Brian Sathianathan, Iterate.ai:n teknologiajohtaja ja yksi perustajista – Haastattelusarja

Brian Sathianathan on Iterate.ai:n teknologiajohtaja ja toinen perustaja. Yritys on luonut Interplay-low-code-alustan tekoälypohjaisten sovellusten nopeaan rakentamiseen eri toimialoilla. Aiemmin Sathianathan työskenteli Applella useissa uuden teknologian hankkeissa, kuten Mac-käyttöjärjestelmän ja ensimmäisen iPhonen parissa.

Mikä alun perin kiinnosti sinua työskentelemään AI-teknologioilla?

Olin aina kiinnostunut algoritmiin perustuvasta oppimisesta, ja aloitin työskentelemisen AI-järjestelmien parissa opiskeluaikoinani. Lisäksi olen työskennellyt Applen parissa kryptografian ja muiden turvallisuusteknologioiden parissa, sekä videopakkaustekniikoiden parissa aiemmin yhdessä perustamassani yrityksessä. Molemmat videot ja kryptoteknologiat ovat hyvin algoritmi-intensiivisiä, mikä teki oppimiskäyräni AI/ML:ssä nopeamman. Vuonna 2016 aloitin työskentelemisen avoimen lähdekoodin AI-kehyksillä ja GPU:illa, ja huomasin, kuinka pitkälle ne olivat kehittyneet viiden vuoden aikana – sekä algoritmien näkökulmasta että laajemman luokittelun kannalta. Sitten tajusin, että on tarve tehdä tämä helpommaksi ja yksinkertaisemmaksi kaikille.

Sinulla on voimakkaita näkemyksiä kognitiivisesta vinoumasta ja data-vinoumasta AI:ssa, voitko jakaa nämä huolenaiheesi?

AI-vinouma tapahtuu, kun insinöörit antavat omien näkemystensä ja ennakkoasenteidensa muokata heidän AI-koulutusdataansa. Tämä heikentää nopeasti heidän pyrkimyksiään AI:n kanssa. Useimmiten tämä vaikutus on alitajuntaista, joten he ehkä eivät edes ole tietoisia siitä, että vinouma on päässyt heidän dataansa. Ilman tehokkaita tarkastus- ja tasapainotusjärjestelmiä dataa voidaan rajoittaa vain niille kohteille tai demografiaryhmille, joita insinöörit ovat taipuvaisia huomioimaan. Vaikka insinööreillä on laadukas ja runsas data käytettävissään, dataan sisältyvät vinoumat voivat tehdä AI-sovellusten antamista tuloksista virheellisiä ja usein hyödyttömiä.

Gartnerin raportin mukaan vuoteen 2030 mennessä 85 % AI-projekteista antaa virheellisiä tuloksia vinouman vuoksi. Tämä on suuri kuilu ylitettäväksi. Tekoälyyn investoivat ja luottavat sekä sen perusteella strategisia päätöksiä tekevät yritykset voivat joutua vinoumiin perustuvien väärien johtopäätösten harhaan johtamiksi. Ne vaarantavat silloin rahaa ja maineensa. Tekoälyn muuttuessa nopeasti uudesta teknologiasta kaikkialla läsnä olevaksi perustaksi sekä asiakassovelluksissa että sisäisissä prosesseissa vinoumien poistaminen on olennaista sen todellisen potentiaalin saavuttamiseksi.

Mitkä ovat joitain keinoja estää näiden vinoumien ilmaantuminen?

AI-vinouma on havaittava ja poistettava systemaattisesti ja proaktiivisesti. Vinoumat voivat olla koodattuina algoritmeihin. Epätarkkuuksia voidaan esittää kognitiivisten vinoumien kautta, jotka yksinkertaisesti jättävät tarvittavan datan huomioimatta. Aggregaattivinouma on yksi riski, jossa sarja pieniä päätöksiä johtaa vinoutuneisiin AI-tuloksiin.

AI-vinouman havaitseminen ja poistaminen edellyttää organisaatiolta kehyksiä, työkalupaketteja, prosesseja ja käytäntöjä, jotka on suunniteltu tehokkaasti vähentämään näitä ongelmia. Esimerkiksi AI-kehykset, kuten Aletheia-kehyksen Rolls Roycelta ja Deloitten AI-kehyksen, voidaan käyttää yhdessä automaattisesti pakollisten vertailujen kanssa edistääksesi vinoumattomia käytäntöjä AI-sovelluskehityksessä ja -käytössä. Työkalut, kuten AI Fairness 360 ja IBM Watson OpenScale, voivat tunnistaa ja poistaa vinouman ja vinouman kuviot machine learning -malleista ja -putkistosta. Lopulta prosessit, jotka testaavat dataa määritettyjen vinouman mittareiden kanssa, yhdessä käytäntöjen kanssa, jotka tarjoavat johdonmukaisuuden estääkseen vinouman pakotetuilla käytäntöjä, mahdollistavat organisaatioiden olla systemaattisia tarkastamalla heidän sokeat pisteensä ja rajoittamalla AI-vinoumaa.

Kuinka Iterate.ai sai alkunsa?

Tarina alkaa vuodesta 2013, jolloin toimitusjohtaja Jon Nordmark (meidän CEO) ja minä toimimme molemmat hallituksen jäseninä Ukrainassa sijaitsevassa itäeurooppalaisessa yrityskiihdyttämössä, jonka tarkoituksena oli auttaa yrittäjiä siellä rakentamaan ja operoimaan Silicon Valley -tyylisiä startup-yrityksiä. Nämä kokemukset uusien innovatiivisten yritysten kanssa johtivat meidät ajatuksiin parittaa lupaavia (vaikka ehkä vähemmän tunnettuja) startup-yrityksiä suurten yritysten kanssa, jotka tarvitsivat innovaatiotukea. Sen jälkeen lanseerasimme Iterate Studio -nimisen erikoistuneen hakukoneen, joka auttoi suuria yrityksiä löytämään startup-kumppaneita heidän innovatiivisten kykyjensä perusteella. Vuonna 2015 yrityksestä tuli Iterate.ai, jotta korostaisimme AI-vetäistä startup-kuraatiota. Nykyään Signals -tietokantamme indeksoi yli 15,7 miljoonaa startup-tekniikkaa monilla tekijöillä (ja käyttäen omaa AI:ta saavuttaaksemme tämän mittakaavan).

Laajensimme toimintaamme vuonna 2017 ja julkaisimme Interplay-low-code-sovelluskehitysalustamme ensimmäisen version. Interplay tarjoaa tekoälypohjaisen ohjelmistokerroksen, joka modernisoi yritysten vanhoja teknologiapinoja mahdollistamalla innovatiivisten teknologioiden käytön vetämällä ja pudottamalla sekä nopeuttamalla ohjelmistokehityksen kymmenkertaiseksi. Alustalla on 475 valmista komponenttia, joten käyttäjät voivat yhdistellä tarvitsemiaan teknologioita ja käynnistää sovelluksia nopeasti. Tekoälyn hyödyntäminen on alustan ytimessä, samoin kuin muut low-code-komponentit esineiden internetiin, datan integrointiin ja lohkoketjuihin.

Iterate on low-code-alusta tekoälypohjaisten sovellusten kehittämiseen. Millaisia tekoälysovelluksia sillä voi rakentaa?

Low-code-alustamme on mahdollistanut AI-sovellukset erittäin mielenkiintoiselle joukolle käyttötarkoituksia – sovellusten käyttö on todella laaja-alainen. Ulta Beauty (ULTA ), miljardin dollarin arvoinen kauneuden jälleenmyyjä, käytti alustaa älykkään AI-vierailijan chatbotin luomiseen vain kahdessa viikossa. Alkeelliset chatbotit perustuvat avainsanoihin, eivätkä useimmat myyntichatbotit voi integroida saumattomasti perinteisiin järjestelmiin asiakastietojen käyttämiseksi tai sallia sujuvia siirtymiä ihmisten avustamaan tukiin. Ulta Beauty:n älykäs AI-chatbot poisti nämä ongelmat luonnollisen kielen käsittelyominaisuuksilla ja kyvyllä tunnistaa asiakkaan “tarkoituksia” antaakseen todella tarkat vastaukset. Alustamme teki siitä helppoa Ulta Beauty:lle luoda chatbotin AI-moottori vain muutamassa tunnissa ja määrittää, viilata ja parantaa chatbotin koulutusta ja vastauksia erittäin nopeasti.

Toisessa esimerkissä Jockey käytti alustaamme tekoälypohjaisiin usein kysyttyihin kysymyksiin, jotka vastaavat automaattisesti ja onnistuneesti melko monimutkaisiin ja tulkinnanvaraisiin asiakaspalvelutilanteisiin. Alustamme auttoi myös maailmanlaajuista lähikauppa- ja huoltoasemaverkostoa vastaamaan pandemiaan kosketuksettomilla polttoainepumpuilla, jotka perustuvat asiakkaiden rekisterikilpien tekoälypohjaiseen kuvantunnistukseen. Tekoälyominaisuuksillamme tehostetaan myös myymälöiden kamerakeskeisiä turvallisuusstrategioita. Koulutetut sovellukset voivat tunnistaa kuvista myymälöiden ulkopuolisia uhkia ja aseita, käynnistää myymälän sulkemisen asiakkaiden suojaamiseksi ja ottaa yhteyttä viranomaisiin.

Kuinka vähän ohjelmointia todella tarvitaan? Millaisia kehitystaitoja käyttäjillä täytyy olla?

80/20-sääntö pätee. 80 % sovelletuista AI-käyttötarkoituksista on jo valmiina ja on olemassa vakiintuneita malleja ja koulutusdataa. Perinteinen organisaatio voi helposti käyttää low-code-alustaa (meidän Interplay on yksi tällainen alusta) ja toteuttaa nämä tapaukset. Tässä on joitain esimerkkejä:

• AI-vetäiset FAQ:t
• AI-vetäiset tuoteselaimet
• Tuotekokoonpanot ja suositukset
• OCR
• Visuaalinen tuotetunnistus
• Tabulaarinen data-analyysi: esimerkiksi AOV, ostoskori-analyysi, asiakastappiot, jne.
• Objektin poiminta / havaitseminen
• Objektin pysyvyys

Yllä mainitut tapaukset voidaan toteuttaa insinöörillä, jolla on palvelinpuolen ohjelmointitaito ja jonka perustiedot koneoppimisen API:sta ovat kunnossa. Se on hyvin samankaltaista kuin videovirtaus, salakirjoitus ja avaimen hallintatekniikat, jotka ovat laajasti käytössä API:n kautta tänään. Useimmat insinöörit, jotka käyttävät näitä API:ja, eivät usein tiedä, miten ne toimivat alla.

Miksi low-code AI on tärkeää AI-tekniikan skaalauttamiseksi?

Yritykset, jotka pyrkivät AI-kapasiteetteihin sovelluskehitykseensä, voivat nopeasti kohtaamalla suuria haasteita, jos ne eivät käytä low-code-ratkaisuja. Nykyään on vain 300 000 AI-insinööriä, ja vain 60 000 heistä on data-tieteilijöitä. Tarvittava osaaminen AI-ratkaisujen kehittämiseen ja skaalauttamiseen on kallista ja kasvamassa. Sen sijaan low-code-kehitys todella demokratisoi pääsyn AI:hen. Low-coden avulla maailman 25 miljoonan ohjelmistokehittäjän ja jopa ilman koulutusta olevien henkilöiden on helppo toteuttaa AI-moottoreita, parantaa niiden kykyjä ja tuottaa tehokkaita ratkaisuja.

Palataan Iterate.ai:n tekoälypohjaiseen Signals-alustaan. Mitä kiinnostavia kehityssuuntia on nousemassa esiin?

Näemme nopeaa kasvua viidessä innovaation voimassa: tekoälyssä, esineiden internetissä, lohkoketjuissa, datassa ja uusissa startup-ratkaisuissa. Kaikki ovat erittäin suuria markkinoita. Näemme päivittäin tuhansia datapisteitä uutisista, patenteista ja startupien uusista tuotteista. Interplay on rakennettu hyödyntämään myös näitä voimia sisällyttämällä valmiita komponentteja niiden käyttöön.

Onko mitään muuta, mitä haluaisit jakaa Iterate.ai:sta?

Luulen, että on edelleen harhakuvia low-coden ympärillä ja sen roolista AI-sovellusten luomisessa. Se ei ole epätavallista nähdä IT-ammattilaisia kyseenalaistamassa sitä, voivatko low-code-strategiat täyttää heidän vaatimuksensa yrityksen skaalautuvuuden, laajennettavuuden ja turvallisuuden suhteen. Luulen, että low-code-vaihtoehdot, jotka on tarkoitettu prototyyppien luomiseen mutta väärin sovellettu tuotantosovelluksiin, ovat vaikuttaneet tähän epäluuloon. Sanon kuitenkin, että oikeat low-code-alustat ovat ehdottomasti kykeneviä rakentamaan ja tukemaan tuotantovalmiita AI-sovelluksia. Yritysten on suoritettava niiden velvollisuutensa valitessaan low-code-työkaluja, varmistamalla, että työkaluissa on läpinäkyvä ja kattava tietoturvakerros, ja niillä on osoitettu kyky toimittaa sovelluksia yritysten mittakaavassa.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Iterate.ai:ssa.