Pedro Alves, PDG et fondateur d’Ople.ai – Série d’entretiens

Pedro Alves est le PDG et fondateur d’Ople.ai, une plateforme qui permet aux analystes et aux experts en la matière de disposer d’une puissante analyse prédictive. La plateforme est équipée des connaissances et de l’expertise des meilleurs data scientists du monde, ce qui permet aux utilisateurs de se concentrer sur ce qu’ils font vraiment bien : créer un impact commercial.

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

En 2001, j’ai vu un énorme potentiel dans l’apprentissage automatique et l’intelligence artificielle. Alors que j’étudiais l’informatique en tant qu’étudiant en premier cycle et que je décidais quel sous-domaine poursuivre, j’ai pensé : OK, l’IA/ML est un domaine de l’informatique qui m’intéresse – vous pouvez aider à prédire des événements dans n’importe quel domaine. Que vous soyez en biologie, en médecine ou en finance, si vous avez l’apprentissage automatique et l’IA, vous pouvez faire progresser ces domaines de manière significative. J’ai toujours trouvé les mathématiques derrière cela fascinantes.

Lorsque je suis entré à l’université, j’ai décidé que la meilleure façon d’améliorer mon expertise en apprentissage automatique serait d’apprendre à l’appliquer. J’étais toujours très pratique ; je ne voulais pas apprendre la théorie juste pour la sake de la théorie. J’ai choisi d’étudier l’apprentissage automatique dans le domaine de la génomique et de la protéomique. Tout mon travail de master a porté sur la biologie computationnelle, mais l’accent a été mis sur l’apprentissage automatique.

Bientôt après, je suis entré dans l’industrie de la santé, où j’ai vu un énorme potentiel pour les applications de l’IA/ML. C’est alors que j’ai commencé à voir les problèmes que l’IA avait dans la pratique, en dehors de l’université. J’ai vécu la réalité de l’IA et j’ai appris à quel point elle avait été appliquée de manière inefficace dans le monde réel, et ce n’était pas dû à des problèmes techniques. Alors, j’ai été attiré par la résolution de ce problème.

Vous étiez auparavant chef data scientist chez Banjo, où vous avez relevé des défis dans le domaine des réseaux sociaux. Pouvez-vous en parler ?

En tant qu’entreprise, nous détectons des événements enregistrés sur les réseaux sociaux, en particulier des événements qui doivent être mis en évidence comme un danger potentiel, comme un accident de voiture ou un incendie de bâtiment. Nous aidons à signaler ces événements, afin que nous puissions aider à mobiliser les premiers intervenants. Nous utilisions les réseaux sociaux pour le bien.

Beaucoup de ces événements sont rares par rapport aux données des réseaux sociaux. Par exemple, il y a de nombreux accidents qui se produisent chaque jour dans une ville donnée, mais lorsque vous regardez le volume des données des réseaux sociaux, une photo d’un accident de voiture devient plutôt minuscule. Considérez les millions de photos de chiots, de photos de nourriture, d’un million de photos de selfies, et puis une photo d’un accident de voiture, le tout en l’espace de quelques minutes. Essentiellement, chez Banjo, nous trouvions l’aiguille dans la botte de foin.

Un des défis qui se posaient était lié à la vision par ordinateur. Bien que la vision par ordinateur ait été correcte à l’époque, lorsque vous essayez de trouver un événement rare, même une petite erreur de probabilité peut complètement détruire vos chances de détecter ces événements rares.

Par exemple, il y avait un jeu de données public qui, lorsqu’il était utilisé pour entraîner des réseaux de neurones, les empêchait de reconnaître les couleurs. Même si une photo dans le jeu de données était colorée et que le réseau de neurones regardait tous les RGB, il n’utilisait pas la couleur comme indicateur. Prenez une voiture de police traditionnelle et un taxi traditionnel – les deux sont le même modèle de base de voiture et un morceau d’équipement supplémentaire au-dessus (c’est-à-dire les sirènes sur une voiture de police ou un signal libre/occupé sur un taxi). Mais si vous regardez la couleur, la différence entre les deux est évidente. À cause de cet exemple, nous avons pu comprendre que la création d’un jeu de données approprié est vitale.

En 2017, vous avez ensuite lancé Ople. Qu’est-ce qui a motivé la création de cette startup ?

Je voulais que les entreprises reçoivent un retour sur investissement solide en mettant en œuvre l’IA. Selon Gartner, entre 80 et 90 pour cent des projets d’IA ne voient jamais le jour. Cela n’a rien à voir avec les aspects techniques, comme la précision du modèle. C’est généralement la culture d’entreprise ou les aspects procéduraux au sein de l’entreprise.

Cela peut être dû à un manque de communication suffisante entre l’équipe de data science et l’utilisateur commercial, ce qui conduit à des modèles qui prédissent quelque chose que l’équipe commerciale n’avait pas besoin, car l’équipe de data science ne comprenait pas ce qui devait être construit. Ou, si elles construisent le bon modèle, puisque l’équipe de data science a terminé, l’équipe commerciale n’en tire pas parti. Dans la plupart des entreprises, les départements tels que les ventes, le marketing et la logistique sont ceux qui devraient vraiment utiliser l’IA, mais c’est l’équipe de data science qui comprend les modèles. Lorsque ces équipes ne comprennent pas les modèles qui sont construits pour eux, elles ont tendance à ne pas faire confiance à leurs prédictions et, par conséquent, ne les utilisent pas.

Alors, si l’IA ne change pas la façon dont l’entreprise fait des affaires, à quoi bon ?

Nous voulions créer une plateforme qui résolve ce problème – nous voulons aider l’équipe de data science ou les analystes commerciaux, les analystes de données, qui que ce soit qui est impliqué dans le processus de l’entreprise – à construire les bons projets et à aider les employés à comprendre et à faire confiance aux modèles. Si nous réglons cela, alors je crois que la science des données peut enfin être précieuse pour les entreprises d’une manière réelle.

Vous avez déclaré que les data scientists perdent un temps précieux en effectuant des tâches qui peuvent être automatisées avec l’IA. Quelles sont quelques-unes de ces tâches qui devraient être automatisées ?

Un data scientist passe généralement plusieurs mois à terminer un modèle, et une fois finalisé, l’entreprise met en œuvre le modèle, bien qu’il ne soit probablement pas aussi précis que possible. Dans les mois qui suivent la mise en œuvre du modèle, le data scientist continue à travailler dessus pour essayer d’augmenter la précision du modèle de petites quantités. C’est généralement où beaucoup de data scientists passent leur temps, alors qu’ils pourraient passer leur temps à faire d’autres choses, comme s’assurer que les employés comprennent, font confiance et utilisent les modèles d’IA en place. Tout ce temps passé sur des tâches telles que l’ingénierie de fonctionnalités, la formation de modèles, le réglage de paramètres et la sélection d’algorithmes, en essayant d’augmenter la précision d’un modèle, peut être facilement automatisé avec l’IA.

Pouvez-vous décrire ce qu’est la méta-apprentissage et comment Ople l’applique ?

Avant de parler de la méta-apprentissage, il est important de comprendre la première couche de l’apprentissage automatique. Disons que vous avez un jeu de données qui prédit quand les machines vont se casser sur le plancher d’une usine. La machine notifiera les employés qu’elle va se casser, afin qu’ils puissent effectuer une maintenance préventive. C’est ce que l’on appelle la première couche d’apprentissage.

La méta-apprentissage, souvent appelée « apprentissage pour apprendre », est une compréhension plus approfondie de ce processus d’apprentissage. Alors que vous formez votre modèle pour prédire les erreurs de machine, vous avez un autre modèle qui observe. Par exemple, le deuxième modèle pourrait aider les entreprises à comprendre quels paramètres le modèle de maintenance préventive apprend bien, et quels paramètres ne fonctionnent pas bien. Lorsque vous faites de la méta-apprentissage, vous devenez meilleur pour construire des modèles plus efficaces, plus rapidement.

Quels sont vos points de vue sur les données synthétiques ?

Les données synthétiques peuvent être incroyablement difficiles à travailler, si elles ne sont pas exécutées correctement.

Disons que vous avez des données médicales – vous avez 20 patients, et pour ces patients, vous avez leur âge, leur sexe, leur poids, leur taille, leur tension artérielle, la liste de leurs médicaments, etc. Il est possible de créer des données synthétiques avec l’apprentissage automatique sur la base de ces dossiers médicaux. Cependant, si vous vous fiez uniquement à l’apprentissage automatique ou à la statistique, vous pouvez finir par avoir des données synthétiques sans sens. Il peut créer un mélange aléatoire de valeurs telles qu’un enfant de 3 ans qui mesure 1,80 mètre ou une personne de 1,20 mètre qui pèse 450 kilos. Alors que l’IA/ML sont fiables dans de nombreux cas, les données synthétiques utilisées pour les dossiers médicaux nécessiteraient l’implication d’un médecin.

Alors, vous faites participer un professionnel de la santé pour créer des paramètres, comme « si la personne a cet âge, quelle est une fourchette de taille et de poids réaliste », ou « si elle prend ce médicament, quels médicaments ne devrait-elle pas prendre ? ». Ce processus deviendrait inévitablement une tâche massive et trop compliquée pour cartographier toutes les possibilités, car elles concernent les dossiers médicaux de chaque patient.

Cependant, dans le domaine des images, les données synthétiques peuvent être beaucoup plus faciles à comprendre et à créer. Disons que vous avez une photo d’une voiture, et que la voiture est située dans le coin supérieur gauche. Vous n’avez pas besoin d’être un expert pour savoir que cette même voiture pourrait être dans le coin inférieur gauche, en haut à droite ou au centre. Non seulement la personne peut-elle pointer une caméra de nombreuses manières, mais elle peut également réaligner l’image. Déplacer le focus de l’image, afin que la voiture soit dans tous les coins, crée des données synthétiques – une autre méthode simple est l’utilisation de la rotation.

Pouvez-vous donner quelques exemples de la façon dont Ople a aidé les entreprises à répondre à leurs besoins en matière de données ?

Ople.AI donne aux entreprises la capacité d’utiliser une analyse de données approfondie à tous les niveaux de l’organisation et donne à leurs employés l’opportunité de débloquer la valeur de l’IA, avec juste quelques clics. Contrairement aux organisations qui s’appuient sur une petite équipe de data scientists pour articuler et mettre en œuvre l’IA, la plateforme Ople.AI équipe les employés de divers départements avec les outils pour accéder aux informations de leurs données, et ainsi augmenter leur efficacité quotidienne.

Avec cela, un grand obstacle que les organisations rencontrent souvent lors de la mise en œuvre de l’IA est l’explicabilité des modèles. Il est essentiel pour les entreprises d’offrir une IA que leurs employés peuvent comprendre, et plus important encore, faire confiance. L’explicabilité des modèles aide à cela. Notre objectif avec la plateforme Ople.AI est de donner aux employés, qui ne sont peut-être pas des experts en IA ou en technologie, la chance de comprendre facilement comment les modèles font des prédictions et pourquoi. La création d’une explicabilité des modèles générera des résultats puissants pour les entreprises à long terme.

De plus, il y a beaucoup plus de valeur que peut apporter un modèle aux entreprises, outre la réalisation de prédictions. L’IA peut découvrir des problèmes potentiels ou des domaines qui peuvent être exploités. Nous appelons cela l’explicabilité des données – ce sont les différentes manières dont un modèle peut partager des informations intelligentes sur les données qui sont précieuses pour une entreprise. C’est une grande façon dont l’IA peut aider les entreprises, et un domaine dans lequel nous progressons par rapport à la concurrence.

Je vous remercie pour l’entretien, les lecteurs qui souhaitent en savoir plus peuvent visiter Ople.ai.