Omri Kohl, Pyramid Analyticsin CEO ja co-perustaja – Haastattelusarja

Omri Kohl on Pyramid Analyticsin CEO ja co-perustaja. Pyramid Decision Intelligence -alusta tarjoaa dataohjattuja oivalluksia kaikille, jotta he voivat tehdä nopeammin ja älykkäämmin päätöksiä. Hän johtaa yrityksen strategiaa ja toimintaa nopeasti kasvavalla data- ja analytiikka-markkinalla. Kohlilla on syvä ymmärrys analytiikasta ja tekoälytekniikoista, arvokas johtamiskokemus ja luonnollinen kyky haastaa perinteisiä ajattelutapoja. Kohl on kokenut yrittäjä, jolla on todistettu rekisteri nopeasti kasvavien yritysten kehittämisestä ja johtamisesta. Hän opiskeli taloustiedettä, rahoitusta ja liiketoimintajohtamista Bar-Ilan-yliopistossa ja suoritti kansainvälisen liiketoimintajohtamisen MBA-tutkinnon New Yorkin yliopiston Leonard N. Sternin liiketoimintakoulussa.

Voitko aloittaa selittämällä, mitä GenBI on ja miten se integroi generatiivisen tekoälyn liiketoimintatiedolla päätöksentekoprosessien parantamiseksi?

GenBI on raami ja mekaniikka, joiden avulla voidaan tuoda generatiivisen tekoälyn, LLM:ien ja yleisen tekoälyn voima analytiikkaan, liiketoimintatiedolle ja päätöksentekoon.

Tällä hetkellä ei ole käytännöllistä käyttää GenAI:ta yksin tietojen saamiseksi tietokannoista. Voisi kestää yli viikon aikaa ladata riittävästi tietoa GenAI-työkaluun, jotta saataisiin merkityksellisiä tuloksia. Tämä ei ole toteuttavissa, koska liiketoimintatiedot ovat liian dynaamisia ja herkkiä käytettäväksi tässä tavoin. GenBI:n avulla kuka tahansa voi poimia arvokkaita oivalluksia tietojensa avulla, vain kysymällä luonnollisella kielellä ja nähdä tulokset liiketoimintatiedon muodossa. Vastaus saadaan jo 30 sekunnissa.

Mitkä ovat GenBI:n tärkeimmät teknologiset innovaatiot, jotka mahdollistavat sen ymmärtämisen ja suorittamisen monimutkaisia liiketoimintatiedon tehtäviä luonnollisen kielen kautta?

Ilman, että paljastamme kaikki salaisuutemme, on kolme olennaisinta osaa. Ensinnäkin GenBI antaa LLM:ille kaikki tarvittavat tiedot, jotta ne voivat tuottaa oikeat analytiikkaaskelit, jotka tuottavat pyydetyt oivallukset. Tämä mahdollistaa käyttäjälle muodostaa kysymyksiä luonnollisella kielellä, jopa epämääräisissä termeissä, ilman että hänen tarvitsee tietää, minkälaista kaaviota, tutkimusta tai muotoa pyytää.

Seuraavaksi Pyramid Analyticsin GenBI-ratkaisu soveltaa nämä askelmat yrityksesi tietoihin, riippumatta tilanteesi yksityiskohdista. Puhumme perustietokannoista ja yksinkertaisista kysymyksistä aina monimutkaisiin käyttötapauksiin ja tietokantoihin.

Kolmanneksi Pyramid voi suorittaa nämä kysymykset taustatietojen avulla ja muokata tuloksia lennossa. Yksin LLM ei voi tuottaa syvää analyysiä tietokannasta. Tarvitaan robotti-elementti, joka löytää kaiken tarvittavan tiedon, tulkitsee käyttäjän pyynnön tuottamaan oivalluksia ja välittää sen liiketoimintatiedon alustalle, jotta se voidaan ilmaista joko selkeäksi kieleksi tai dynaamiseksi visualisoinniksi, jota voidaan myöhemmin tarkentaa seuraavien kysymysten avulla.

Miten GenBI demokratisoi data-analytiikkaa, erityisesti ei-tekniikkojen käyttäjien osalta?

Yksinkertaisesti sanottuna GenBI mahdollistaa kenelle tahansa pääsyn tarvitsemiinsa oivalluksiin, riippumatta heidän asiantuntemuksestaan. Perinteiset liiketoimintatiedon työkalut vaativat käyttäjältä tietämystä siitä, mikä on paras tietojen käsittelytekniikka saadakseen tarvittavat tulokset. Useimmat ihmiset eivät ajattele piirrosten, hajontakuvien tai taulukoiden muodossa. He eivät halua joutua miettimään, mikä visualisointi on tehokkain heidän tilanteensa kannalta – he haluavat vain vastauksia kysymyksiinsä.

GenBI toimittaa nämä vastaukset kenelle tahansa, riippumatta heidän asiantuntemuksestaan. Käyttäjän ei tarvitse tietää ammattitermejä tai miettiä, onko hajontakuva tai piirros paras vaihtoehto, eikä hänen tarvitse tietää, miten koodata tietokantakyselyjä. He voivat tutkia tietoja käyttämällä omia sanojaan luonnollisessa keskustelussa.

Ajattelemme tätä kuin eroa käyttää paperikarttaa reitin suunnittelussa ja käyttää Google Mapsia tai muuta navigointisovellusta. Perinteisellä kartalla on pakko pohtia, mitkä tiet ovat parhaita, ajatella mahdollisia ruuhkia ja vertailla eri reitti vaihtoehtoja. Nykyään ihmiset vain syöttävät määränpäänsä sovellukseen ja lähtevät liikkeelle – on niin paljon luottamusta algoritmeihin, ettei kukaan kyseenalaista ehdotettua reittiä. Haluamme ajatella, että GenBI tuo samaa automaattista magiaa yritysten tietoihin.

Mitkä ovat olleet varhaisen käyttöönoton palautteet käytön helppoudesta ja oppimiskäyrästä?

Olemme saaneet ylivoimaisen myönteisen palautteen. Parhaimmillaan voimme yhteenvetää sen sanalla “Vaikuttava!” Käyttäjät ja testaajat arvostavat Pyramidin helppokäyttöisyyttä, voimakkaita ominaisuuksia ja merkityksellisiä oivalluksia.

Pyramid Analyticsilla on käytännössä nolla oppimiskäyrä, joten mitään ei estä ihmisiä omaksumasta sitä heti. Noin kolme neljäsosaa kaikista liiketoimintatiimeistä, jotka ovat testanneet ratkaisumme, ovat omaksuneet sen ja käyttävät sitä tänään, koska se on niin helppoa ja tehokasta.

Voitko jakaa, miten GenBI on muuttanut päätöksentekoprosesseja organisaatioissa, jotka ovat ottaneet sen käyttöön? Onko joitakin tiettyjä case-tutkimuksia tai esimerkkejä?

Vaikka olemme kehittäneet sitä pitkään, julkaisimme GenBI:n vasta muutamia viikkoja sitten, joten ymmärrän, ettei meillä ole vielä valmiita case-tutkimuksia, joita voimme jakaa, tai asiakastodistuksia, joita voimme mainita. Voin kuitenkin kertoa, että organisaatiot, joilla on tuhannet käyttäjät, ovat nyt todella data-ohjattuja, koska jokainen pääsee käsiksi oivalluksiin. Käyttäjät voivat nyt avata kaiken datansa todellisen arvon.

GenBI on vaikuttanut muodonmuutosvoimaisesti aloille, kuten vakuutuksiin, pankkeihin ja rahoitukseen, sekä myyntiin, valmistukseen ja muihin pystyihin. Esimerkiksi sijoittajat voivat nyt käyttää heti ehdotuksia siitä, miten parantaa asiakkaan salkun optimaalisesti.

Mitkä olivat suurimmat haasteet, joita kohtasitte GenBI:n kehittämisessä, ja miten niitä voitettiin?

Pyramid Analytics oli jo aiemmin hyödyntänyt tekoälyä analytiikassa useita vuosia ennen kuin julkaisimme uuden ratkaisun, joten useimmat haasteet on jo ratkaistu.

Uusi tärkeä elementti on hienostunut kyselyjen luomistekniikka, joka toimii minkä tahansa LLM:n kanssa tuottaen tarkat tulokset, samalla kun pidetään data yksityisenä. Olemme saavuttaneet tämän erottamalla datan kyselystä (lisää siitä hetken kuluttua).

Toinen suuri haaste, jonka joutuimme kohtaamaan, oli nopeus. Puhumme Google-aikakaudesta, jossa ihmiset odottavat vastauksia nyt, ei tunnissa tai jopa puolessa tunnissa. Varmistimme, että prosessointi nopeutuu ja kaikki työnkulut optimoidaan kitkan vähentämiseksi.

Sitten on hallussapito. Chatbotit ovat alttiita hallusinaatioille, jotka vääristävät tuloksia ja heikentävät luotettavuutta. Olemme työskennelleet ahkerasti välttääksemme nämä, samalla ylläpitäen dynaamisia tuloksia.

Miten teidän ongelmat data turvallisuuden ja yksityisyyden kanssa?

Se on loistava kysymys, koska data yksityisyyden ja turvallisuuden ongelmat ovat suurin este GenAI-analytiikalle. Kaikki ovat – oikeutetusti – huolissaan siitä, että altistavat herkkää yritystietoa kolmannen osapuolen tekoälymoottoreille, mutta he haluavat myös kielen tulkintakyvyn ja data-oivalluksia, joita nämä moottorit voivat tarjota.

Tämän vuoksi emme koskaan jaa oikeaa dataa LLM:ien kanssa, joiden kanssa työskentelemme. Pyramid kääntää koko lähestymistapaa ylösalaisin toimimalla välittäjänä yrityksesi tiedon ja LLM:n välillä. Sallimme teidän lähettää pyynnön ja antaa sen LLM:lle yhdessä niiden “aineiden” kanssa, jotka kutsuvat metadataa.

LLM palauttaa “reseptin”, joka selittää, miten muuttaa käyttäjän kysymys data-analyysikyselyksi. Sitten Pyramid suorittaa tämän reseptin jo olemassa olevilla turvallisesti yhdistetyillä tietoillasi, jotta mikään data ei koskaan pääse LLM:ään. Me yhdistämme tulokset ja palautamme ne teille helposti ymmärrettävässä, visuaalisessa muodossa. Periaatteessa mitään, mikä voisi vaarantaa turvallisuuden ja yksityisyyden, ei paljasteta tai poistu organisaation palomuurin turvallisuudesta.

Miten organisaatiot, jotka haluavat integroida GenBI:nsä olemassa oleviin data-infrastruktuureihin, voivat tehdä tämän? Onko joitakin edellytyksiä tai valmisteluja, joita tarvitaan?

Pyramid Analyticsin käyttöönotto on helppoa ja nopeaa. Käyttäjien on vain vähän edellytyksiä ja valmisteluja, ja voit saada koko järjestelmän toimimaan alle tunnissa. Et tarvitse siirtää dataa uuteen kehykseen tai muuttaa mitään datastrategiaasi, koska Pyramid kysyy dataa suoraan siitä, missä se sijaitsee.

Et myöskään tarvitse selittää dataasi ratkaisulle tai määritellä sarakkeita. Se on yhtä helppoa kuin ladata CSV-tietojoukko tai yhdistää SQL-tietokanta. Sama koskee minkä tahansa relaatiotietokantaa. Käyttää vain muutamia minuutteja yhdistääksesi datasi, ja voit esittää ensimmäisen kysymyksesi sekunneissa.

On kuitenkin mahdollista säätää rakennetta, jos haluat, kuten muuttamalla liittymismallia tai uudelleenmäärittelemällä sarakkeita. Se vaatii jonkin verran aikaa ja vaivaa, mutta puhumme minuuteista, ei kuukausien kestävistä kehityshankkeista. Asiakkaamme usein hämmästelevät, että Pyramid on toiminnassa heidän perinteisellä data-warehouse- tai data-järjestelmällään viidessä minuutissa.

Et myöskään tarvitse keksiä erittäin tarkkoja, tarkkoja tai jopa älykkäitä kysymyksiä saadaksesi voimakkaita tuloksia. Voit tehdä kirjoitusvirheitä ja käyttää väärää sanamuotoa, ja Pyramid selvittää ne ja tuottaa merkityksellisen ja arvokkaan vastauksen. Mitä tarvitset, on tietämys siitä, mitä dataa kysyt.

Miten näet Pyramid Analyticsin strategisen vision seuraavan viiden vuoden ajanjaksolle? Miten näet ratkaisujen kehittyvän vastaamaan muuttuvia markkinoiden vaatimuksia?

Seuraava suuri raja on tukeminen skaalautuvia, erittäin spesifisiä kysymyksiä. Käyttäjät haluavat pystyä kysymään erittäin tarkkoja kysymyksiä, kuten kysymyksiä henkilökohtaisista entiteeteistä, ja LLM:ien on tuotettava älykkäitä vastauksia näissä tapauksissa, koska ne eivät voi tuottaa yksityiskohtaisia oivalluksia tietokantojen yksityiskohtaisista tiedoista.

Olemme kohtaamassa haasteen siitä, miten käyttää kielen malleja kysymään tietokantojen yksityiskohtaisista tiedoista ilman, että välittömästi yhdistetään koko valtava datajärvi LLM:ään. Miten hienosäätämme LLM:ää tietoihin, jotka päivittyvät joka kahden sekunnin välein? Voimme hallita tätä kiinteille pisteille, kuten maat, sijainnit ja jopa päivämäärät, mutta ei mitään idiosynkratista, kuten nimiä, vaikka olemme hyvin lähellä sitä tänään.

Toinen haaste on, että käyttäjien on mahdollista kysyä omia matemaattisia tulkintojaan datasta soveltamalla omia kaavojaan. Se on haasteellista, ei siksi, että kaava on vaikea toteuttaa, vaan siksi, että ymmärtäminen siitä, mitä käyttäjä haluaa, ja saaminen oikeaa syntaksia on haastavaa. Työskentelemme molempien haasteiden ratkaisemiseksi, ja kun teemme, olemme ohittaneet seuraavan löytökohdan.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Pyramid Analytics-sivustolla.