Ahmed Elsamadisi, Fondateur & PDG de Narrator.ai – Série d’entretiens

Ahmed Elsamadisi est le fondateur et PDG de Narrator.ai, une entreprise d’intelligence de données qui équipe les décideurs de connaissances personnalisées et actionnables.

Ahmed a commencé sa carrière au laboratoire des systèmes autonomes de Cornell, en se concentrant sur l’interaction homme-robot et la fusion de données bayésiennes, ainsi que sur la construction d’algorithmes pour les voitures autonomes.

Qu’est-ce qui vous a initialement attiré vers l’IA et la science des données ?

Je suis tombé amoureux de la façon dont les gens prennent des décisions. En commençant par la psychologie, en passant par l’ingénierie sociale, et enfin par la façon dont nous raisonnons sur l’incertitude. Cela m’a conduit à plonger dans les mathématiques bayésiennes et le monde a commencé à avoir plus de sens. J’ai décidé d’entreprendre un voyage pour reproduire la façon dont nous prenons des décisions.

Vous avez eu une carrière phénoménale, y compris avoir travaillé au laboratoire des systèmes autonomes de Cornell, pouvez-vous partager quelques points forts de cette période ?

Le laboratoire des systèmes autonomes de Cornell était très amusant ! De notre voiture autonome à une flotte de robots mobiles, j’ai pu expérimenter la construction, la programmation et les tests d’algorithmes et de matériel dans des environnements réels. Mon moment préféré a été un projet que j’ai mené pour voir si nous pouvions jouer à un jeu de 20 Questions avec tous les étudiants de Cornell. Le jeu était simple, un robot cherchait un objet et il pouvait poser des questions oui/non aux étudiants de Cornell pour l’aider à trouver l’objet. Un petit twist, les humains pouvaient mentir.

Dans cette situation, il n’y a pas d’information réelle, rien qui soit absolument vrai. J’ai travaillé sur un algorithme qui pouvait fusionner les informations provenant des gens et des capteurs pour prendre de meilleures décisions. Ce projet a ensuite été repris par Business Insider et est devenu connu sous le nom de « le robot qui peut détecter les mensonges ».

Ces moments où les données et les algorithmes peuvent faire quelque chose que vous ne pouviez pas facilement imaginer, c’est ce qui rend ces projets phénoménaux.

L’idée de Narrator est née de votre frustration de travailler avec des données chez votre ancien employeur WeWork. Quels étaient les problèmes que vous rencontriez avec la modélisation de schéma étoilé ?

Toute entreprise utilise un schéma étoilé pour ses modèles de données. Cela a du sens ! Vous construisez des tables qui représentent un ensemble de questions que vous voulez répondre, puis vous les donnez aux gens pour les tracer. Le défi est que les questions sont constamment en évolution et en changement, et ainsi les séries de tables que vous construisez ne sont jamais suffisantes pour répondre à toutes les questions possibles. La seule solution est de construire plus de tables, ce qui entraîne une déviation de la source de vérité.

Je cherche toujours « air flow data modeling » sur Google pour montrer aux gens ce que le meilleur scénario d’une couche de modélisation est, et c’est complexe. Des centaines de tables dépendent les unes des autres.

Cela étant dit, c’était la seule option. Chez WeWork, j’ai parlé à de nombreux licornes et j’ai vu la même situation que nous affrontions. Nous avons dépensé des millions de dollars en outils de données. Nous avons construit des centaines de modèles. Les données perdaient encore la confiance et échouaient à répondre aux questions en temps opportun. Puis, tous les 1-2 ans, nous reconstruisions le système en utilisant les outils les plus récents, mais avec la même approche.

Si chaque entreprise qui a mis en œuvre un schéma étoilé a fini par avoir besoin de reconstruire son système, alors il y a un problème avec le cadre.

Comment êtes-vous arrivé à une meilleure solution pour travailler avec les données ?

Initialement, j’ai pris inspiration des blogs de données. Dans un blog, une entreprise peut raconter l’histoire d’un client et d’une analyse sans jamais montrer son modèle de données. Ils utilisent des clients, en effectuant des actions dans le temps pour expliquer toute analyse d’algorithmes. Effectivement, ce sont tous des concepts que tout le monde comprend (un utilisateur a consulté le site Web, puis a réservé une réunion). J’ai me demandé pourquoi cette structure n’était pas utilisée dans les données si elle semblait avoir le potentiel de représenter tout.

Notre modèle de données, que nous appelons un schéma d’activité, semblait avoir le potentiel de vraiment changer le monde. Il pourrait permettre à chaque entreprise d’avoir un seul modèle de données qui peut répondre à toute question. Chaque entreprise pourrait avoir le même modèle de données, ainsi les analyses et les algorithmes pourraient être partagés entre les entreprises pour la première fois. Et enfin, il pourrait créer un moyen commun pour les personnes de données de travailler ensemble et de parler de données.

J’ai pensé que cela pourrait révolutionner l’industrie des données, donc j’ai quitté WeWork en 2017 avec l’objectif de rendre le schéma d’activité interrogable.

Les données de sortie de Narrator sont formatées de manière très différente de ce à quoi nous sommes habitués, pouvez-vous expliquer ce que sont les Narratives et comment elles sont formatées comme une histoire ?

Les Narratives sont des analyses actionnables dans un format d’histoire.

Nous, en tant que personnes de données, sommes si habitués aux tableaux de bord. Cependant, les tableaux de bord sont un moyen pour parvenir à une fin. Les tableaux de bord vous montrent des données et vous devez les interpréter vous-même :

1. Comprenez comment lire les centaines de visualisations différentes.
2. Combinez les données dans votre tête pour déterminer ce qui se passe réellement.
3. Créez une histoire dans votre tête qui donne un sens aux pièces de données.
4. Prenez une décision sur une action à entreprendre.

Le défi de ce processus est que chaque personne qui regarde un tableau de bord va créer une histoire et une recommandation différentes. C’est un biais naturel.

L’objectif de Narrator était de conduire à l’action en fonction des données. Au fur et à mesure que nous itérions, nous avons vu que nos clients avaient besoin d’histoires et d’interprétations pour prendre des décisions, et c’est ce que nous leur avons donné.

Les Narratives commencent par un objectif clair. Ils font une recommandation. Ensuite, ils vous montrent les points clés que vous obtiendrez. Enfin, ils passent par l’analyse. Chaque section raconte une histoire sur quelque chose que nous apprenons et les données sont utilisées comme preuve à l’appui.

Montrez à 100 personnes la même Narrative et ils reviendront tous avec la même recommandation et interprétation.

Les Narratives comprennent également que votre entreprise est en constante évolution, donc elles sont exécutées constamment chaque semaine pour voir si les recommandations et les interprétations sont toujours valides et se mettront à jour en conséquence.

Après avoir parcouru tout cela et créé des Narratives, ces outils incroyables pour conduire à l’action, nous avons réalisé que la plupart des grandes entreprises de conseil avaient également appris la même chose. McKinsey vous présente des présentations et des approches similaires au lieu de simples tableaux de bord. Nous travaillons pour fournir ce niveau de qualité pour une fraction du prix.

Quels sont les avantages de l’utilisation de Narrator pour les ingénieurs de données ?

Les ingénieurs de données sont nos plus grands défenseurs ! Je pense que c’est parce que j’ai commencé en tant qu’ingénieur de données que Narrator a été construit en tenant compte d’eux.

Dans Narrator, la modélisation des données est vraiment facile – vous mappez simplement les concepts de la source de vérité à notre modèle de données. Nous exécutons une série de tests pour nous assurer qu’il fonctionnera, puis vous le pousserez en production. Narrator gère la migration, la synchronisation des données et assure que tout est rapide et facile.

Dans Narrator, vous pouvez assembler rapidement n’importe quel jeu de données que vous voulez en quelques minutes et le donner à quiconque le demande.

Nous avons également pensé à toutes les petites choses dont vous avez besoin et nous nous sommes assurés que vous les obteniez :

• Transparence totale dans tous les traitements et contrôle pour mettre en pause, annuler, exécuter maintenant, etc.
• Capacité à mettre des alertes sur les données brutes avant et après la transformation.
• Journal complet de tous les changements apportés à la requête.
• Visibilité totale sur chaque mise à jour qui se produit dans la table.
• 1 clic pour matérialiser n’importe quel jeu de données ou l’envoyer à Google Sheet.
• Configuration rapide de webhooks pour envoyer les données à n’importe quel système.
• Contacter le support et vous obtiendrez un ingénieur de données pour vous aider.
• Chaque requête que Narrator génère est LISIBLE et transparente.
• Déboguez n’importe quelle donnée avec des chronologies rapides de tout ce qui est arrivé à un client spécifique.
• Construisez 1 jeu de données et créez de nombreuses agrégations au-dessus (pas besoin de copier la même requête dans une CTE).
• Si vous remplacez l’un des blocs de construction, nous réconcilions alors toutes vos données pour vous.

Il y a tellement plus de choses que les ingénieurs de données adoreront !

Combien de temps est économisé pour les rapports avec Narrator par rapport à la modélisation traditionnelle ?

Honnêtement, la comparaison de Narrator avec la modélisation traditionnelle est injuste. Dans Narrator, toutes vos données sont modélisées en seulement 1 jour, au lieu de mois de planification comme dans un schéma étoilé. Les changements dans Narrator sont à faible risque et faciles. La création de n’importe quelle table est instantanée dans Narrator, car vous n’avez pas à vous soucier de la clé étrangère pour relier les choses.

En termes d’analyses, Narrator dispose d’une bibliothèque d’analyses écrites à la main par des experts que vous pouvez exécuter instantanément. Ces analyses sont bien pensées, testées sur plusieurs entreprises, mises à jour en fonction des changements de votre entreprise, utilisent des algorithmes pour interpréter les données et sont présentées de manière belle dans un format d’histoire. Ce niveau de travail est souvent effectué par des équipes de personnes de données sur plusieurs semaines (ce que nous faisons, mais nous le faisons une seule fois, puis le rendons instantanément disponible pour tout le monde).

Y a-t-il autre chose que vous aimeriez partager sur Narrator ?

Narrator est différent.

C’est un peu difficile de comprendre comment et pourquoi cela fonctionne, mais une fois que vous commencez à l’utiliser, cela cliquera et vous ne pourrez plus revenir en arrière.

Je suis enthousiaste à l’idée du monde que Narrator rend possible et je vous invite à me contacter pour en savoir plus !

Ensemble, nous pouvons prendre de meilleures décisions qui créeront un monde meilleur.

Je vous remercie pour cette excellente interview, les lecteurs qui souhaitent en savoir plus devraient visiter Narrator.ai.