Tohtori Devavrat Shah, Ikigai Labsin perustaja ja toimitusjohtaja – Haastattelusarja

Tohtori Devavrat Shah on Ikigai Labsin perustaja ja toimitusjohtaja, ja hän on myös professori ja tilastotieteen ja data-analytiikan keskuksen johtaja MIT:ssä. Hän perusti Celectin, joka on ennustava analytiikka-alusta vähittäiskauppiaille, jonka hän myi Nikelle. Devavratilla on bachelor-tutkinto ja tohtorin tutkinto tietojenkäsittelytieteestä Intian teknillisen instituutin ja Stanfordin yliopiston välillä.

Ikigai Labs tarjoaa tekoälypohjaisen alustan, joka on suunniteltu muuttamaan yritysten taulukko- ja aikasarjadataa ennustettaviksi ja toimintavetoisiksi näkymiksi. Alusta hyödyntää patentoiduista suurista graafisista malleista, mikä mahdollistaa liiketoimintakäyttäjien ja kehittäjien eri aloilla parantaa suunnittelua ja päätöksentekoa.

Voitko kertoa tarinan Ikigai Labsin perustamisesta? Mikä innoitti sinua siirtymään akateemisesta maailmasta yrittäjyyteen?

Olen ollut vuosia akateemisen ja liiketoiminnan maailman välillä. Perustin Ikigai Labsin yhdessä entisen opiskelijani Vinayak Rameshin kanssa MIT:stä. Aikaisemmin perustin Celectin, joka auttoi vähittäiskauppoja optimoimaan varastojen hallintaa tekoälypohjaisen kysynnän ennustamisen avulla. Celect myytiin Nikelle vuonna 2019.

Mitä ovat suuret graafiset mallit (LGM), ja miten ne eroavat laajasti tunnetuista suurista kielimalleista (LLM)?

LGM:t eli suuret graafiset mallit ovat todennäköisyysnäkemyksiä datasta. Ne ovat terävässä vastakkaisuudessa “perusmalli”-pohjaisiin tekoälyyn, kuten LLM:ään.

Perusmallit olettavat, että ne voivat “opettaa” kaikki relevantit “mallit” hyvin suuresta datan korpuksista. Ja siksi, kun uusi datan palanen esitetään, se voidaan extrapoloida relevantin osan korpuksista. LLM:t ovat olleet erittäin tehokkaita rakenteettomalle dataan (teksti, kuva).

LGM:t tunnistavat sen sijaan sopivat “funktionaaliset mallit” suuresta “maailmasta” tällaisia malleja annetun datan palasen perusteella. LGM:t on suunniteltu siten, että niillä on kaikki relevantit “funktionaaliset mallit” saatavilla niille, jotka liittyvät rakenteisiin (taulukko, aikasarja) dataan.

LGM:t pystyvät oppimaan ja tarjoamaan tarkat ennusteet ja ennustukset hyvin rajatulla datasta. Esimerkiksi ne voidaan käyttää suorittamaan erittäin tarkkoja ennusteita kriittisille, dynaamisesti muuttuville trendeille tai liiketoimintatuloksille.

Voitko selittää, miten LGM:t soveltuvat erityisesti rakenteisten, taulukkomuotoisten datan analyysiin, ja mitkä edut ne tarjoavat muihin tekoälymalliin verrattuna tässä alueessa?

LGM:t on suunniteltu erityisesti rakenteisten datan (ts. taulukko, aikasarja) mallittamiseen. Tuloksena ne tarjoavat paremman tarkkuuden ja luotettavammat ennusteet.

Lisäksi LGM:t vaativat vähemmän dataa kuin LLM:t ja siten vähemmän laskentaa ja tallennustilaa, mikä laskee kustannuksia. Tämä tarkoittaa myös, että organisaatiot voivat saada tarkat näkymät LGM:istä jopa rajallisella koulutusdatalla.

LGM:t tukevat myös paremmin datan yksityisyyttä ja turvallisuutta. Ne koulutetaan ainoastaan yrityksen omiin tietoihin – tarvittaessa täydennettynä valituilla ulkoisilla tietolähteillä (kuten sää- ja sosiaalisen median tietoja). On aina riski, että arkaluontoisia tietoja jaetaan julkisella mallilla.

Millaisissa liiketoimintatilanteissa LGM:t tarjoavat eniten arvoa? Voitko antaa esimerkkejä siitä, miten ne ovat parantaneet ennustetta, suunnittelua tai päätöksentekoa?

LGM:t tarjoavat arvoa tilanteissa, joissa organisaatiot tarvitsevat ennustaa liiketoimintatulosta tai ennakoida trendejä strategiansa ohjaamiseksi. Toisin sanoen ne auttavat laajasti eri käyttötarkoituksissa.

Kuvitellaan yritys, joka myy Halloween-asuja ja -tarvikkeita ja etsii näkemyksiä parempien myyntipäätösten tekemiseksi. Kausiluontoisena yritys kävelee tiukalla linjalla: Toisaalta yritys ei halua varastoida liikaa ja jäädä lopussa ylijäämävarastoon (joka tarkoittaa myymättömiä tuotteita ja haaskattua CAPEX:ia). Toisaalta yritys ei myöskään halua loppua varastosta liian aikaisin (joka tarkoittaa menetettyjä myyntimahdollisuuksia).

Käyttämällä LGM:itä yritys voi löytää täydellisen tasapainon ja ohjata myyntipäätöksiään. LGM:t voivat vastata kysymyksiin, kuten:

• Mitä asuja minun pitäisi varastoida tänä vuonna? Kuinka monta kunkin SKU:n yksikköä minun pitäisi varastoida?
• Miten hyvin tietty SKU myy tietyssä sijainnissa?
• Miten hyvin tämä lisävaruste myy yhdessä tämän asun kanssa?
• Miten voin välttää myyntien kanavoimista kaupungeissa, joissa minulla on useita myymälöitä?
• Miten uudet asut menestyvät?

Miten LGM:t auttavat tilanteissa, joissa data on niukkaa, epäjohdonmukaista tai nopeasti muuttuvaa?

LGM:t hyödyntävät tekoälypohjaista datan sovittamista toimittamaan tarkat näkymät, vaikka ne analysoivatkin pieniä tai meluisia datasarjoja. Datansovitukset varmistavat, että data on yhdenmukaista, tarkkaa ja täydellistä. Se käsittää datasarjojen vertaamista ja validointia epäjohdonmukaisuuksien, virheiden tai epätäsmällisyyksien tunnistamiseksi. Yhdistämällä datan spatial- ja temporal-rakenteen, LGM:t mahdollistavat hyvät ennusteet vähäisellä ja virheellisellä datasta. Ennusteet sisältävät epätarkkuuden määrityksen sekä tulkinnan.

Miten Ikigai Labsin tehtävä tekoälyn demokratisoimisessa liittyy LGM:ien kehittämiseen? Miten näet LGM:ien muokkaavan tekoälyn tulevaisuutta liiketoiminnassa?

Tehtävämme on valmistaa työntekijöitä kaikenlaisille työntekijöille. Ikigai-alusta tarjoaa yksinkertaisen low-code/kokemukseton käyttöliittymän liiketoimintakäyttäjille sekä täydellisen tekoälyrakentajan ja API-kokemuksen data-analyytikoille ja kehittäjille. Tarjoamme myös ilmaista koulutusta Ikigai-akatemiassamme, jotta kuka tahansa voi oppia tekoälyn perusteet sekä kouluttautua ja sertifioitua Ikigai-alustalla.

LGM:t tulevat vaikuttamaan merkittävästi yrityksiin, jotka haluavat käyttää tekoälyä sovelluksiin, jotka vaativat numeerista ennustetta ja tilastollista mallittamista, kuten todennäköisyysennustetta ja skenaariomallinnusta. Mutta LLM:t eivät ole suunniteltu näille sovelluksille, ja monet organisaatiot ajattelevat, että LLM:t ovat ainoa tekoälymuoto. Niinpä he yrittävät käyttää suuria kielimalleja ennustamiseen ja suunnitteluun, mutta ne eivät toimi. He luopuvat ja olettavat, että tekoäly ei kykene tukemaan näitä sovelluksia. Kun he löytävät LGM:t, he tulevat tajuaan, että he voivat käyttää tekoälyä paremman ennustamisen ja suunnittelun tekemiseen ja auttamaan heitä tekemään parempia liiketoimintapäätöksiä.

Ikigai Labsin alusta yhdistää LGM:it inhimilliseen lähestymistapaan asiantuntija-alustan kautta. Voitko selittää, miten tämä yhdistelmä parantaa tekoälymallien tarkkuutta ja omaksumista yrityksissä?

Tehtävämme on varmistaa, että tekoäly toimii tarkasti ja tehokkaasti. Yksi näistä varmistuksista on inhimillinen valvonta, joka voi auttaa sisällyttämään kriittistä toimialakohtaista asiantuntemusta ja varmistamaan, että tekoälymallit toimittavat ennusteita ja arvioita, jotka ovat relevantteja ja hyödyllisiä liiketoiminnalle. Kun organisaatiot voivat asettaa inhimillisen asiantuntijan valvomaan tekoälyä, he voivat luottaa siihen ja varmistaa sen tarkkuuden. Tämä ylittää suuren esteen omaksumisessa.

Mitkä ovat Ikigai Labsin alustan keskeiset teknologiset innovaatiot, jotka erottavat sen muista tekoälyratkaisuista markkinoilla?

Meidän ydin-LGM-tekniikka on suurin erottava tekijä. Ikigai on edelläkävijä tässä tilassa ilman vertaista. Minun ja perustajakumppani inventoimme LGM:t akateemisessa työssämme MIT:ssä. Olemme innovaattoreita suurissa graafisissa malleissa ja generatiivisen tekoälyn käytössä rakenteisessa datasta.

Miten näet LGM:ien vaikuttavan aloihin, jotka riippuvat tarkasta ennustamisesta ja suunnittelusta, kuten vähittäiskaupasta, toimitusketjuhallinnasta ja rahoituksesta?

LGM:t tulevat olemaan täysin muodonmuuttavia, koska ne on suunniteltu erityisesti taulukko- ja aikasarjadataa varten, joka on jokaisen yrityksen elinsiemen. Melkein jokainen organisaatio jokaisella alalla riippuu voimakkaasti rakenteisen datan analytiikasta ennustamiseen ja liiketoimintasuunnitteluun. LGM:t tarjoavat lähimmän mahdollisen “kristallipallon” päätöksenteon apuna.

Mitä seuraavia askelia Ikigai Labs on suunnittelemassa LGM:ien kehittämiseksi? Onko uusia ominaisuuksia tai kehitystä suunnitteilla, joihin olet erityisen innostunut?

Meidän aiPlan-malli tukee “mitä jos” – ja skenaarioanalyysiä. Tulevaisuudessa suunnittelemme kehittää sitä edelleen ja ottamaan käyttöön täysimittaisen vahvistusoppimisen toimintatiimille. Tämä mahdollistaisi toimintatiimin tekemän tekoälypohjaisen suunnittelun sekä lyhyellä että pitkällä aikavälillä.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Ikigai Labsissa.