Dr. Devavrat Shah, Co-fondateur et PDG d’Ikigai Labs – Série d’entretiens

Le Dr Devavrat Shah est le co-fondateur et PDG d’Ikigai Labs et il est un professeur et directeur du Centre de statistiques et de sciences des données au MIT. Il a co-fondé Celect, une plate-forme d’analyse prédictive pour les détaillants, qu’il a vendue à Nike. Devavrat détient un baccalauréat et un doctorat en informatique de l’Indian Institute of Technology et de l’Université de Stanford, respectivement.

Ikigai Labs propose une plate-forme alimentée par l’IA conçue pour transformer les données tabulaires et de série chronologique d’entreprise en prévisions et insights actionnables. En utilisant des Modèles graphiques de grande échelle brevetés, la plate-forme permet aux utilisateurs commerciaux et aux développeurs de diverses industries d’améliorer leurs processus de planification et de prise de décision.

Pouvez-vous partager l’histoire derrière la fondation d’Ikigai Labs ? Qu’est-ce qui vous a inspiré à passer de l’académie à l’entrepreneuriat ?

J’ai en fait navigué entre le monde académique et le monde des affaires pendant quelques années maintenant. J’ai co-fondé Ikigai Labs avec mon ancien élève au MIT, Vinayak Ramesh. Auparavant, j’ai co-fondé une entreprise appelée Celect qui aidait les détaillants à optimiser les décisions d’inventaire via la prévision de la demande basée sur l’IA. Celect a été acquis par Nike en 2019.

Qu’est-ce que les Modèles graphiques de grande échelle (LGM), et comment diffèrent-ils des Modèles de langage de grande échelle (LLM) plus connus ?

Les LGM ou les Modèles graphiques de grande échelle sont une vision probabiliste des données. Ils sont en net contraste avec les modèles d’IA basés sur les « Foundation Models » tels que les LLM.

Les Modèles de fond supposent qu’ils peuvent « apprendre » tous les modèles pertinents à partir d’un grand corpus de données. Et donc, lorsqu’un nouveau fragment de données est présenté, il peut être extrapolé sur la base de la partie pertinente du corpus de données. Les LLM ont été très efficaces pour les données non structurées (texte, image).

Les LGM identifient plutôt les « modèles fonctionnels » appropriés à partir d’un grand « univers » de tels modèles étant donné le fragment de données. Les LGM sont conçus de telle sorte qu’ils disposent de tous les « modèles fonctionnels » pertinents pour les données structurées (tabulaires, de série chronologique).

Les LGM sont capables d’apprendre et de fournir des prévisions précises à l’aide de très peu de données. Par exemple, ils peuvent être utilisés pour effectuer des prévisions très précises de tendances ou de résultats commerciaux critiques et dynamiques.

Pouvez-vous expliquer comment les LGM sont particulièrement adaptés pour analyser les données structurées et tabulaires, et quels avantages offrent-ils par rapport à d’autres modèles d’IA dans ce domaine ?

Les LGM sont conçus spécifiquement pour modéliser les données structurées (c’est-à-dire les données tabulaires et de série chronologique). En conséquence, ils offrent une meilleure précision et des prévisions plus fiables.

En outre, les LGM nécessitent moins de données que les LLM et ont donc des exigences de calcul et de stockage inférieures, ce qui réduit les coûts. Cela signifie également que les organisations peuvent obtenir des insights précis à partir des LGM même avec des données de formation limitées.

Les LGM offrent également une meilleure confidentialité et sécurité des données. Ils ne s’entraînent que sur les données propres à l’entreprise – avec un complément de sources de données externes sélectionnées (telles que les données météorologiques et les données des médias sociaux) lorsqu’elles sont nécessaires. Il n’y a jamais de risque que des données sensibles soient partagées avec un modèle public.

Dans quels scénarios commerciaux les LGM offrent-ils la plus grande valeur ? Pouvez-vous fournir des exemples de la façon dont ils ont été utilisés pour améliorer la prévision, la planification ou la prise de décision ?

Les LGM offrent de la valeur dans tout scénario où une organisation a besoin de prédire un résultat commercial ou d’anticiper des tendances pour guider sa stratégie. En d’autres termes, ils aident dans une large gamme de cas d’utilisation.

Imaginez une entreprise qui vend des costumes et des accessoires d’Halloween et qui cherche à obtenir des insights pour prendre de meilleures décisions de merchandising. Étant donné leur saisonnalité, l’entreprise marche sur une corde raide : d’une part, elle doit éviter de surestimer et de se retrouver avec un excédent de stocks à la fin de chaque saison (ce qui signifie des biens invendus et un gaspillage de capitaux). D’un autre côté, elle ne veut pas non plus manquer de stocks trop tôt (ce qui signifie qu’elle a manqué des ventes).

En utilisant les LGM, l’entreprise peut trouver un équilibre parfait et guider ses efforts de merchandising. Les LGM peuvent répondre à des questions telles que :

• Quels costumes devrais-je stocker cette saison ? Combien devrions-nous stocker de chaque SKU au total ?
• Comment un SKU se vendra-t-il dans un emplacement spécifique ?
• Comment cet accessoire se vendra-t-il avec ce costume ?
• Comment pouvons-nous éviter de cannibaliser les ventes dans les villes où nous avons plusieurs magasins ?
• Comment les nouveaux costumes se vendront-ils ?

Comment les LGM aident-ils dans les scénarios où les données sont rares, incohérentes ou en constante évolution ?

Les LGM utilisent la réconciliation de données basée sur l’IA pour fournir des insights précis même lorsqu’ils analysent de petits ou bruyants ensembles de données. La réconciliation des données garantit que les données sont cohérentes, exactes et complètes. Elle consiste à comparer et valider les ensembles de données pour identifier les disparités, les erreurs ou les incohérences. En combinant la structure spatiale et temporelle des données, les LGM permettent de faire de bonnes prévisions avec un minimum de données imparfaites. Les prévisions sont accompagnées d’une quantification de l’incertitude ainsi que d’une interprétation.

Comment la mission d’Ikigai de démocratiser l’IA s’aligne-t-elle sur le développement des LGM ? Comment voyez-vous les LGM façonnant l’avenir de l’IA dans les entreprises ?

L’IA change la façon dont nous travaillons, et les entreprises doivent être prêtes à mettre en place l’IA pour tous les types de travailleurs. La plate-forme Ikigai offre une expérience de code faible / sans code pour les utilisateurs commerciaux ainsi qu’une expérience complète d’AI Builder et d’API pour les data scientists et les développeurs. En outre, nous proposons une formation gratuite à notre Académie Ikigai afin que tout le monde puisse apprendre les fondamentaux de l’IA ainsi que se former et se certifier sur la plate-forme Ikigai.

Les LGM auront un impact énorme sur les entreprises qui cherchent à utiliser l’IA. Les entreprises veulent utiliser l’IA générative pour des cas d’utilisation qui nécessitent un modèle prédictif et statistique numérique, tel que la prévision probabiliste et la planification de scénarios. Mais les LLM n’ont pas été conçus pour ces cas d’utilisation, et de nombreuses organisations pensent que les LLM sont la seule forme d’IA générative. Elles essaient donc les LLM pour la prévision et la planification, et ceux-ci ne fonctionnent pas. Elles abandonnent et supposent que l’IA générative n’est pas capable de supporter ces applications. Lorsqu’elles découvrent les LGM, elles réaliseront qu’elles peuvent en fait utiliser l’IA générative pour améliorer la prévision et la planification et les aider à prendre de meilleures décisions commerciales.

La plate-forme Ikigai intègre les LGM avec une approche centrée sur l’humain via votre fonctionnalité Expert-in-the-loop. Pouvez-vous expliquer comment cette combinaison améliore la précision et l’adoption des modèles d’IA dans les entreprises ?

L’IA a besoin de garde-fous, car les organisations sont naturellement méfiantes que la technologie fonctionnera avec précision et efficacité. L’un de ces garde-fous est la surveillance humaine, qui peut aider à intégrer une expertise de domaine critique et garantir que les modèles d’IA fournissent des prévisions et des prédictions pertinentes et utiles pour leur entreprise. Lorsque les organisations peuvent placer un expert humain dans un rôle de surveillance de l’IA, elles peuvent lui faire confiance et vérifier son exactitude. Cela surmonte un obstacle majeur à l’adoption.

Quelles sont les principales innovations technologiques de la plate-forme Ikigai qui la distinguent des autres solutions d’IA actuellement disponibles sur le marché ?

Notre technologie LGM de base est le plus grand facteur de différenciation. Ikigai est un pionnier dans cet espace sans égal. Mon co-fondateur et moi avons inventé les LGM pendant notre travail universitaire au MIT. Nous sommes les innovateurs dans les modèles graphiques de grande échelle et l’utilisation de l’IA générative sur les données structurées.

Quel impact voyez-vous les LGM avoir sur les industries qui dépendent fortement de la prévision et de la planification précises, telles que la vente au détail, la gestion de la chaîne d’approvisionnement et la finance ?

Les LGM seront complètement transformatifs car ils sont spécifiquement conçus pour être utilisés sur les données tabulaires et de série chronologique, qui sont la vieblood de chaque entreprise. Virtuellement toutes les organisations de toutes les industries dépendent fortement de l’analyse de données structurées pour la prévision de la demande et la planification commerciale afin de prendre des décisions éclairées à court et à long terme – qu’il s’agisse de merchandising, d’embauche, d’investissement, de développement de produits ou d’autres catégories. Les LGM offrent la chose la plus proche d’une boule de cristal possible pour prendre les meilleures décisions.

En regardant vers l’avenir, quels sont les prochains pas pour Ikigai Labs pour faire progresser les capacités des LGM ? Y a-t-il de nouvelles fonctionnalités ou développements en cours que vous êtes particulièrement enthousiaste ?

Notre modèle aiPlan actuel prend en charge l’analyse et la planification de scénarios. En regardant vers l’avenir, nous visons à développer davantage cela et à permettre un apprentissage par renforcement complet pour les équipes d’exploitation. Cela permettrait à une équipe d’exploitation de faire de la planification basée sur l’IA à la fois à court et à long terme.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Ikigai Labs.