Pedro Alves, Ople.ai:n CEO ja perustaja – Haastattelusarja

Pedro Alves on Ople.ai:n CEO ja perustaja, joka on alusta, joka antaa analyytikkojen ja asiantuntijoiden käyttää voimakkaita ennustavan analytiikan työkaluja. Alusta on varustettu maailman johtavien data-analyytikkojen tietämyksellä ja asiantuntemuksella, jotta käyttäjät voivat keskittyä siihen, mihin he ovat todella hyviä: luomaan liiketoimintavaikutusta.

Mikä aluksi veti sinut data-tieteeseen?

Vuonna 2001 näin valtavan potentiaalin koneoppimisessa ja tekoälyssä. Opiskellessani tietotekniikkaa ja päättäessäni, mihin alaan haluan syventyä, ajattelin: OK, AI/ML on tietotekniikan ala, jota pidän kiinnostavana – voit auttaa ennustamaan tapahtumia millä tahansa alalla. Olitpa sitten biologiassa, lääketieteessä tai rahoituksessa, jos sinulla on koneoppiminen ja tekoäly, voit edistää näitä aloja merkittävästi. Olen aina pitänyt matematiikkaa, joka siinä vaikuttaa, mielenkiintoisena.

Kun aloin opiskella jatko-opintoja, päättänyt, että paras tapa parantaa osaamistani koneoppimisessa olisi oppia soveltamaan sitä. Olin aina hyvin käytännönläheinen; en halunnut oppia teoriaa teorian vuoksi. Valitsin opiskella koneoppimista, jotta voin soveltaa sitä genetiikan ja proteomiikan alalla. Kaikki gradun työni oli laskennallista biologiaa, mutta painopiste oli koneoppimisessa.

Pian sen jälkeen aloin työskennellä terveydenhuoltoalalla, jossa näin suuren potentiaalin AI/ML-sovelluksille. Silloin aloin nähdä ongelmat, joita AI:lla oli käytännössä, akateemisen maailman ulkopuolella. Kokemin AI:n todellisuuden ja opin, miten tehokkaasti se oli sovellettu käytännössä, eikä sen vuoksi ollut teknisiä ongelmia. Silloin tulin siihen tulokseen, että haluan ratkaista tämän ongelman.

Olit aiemmin Banjon päädata-analyytikko, jossa ratkaisit haasteita sosiaalisen verkoston alueella. Voitko keskustella joistakin näistä haasteista?

Yhtiönä havaitsemme sosiaalisessa mediassa tallennettuja tapahtumia, erityisesti tapahtumia, jotka olisi korostettava mahdollisena vaarana, kuten lähellä oleva auto-onnettomuus tai palava rakennus. Autamme merkittävien tapahtumien havaitsemisessa, jotta voimme helpottaa ensivasteiden liikkeelle panemista. Käytimme sosiaalista mediaa hyviin tarkoituksiin.

Monet näistä tapahtumista ovat harvinaisia sosiaalisen median datan suhteen. Esimerkiksi onnettomuuksia tapahtuu joka päivä kaupungissa, mutta kun tarkastelet sosiaalisen median datan määrää, auto-onnettomuuden kuva on melko vähäinen. Mieti miljoonia koiran kuvia, ruuan kuvia, miljoonia selfie-kuvia ja yhtä auto-onnettomuuden kuvaa, kaikki muutamassa minuutissa. Banjossa etsimme neulaa heinäsuovassa.

Yksi haaste, joka nousi esiin, liittyi tietokoneen näkökykyyn. Vaikka tietokoneen näkökyky oli kohtalainen silloin, kun yrität löytää yhden muutamasta miljoonasta, jopa pieni virheen todennäköisyys voi täysin tuhota mahdollisuutesi havaita näitä harvinaisia tapahtumia.

Esimerkiksi oli julkinen tietokanta, jota käytettiin kouluttamaan neuroverkkoja, mikä sai ne olemaan kykeneviä tunnistamaan väriä. Vaikka kuva tietokannassa oli värikäs ja neuroverkko tarkasteli kaikkia RGB-arvoja, se ei käyttänyt väriä tunnisteena. Otetaan perinteinen poliisiauto ja perinteinen taksi – molemmat ovat samaa perusautoa ja lisälaite yläpuolella (esim. sireenit poliisiautossa tai vapaa/ei vapaa -merkki taksissa). Mutta jos tarkastelet väriä, ero niiden välillä on ilmeinen. Koska tämä esimerkki, olemme kyenneet ymmärtämään, että oikean tietokannan luominen on olennaista.

Vuonna 2017 perustit Oplen. Mikä oli tämän startupin syntytarina?

Halusin, että yritykset saisivat hyvän tuoton AI:n käyttöönotosta. Gartnerin mukaan 80-90 prosenttia AI-projekteista ei koskaan näe päivänvaloa. Tämä ei liity teknisiin seikkoihin, kuten mallin tarkin. Se liittyy usein yrityksen kulttuuriin tai menettelytapoihin yrityksen sisällä.

Tämä voi johtua puutteellisesta viestinnästä data-analyytikkojen ja liiketoimintakäyttäjien välillä, mikä johtaa malleihin, jotka ennustavat jotain, mitä liiketoimintatiimi ei tarvitse, koska data-analyytikot eivät ymmärtäneet, mitä pitäisi rakentaa. Tai, jos he rakentavat oikean mallin, liiketoimintatiimi ei hyödy käytä ennustuksia lainkaan. Useimmissa yrityksissä myynti-, markkinointi- ja logistiikkatiimit ovat ne, jotka todella pitäisivät hyödyntää AI:ta, mutta se on data-analyytikkojen tiimi, joka ymmärtää mallit. Kun nämä tiimit eivät ymmärrä rakennettuja malleja, he eivät luota niiden ennustuksiin ja eivät siten käytä niitä.

Miksi AI ei muuta, miten yritys tekee liiketoimintaa, jos se ei ole hyödyllistä?

Halusimme luoda alustan, joka ratkaisee tämän ongelman – haluamme auttaa data-analyytikkoja, liiketoimintanalyytikkoja, kenen tahansa, joka on mukana tässä prosessissa yrityksessä, rakentamaan oikeat projektit ja auttamaan työntekijöitä ymmärtämään ja luottamaan malleihin. Jos ratkaistaan tämä ongelma, uskon, että data-tiede voi lopulta olla arvokasta yrityksille todellisella tavalla.

Olet todennut, että data-analyytikot menettävät arvokasta aikaa tehtävien suorittamisessa, jotka voidaan automatisoida AI:lla. Mitkä ovat esimerkkejä tehtävistä, jotka pitäisi automatisoida?

Data-analyytikko tyypillisesti vie useita kuukausia mallin valmistamiseen, ja kun se on valmis, yritys toteuttaa mallin, vaikka se ei välttämättä ole yhtä tarkin kuin mahdollista. Kuukausien ajan mallin toteuttamisen jälkeen data-analyytikko jatkaa työskentelyä siinä pyrkien parantamaan mallin tarkkuutta pienin askelin. Tämä on yleensä se, mihin data-analyytikot käyttävät aikaa, kun he voivat käyttää aikaa muihin tehtäviin, kuten varmistamaan, että työntekijät ymmärtävät, luottavat ja käyttävät AI-malleja. Kaikki se aika, jota vietetään tehtävissä, kuten piirre-tekniikassa, mallien koulutuksessa, parametrin säätössä ja algoritmin valinnassa, yritetään parantaa mallin tarkkuutta, voidaan helposti automatisoida AI:lla.

Voitko kuvata, mitä meta-opiskelu on ja miten Ople soveltaa tätä?

Ennen kuin pääsen meta-opiskeluun, on tärkeää ymmärtää ensimmäinen kerros koneoppimista. Sanotaan, että sinulla on tietokanta, joka ennustaa, milloin koneet rikkoutuvat tehtaan lattialla. Kone ilmoittaa työntekijöille, että se on menevä rikki, jotta he voivat suorittaa ennaltaehkäisevää huoltoa. Tämä on ensimmäinen kerros oppimista.

Meta-opiskelu, jota kutsutaan usein “opiskeluun oppimiseksi”, on ymmärtäminen sitä oppimisprosessia. Kun koulutat mallia ennustamaan koneiden virheitä, sinulla on toinen malli, joka tarkkailee. Esimerkiksi toinen malli voi auttaa yrityksiä ymmärtämään, mitkä parametri malli oppii hyvin ja mitkä eivät toimi hyvin. Kun teet meta-opiskelun, saat paremman ymmärryksen siitä, miten rakentaa tehokkaampia malleja nopeammin.

Mitkä ovat näkemyksesi synteettisestä datasta?

Synteettinen data voi olla erittäin haasteellista työskennellä, jos se ei toteuteta oikein.

Oletetaan, että sinulla on lääketieteellinen rekisteri – sinulla on 20 potilasta, ja näille potilaille sinulla on heidän ikänsä, sukupuolensa, painonsa, pituutensa, verenpaineensa, lääkeluettelonsa jne. On mahdollista luoda synteettinen data koneoppimisen avulla näistä lääketieteellisistä rekistereistä. Mutta jos luot vain koneoppimiseen tai tilastoihin, voit päätyä järjettömään synteettiseen dataan. Se voi luoda satunnaisen yhdistelmän arvoja, kuten 3-vuotiaan, joka on 180 senttimetriä pitkä tai 120-senttinen henkilö, joka painaa 450 kiloa. Vaikka AI/ML on luotettavaa monissa tapauksissa, synteettinen data lääketieteellisten rekisterien käytössä vaatisi lääkärin osallistumisen.

Niin, että saat lääkärin osallistumaan luomaan parametreja, kuten “jos henkilö on tämän ikäinen, mikä on realistinen pituus- ja painoalue” tai “jos he ottavat tätä lääkettä, mitkä lääkkeet he eivät saa ottaa”. Tämä prosessi tulisi välttämättä olemaan valtava yritys ja liian monimutkainen kaikkien mahdollisuuksien kartoittamiseksi, jotka liittyvät kunkin potilaan lääketieteellisiin rekistereihin.

Kuvien osalta synteettinen data voi olla paljon helpommin ymmärrettävissä ja luotettavaa. Sanotaan, että sinulla on kuva autosta, ja auto on ylävasemmalla. Et tarvitse olla asiantuntija ymmärtääksesi, että sama auto voi olla alavasemmalla, yläoikealla tai keskellä. Ei tarvitse olla asiantuntija ymmärtääksesi, että henkilö voi osoittaa kameran monilla tavoilla, ja voi myös kääntää kuvaa. Liikuttamalla kuvan fokusta, jotta auto on eri kulmissa, luot synteettistä dataa – toinen yksinkertainen tapa on käyttää rotaatiota.

Voitko antaa joitakin esimerkkejä siitä, miten Ople on auttanut yrityksiä heidän datatarpeissaan?

Ople.AI antaa yrityksille mahdollisuuden käyttää syvää data-analytiikkaa kaikilla organisaation tasoilla ja antaa heidän työntekijöidensä mahdollisuuden avata AI:n arvo vain muutamalla klikkauksella. Sen sijaan, että yritykset riippuvat vain pienestä joukosta data-analyytikkoja, jotka toteuttavat ja selittävät AI:ta, Ople.AI-alusta varustaa työntekijöitä eri osastojen työntekijöitä työkaluilla päästäkseen käsiksi heidän datansa oivalluksiin ja lisätäkseen heidän päivittäisen tehokkuutensa.

Sanottuna, yksi suuri este, jonka yritykset usein kohtaavat AI:n toteuttamisessa, on mallin selittäminen. On olennaista yrityksille tarjota AI:ta, jota heidän työntekijänsä voivat ymmärtää ja luottaa. Mallin selittäminen auttaa siinä. Meidän tavoitteemme Ople.AI-alustalla on antaa työntekijöille, jotka eivät välttämättä ole AI- tai teknologiaan viisaat, mahdollisuus ymmärtää helposti, miten mallit tekevät ennustuksia ja miksi. Luomalla mallin selittäminen tuottaa voimakkaita tuloksia yrityksille pitkällä aikavälillä.

Lisäksi on paljon enemmän arvoa, jonka malli voi tuoda yrityksille kuin vain ennustaminen. AI voi paljastaa potentiaalisia ongelmia tai alueita, joita voidaan hyödyntää. Kutsumme tätä data-analytiikaksi – se on monia tapoja, joilla malli voi jakaa älykkäitä oivalluksia datasta, jotka ovat arvokkaita yrityksille. Tämä on suuri tapa, jolla AI voi auttaa liiketoimintaa, ja alue, jota edistämme kilpailijoihimme nähden.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Ople.ai:ssa.