Vinay Kumar Sankarapu, Arya.ai kaasasutaja ja tegevjuht – intervjuusari

Vinay Kumar Sankarapu on ettevõtte kaasasutaja ja tegevjuht Arya.ai, platvorm, mis pakub pankadele, kindlustusandjatele ja finantsteenuste osutajatele (BFSI) asutustele tehisintellekti pilve, et leida õiged AI API-d, asjatundlikud tehisintellektilahendused ja kõikehõlmavad tehisintellekti juhtimise tööriistad, mis on vajalikud usaldusväärsete ja iseõppivate AI-mootorite juurutamiseks.

Teie taust on matemaatikas, füüsikas, keemias ja masinaehituses. Kas saaksite arutada oma teekonda arvutiteadusele ja tehisintellektile üleminekul?

IIT Bombays on meil "kahe kraadiõppe programm", mis pakub 5-aastast kursust nii tehnoloogia bakalaureuse kui ka magistriõppe jaoks. Õppisin masinaehitust spetsialiseerumisega arvutipõhisele projekteerimisele ja tootmisele, kus arvutiteadus on osa meie õppekavast. Meie kraadiõppe jaoks otsustasin töötada süvaõppe kallal. Kui hakkasin DL-i kasutama pideva tootmise rikete prognoosimise raamistiku loomiseks, lõpetasin uurimistöö CNN-ide kasutamise kohta RUL-i ennustamiseks. See oli umbes 2013/14.

Käivitasite Arya.ai veel kolledžis. Kas saaksite jagada selle idufirma tekkelugu?

Akadeemilise uurimistöö raames pidime kulutama 3-4 kuud kirjanduse ülevaatele, et koostada üksikasjalik uurimus huvipakkuval teemal, seni tehtud töö mahust ja sellest, mis võiks olla meie uurimistöö võimalik fookusvaldkond. 2012/13. aastal olid meie kasutatud tööriistad üsna lihtsad. Otsingumootorid, nagu Google scholar ja Scopus, tegid just märksõnaotsingut. Olemasolevate teadmiste mahust oli tõesti raske aru saada. Arvasin, et see probleem läheb ainult hullemaks. 2013. aastal ilmus minu arvates igas minutis vähemalt 30+ paberit. Täna on see vähemalt 10x-20x rohkem.

Tahtsime luua teadlastele tehisintellekti assistendi nagu professor, mis aitaks neil soovitada uurimistöö teemat, leida kõige ajakohasem sobiv dokument ja kõike, mis on seotud STEM-uuringutega. Oma süvaõppe kogemusega arvasime, et suudame selle probleemi lahendada. 2013. aastal käivitasime Arya.ai 3-liikmelise meeskonnaga ja seejärel laienes see 7. aastal seitsmeni, kui ma veel ülikoolis õppisin.

Meie toote esimene versioon loodi enam kui 30 miljoni paberi ja kokkuvõtte kraapides. Kasutasime tol ajal süvaõppes tipptasemel tehnikaid, et luua AI STEM-i uurimisassistent ja kontekstuaalne STEM-i otsingumootor. Kuid kui me AI assistenti mõnele professorile ja kolleegile tutvustasime, mõistsime, et olime liiga vara. Vestlusvood olid piiratud ja kasutajad ootasid vaba voogu ja pidevaid konversioone. Ootused olid sel ajal (2014/15) väga ebareaalsed, kuigi see vastas keerulistele küsimustele.

Pärast seda otsustasime kasutada oma uurimistööd ja keskenduda teadlastele ja ettevõtetele mõeldud ML-tööriistadele kui töölauale sügava õppimise demokratiseerimiseks. Kuid jällegi kasutasid 2016. aastal DL-i väga vähesed andmeteadlased. Seega alustasime selle vertikaaliseerimist ühe vertikaali jaoks ja keskendusime ühe vertikaali, st finantsteenuste asutuste (FSI) jaoks spetsiaalsete tootekihtide loomisele. Teadsime, et see toimib, sest kuigi suurte mängijate eesmärk on võita horisontaalset mängu, võib vertikaaliseerimine luua alustavatele ettevõtetele suure USP. Seekord oli meil õigus!

Ehitame pankade, kindlustusandjate ja finantsteenuste jaoks kõige spetsialiseerunud vertikaalkihtidega tehisintellekti pilve, et pakkuda skaleeritavaid ja vastutustundlikke AI-lahendusi.

Kui suur probleem on tehisintellekti musta kasti probleem rahanduses?

Ülimalt oluline! Ainult 30% finantsasutustest kasutab tehisintellekti täiel määral ära. Kuigi üks põhjusi on juurdepääsetavus, on teine ​​põhjus tehisintellekti usalduse ja kontrollitavuse puudumine. Mõnes geograafilises piirkonnas on nüüd selged eeskirjad, mis käsitlevad tehisintellekti kasutamise seaduslikkust madala, keskmise ja kõrge tundlikkusega kasutusjuhtudel. EL-i seadus nõuab läbipaistvate mudelite kasutamist „kõrge riskiga” kasutusjuhtude puhul. Paljud finantsasutustes kasutatavad juhtumid on kõrge riskiga juhtumid. Seega peavad nad kasutama valge kastiga mudeleid.

Hüpe tsüklid on rahunemas ka varase AI-lahenduste kogemuse tõttu. Viimasel ajal on üha rohkem näiteid musta kasti AI kasutamise mõjude kohta, tehisintellekti tõrgete kohta nende mittejärelevalve tõttu ning väljakutsete kohta juriidiliste ja riskijuhtidega seoses piiratud auditeeritavusega.

Kas saaksite arutada ML-i jälgimise ja ML-i vaadeldavuse erinevust?

 Järelevalvetööriista ülesanne on lihtsalt jälgida ja hoiatada. Vaatlustööriista ülesanne ei ole mitte ainult jälgida ja aru anda, vaid, mis kõige tähtsam, pakkuda piisavalt tõendeid ebaõnnestumise põhjuste leidmiseks või nende tõrgete prognoosimiseks aja jooksul.

AI/ML-is mängivad need tööriistad kriitilist rolli. Kuigi need tööriistad võivad pakkuda vajalikke rolle või jälgimist, ulatub ML-i jälgitavus

Miks on ML-i vaadeldavuse jaoks vaja tööstuspõhiseid platvorme võrreldes üldotstarbeliste platvormidega?

Üldotstarbelised platvormid on mõeldud kõigile ja igaks kasutusjuhtumiks, sõltumata tööstusest – iga kasutaja võib tulla pardale ja alustada platvormi kasutamist. Nende platvormide klientideks on tavaliselt arendajad, andmeteadlased jne. Platvormid valmistavad aga sidusrühmadele mitmeid väljakutseid oma keerulise olemuse ja „üks suurus sobib kõigile” lähenemisviisi tõttu.

Kahjuks nõuab enamik ettevõtteid tänapäeval andmeteaduse ekspertidelt üldotstarbeliste platvormide kasutamist ja täiendavaid lahendusi/tootekihte, et muuta need mudelid lõppkasutajatele mis tahes vertikaalis kasutatavaks. See hõlmab seletatavust, auditeerimist, segmente/stsenaariume, inimahelas toimuvaid protsesse, tagasiside märgistamist, auditeerimist, tööriistaspetsiifilisi torujuhtmeid jne.

Siin tulevad eeliseks tööstusharuspetsiifilised AI-platvormid. Valdkonnaspetsiifilisele tehisintellekti platvormile kuulub kogu töövoog, et lahendada sihtkliendi vajadused või kasutusjuhtumid, ning see on välja töötatud pakkuma terviklikku toodet otsast lõpuni, alates ärivajaduste mõistmisest kuni toote jõudluse jälgimiseni. On palju tööstusharuspetsiifilisi takistusi, nagu regulatiivsed ja vastavusraamistikud, andmekaitsenõuded, auditi- ja kontrollinõuded jne. Valdkonnaspetsiifilised tehisintellekti platvormid ja pakkumised kiirendavad tehisintellekti kasutuselevõttu ja lühendavad tootmist, vähendades arendusaega ja sellega seotud riske. AI levitamisel. Lisaks aitab see koondada tööstuse tehisintellekti teadmised tootekihina, mis aitab parandada tehisintellekti aktsepteerimist, edendada nõuete järgimise jõupingutusi ja leida ühiseid lähenemisviise eetikale, usaldusele ja mainega seotud probleemidele.

Kas saaksite jagada mõningaid üksikasju Arya.ai pakutava ML Observability platvormi kohta?

Oleme finantsteenuste asutustes töötanud üle 6 aasta. Alates 2016. aastast. See andis meile varakult kokkupuute ainulaadsete väljakutsetega keeruka tehisintellekti kasutuselevõtul FSI-des. Üks olulisi väljakutseid oli AI aktsepteerimine. Erinevalt teistest vertikaalidest on mis tahes tarkvara kasutamisel (kehtib ka AI-lahendustele), andmete privaatsusele, eetikale ja mis kõige tähtsam – finantsmõjule ettevõttele palju eeskirju. Nende väljakutsete ulatuslikuks lahendamiseks pidime pidevalt leiutama ja lisama oma lahendustele – nõuete töötlemine, kindlustusandmine, pettuste jälgimine jne – uusi selgitatavuse, auditi, kasutusriskide ja vastutuse kihte. Aja jooksul tegime vastuvõetava ja skaleeritava ML-i. Vaatlusraamistik erinevatele finantsteenuste sektori sidusrühmadele.

Anname nüüd välja raamistiku isetegemise versiooni kui AryaXAI (xai.arya.ai). Iga ML või ärimeeskond saab kasutada AryaXAI-d, et luua ülimalt kõikehõlmav tehisintellekti juhtimine missioonikriitiliste kasutusjuhtude jaoks. Platvorm pakub teie tehisintellektilahendustele läbipaistvust ja auditeeritavust, mis on vastuvõetavad igale sidusrühmale. AryaXAI muudab tehisintellekti missioonikriitiliste kasutusjuhtude jaoks turvalisemaks ja vastuvõetavamaks, pakkudes usaldusväärset ja täpset seletatavust, pakkudes tõendeid, mis võivad toetada regulatiivset hoolsust, hallata tehisintellekti ebakindlust, pakkudes täiustatud poliitikakontrolle ja tagades tootmise järjepidevuse andmete või mudeli triivi jälgimise ja kasutajate hoiatamise kaudu. algpõhjuse analüüsiga.

AryaXAI toimib ka ühise töövoona ja pakub kõigile sidusrühmadele – andmeteaduse, IT-, riski-, operatsiooni- ja vastavusmeeskonnad – vastuvõetavat ülevaadet, muutes tehisintellekti/ML-mudelite kasutuselevõtu ja hoolduse sujuvaks ja segadusevabaks.

Teine pakutav lahendus on platvorm, mis suurendab ML-mudeli rakendatavust kontekstuaalse poliitika rakendamisega. Kas te saaksite kirjeldada, mis see konkreetselt on?

Tootmises olevate ML-mudelite jälgimine ja juhtimine muutub funktsioonide ja prognooside tohutu hulga tõttu keeruliseks. Veelgi enam, mudeli käitumise ebakindlus muudab juhtimise, riskide ja vastavuse juhtimise ja standardimise keeruliseks. Sellised mudelite ebaõnnestumised võivad põhjustada suuri maine- ja rahalisi kaotusi.

AryaXAI pakub poliitika-/riskikontrolli, mis on kriitilise tähtsusega komponent, mis säilitab äri- ja eetilisi huve, jõustades tehisintellekti eeskirju. Kasutajad saavad poliitika juhtelementide haldamiseks poliitikaid hõlpsalt lisada/muuta/muuta. See võimaldab funktsionaalsetel meeskondadel määratleda poliitika kaitsepiirded, et tagada pidev riskihindamine, kaitstes ettevõtet tehisintellekti ebakindluse eest.

Millised on mõned näited nende toodete kasutusjuhtudest?

AryaXAI-d saab rakendada erinevate missioonikriitiliste protsesside jaoks erinevates tööstusharudes. Kõige levinumad näited on:

BFSI: AryaXAI muudab regulatiivse range keskkonnas BFSI tööstuse jaoks lihtsaks nõuetega vastavusse viimise ning riskide juhtimiseks ja vastavuse tagamiseks vajalike tõendite kogumise.

• Krediidikindlustus turvaliste/tagatiseta laenude jaoks
• Pettuste/kahtlaste tehingute tuvastamine
• Audit
• Kliendi elutsükli juhtimine
• Krediidiotsuste tegemine

Autonoomsed autod: Autonoomsed sõidukid peavad reaalajas otsuste tegemisel järgima regulatiivset rangust, tööohutust ja seletatavust. AryaXAI võimaldab mõista, kuidas AI-süsteem sõidukiga suhtleb

• Otsuste analüüs
• Autonoomsed sõidukitoimingud
• Sõiduki terviseandmed
• AI juhtimissüsteemi jälgimine

Tervishoid: AryaXAI pakub sügavamat ülevaadet meditsiinilisest, tehnoloogilisest, juriidilisest ja patsiendi vaatenurgast. Arya-xAI soodustab multidistsiplinaarset koostööd alates ravimite avastamisest kuni tootmise, müügi ja turunduseni

• Narkootikumide avastamine
• Kliinilised uuringud
• Kliiniliste uuringute andmete valideerimine
• Kvaliteetsem hooldus

Milline on teie nägemus masinõppe tulevikust rahanduses?

Viimase kümnendi jooksul on tehisintellekti teemal olnud tohutult haridust ja turundust. Oleme selle aja jooksul näinud mitut hüpetsükleid. Tõenäoliselt oleksime praegu 4. või 6. hype tsükli juures. Esimene juhtum on see, kui Deep Learning võitis 2011/12. aastal ImageNeti, millele järgnes töö pildi/teksti klassifitseerimise, kõnetuvastuse, autonoomsete autode, generatiivse AI ja praegu suurte keelemudelitega. Lõhe tipphüpe ja massikasutuse vahel väheneb iga hüpetsükliga, kuna toote, nõudluse ja rahastamise ümber esineb kordusi.

Need kolm asja on nüüd juhtunud:

1. Ma arvan, et oleme AI-lahenduste mastaabiraamistiku murdnud, vähemalt mõne eksperdi poolt. Näiteks Open AI ei ole praegu tulu teeniv organisatsioon, kuid nende prognooside kohaselt teenib kahe aasta jooksul 1 miljard dollarit tulu. Kuigi mitte kõik AI-ettevõtted ei pruugi saavutada sarnast ulatust, on skaleeritavuse mall selgem.
2.  Ideaalsete AI-lahenduste määratlus on peaaegu kõigi vertikaalide jaoks selge: Erinevalt varasemast, kus toode ehitati iteratiivsete katsete abil iga kasutusjuhtumi ja iga organisatsiooni jaoks, saavad sidusrühmad üha rohkem harimist, et mõista, mida nad tehisintellekti lahendustelt vajavad.
3. Määrused on nüüd järele jõudmas: Vajadus selgete eeskirjade järele andmete privaatsuse ja tehisintellekti kasutamise kohta kogub nüüd suurt tähelepanu. Juhtorganid ja reguleerivad organid saavad avaldada või avaldavad raamistikke, mis on vajalikud tehisintellekti ohutuks, eetiliseks ja vastutustundlikuks kasutamiseks.

Mis järgmiseks?

"Model-as-a-service (MaaS)" plahvatus:

Me näeme kasvavat nõudlust „Mudel kui teenus” ettepanekute järele mitte ainult horisontaalselt, vaid ka vertikaalselt. Kui "OpenAI" on hea näide "Horitzonal MaaS", siis Arya.ai on näide vertikaalsest "MaaSist". Arya.ai on juurutamise ja andmekogumite kogemusega kogunud kriitilisi vertikaalseid andmekogumeid, mida kasutatakse mudelite koolitamiseks ja nende pakkumiseks pistik-ja-kasuta või eelkoolitatud mudelitena.

Vertikaliseerimine on uus horisontaalne: Oleme näinud seda suundumust pilve kasutuselevõtmisel. Kui horisontaalsed pilvemängijad keskenduvad kõigile mõeldud platvormidele, siis vertikaalsed mängijad keskenduvad lõppkasutaja nõuetele ja pakuvad neid spetsiaalse tootekihina. See kehtib isegi MaaS-i pakkumiste kohta.

XAI ja AI juhtimine muutub ettevõtetes normiks: Sõltuvalt eeskirjade tundlikkusest saavutab iga vertikaal vastuvõetava XAI ja juhtimisraamistiku, mida rakendatakse disaini osana, erinevalt tänapäevast, kus seda käsitletakse lisandmoodulina.

Tabeliandmete generatiivne AI võib ettevõtetes näha oma hüpetsükleid: Sünteetiliste andmekogumite loomine on väidetavalt üks hõlpsasti rakendatavaid lahendusi andmetega seotud väljakutsete lahendamiseks ettevõtetes. Andmeteaduse meeskonnad eelistaksid seda väga, kuna probleem on nende kontrolli all, erinevalt ettevõttest sõltumisest, kuna see võib võtta aega, olla kulukas ja ei pruugi andmete kogumise ajal kõiki samme järgida. Sünteetilised andmed lahendavad kallutatuse, andmete tasakaalustamatuse, andmete privaatsuse ja ebapiisavate andmetega seotud probleemid. Loomulikult ei ole selle lähenemisviisi tõhusust veel tõestatud. Siiski, kui uued tehnikad, nagu trafod, on arenenud, võime näha rohkem katseid traditsiooniliste andmekogumitega, nagu tabeli- ja mitmemõõtmelised andmed. Edu korral võib see lähenemisviis ettevõtetele ja MaaS-i pakkumistele tohutult mõjutada.

Kas soovite Arya.ai kohta veel midagi jagada?

Arya.ai fookuses on pankade, kindlustusandjate ja finantsteenuste tehisintellekti lahendamine. Meie lähenemisviis on tehnoloogia vertikaaliseerimine viimase kihini ning selle kasutatavaks ja vastuvõetavaks muutmine igale organisatsioonile ja sidusrühmale.

AryaXAI (xai.arya.ai) mängib olulist rolli selle edastamisel massidele FSI vertikaali piires. Meie käimasolev sünteetiliste andmete uurimine õnnestus mõnel kasutusjuhtumil, kuid meie eesmärk on muuta see elujõulisemaks ja vastuvõetavamaks valikuks. Jätkame oma missiooni täitmiseks oma tehisintellekti pilve kihtide lisamist.

Ma arvan, et me näeme rohkem idufirmasid nagu Arya.ai, mitte ainult FSI vertikaalis, vaid igas vertikaalis.

Täname suurepärase intervjuu eest, lugejad, kes soovivad rohkem teada saada, peaksid külastama Arya.ai.