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

Pedro Alves on Ople.ai:n CEO ja perustaja, joka on alusta, joka antaa analyytikoille ja asiantuntijoille voimallisia ennustevälineitä. Alustalla on maailman johtavien data-analyytikkojen tietämys ja osaaminen, joten käyttäjät voivat keskittyä siihen, mitä he ovat parhaiten: luomaan liiketoimintavaikutusta.

Mikä aluksi kiinnosti sinua data-analytiikassa?

Vuonna 2001 näin valtavan potentiaalin koneoppimisessa ja tekoälyssä. Opiskellessani tietojenkäsittelytiedettä ja päättäessäni, mihin alaan haluan syventyä, ajattelin: OK, AI/ML on tietojenkäsittelytieteen ala, joka on kiinnostava – 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 matematiikasta, joka siinä on.

Valmistuttuani aloin opiskella koneoppimista soveltavasti. Halusin oppia, miten voin soveltaa sitä. Olin aina hyvin käytännönläheinen; en halunnut oppia teoriaa teorian vuoksi. Valitsin opiskellaan koneoppimista soveltavasti genetiikan ja proteomiikan alalla. Kaikki graduni työ oli laskennallisen biologian alalla, 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, ulkona akatemiasta. Koin AI:n todellisuuden ja opin, miten tehokkaasti se oli sovellettu käytännössä, eikä vain teknisistä ongelmista johtuen. Tämän jälkeen aloin kiinnostua ongelmien ratkaisemisesta.

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

Yhtiönä etsimme sosiaalisessa mediassa tapahtumia, joita olisi korostettava, kuten lähellä oleva auto-onnettomuus tai palava rakennus. Autsoimme merkittävien tapahtumien havaitsemisessa, jotta voimme auttaa ensivastetoimia. Käytimme sosiaalista mediaa hyviin tarkoituksiin.

Näistä tapahtumista monet ovat harvinaisia sosiaalisen median datan suhteen. Esimerkiksi kaupungissa tapahtuu monia auto-onnettomuuksia joka päivä, mutta kun tarkastelet sosiaalisen median datan määrää, auto-onnettomuuden kuva on melko vähäinen. Mieti miljoonia koirankuvia, ruokakuvia, miljoonia itseottokuvia ja yhtä auto-onnettomuuden kuvaa, kaikki muutamassa minuutissa. Banjossa etsimme neulaa heinäsuovasta.

Yksi haaste, joka nousi esiin, liittyi tietokoneen näkökykyyn. Vaikka tietokoneen näkökyky oli kohtalainen tuolloin, kun yrität löytää yhden muutamasta miljoonasta, jopa pieni virheen todennäköisyys voi tuhota havaitsemismahdollisuuksiasi näille harvinaisille tapahtumille.

Esimerkiksi julkinen tietokanta, jota käytettiin neuroverkkojen kouluttamiseen, aiheutti sen, että ne eivät voineet tunnistaa väriä. Vaikka kuva tietokannassa oli värikäs ja neuroverkko tarkasteli kaikkia RGB-arvoja, se ei käyttänyt väriä tunnisteena. Perinteinen poliisiauto ja perinteinen taksi – molemmat ovat samaa perusmallia ja lisälaitteita yläpuolella (esim. sireenit poliisiautossa tai vapaa/ei vapaa -merkki taksissa). Mutta jos tarkastelet väriä, ero on ilmeinen. Tästä esimerkistä ymmärsimme, että oikean tietokannan luominen on olennaista.

Vuonna 2017 perustit Oplen. Mikä oli tämän startupin syntytarina?

Halusin, että yritykset saisivat vankkaan ROI:n AI:n käyttöönotosta. Gartnerin mukaan 80-90 prosenttia AI-projekteista ei koskaan näe päivänvaloa. Tämä ei johdu teknisistä seikoista, kuten mallin tarkin. Se on usein yrityksen kulttuuri tai prosessuaaliset asiat yrityksen sisällä.

Tämä johtuu esimerkiksi siitä, että data-analytiikkatiimi ja liiketoimintakäyttäjä eivät ole riittävän hyvin viestintää. Tämä johtaa malleihin, jotka ennustavat jotain, mitä liiketoimintatiimi ei tarvitse, koska data-analytiikkatiimi ei ymmärrä, mitä on rakennettava. Tai jos he rakentavat oikean mallin, liiketoimintatiimi ei hyödy malleista, kun data-analytiikkatiimi on valmis. Useimmissa yrityksissä myynti-, markkinointi- ja logistiikkatiimit ovat ne, jotka pitäisi hyödyntää AI:ta, mutta data-analytiikkatiimi ymmärtää mallit. Kun nämä tiimit eivät ymmärrä malleja, jotka on rakennettu heille, he eivät luota mallien ennusteisiin ja eivät käytä niitä.

Miksi AI:n pitäisi muuttaa, miten yritys tekee liiketoimintaa, jos se ei tee sitä?

Halusimme luoda alustan, joka ratkaisee tämän ongelman – haluamme auttaa data-analytiikkatiimiä tai liiketoimintaanalytikkoja, data-analyytikkoja, ketkä tahansa ovat mukana tässä prosessissa – rakentamaan oikeat projektit ja auttamaan työntekijöitä ymmärtämään ja luottamaan malleihin. Jos ratkaistaan tämä ongelma, uskon, että data-analytiikka voi lopulta olla arvokasta yrityksille todellisella tavalla.

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

Data-analyytikko vie useita kuukausia mallin valmistamiseen, ja kun se on valmis, yritys ottaa sen käyttöön, vaikka se ei välttämättä olekaan mahdollisimman tarkin. Kuukausien ajan mallin käyttöönoton jälkeen data-analyytikko jatkaa työtään sen parantamiseksi, yrittäen tehdä mallista tarkemman pienin inkrementaalisin muutoksin. Tässä vaiheessa useat data-analyytikot viettävät aikaa, kun he voivat viettää aikaa muissa tehtävissä, kuten varmistamassa, että työntekijät ymmärtävät, luottavat ja käyttävät AI-malleja. Kaikki se aika, jota vietetään tehtävissä kuten piirre- ja mallin koulutus, parametrin säätö ja algoritmin valinta, yrittäen parantaa mallin tarkkuutta, voidaan helposti automatisoida AI:lla.

Voitko kertoa, mitä meta-opetus on ja miten Ople soveltaa sitä?

Ennen kuin puhun meta-opetuksesta, on tärkeää ymmärtää ensimmäinen kerros koneoppimista. Sanotaan, että sinulla on tietokanta, joka ennustaa, milloin koneet rikkoutuvat tehtaalla. Kone ilmoittaa työntekijöille, että se on rikkoutumaisillaan, jotta he voivat suorittaa ennaltaehkäisevää huoltoa. Tämä on ensimmäinen kerros oppimista.

Meta-opetus, jota kutsutaan myös “oppimiseen oppimiseksi”, on ymmärtäminen oppimisprosessia. Esimerkiksi kun koulutat mallia ennustamaan koneiden rikkoutumista, sinulla on toinen malli, joka havainnoi. Esimerkiksi toinen malli voi auttaa yrityksiä ymmärtämään, mitkä parametriarvot ennustemalli on oppinut hyvin ja mitkä eivät toimi hyvin. Kun teet meta-opetusta, parannat mallien rakentamista tehokkaammin ja nopeammin.

Mitä mieltä olet synteettisestä datasta?

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

Oletetaan, että sinulla on lääketieteellinen tietokanta – 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 tiedoista. Mutta jos luot vain koneoppimiseen tai tilastollisiin menetelmiin, voit päätyä järjettömään synteettiseen dataan. Se voi luoda satunnaisen yhdistelmän arvoja, kuten 3-vuotiaan, joka on 6 jalkaa pitkä tai 4-jalkainen henkilö, joka painaa tuhat puntaa. Vaikka AI/ML on luotettavaa monissa tapauksissa, synteettinen data lääketieteellisissä tiedoissa vaatisi lääkärin osallistumisen.

Niin, saat lääkärin mukaan 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 olisi väistämättä valtava ja liian monimutkainen kaikkien mahdollisuuksien kartoittamiseksi, jotka liittyvät kunkin potilaan lääketieteellisiin tietoihin.

Kuvien alueella synteettinen data voi kuitenkin 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 alhaalla vasemmalla, yläoikealla tai keskellä. Ei vain se, että henkilö voi osoittaa kameran monilla tavoilla, vaan hän voi myös kääntää kuvaa. Siirtämällä kuvan fokusta, jotta auto on eri kulmissa, luot synteettistä dataa – yksi yksinkertainen menetelmä on käyttää kiertoa.

Voitko antaa esimerkkejä siitä, miten Ople on auttanut yrityksiä heidän dataan liittyvissä tarpeissaan?

Ople.AI antaa yrityksille mahdollisuuden käyttää syvällistä data-analytiikkaa kaikilla organisaation tasoilla ja antaa työntekijöille mahdollisuuden avata AI:n arvo vain muutamalla klikkauksella. Toisin kuin yritykset, jotka riippuvat vain pienestä data-analyytikkojen tiimistä AI:n toteuttamiseksi, Ople.AI-alusta varustaa työntekijöitä eri osastoissa työkaluilla, joilla he voivat päästä käsiksi tietoihin ja parantaa päivittäistä tehokkuuttaan.

Sanottuna, yksi suuri este, jonka yritykset usein kohtaavat AI:n käyttöönotossa, on mallin selittäminen. On olennaista, että yritykset tarjoavat AI:ta, jonka työntekijät voivat ymmärtää ja luottaa. Mallin selittäminen auttaa siinä. Ople.AI-alustan tavoitteena on antaa työntekijöille, jotka eivät välttämättä ole AI- tai teknologiaan perehtyneitä, mahdollisuus ymmärtää helposti, miten mallit tekevät ennusteita ja miksi. Luomalla mallin selittäminen tuottaa voimakkaita tuloksia yrityksille pitkällä aikavälillä.

Lisäksi on paljon enemmän arvoa, jonka malli voi tuoda yrityksille ennusteiden tekemisen lisäksi. AI voi paljastaa potentiaalisia ongelmia tai alueita, joita voidaan hyödyntää. Kutsun tätä dataan selittämiseksi – se on monia tapoja, joilla malli voi jakaa älykkäitä oivalluksia datasta, jotka ovat arvokkaita yrityksille. Tämä on suuri tapa, jolla AI voi auttaa yrityksiä, ja alue, jossa edistymme kilpailijoihimme nähden.

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