de negocios, analistas de datos, quienquiera que esté involucrado en el proceso de la empresa – a construir los proyectos correctos y ayudar a los empleados a entender y confiar en los modelos. Si arreglamos eso, entonces creo que la ciencia de datos puede ser finalmente valiosa para las empresas de una manera real.

Has declarado que los científicos de datos están perdiendo tiempo valioso realizando tareas que pueden ser automatizadas con la IA. ¿Puedes dar algunos ejemplos de tareas que deberían ser automatizadas?

Un científico de datos generalmente tarda varios meses en completar un modelo, y una vez finalizado, la empresa implementará el modelo, aunque probablemente no será tan preciso como sea posible. En los meses siguientes a la implementación del modelo, el científico de datos seguirá trabajando en él para intentar aumentar la precisión del modelo en pequeños incrementos. Esto es generalmente donde muchos científicos de datos pasan su tiempo cuando podrían estar pasando tiempo haciendo otras tareas, como asegurarse de que los empleados entiendan, confíen y utilicen los modelos de IA en su lugar. Todo el tiempo que se pasa en tareas como la ingeniería de características, el entrenamiento de modelos, la configuración de parámetros y la selección de algoritmos, intentando aumentar la precisión de un modelo, puede ser fácilmente automatizado con la IA.

¿Puedes describir qué es el aprendizaje de meta y cómo Ople aplica esto?

Antes de llegar al aprendizaje de meta, es importante entender la primera capa de aprendizaje automático. Digamos que tienes un conjunto de datos que predice cuándo las máquinas van a fallar en una planta de fabricación. La máquina notificará a los empleados que está a punto de fallar, para que puedan realizar mantenimiento preventivo. Esto se considera la primera capa de aprendizaje.

El aprendizaje de meta, a menudo conocido como “aprendizaje para aprender”, es entender aún más el proceso de aprendizaje. Así que, mientras entrenas tu modelo para predecir errores de máquina, tienes otro modelo observando. Por ejemplo, el segundo modelo podría ayudar a las empresas a entender qué parámetros el modelo de mantenimiento predictivo está aprendiendo bien, y qué parámetros no están funcionando bien. Cuando haces aprendizaje de meta, te vuelves mejor en la creación de modelos más eficientes, más rápido.

¿Cuáles son tus puntos de vista sobre los datos sintéticos?

Los datos sintéticos pueden ser increíblemente difíciles de trabajar, si no se ejecutan correctamente.

Digamos que tienes registros médicos – tienes 20 pacientes, y para esos pacientes, tienes su edad, género, peso, altura, presión arterial, lista de medicamentos, etc. Es posible crear datos sintéticos con aprendizaje automático basado en estos registros médicos. Sin embargo, si te basas solo en el aprendizaje automático o la estadística, puedes terminar con datos sintéticos sin sentido. Pueden crear una mezcla aleatoria de los valores, como un niño de 3 años que mide 1,80 metros o una persona de 1,20 metros que pesa 450 kilos. Aunque la IA/ML son confiables en muchos casos, los datos sintéticos utilizados para registros médicos necesitarían la entrada de un médico.

Así que, involucras a un profesional médico para crear parámetros, como “si la persona tiene esta edad, ¿cuál es un rango de altura y peso realista?” o “si están tomando este medicamento, ¿qué medicamentos no deberían estar tomando?”. Este proceso se convertiría inevitablemente en una empresa masiva y demasiado complicada para cartografiar todas las posibilidades, ya que se relacionan con los registros médicos de cada paciente.

En el ámbito de las imágenes, sin embargo, los datos sintéticos pueden ser mucho más fáciles de entender y crear. Digamos que tienes una foto de un coche, y el coche está ubicado en la esquina superior izquierda. No necesitas ser un experto para saber que el mismo coche podría estar en la esquina inferior izquierda, en la esquina superior derecha o en el centro. No solo puedes apuntar una cámara de muchas maneras, sino que también puedes realinear la foto. Mover el enfoque de la foto, para que el coche esté en todas las esquinas diferentes, es crear datos sintéticos – otro método simple es utilizar la rotación.

¿Puedes dar algunos ejemplos de cómo Ople pudo ayudar a las empresas con sus necesidades de datos?

Ople.AI da a las empresas la capacidad de utilizar análisis de datos profundos en todos los niveles de la organización y dar a sus empleados la oportunidad de desbloquear el valor de la IA, con solo unos pocos clics. En lugar de que las organizaciones dependan de un pequeño equipo de científicos de datos para articular y implementar la IA, la plataforma Ople.AI equipa a los empleados en varios departamentos con las herramientas para acceder a información de sus datos y, a su vez, aumentar su eficiencia diaria.

Con eso dicho, un gran obstáculo que las organizaciones a menudo enfrentan al implementar la IA es la explicabilidad del modelo. Es vital para las empresas ofrecer IA que sus empleados puedan entender, y más importante aún, confiar. La explicabilidad del modelo ayuda con eso. Nuestro objetivo con la plataforma Ople.AI es dar a los empleados, que pueden no ser expertos en IA o tecnología, la oportunidad de entender fácilmente cómo los modelos hacen predicciones y por qué. Crear la explicabilidad del modelo generará resultados poderosos para las empresas a largo plazo.

Además, hay mucho más valor que un modelo puede aportar a las empresas además de hacer predicciones. La IA puede descubrir posibles problemas o áreas que se pueden capitalizar. Llamamos a eso explicabilidad de datos – es la variedad de formas en que un modelo puede compartir información inteligente sobre los datos que son valiosos para una empresa. Esta es una gran forma en que la IA puede ayudar a los negocios, y es un área en la que estamos avanzando con respecto a nuestra competencia.

Gracias por la entrevista, los lectores que deseen aprender más pueden visitar Ople.ai.