Brian Sathianathan, teknologiajohtaja ja Iterate.ai:n perustaja – haastattelusarja

Brian Sathianathan on teknologiajohtaja ja yksi yrityksen perustajista Iterate.ai, Interplay matalakoodialustan luoja tekoälypohjaisten sovellusten nopeaan rakentamiseen eri toimialoilla. Aiemmin Sathianathan työskenteli Applella useissa uusissa teknologiaprojekteissa, joihin kuuluivat Mac-käyttöjärjestelmä ja ensimmäinen iPhone.

Mikä alun perin houkutteli sinua työskentelemään tekoälytekniikoiden parissa?

Olen aina ollut kiinnostunut algoritmilähtöisestä oppimisesta, ja aloin työskennellä tekoälyjärjestelmien kanssa opiskeluaikoinani. Lisäksi vietin varsin paljon aikaa urani alussa salakirjoituksen ja muiden tietoturvateknologioiden rakentamiseen Applelle sekä videonpakkaustekniikoiden rakentamiseen aiemmalle yritykselleni, jonka perustajana olen ollut. Sekä video- että kryptoteknologiat ovat erittäin algoritmiintensiivisiä, ja tämä todella teki oppimiskäyrästäni AI/ML:ssä nopeamman. Vuoden 2016 tienoilla aloin pelata avoimen lähdekoodin tekoälykehysten/GPU:iden kanssa tajuten, kuinka pitkälle ne ovat edenneet viimeisen viiden vuoden aikana – sekä algoritmien näkökulmasta että niiden kyvystä tehdä laajempia luokituksia. Sitten tajusin, että tästä on tehtävä helpompaa ja yksinkertaisempaa kaikkien käytettäväksi.

Sinulla on vahva näkemys tekoälyn kognitiivisista harhasta ja dataharhasta. Voisitko jakaa nämä huolenaiheet?

Tekoälyharha syntyy, kun insinöörit antavat omien näkemystensä ja ennakkokäsitystensä muokata tekoälyn harjoitustietojoukkojaan. Se, että tekee niin nopeasti, heikentää sitä, mitä he yrittävät saada aikaan tekoälyllä. Useimmiten tämä vaikutus on alitajuinen, joten he eivät ehkä edes tiedä, että heidän tietojoukkoonsa on tunkeutunut harhaa. Ilman tehokkaita tarkastuksia ja tasapainoa tiedot voidaan rajoittaa vain niihin painopisteisiin tai väestötietoihin, jotka insinöörit ovat taipuvaisia ​​harkitsemaan. Vaikka insinööreillä on korkealaatuista ja korkeaa datamäärää työskennelläkseen, tietojoukkojen harhaisuus voi tehdä tekoälysovellusten toimittamista tuloksista virheellisiä ja monissa tapauksissa suurelta osin hyödyttömiä.

Gartnerin raportti arvioi tämän vuoteen 2030 mennessä 85 % tekoälyprojekteista antaa vääriä tuloksia puolueellisuudesta johtuen. Se on suuri aukko ylitettävänä. Yritykset, jotka investoivat tekoälyyn, luottavat siihen ja tekevät strategisia päätöksiä tekoälyn perusteella – vain joutuakseen harhaan harhaanjohtavilla väärillä johtopäätöksillä, joiden juuret ovat ennakkoluuloja – riskivät kalliiden epäonnistumisten ja maineensa vahingoittumisen. Tekoäly muuttuu nopeasti nousevasta teknologiasta kaikkialla läsnä olevaksi kulmakiveksi sekä asiakaskohtaisissa sovelluksissa että sisäisissä prosesseissa, joten harhaanjohtamisen poistaminen on välttämätöntä tekoälyn todellisen potentiaalin toteuttamiseksi tulevaisuudessa.

Millä tavoilla voit estää tämäntyyppisten harhojen näkymisen?

Tekoälyharha on havaittava ja poistettava järjestelmällisesti ja ennakoivasti. Poikkeamat voidaan koodata algoritmeiksi. Epätarkkuuksia voi johtua kognitiivisten harhojen kautta, jotka yksinkertaisesti jättävät pois tarpeelliset tiedot. Aggregaatioharha on jälleen yksi riski tässä, jossa pienten päätösten sarja johtaa vääristyviin tekoälytuloksiin.

Tekoälyharhan havaitseminen ja poistaminen kaikissa muodoissaan edellyttää, että organisaatiot käyttävät kehyksiä, työkalusarjoja, prosesseja ja käytäntöjä, jotka on suunniteltu tehokkaasti lieventämään näitä ongelmia. Esimerkiksi AI-kehykset, kuten Rolls Roycen Aletheia Framework ja Deloitten tekoälykehys – täydennettynä automaattisesti pakotetuilla vertailuarvoilla – voi edistää puolueettomia käytäntöjä tekoälysovellusten kehittämisessä ja käyttöönotossa. Työkalusarjat, kuten AI Fairness 360 ja IBM Watson OpenScale osaa tunnistaa ja poistaa bias- ja harhakuvioita koneoppimismalleissa ja -putkissa. Lopuksi prosessit, jotka testaavat dataa määritettyjä harhamittareita vastaan, yhdistettynä käytäntöihin, jotka tarjoavat hallinnon estämään harhaa pakotettujen käytäntöjen avulla, antavat organisaatioille mahdollisuuden olla systemaattisesti tarkastaessaan kuolleita kulmiaan ja rajoittamalla tekoälyn harhaa.

Olet teknologiajohtaja ja yksi Iterate.ai:n perustajista – miten se sai alkunsa?

Tarina alkaa vuonna 2013, kun toinen perustaja Jon Nordmark (toimitusjohtajamme) ja minä toimimme Ukrainassa sijaitsevan itäeurooppalaisen kiihdyttimen hallituksen jäseninä. Sen tarkoituksena on auttaa siellä olevia yrittäjiä rakentamaan ja toimimaan Piilaakson kaltaisissa startup-yrityksissä. Kokemukset hämmästyttävän innovatiivisista uusista yrityksistä johtivat ajatukseen lupaavien (mutta ehkä vähemmän tunnettujen) startup-yritysten yhdistämisestä innovaatiotukea tarvitseviin suuryrityksiin. Julkaisimme myöhemmin Iterate Studion, joka tarjoaa erikoistuneen hakukoneen yrityksille, jotka voivat löytää startup-kumppaneita niiden innovatiivisten kykyjen perusteella, joita suuret organisaatiot etsivät. Vuonna 2015 yhtiöstä tuli Iterate.ai korostamaan tekoälyyn perustuvaa startup-kuraatiota. Tänään meidän Signaalit tietokanta indeksoi yli 15.7 miljoonaa käynnistysteknologiaa lukemattomien tekijöiden perusteella (ja käyttämällä patentoitua tekoälyä, jotta se tapahtuu tässä mittakaavassa).

Laajensimme vuonna 2017 ja julkaisimme ensimmäisen version Vuorovaikutus alhaisen koodin sovelluskehitysalusta. Interplay tarjoaa tekoälyyn perustuvan ohjelmistokerroksen, joka modernisoi yritysten vanhoja pinoja mahdollistamalla innovatiivisten teknologioiden hyödyntämisen vetämällä ja pudottamalla ja kiihdyttäen samalla ohjelmistokehitystä kymmenkertaiseksi. Matalakoodialustalla on 475 valmiiksi rakennettua komponenttia, joten käyttäjät voivat yhdistellä tekniikoita, joita he tarvitsevat sovellusten nopeaan pyörittämiseen. Tekoälyn voimaannuttaminen on alustan ytimessä, samoin kuin muut alhaisen koodin komponentit IoT:tä, tietojen integrointia ja jopa lohkoketjua varten.

Iterate on matalakoodialusta tekoälyyn perustuvien sovellusten kehittämiseen; mitä tekoälysovelluksia voidaan rakentaa?

Matalakoodialustamme on mahdollistanut tekoälysovellukset todella mielenkiintoisiin erilaisiin käyttötapauksiin – olemme todella ylpeitä käyttöönoton laajuudesta. Ulta Beauty, miljardin dollarin maailmanlaajuinen kauneuskauppias, käytti alustamme rakentaakseen a älykäs AI vähittäiskaupan vieras chatbot vain kahdessa viikossa. Sitä vastoin primitiiviset chatbotit ovat avainsanakeskeisiä, eivätkä useimmat toimittajien chatbot-sovellukset voi integroitua saumattomasti vanhoihin järjestelmiin asiakastietojen saamiseksi tai sujuvan siirtymisen mahdollistamiseksi ihmisavusteiseen tukeen. Ultan älykäs AI-chatbot poisti nämä ongelmat luonnollisen kielen käsittelytoiminnon ja kyvyn tunnistaa asiakkaiden "aikeet" antaakseen todella tarkkoja vastauksia. Alustamme helpotti Ultan rakentamista chatbotin tekoälymoottorin muutamassa tunnissa ja chatbotin koulutuksen ja vastausten konfiguroinnin, tarkentamisen ja parantamisen erittäin nopeasti.

Toisessa esimerkissä Jockey käytti alustamme mahdollistaakseen tekoälypohjaiset UKK:t valmis vastaamaan automaattisesti (ja onnistuneesti) melko monimutkaisiin ja subjektiivisiin asiakaspalveluskenaarioihin. Alustamme mahdollisti myös maailmanlaajuisen lähikaupan ja kaasuverkoston pandemiareaktion kosketusvapaille kaasupumpuille, jotka perustuvat asiakkaiden rekisterikilpien tekoälypohjaiseen kuvantunnistukseen. Tekoälykykyämme käytetään myös voimaannuttamiseksi kamerakeskeiset turvallisuusstrategiat vähittäiskaupoissa. Kuvantunnistuksen avulla koulutetut tekoälysovellukset voivat tunnistaa uhkia ja aseita julkisivujen ulkopuolella, laukaista myymälän sulkemisen asiakkaiden suojelemiseksi ja ottaa yhteyttä viranomaisiin.

Kuinka pieniä todelliset koodausvaatimukset ovat? Kuinka paljon kehitystaitoja käyttäjillä tulee olla?

Mielestäni 80/20-sääntö pätee. 80 % sovelletuista tekoälyn käyttötapauksista on jo rakennettu, ja niiden ympärillä on vakiintuneet mallit ja koulutustiedot. Perinteinen organisaatio voi helposti käyttää matalan koodin alustaa (meidän Interplay on yksi tällainen alusta) ja toteuttaa nämä tapaukset. Tässä on joitain esimerkkejä:

• Tekoälypohjaiset UKK
• Tekoälyllä toimivat tuotehakulaitteet
• Tuotesuositukset ja niputtaminen
• OCR
• Visuaalinen tuotteen tunnistaminen
• Taulukkotietoanalyysi: esimerkiksi AOV, korianalyysi, vaihtuvuusennusteet jne
• Objektien poimiminen/tunnistus
• Objektin pysyvyys

Yllä olevat tapaukset voisi toteuttaa insinööri, jolla on palvelinpuolen ohjelmointiosaamista ja jonkin verran perustietoa koneoppimissovellusliittymistä. Se on hyvin samanlainen kuin videon suoratoisto, salaus ja avainten hallintatekniikat, joita nykyään käytetään laajalti API:iden kautta. Useimmat näitä sovellusliittymiä käyttävät insinöörit eivät usein tiedä, kuinka ne toimivat alla.

Miksi matalakoodin tekoäly on tärkeä tekoälyteknologian skaalaus?

Tekoälyominaisuuksia sovelluskehityksessään tavoittelevat yritykset voivat nopeasti kohdata suuria haasteita, kun he eivät käytä matalaa koodia. Nykymaailmassa on vain 300,000 60,000 tekoälyinsinööriä, ja heistä vain 25 XNUMX on datatieteilijöitä. Tämän vuoksi tekoälyratkaisujen kehittämiseen ja skaalaamiseen tarvittava lahjakkuus on kallista ja kasvaa. Sitä vastoin matalakoodin kehitys todella demokratisoi tekoälyn saatavuuden. Matalakoodin avulla kuka tahansa maailman XNUMX miljoonasta ohjelmistokehittäjästä ja jopa ilman koulutusta voi helposti ottaa käyttöön tekoälymoottoreita, jalostaa ominaisuuksiaan sekä tuottaa ja skaalata tehokkaita ratkaisuja.

Palatakseni Iterate.ai:n tekoälypohjaiseen Signals-alustaan, mitkä ovat mielenkiintoisempia nousevia trendejä? 

Näemme nopean kasvun viiden innovaatiovoiman välillä: tekoäly, IoT, lohkoketju, data ja nousevat startup-ratkaisut. Nämä ovat kaikki erittäin suuria markkinoita. Näemme päivittäin tuhansia tietopisteitä uutisista, patenteista ja uusista startup-tuotteista. Interplay on rakennettu valjastamaan myös nämä voimat sisällyttämällä valmiiksi rakennetut komponentit hyödyntämään näitä kasvavia voimia.

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

Luulen, että matalakoodista ja sen roolista tekoälysovellusten rakentamisessa on edelleen vääriä käsityksiä. Ei ole harvinaista nähdä IT-ammattilaisten kyseenalaistavan, voiko matalan koodin strategia täyttää heidän yritystason skaalautuvuuden, laajennettavuuden ja turvallisuuden vaatimukset. Uskon, että prototyyppien tekemiseen tarkoitetut – mutta väärin tuotantosovellusten työkaluiksi sovelletut – vaihtoehdot ovat osaltaan vaikuttaneet tähän väsymykseen. Oikeat matalakoodialustat ovat kuitenkin täysin valmiita tuotantovalmiiden tekoälysovellusten rakentamiseen ja tukemiseen. Yritysten tulee tehdä due diligence valitessaan alhaisen koodin työkaluja ja varmistaa, että näillä työkaluilla on läpinäkyvä ja perusteellinen suojakerros ja todistetusti sovellusten toimittaminen yritystasolla.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä Iterate.ai.