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

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

Ahmed aloitti uransa Cornellin Autonomisten Järjestelmien Laboratoriossa, jossa hän keskittyi ihmisen ja robotin vuorovaikutukseen ja Bayesilaisten datafuusioon sekä kehitti algoritmeja itsenäisille autoille.

Mikä alkujaan kiinnosti sinua AI:hin ja data-tiedettä?

Minä rakastuin siihen, miten ihmiset tekevät päätöksiä. Aloittaen psykologiasta, sosiaali-insinööritieteestä ja lopulta siihen, miten me puhumme epävarmuudesta. Tämä johti minua tutkimaan Bayesilaista matematiikkaa, ja maailma alkoi tuntua järkevemmältä. Päätin lähteä matkalle, jolla voisin jäljitellä, miten me teemme päätöksiä.

Sinulla on ollut uran huipputason ura, mukaan lukien työskentely Cornellin Autonomisten Järjestelmien Laboratoriossa. Voitko jakaa joitain korkeita kohtia tästä ajasta?

Cornellin ASL oli paljon hauskaa! Meillä oli itsenäinen auto ja joukko mobiilirobotteja, ja pääsin kokeilemaan algoritmeja ja laitteita oikeissa ympäristöissä. Lemppariprojektini oli yksi, jonka johtaminen sai aikaan sen, että pystyimme pelamaan 20 Kysymystä -peliä Cornellin opiskelijoiden kanssa. Peli oli yksinkertainen: robotti etsi esinettä ja voi kysyä Cornellin opiskelijoilta kyse/epäkyse -kysymyksiä, jotta se voisi löytää esineen. Yksi pieni twist: ihmiset voivat valehdella.

Tässä tilanteessa ei ollut oikeaa tietoa, ei mitään, mikä olisi ehdottoman totta. Työskentelin algoritmin parissa, joka voisi yhdistää tietoa ihmisiltä ja sensoreilta paremman päätöksenteon mahdollistamiseksi. Tämä projekti myöhemmin otettiin käyttöön Business Insider -julkaisussa ja tuli tunnetuksi “robottina, joka voi tuntea valheita”.

Nämä hetket, joissa data ja algoritmit voivat tehdä jotain, mitä et voi helposti kuvitella, ovat niitä, jotka tekevät näistä projekteista upeita.

Narratorin idea syntyi, kun sinä kärsit data-työskentelystä edellisessä työpaikassasi WeWorkissa (WE ). Mitkä olivat ongelmat, joita sinä kohtasit tähti-mallinnuksessa?

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

Aina kun googletan “ilman virtaus -datamallinnusta”, näytän ihmisille, mitä paras tapaus on mallintamisessa, ja se on monimutkainen. Satoja taulukoita, jotka riippuvat toisistaan.

Sanon, että se oli ainoa vaihtoehto. WeWorkissä puhuin useiden yksisarvisyritysten kanssa ja näin saman tilanteen, jossa olimme. Käytimme miljoonia dollareita data-työkaluihin. Rakensimme satoja malleja. Data menetti kuitenkin luottamusta ja epäonnistui vastaamaan kysymyksiin ajallaan. Sitten joka 1-2 vuosi rakensimme järjestelmän uudelleen uusimman teknologian avulla, mutta samalla lähestymistavalla.

Jos jokainen yritys, joka toteutti tähti-mallin, lopulta tarvitsi uudelleenrakentaa järjestelmäänsä, ongelma on itse kehyksessä.

Miten sinä löysit paremman ratkaisun data-työskentelyyn?

Aluksi otin inspiraation data-blogeista. Blogissa yritys voi kertoa tarinan asiakkaasta ja analyysistä ilman, että näytetään heidän datamalliaan. He käyttävät asiakkaita, jotka tekevät toimia ajan myötä, selittämään analyysiä ja algoritmeja. Nämä ovat kaikki käsitteitä, joita jokainen ymmättää (asiakas tarkasteli verkkosivua, sitten varasi tapaamisen). Ihmettelin, miksi tämä rakenne ei ollut käytössä data-työskentelyssä, jos se näyttää olevan kykenevä edustamaan mitä tahansa. Lyhyt vastaus on, että tämä datarakenne ei ollut kysytty BI-työkaluilla (ei ollut mitään, mihin liittää).

Meidän datamalli, jota kutsutaan toimintamalliksi, näytti olevan kykenevä muuttamaan maailmaa. Se voisi sallia jokaisen yrityksen omistaa yhden datamallin, joka voisi vastata mihin tahansa kysymykseen. Jokaisella yrityksellä voisi olla sama datamalli – näin ollen analyysi ja algoritmit voitaisiin jakaa yritysten välillä ensimmäistä kertaa. Ja lopulta se voisi luoda yhteisen tavan, jolla data-ihmiset voivat työskennellä yhdessä ja puhua datasta.

Ajattelin, että tämä voisi vallankumousta data-alalla, joten lähdin WeWorkistä vuonna 2017 tavoitteena tehdä toimintamalli kysytty.

Narratorin tulostusdata on muotoiltu eri tavalla kuin mitä me olemme tottuneet odottamaan. Voitko selittää, mitä Kertomukset ovat ja miten ne on muotoiltu kuin tarina?

Kertomukset ovat toimintavalmiit analyysit kertomuksen muodossa.

Me, data-ihmiset, olemme tottuneet dashboard-eihin. Kuitenkin dashboardit ovat vain tarkoitus. Dashboardit 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 antaa datasta järkevän selityksen.
4. Päätä toimenpide, jonka haluat tehdä.

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

Narratorin tavoitteena oli ajaa toimintaa datasta. Kun iteroiduimme, näimme, että asiakkaiden tarvitsi tarinoita ja tulkintoja päätöksentekoa varten, ja se on sitä, mitä heille annettiin.

Kertomukset alkavat selkeällä tavoitteella. Ne antavat suosituksen. Sitten ne näyttävät sinulle avainasiat, joita saat. Lopulta ne kertovat tarinan siitä, mitä opimme, ja dataa käytetään tukevana todisteluna.

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

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

Sen jälkeen, kun olemme käyneet läpi kaiken tämän oppimisen ja tehneet Kertomuksista uskomattoman toimintavalmiit työkalut, tajusimme, että useimmat suuret konsulttiryhmät olivat myös oppineet saman asian. McKinsey antaa sinulle samanlaisia esityksiä ja lähestymistapoja kuin dashboardit. Pyrimme tarjoamaan tämän tasoisia laatuja murto-osalla hinnasta.

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 datamallinnus on erittäin helppoa – sinun tarvitsee vain kartoittaa käsitteitä alkuperäisestä totuudesta meidän datamalliimme. Suoritamme joukon testejä, jotta varmistamme, että se toimii, ja sitten sinä voit siirtää sen tuotantoon. Narrator huolehtii siirtymisestä, synkronoinnista, datan nopeudesta ja helposta käytöstä.

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

Me myös ajattelimme kaikkia pieniä asioita, joita tarvitset, ja varmistimme, että sinä sait ne:

• Täydellinen läpinäkyvyys kaikissa prosesseissa ja valvonta, jonka avulla voit keskeyttää, peruuttaa, suorittaa nyt jne.
• Mahdollisuus asettaa hälytyksiä raaka-dataan ennen ja jälkeen muunnoksen.
• Täydellinen muutosten historia kaikkiin kyselyihin.
• Täydellinen näkyvyys jokaiseen päivitykseen, joka tapahtuu taulukossa.
• 1-klikkaus, jolla voit materialisoida minkä tahansa tietojoukon tai lähettää sen Google -taulukkoon.
• Pikaisten webhooksin asettaminen lähettämään dataa mihin tahansa järjestelmään.
• Ota yhteyttä tukeen, ja sinä saat data-insinöörin avuksi.
• Jokainen Narratorin generoima kysely on LUETTAVISSA ja läpinäkyvä.
• Pikaista debuggausta datalla nopeiden aikajanaisten kaiken tapahtuneen kohdalla.
• Rakenna 1 tietojoukko ja luo useita aggregaatioita sen päällä (ei tarvitse kopioida samaa kyselyä CTE:hen).
• Jos vaihdat minkä tahansa rakennuspalikan, me sovittamme kaiken datan sinulle.

On paljon enemmän, mitä data-insinöörit rakastavat!

Kuinka paljon aikaa säästyy raporttien tekemisessä Narratorilla verrattuna perinteiseen mallinnukseen?

Rehellisesti sanottuna, vertaaminen Narratoria perinteiseen mallinnukseen on epäreilua. Narratorissa kaikki data on mallinnettu vain 1 päivässä, eikä kuukausien suunnittelua kuten tähti-mallissa. Muutokset Narratorissa ovat matalia riskejä ja helppoja. Minkä tahansa taulukon 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 tulkinnan avuksi ja esitetään kauniissa tarinamuodossa. Tämän tasoinen työ on usein tehty data-ryhmien toimesta useiden viikkojen ajan (se on sitä, mitä me teemme, mutta me teemme sen kerran ja teemme sen sitten välittömästi saataville kaikille).

Onko mitään muuta, mitä haluaisit jakaa Narratorista?

Narrator on erilainen.

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

Olen innoissani siitä maailmasta, jonka Narrator on mahdollistamassa, ja toivon, että kaikki, jotka haluavat oppia lisää, ottaisivat yhteyttä.

Yhdessä voimme tehdä parempia päätöksiä, jotka luo paremman maailman.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Narrator.ai -sivustolla.