Ahmed Elsamadisi, Narrator.ai:n perustaja ja toimitusjohtaja – Haastattelusarja

Ahmed Elsamadisi on Narrator.ai:n perustaja ja toimitusjohtaja, data-integiteettiyhtiö, joka varustaa päätöksentekijöitä henkilökohtaisilla toimintatiedoilla.

Ahmed aloitti uransa Cornellin Autonomous Systems Laboratoryssa, jossa hän keskittyi ihmisen ja robotin vuorovaikutukseen ja Bayesilaiseen datafusioniin sekä kehitti algoritmeja itsenäisille autoille.

Mikä alun perin veti sinut AI:n ja data-tieteen pariin?

Rakastuin siihen, miten ihmiset tekevät päätöksiä. Aloin psykologiasta, sosiaali-insinööritieteestä ja lopulta epävarmuuden päättelyyn. Tämä johti minut syvemmälle Bayesilaiseen matematiikkaan, ja maailma alkoi tuntua järkevämmältä. Päätin lähteä matkalle, jonka tarkoituksena oli replikoida, miten teemme päätöksiä.

Olet urallaesi saavuttanut paljon, mukaan lukien työskentely Cornellin Autonomous Systems Laboratoryssa. Voitko jakaa joitain korkeita kohtia tästä ajasta?

Cornellin ASL oli paljon hauskaa! Meillä oli itseohjautuva auto ja joukko mobiilirobotteja, ja pääsin kokeilemaan algoritmien ja laitteiden rakentamista, ohjelmointia ja testausta oikeissa olosuhteissa. Lempihetkeni oli projekti, jonka johtajana toimin, ja jonka tarkoituksena oli selvittää, voimmeko pelata 20 kysymyksen peliä Cornellin opiskelijoiden kanssa. Peli oli yksinkertainen: robotti etsi esinettä ja sai kysyä Cornellin opiskelijoilta kyse-/vastaus-kysymyksiä, joiden avulla se voisi löytää esineen. Yksi pieni twist: ihmiset voivat valehdella.

Tässä tilanteessa ei ollut mitään todellista tietoa, mitään, mikä olisi absoluuttisen totta. Työskentelin algoritmin parissa, joka voisi yhdistää tietoa ihmisistä ja anturien avulla tehdä parempia päätöksiä. Tämä projekti myöhemmin otettiin käyttöön Business Insiderissa ja tuli tunnetuksi nimellä “robotti, joka voi valehdella”.

Nämä hetket, jolloin data ja algoritmit voivat tehdä jotain, mitä et voi helposti kuvitella, ovat niitä, jotka tekevät nämä projektin erinomaisiksi.

Narratorin idea syntyi, kun työskentelit WeWorkissä ja käsittelet dataa. Mitkä olivat ongelmat, joita kohtasit tähti-mallinnuksessa?

Jokainen yritys käyttää tähti-mallia data-malleissaan. Se on järkevää! Rakennat taulut, jotka edustavat joukkoa kysymyksiä, joita haluat vastata, ja annat ne ihmisille piirtää. Haaste on, että kysymykset kasvavat ja muuttuvat jatkuvasti, ja näin ollen taulut, jotka rakennat, eivät ole koskaan riittäviä vastaamaan kaikkiin mahdollisiin kysymyksiin. Ainoa ratkaisu on rakentaa enemmän tauluja, mikä aiheuttaa poikkeaman alkuperäisestä totuudesta.

Aina etsin Googlesta “ilman virtaus data-mallinnus” näyttääkseni ihmisille, mitä on paras tapaus data-mallinnuksen kannalta, ja se on monimutkainen. Satoja tauluja, jotka riippuvat toisistaan.

Sanon, että se oli ainoa vaihtoehto. WeWorkissä puhuin monien yksisarvisyritysten kanssa ja näin saman tilanteen, jossa olimme. Käytimme miljoonia dollareita data-työkaluihin. Rakensimme satoja malleja. Data menetti kuitenkin luottamuksensa ja epäonnistui vastaamaan kysymyksiin ajallaan. Sitten joka 1-2 vuoden välein uudelleenrakensimme järjestelmän uusimman tekniikan avulla, mutta samalla lähestymistavalla.

Jos jokainen yritys, joka toteutti tähti-mallin, lopulta tarvitsi uudelleenrakentaa järjestelmäänsä, niin silloin on ongelma mallin rakenteessa.

Miten löysit paremman ratkaisun datasta?

Aluksi otin vaikutteita data-blogista. Blogissa yritys voi kertoa tarinan asiakkaasta ja analyysistä ilman, että näytämme heille data-mallia. He käyttävät asiakkaita, jotka tekevät toimia ajan kuluessa, selittääkseen mitä tahansa analyysiä tai algoritmeja. Nämä ovat kaikki käsitteitä, jotka jokainen ymmärtää (asiakas tarkasteli verkkosivua, varasi tapaamisen). Ihmettelin, miksi tämä data-rakenne ei ollut käytössä datasta, jos se näytti olevan potentiaalinen edustamaan mitä tahansa. Lyhyt vastaus on, että tämä data-rakenne on todella haastava BI-työkaluille (ei ole mitään liittämistä).

Meidän data-mallimme, jota kutsutaan toimintamalliksi, näytti olevan potentiaalinen muuttaa maailmaa. Se voisi sallia jokaisen yrityksen omistaa yhden data-mallin, joka voisi vastata mihin tahansa kysymykseen. Jokaisella yrityksellä voisi olla sama data-malli – näin ollen analyysi ja algoritmit voivat olla jaettuja yritysten välillä ensimmäistä kertaa. Ja lopulta se voisi luoda yhteisen tavan data-ihmisille työskennellä yhdessä ja puhua datasta.

Ajattelin, että tämä voisi vallankumouuttaa data-alan, joten lähdin WeWorkista vuonna 2017 tavoitteena tehdä toimintamalli kysytty.

Narratorin tulostusdata on muodoltaan erilainen kuin mitä useimmat meistä odottavat, voitko selittää, mitä Kertomukset ovat ja miten ne on muotoiltu kuin tarina?

Kertomukset ovat toimintaan perustuvia analyysejä tarinamuodossa.

Me, data-ihmiset, olemme tottuneet dashboardeihin. Dashboardeja käytetään tietyn tarkoituksen saavuttamiseksi: ne näyttävät sinulle dataa, ja sinun on tulkittava se itse:

1. Ymmärrä, miten lukea satoja erilaisia visualisointeja.
2. Yhdistä data päässäsi, jotta voit ymmärtää, mitä on todella tapahtumassa.
3. Luo tarina päässäsi, joka tekee järkeä data-palasten kanssa.
4. Päätä toimenpide, jonka haluat tehdä.

Haaste tällä prosessilla on, että jokainen, joka katsoo dashboardia, tulee luomaan erilaisen tarinan ja erilaisen suosituksen. Tämä on luonnollinen bias.

Narratorin tavoitteena oli ajaa toimintaa datasta. Kun iteroiduimme, näimme, että asiakkaidemme tarvitsi tarinoita ja tulkintoja tehdäkseen päätöksiä, ja se on sitä, mitä annamme heille.

Kertomukset alkavat selkeällä tavoitteella. Ne antavat suosituksen. Sitten ne näyttävät sinulle avainasiat, joita saat. Lopulta ne menevät läpi analyysin. Jokainen osio kertoo tarinan jostain, mitä opimme, ja dataa käytetään tukevana todisteena.

Näytä 100 ihmiselle sama Kertomus, ja he kaikki tulevat takaisin samalla suosituksella ja tulkinnalla.

Kertomukset myös ymmärtävät, että liiketoimintasi on muuttumassa, joten ne suoritetaan jatkuvasti joka viikko, jotta voidaan nähdä, ovatko suositukset ja tulkinnat edelleen voimassa, ja ne päivittyvät tarpeen mukaan.

Kun olemme käyneet läpi kaiken tämän oppimisen ja tehneet Kertomuksista uskomattomia toimintatyökaluja, meille selvisi, että useimmat suuret konsulttiryhmät olivat myös oppineet saman asian. McKinsey antaa sinulle samanlaisia esityksiä ja lähestymistapoja dashboardin sijaan. Työskentelemme tarjoamaan tämän tason laatua murto-osalla hintaa.

Mitkä ovat joitain etuja, joita Narrator tarjoaa data-insinööreille?

Data-insinöörit ovat suurimmat kannattajamme! Luulen, että se johtuu siitä, että aloitin itse data-insinöörinä, ja Narrator on rakennettu heidän tarpeisiinsa.

Narratorissa data-mallinnus on todella helppoa – sinun vain on karttava käsitteitä alkuperäisestä totuudesta meidän data-malliimme. Suoritamme joukon testejä, jotta voimme varmistaa, että se toimii, ja sitten sinun on vain siirrettävä se tuotantoon. Narrator huolehtii siirtymisestä, datan synkronoinnista ja varmistaa, että kaikki on nopeaa ja helppoa.

Narratorissa voit nopeasti koota minkä tahansa haluamasi tietojoukon muutamassa minuutissa ja antaa sen kenelle tahansa, joka pyytää sitä.

Olemme myös ajatelleet kaikkia pieniä asioita, joita tarvitset, ja varmistaneet, että sinulla on se:

• Täydellinen avoimuus kaikessa prosessoinnissa ja hallinta pysäyttää, peruuttaa, suorittaa nyt jne.
• Mahdollisuus asettaa hälytyksiä raaka-dataan ennen ja jälkeen muunnoksen.
• Täydellinen muutosloki kaikkiin kyselyihin.
• Täydellinen näkyvyys jokaiseen taulukon päivitykseen.
• 1-klikkaus materialisoida mikä tahansa tietojoukko tai lähettää se Google-sivulle.
• Aseta nopeasti web-koukkuja lähettääksesi dataa mihin tahansa järjestelmään.
• Ota yhteyttä tukeen, ja sinulle tulee data-insinööri auttamaan sinua.
• Jokainen Narratorin generoima kysely on LUKUKELPOINEN ja avoin.
• Virheenkorjaus minkä tahansa datan kanssa nopeilla aikajanoilla kaikista tapahtumista tietyn asiakkaan kanssa.
• Rakenna 1 tietojoukko ja luo useita aggregaatioita sen päällä (ei tarvitse kopioida samaa kyselyä CTE:hen).
• Jos vaihdat yhtäkkiä mitä tahansa rakennuspalikoita, me sovittamme kaiken datan sinulle.

On paljon enemmän, mitä data-insinöörit rakastavat!

Kuinka paljon aikaa säästyy raporttien tekemisessä Narratorin avulla verrattuna perinteiseen mallinnukseen?

Rehellisesti sanottuna Narratorin vertaaminen perinteiseen mallinnukseen on epäreilua. Narratorissa kaikki data on mallinnettu vain 1 päivässä, eikä kuukausien suunnittelun jälkeen kuten tähti-mallissa. Muutokset Narratorissa ovat matalan riskin ja helppoja. Minkä tahansa taulun luominen on välitöntä Narratorissa, koska sinun ei tarvitse huolehtia siitä, onko ulkoinen avain, joka sitoo asiat yhteen.

Analyysien osalta Narratorilla on kirjasto asiantuntija-kirjoitettuja analyysejä, joita voit suorittaa välittömästi. Nämä analyysit on suunniteltu huolellisesti, testattu useilla yrityksillä, päivitetty liiketoimintasi muutosten mukaan, hyödyntävät algoritmeja tulkita dataa ja esitetään kauniissa tarinamuodossa. Tämän tason työ tehdään usein joukkio data-ihmisillä viikkojen ajan (se on sitä, mitä me teemme, mutta teemme sen kerran ja teemme sen sitten välittömästi kaikkien saataville).

Onko mitään muuta, mitä haluaisit jakaa Narratorista?

Narrator on erilainen.

On hieman haastava ymmärtää, miten ja miksi se toimii, mutta kun aloitat sen käytön, se klikkaa paikalleen, ja et voi enää palata takaisin.

Olen innoissani siitä maailmasta, jonka Narrator tekee mahdolliseksi, ja toivon, että kaikki ottaisivat yhteyttä oppiakseen lisää!

Yhdessä voimme tehdä parempia päätöksiä, jotka luovat paremman maailman.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Narrator.ai:ssa.