Vinay Kumar Sankarapu, Arya.ai:n toinen perustaja ja toimitusjohtaja – Haastattelu

Vinay Kumar Sankarapu on Arya.ai:n toinen perustaja ja toimitusjohtaja. Arya.ai on alusta, joka tarjoaa “AI-pilven” pankkeja, vakuutusyhtiöitä ja rahoitusalan instituutioita varten löytääkseen oikeat AI-rajapinnat, asiantuntija-AI-ratkaisut ja kattavat AI-hallintatyökalut, joita tarvitaan luotettavien ja itseoppivien AI-moottorien käyttöönottoon.

Millainen on taustasi, ja miten siirryit matematiikasta, fysiikasta, kemiasta ja konetekniikasta tietotekniikkaan ja tekoälyyn?

IIT Bombayssa on “Dual Degree Program”, joka tarjoaa 5-vuotisen kurssin, jossa opiskellaan sekä Bachelors of Technologya että Masters of Technologya. Opiskelin konetekniikkaa, ja erikoistuin “Computer Aided Design and Manufacturingiin”, jossa tietotekniikka on osa opintoja. Post-grad-tutkimuksessani valitsin aiheeksi syvän oppimisen. Aloin käyttää DL:ää jotta voisin rakentaa vikojen ennustamiskehyksen jatkuvaan valmistukseen, ja saatoin tutkimukseni päätökseen käyttämällä konvoluutioverkkoja (CNN) jäljellä olevan käyttöiän (RUL) ennustamiseen. Tämä tapahtui vuosina 2013–2014.

Perustit Arya.ai:n vielä opiskeluaikanasi. Voitko kertoa yrityksen syntytarinan?

Akateemisessa tutkimuksessa meidän piti viettää 3-4 kuukautta kirjallisuuskatsaukseen, jotta voimme luoda yksityiskohtaisen tutkimuksen aiheesta, jota olemme kiinnostuneita, ja mitä on tehty aiemmin, ja mitä voisi olla mahdollinen aihe tutkimukselle. Vuosina 2012/13 työkalut, joita käytimme, olivat hyvin perusluontoisia. Hakukoneet kuten Google Scholar ja Scopus tekivät vain avainsanahaun. Se oli hyvin vaikeaa ymmärtää tietojen määrää, joka oli saatavilla. Ajattelin, että tämä ongelma vain pahenee. Vuonna 2013 julkaistiin ainakin 30+ artikkeleita minuutissa. Nykyään se on vähintään 10-20 kertaa enemmän.

Halusimme rakentaa professorin kaltaisen tekoälyavustajan tutkijoille auttamaan heitä löytämään aiheen tutkimukselle, löytämään sopivan artikkelin, joka on ajantasainen, ja kaiken muun STEM-tutkimuksen ympärillä. Kokemuksemme syvän oppimisen parissa antoi meille mahdollisuuden ratkaista tämän ongelman. Vuonna 2013 perustimme Arya.ai:n tiimin, johon kuului 3 henkilöä, ja se laajeni 7 henkilöön vuonna 2014, kun olin vielä opiskelija.

Tuotteemme ensimmäinen versio oli rakennettu keräämällä yli 30 miljoonaa artikkelia ja abstraktia. Käytimme aikansa huipputekniikoita syväoppimisessa rakentaaksemme tekoälyavustajan ja kontekstuaalisen hakukoneen STEM:lle. Mutta kun esittelimme AI-apuvälin muutamille professorille ja tuttaville, tajusimme, että olimme liian aikaisin. Vuorovaikutusvirrat olivat rajoitettuja, ja käyttäjät odottivat vapaata ja jatkuvaista vuorovaikutusta. Odotukset olivat hyvin epärealistisia tuolloin (2014/15), vaikka se vastasi monimutkaisiin kysymyksiin.

Tämän jälkeen muutimme suuntaamme ja käytimme tutkimustamme ja keskityimme ML-työkaluihin tutkijoille ja yrityksille, ja tarjosimme ne työpöydänä, jotta voimme demokratisoida syvän oppimisen. Mutta jälleen, vain harvat datatieteilijät käyttivät DL:ää vuonna 2016. Niinpä aloimme keskittyä yhteen toimialaan ja rakentamaan erikoistuneita tuotekerroksia yhteen toimialaan, eli rahoituspalvelujen instituutioihin (FSI). Tiesimme, että tämä toimisi, koska suuret toimijat pyrkivät voittamaan toimialarajat ylittävän markkinan, mutta toimialakohtainen erikoistuminen voi luoda suuren USP: n startup-yrityksille. Tällä kertaa olimme oikeassa!

Rakennamme nyt AI-pilveä pankkeja, vakuutusyhtiöitä ja rahoitusalan instituutioita varten, jotta voimme tarjota skaalautuvia ja vastuullisia AI-ratkaisuja.

Kuinka suuri ongelma on “AI-musta laatikko” -ongelma rahoituksessa?

Hyvin tärkeä! Vain 30% rahoituslaitoksista käyttää “AI”:ta täysimääräisesti. Yksi syy on saatavuus, ja toinen on “AI”-luottamuksen ja tarkastettavuuden puute. Säännökset ovat nyt selkeät joissakin maantieteellisissä alueissa “AI”:n lainsäädännöllisistä vaatimuksista matalan, keskitason ja korkean herkkyyden käyttötarkoituksissa. On vaadittu lakiin EU:ssa käyttää läpinäkyviä malleja “korkean riskin” käyttötarkoituksissa. Monet rahoituslaitosten käyttötarkoitukset ovat korkean riskin käyttötarkoitukset. Niinpä heidän on käytettävä läpinäkyviä eli valkoisen laatikon malleja.

Hype-kierrät ovat myös asettumassa, koska varhaiset kokemukset “AI”-ratkaisuista. On kasvava määrä esimerkkejä viime aikoina mustan laatikon tekoälyn käytön vaikutuksista, “AI”-epäonnistumisista, johtuen sen seuraamattomuudesta, ja haasteista lakien ja riskienhallinnan johtajien kanssa rajoitetun tarkastettavuuden vuoksi.

Voitko keskustella ML-seurannan ja ML-mallien havainnoitavuuden erosta?

 Seurantatyökalun tehtävä on vain seurata ja hälyttää. Havainnoitavuustyökalun tehtävä on ei vain seurata ja raportoida, vaan antaa tarpeeksi näyttöä löytääkseen syyn epäonnistumiselle tai ennustaa nämä epäonnistumiset ajan myötä.

AI/ML:ssä nämä työkalut pelaavat kriittistä roolia. Vaikka nämä työkalut voivat toimittaa vaadittuja rooleja seurannassa, ML-mallien havainnoitavuuden laajuus

Miksi toimialakohtaiset alustat ovat tarpeen ML-mallien havainnoitavuudelle yleiskäyttöisiä alustoja vastaan?

Yleiskäyttöiset alustat on suunniteltu kaikille ja kaikille käyttötarkoituksille, riippumatta teollisuudesta – kuka tahansa voi tulla alustalle ja aloittaa käytön. Näiden alustojen asiakkaat ovat yleensä kehittäjiä, datatieteilijöitä ja muita vastaavia asiantuntijoita. Alustat luovat kuitenkin useita haasteita sidosryhmille monimutkaisen luonteen ja “yksi ratkaisu sopii kaikille” -lähestymistavan vuoksi.

Valitettavasti useimmat liiketoiminnat tarvitsevat datatieteen asiantuntijoita käyttämään yleiskäyttöisiä alustoja ja tarvitsevat lisäratkaisuja/tuotekerroksia, jotta voivat tehdä nämä mallit “käytettäviksi” loppukäyttäjille millä tahansa toimialalla. Tämä sisältää selitykset, tarkastukset, segmentit/skenaariot, ihmisen osallistumisen prosessiin, palautteen merkitseminen, tarkastus, työkalukohtaiset putket jne.

Tässä toimialakohtaiset AI-alustat tulevat etuksi. Toimialakohtainen AI-alusta omistaa koko työnkulun ratkaistaakseen kohdennetun asiakkaan tarpeen tai käyttötarkoituksen ja on kehitetty toimittamaan täydellisen tuotteen alusta loppuun, liiketoimintatarpeiden ymmärtämisestä tuotteen suorituskyvyn seurantaan. On monia toimialakohtaisia esteitä, kuten sääntely- ja vaatimustenmukaisuuskehykset, tietosuojavaatimukset, tarkastus- ja valvontavaatimukset jne. Toimialakohtaiset AI-alustat ja tarjoomat kiihdyttävät AI-omaksumista ja lyhentävät polkua tuotantoon vähentämällä kehitysaikaa ja liittyviä riskejä AI-käyttöönotossa. Lisäksi se auttaa kokoamaan yhteen AI-asiantuntemusta teollisuudessa tuotekerroksena, joka auttaa parantamaan “AI”-hyväksymistä, edistämään vaatimustenmukaisuutta ja löytämään yhteisiä lähestymistapoja eettisiin, luotettavuuteen ja maineeseen liittyviin huolenaiheisiin.

Voitko jakaa joitakin yksityiskohtia ML-mallien havainnoitavuusalustasta, jonka Arya.ai tarjoaa?

Olemme työskennelleet rahoituspalvelujen instituutioissa yli 6 vuoden ajan. Vuodesta 2016 lähtien. Tämä antoi meille varhaisen altistumisen ainutlaatuisiin haasteisiin kompleksisen AI:n käyttöönotossa FSIs:ssä. Yksi tärkeä haaste oli “AI-hyväksyntä”. Toisin kuin muilla toimialoilla, on monia sääntöjä käyttäen mitä tahansa ohjelmistoa (myös “AI”-ratkaisuja), tietosuojaa, eettisyyttä ja ennen kaikkea taloudellista vaikutusta liiketoimintaan. Ratkaistaaksemme nämä haasteet suurten mittakaavoissa, joudumme jatkuvasti keksimään ja lisäämään uusia kerroksia selityksiä, tarkastusta, käyttöriskejä ja vastuuta ratkaisuihimme – vakuutuskorvausten käsittely, vakuutusriskien arviointi, petosten valvonta jne. Ajan myötä kehitimme hyväksytyn ja skaalautuvan ML-mallien havainnoitavuuskehyksen eri sidosryhmille rahoituspalvelujen teollisuudessa.

Nyt julkaisemme itsepalveluversion kehyksestä nimellä AryaXAI (xai.arya.ai). Kuka tahansa ML- tai liiketoimintatiimi voi käyttää AryaXAI:ta luomaan erittäin kattavan AI-hallinnan kriittisiin käyttötarkoituksiin. Alusta tuo läpinäkyvyyden ja tarkastettavuuden AI-ratkaisuihisi, jotka ovat hyväksyttyjä kaikille sidosryhmille. AryaXAI tekee AI:sta turvallisemman ja hyväksytyn kriittisiin käyttötarkoituksiin tarjoamalla luotettavan ja tarkan selityksen, tarjoamalla näyttöä, joka voi tukea sääntelyvaatimuksia, hallitsemalla AI-epävarmuutta tarjoamalla edistyneitä toimintaperiaatteisiin perustuvia hallintakeinoja ja varmistamalla johdonmukaisuuden tuotannossa seuraamalla datan tai mallin ajautumista ja hälyttämällä käyttäjiä juurisyytanalyysillä.

AryaXAI toimii myös yhteisenä työnkuluna ja antaa näkemyksiä, jotka ovat hyväksyttyjä kaikille sidosryhmille – data-analytiikka, IT, riski, operatiivinen ja vaatimustenmukaisuustiimit, ja tekee AI/ML-mallien käyttöönoton ja ylläpidon helppoksi ja esteettömäksi.

Toinen ratkaisu, jota tarjoatte, on alusta, joka parantaa ML-mallin soveltamista kontekstuaalisen käytäntötoimeenpanon kautta. Voitko kuvailla, mitä tämä on tarkalleen?

On vaikeaa seurata ja hallita ML-malleja tuotannossa johtuen suuresta määrää ominaisuuksia ja ennusteita. Lisäksi mallin epävarmuus tekee siitä haasteellista hallita ja standardoida hallintoa, riskienhallintaa ja vaatimustenmukaisuutta. Tällaiset mallien epäonnistumiset voivat johtaa suuriin maineeseen ja taloudellisiin tappioihin.

AryaXAI tarjoaa “Käytäntö/Riski-ohjaus” -ominaisuuden, joka on kriittinen komponentti, joka säilyttää liiketoiminnan ja eettiset edut asettamalla käytäntöjä AI:lle. Käyttäjät voivat helposti lisätä/muokata käytäntöjä hallinoidakseen käytäntöohjausta. Näin eri toimintojen tiimit voivat määritellä toimintaperiaatteisiin perustuvat suojarajat jatkuvaa riskinarviointia varten ja suojata liiketoimintaa tekoälyn epävarmuudelta.

Mitkä ovat joitakin esimerkkejä näiden tuotteiden käyttötarkoituksista?

AryaXAI voidaan ottaa käyttöön erilaisiin kriittisiin prosesseihin eri teollisuusaloilla. Yleisimmät esimerkit ovat:

Rahoituspalvelut: AryaXAI tekee siitä helppoa rahoituspalvelujen alan yrityksille täyttää vaatimukset ja kerätä tarvittavat näytöt hallita riskiä ja varmistaa vaatimustenmukaisuutta.

• Vakuudellisten ja vakuudettomien lainojen luottoriskin arviointi
• Petosten ja epäilyttävien tapahtumien tunnistaminen
• Tarkastus
• Asiakkaan elinkaaren hallinta
• Luottopäätöksen tekeminen

Autonomiset ajoneuvot: Autonomiset ajoneuvot tarvitsevat noudattamaan sääntelyä, operatiivista turvallisuutta ja selityksiä reaaliaikaisissa päätöksissä. AryaXAI mahdollistaa ymmärtämisen, miten AI-järjestelmä vuorovaikuttaa ajoneuvon kanssa

• Päätöksen analyysi
• Autonominen ajoneuvon toiminta
• Ajoneuvon kuntotiedot
• AI-ajon järjestelmän valvonta

Terveydenhuolto: AryaXAI tarjoaa syvemmän ymmärryksen lääketieteellisistä, teknologisista, oikeudellisista ja potilaiden näkökulmista. Oikeastaan lääkekehityksestä valmistukseen, myyntiin ja markkinointiin, Arya-xAI edistää monitieteellistä yhteistyötä

• Lääkekehitys
• Kliininen tutkimus
• Kliinisen tutkimuksen tietojen validointi
• Laadukkaampi hoito

Millainen on näkemyksesi koneoppimisen tulevaisuudesta rahoitusalalla?

Viimeisen vuosikymmenen aikana on ollut valtava koulutus ja markkinointi “AI”:sta. Olemme nähneet useita hype-kiertoja tänä aikana. Luultavasti olemme nyt 4. tai 6. hype-kierroksella. Ensimmäinen on, kun syvä oppiminen voitti ImageNetin vuonna 2011/12, seurasi työ kuvan/tekstin luokittelussa, puheentunnistuksessa, autonomisissa autoissa, generatiivisessa AI:ssa ja viimeksi suurten kielen mallien kanssa. Ero huipun hype ja massakäytön välillä on vähentynyt jokaisen hype-kierroksen myötä, johtuen tuotteen, kysynnän ja rahoituksen toistoa.

Nämä kolme asiaa ovat tapahtuneet nyt:

1. Luulen, että olemme ratkaisseet “AI”-ratkaisujen skaalauksen, ainakin joillakin asiantuntijoilla. Esimerkiksi Open AI on tällä hetkellä organisaatio, joka ei tällä hetkellä saa liikevaihtoa, mutta he aikovat tehdä 1 miljardin dollarin liikevaihtoa 2 vuoden kuluessa. Vaikka ei kaikki “AI”-yritykset saavuta vastaavaa skaalaa, skaalauksen malli on selvempi.
2.  “Idealisten AI-ratkaisujen” määritelmä on melkein selvä kaikilla toimialoilla: Toisin kuin aiemmin, jolloin tuote kehitettiin kokeellisesti jokaiselle käyttötarkoitukselle ja jokaiselle organisaatiolle, sidosryhmät ovat yhä enemmän koulutettuja ymmärtämään, mitä he tarvitsevat “AI”-ratkaisuista.
3. Sääntely on kuromassa kehitystä kiinni: Tarve selkeille säännöksille tietosuojasta ja “AI”-käytöstä on nyt saavuttamassa suurta vauhtia. Hallitukset ja sääntelyelimet pystyvät julkaisemaan kehykset, jotka vaaditaan “AI”:n turvallisen, eettisen ja vastuullisen käytön.

Mitä seuraavaksi?

“Mallin-palveluna” (MaaS):

Meitä odottaa kasvava kysyntä “Mallin-palveluna” -tarjoomista ei vain vaakasuoraan, vaan myös pystysuoraan. Vaikka “OpenAI” edustaa hyvää esimerkkiä “vaakasuoran MaaS”:sta, Arya.ai on esimerkki toimialakohtaisesta MaaS-palvelusta. Kokemuksemme käyttöönotosta ja tietojoukkojen keräämisestä on antanut meille kriittisiä toimialakohtaisia tietojoukkoja, joita käytetään mallien kouluttamiseen ja niiden tarjoamiseen heti käyttövalmiina tai esikoulutettuina malleina.

Toimialakohtainen erikoistuminen on uusi yleiskäyttöisyys: Olemme nähneet tämän trendin “pilviin siirtymisessä”. Vaikka vaakasuorat pilvi-pelaajat keskittyvät “alustoille kaikille”, toimialakohtaiset pilvitoimijat keskittyvät loppukäyttäjän tarpeisiin ja tarjoavat niitä erikoistuneena tuotekerroksena. Tämä on totta myös MaaS-tarjouksille.

XAI ja AI-hallinto tulevat normiksi yrityksissä: Riippuen sääntelyjen herkkyydestä, jokainen toimiala saavuttaa hyväksytyn XAI- ja hallintokehyksen, joka toteutetaan suunnittelun osana, toisin kuin nykyään, jolloin se kohdellaan lisäominaisuutena.

Generatiivinen AI tabulaaridatassa voi nähdä hype-kierron yrityksissä: Synteettisten tietojoukkojen luomista pidetään yhtenä helposti toteutettavana ratkaisuna yritysten datahaasteisiin. Data-analytiikkatiimit suosivat tätä, koska ongelma on heidän hallinnassaan, toisin kuin riippumisesta liiketoiminnasta, joka voi kestää kauan, olla kallista ja ei välttämättä seuraa kaikkia askelia tietojen keräämisessä. Synteettinen data ratkaisee vinoumiin, datan epätasapainoon, tietosuojaan ja datan riittämättömyyteen liittyviä ongelmia. Tietysti, tämän lähestymistavan tehokkuus on vielä osoitettava. Kuitenkin, uusien tekniikoiden kuten transformerien kehittymisen myötä, saattaa nähdä enemmän kokeilua perinteisillä tietojoukoilla, kuten tabulaarisen ja moniulotteisen tiedon kanssa. Onnistumisen jälkeen, tämä lähestymistapa voi vaikuttaa suuresti yrityksiin ja MaaS-tarjouksiin.

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

Arya.ai:n fokus on ratkaista “AI” pankkeja, vakuutusyhtiöitä ja rahoitusalan instituutioita varten. Lähestymistapamme on teknologian toimialakohtainen erikoistaminen viimeistä kerrosta myöten ja tekemällä se käytettäväksi ja hyväksyttyksi jokaiselle organisaatiolle ja sidosryhmälle.

AryaXAI (xai.arya.ai) tulee olemaan tärkeässä roolissa toimittamassa sitä massoille rahoituspalvelualalla. Jatkuva tutkimuksemme syntetisistä tiedoista on onnistunut joissakin käyttötarkoituksissa, mutta pyrimme tekemään siitä vielä käyttökelpoisemman ja hyväksytyn vaihtoehdon. Jatkamme lisäämällä uusia kerroksia “AI”-pilveen palvellaksemme tehtäväämme.

Luulen, että näemme enemmän startup-yrityksiä kuten Arya.ai, ei vain rahoituspalvelualalla, vaan jokaisella toimialalla.

Kiitos haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Arya.ai:ssa.