Vinay Kumar Sankarapu, suosnivač i izvršni direktor Arya.ai – serije intervjua

Vinay Kumar Sankarapu, suosnivač je i izvršni direktor tvrtke Arya.ai, platforma koja nudi 'AI' oblak za institucije banaka, osiguravatelja i financijskih usluga (BFSI) za pronalaženje pravih AI API-ja, stručnih AI rješenja i sveobuhvatnih alata za upravljanje AI-om potrebnih za implementaciju pouzdanih i samoučećih AI motora.

Vaše je iskustvo u matematici, fizici, kemiji i strojarstvu, možete li opisati svoj put do prelaska na računalnu znanost i AI?

Na IIT-u Bombay imamo 'Dual Degree Program' koji nudi 5-godišnji tečaj koji pokriva i prvostupnike tehnologije i magistre tehnologije. Završio sam strojarstvo sa specijalizacijom iz 'Računalom potpomognutog dizajna i proizvodnje, gdje je informatika dio našeg nastavnog plana i programa. Za naše poslijediplomsko istraživanje odabrao sam rad na dubokom učenju. Dok sam počeo koristiti DL za izgradnju okvira za predviđanje kvarova za kontinuiranu proizvodnju, završio sam svoje istraživanje o korištenju CNN-ova za predviđanje RUL-a. Bilo je to oko 2013/14.

Pokrenuli ste Arya.ai dok ste još bili na koledžu, možete li podijeliti priču o nastanku ovog startupa?

U sklopu akademskog istraživanja morali smo potrošiti 3-4 mjeseca na pregled literature kako bismo izradili detaljnu studiju o temi koja nas zanima, opsegu dosadašnjeg rada i onome što bi moglo biti moguće područje fokusa našeg istraživanja. Tijekom 2012/13, alati koje smo koristili bili su prilično osnovni. Tražilice poput Google Scholar i Scopus samo su pretraživale ključnu riječ. Bilo je stvarno teško shvatiti količinu znanja koja je bila dostupna. Mislio sam da će se ovaj problem samo pogoršati. U 2013. godini, mislim da je svake minute objavljeno najmanje 30+ radova. Danas je to barem 10x-20x više od toga.

Htjeli smo izgraditi pomoćnika s umjetnom inteligencijom poput "profesora" za istraživače koji će im pomoći predložiti temu istraživanja, pronaći prikladan rad koji je najažurniji i bilo što vezano uz STEM istraživanje. S našim iskustvom u dubokom učenju mislili smo da možemo riješiti ovaj problem. Godine 2013. pokrenuli smo Arya.ai s timom od 3 člana, a zatim se proširio na 7 2014. dok sam još bio na koledžu.

Naša prva verzija proizvoda izgrađena je brisanjem više od 30 milijuna radova i sažetaka. Koristili smo najsuvremenije tehnike dubokog učenja u to vrijeme kako bismo izgradili AI STEM asistenta za istraživanje i kontekstualnu tražilicu za STEM. Ali kad smo AI asistenta predstavili nekolicini profesora i kolega, shvatili smo da smo prerano. Tokovi razgovora bili su ograničeni, a korisnici su očekivali slobodan tijek i stalne konverzije. Očekivanja su u to vrijeme (2014./15.) bila vrlo nerealna iako je odgovaralo na složena pitanja.

Nakon toga smo se okrenuli korištenju našeg istraživanja i fokusiranju na ML alate za istraživače i poduzeća kao radnu površinu za demokratizaciju dubokog učenja. Ali opet, vrlo je malo znanstvenika koji se bave podacima koristilo DL u 2016. Dakle, počeli smo ga vertikalizirati za jednu vertikalu i usredotočili smo se na izgradnju specijaliziranih slojeva proizvoda za jednu vertikalu, tj. institucije za financijske usluge (FSI). Znali smo da će ovo funkcionirati jer dok veliki igrači imaju za cilj pobijediti u horizontalnoj igri, vertikalizacija može stvoriti veliki USP za startupove. Ovaj put smo bili u pravu!

Gradimo AI oblak za banke, osiguravatelje i financijske usluge s najspecijaliziranijim vertikalnim slojevima za isporuku skalabilnih i odgovornih AI rješenja.

Koliko je velik problem AI crne kutije u financijama?

Iznimno bitno! Samo 30% financijskih institucija koristi 'AI' u punom potencijalu. Dok je jedan od razloga pristupačnost, drugi je nedostatak povjerenja u 'AI' i mogućnosti revizije. Propisi su sada jasni u nekoliko zemljopisnih područja o zakonitostima korištenja umjetne inteligencije za slučajeve niske, srednje i visoke osjetljivosti. Zakon u EU-u zahtijeva korištenje transparentnih modela za slučajeve 'visokog rizika'. Mnogi slučajevi upotrebe u financijskim institucijama su visokorizični slučajevi upotrebe. Dakle, od njih se traži da koriste modele bijele kutije.

Ciklusi pompe također se smiruju zbog ranog iskustva s rješenjima umjetne inteligencije. U novije vrijeme postoji sve veći broj primjera o učincima korištenja 'AI' crne kutije, neuspjesima 'AI' zbog njihovog nenadzora i izazovima s pravnim osobama i upraviteljima rizika zbog ograničene revizijske mogućnosti.

Možete li razgovarati o razlici između ML praćenja i ML promatranja?

 Posao alata za praćenje je jednostavno nadzirati i upozoravati. A posao alata za promatranje nije samo praćenje i izvješćivanje, već, što je najvažnije, pružanje dovoljno dokaza za pronalaženje razloga neuspjeha ili predviđanje tih neuspjeha tijekom vremena.

U AI/ML-u ovi alati imaju ključnu ulogu. Iako ovi alati mogu isporučiti potrebne uloge ili nadzor, opseg ML vidljivosti

Zašto su potrebne platforme specifične za industriju za vidljivost ML-a u odnosu na platforme opće namjene?

Platforme opće namjene dizajnirane su za svakoga i za svaki slučaj upotrebe, bez obzira na industriju – bilo koji korisnik se može pridružiti i početi koristiti platformu. Kupci ovih platformi obično su programeri, znanstvenici za podatke itd. Platforme, međutim, stvaraju nekoliko izazova za dionike zbog svoje složene prirode i pristupa 'jedna veličina za sve'.

Nažalost, većina tvrtki danas zahtijeva od stručnjaka za podatkovnu znanost da koriste platforme opće namjene i trebaju dodatna rješenja/slojeve proizvoda kako bi te modele učinili 'upotrebljivima' krajnjim korisnicima u bilo kojoj vertikali. To uključuje objašnjivost, reviziju, segmente/scenarije, ljudske procese u petlji, označavanje povratnih informacija, reviziju, cjevovode specifične za alate itd.

Ovdje AI platforme specifične za industriju dolaze kao prednost. Platforma umjetne inteligencije specifična za industriju posjeduje cijeli tijek rada za rješavanje potreba ciljanog korisnika ili slučajeva upotrebe i razvijena je za pružanje cjelovitog proizvoda od kraja do kraja, od razumijevanja poslovnih potreba do praćenja performansi proizvoda. Postoje mnoge prepreke specifične za industriju, kao što su regulatorni okviri i okviri usklađenosti, zahtjevi za privatnošću podataka, zahtjevi za reviziju i kontrolu, itd. Platforme i ponude AI specifične za industriju ubrzavaju usvajanje AI i skraćuju put do proizvodnje smanjenjem vremena razvoja i povezanih rizika u uvođenju AI. Štoviše, ovo će također pomoći da se okupi stručnost AI-a u industriji kao sloj proizvoda koji pomaže poboljšati prihvaćanje 'AI', potaknuti napore za usklađenost i otkriti zajedničke pristupe etici, povjerenju i reputaciji.

Možete li podijeliti neke detalje o platformi ML Observability koju nudi Arya.ai?

Radimo u institucijama koje pružaju financijske usluge više od 6 godina. Od 2016. To nam je omogućilo ranu izloženost jedinstvenim izazovima u implementaciji složene umjetne inteligencije u FSI. Jedan od važnih izazova bilo je 'prihvaćanje umjetne inteligencije. Za razliku od drugih vertikala, postoje mnogi propisi o korištenju bilo kojeg softvera (također primjenjivo za 'AI' rješenja), privatnosti podataka, etici i što je najvažnije, financijskom utjecaju na poslovanje. Kako bismo se pozabavili ovim izazovima u velikom obimu, morali smo neprestano izmišljati i dodavati nove slojeve objašnjivosti, revizije, rizika upotrebe i odgovornosti povrh naših rješenja – obrada potraživanja, osiguranje, praćenje prijevara itd. S vremenom smo napravili prihvatljiv i skalabilan ML Okvir vidljivosti za različite dionike u industriji financijskih usluga.

Sada objavljujemo DIY verziju okvira kao AryaXAI (xai.arya.ai). Svaki ML ili poslovni tim može koristiti AryaXAI za stvaranje vrlo sveobuhvatnog upravljanja umjetnom inteligencijom za kritične slučajeve upotrebe. Platforma donosi transparentnost i mogućnost revizije u vaša AI rješenja koja su prihvatljiva svim dionicima. AryaXAI čini AI sigurnijim i prihvatljivijim za kritične slučajeve upotrebe pružajući pouzdanu i točnu objašnjivost, nudeći dokaze koji mogu poduprijeti regulatornu marljivost, upravljajući neizvjesnošću AI pružajući napredne kontrole politike i osiguravajući dosljednost u proizvodnji praćenjem podataka ili odstupanja modela i upozoravanjem korisnika s analizom temeljnih uzroka.

AryaXAI također djeluje kao uobičajeni tijek rada i pruža uvide prihvatljive svim dionicima – timovima za znanost podataka, IT, rizike, operacije i usklađenost, čineći uvođenje i održavanje AI/ML modela besprijekornim i bez nereda.

Drugo rješenje koje se nudi je platforma koja poboljšava primjenjivost ML modela s kontekstualnom implementacijom politike. Možete li opisati što je to konkretno?

Postaje teško nadzirati i kontrolirati ML modele u proizvodnji, zbog ogromne količine značajki i predviđanja. Štoviše, neizvjesnost ponašanja modela čini izazovnim upravljanje i standardizaciju upravljanja, rizika i usklađenosti. Takvi kvarovi modela mogu rezultirati velikim reputacijskim i financijskim gubicima.

AryaXAI nudi 'Kontrole politike/rizika', kritičnu komponentu koja čuva poslovne i etičke interese provođenjem politika o umjetnoj inteligenciji. Korisnici mogu jednostavno dodavati/uređivati/modificirati pravila za upravljanje kontrolama pravila. To omogućuje međufunkcionalnim timovima da definiraju zaštitne ograde politike kako bi se osigurala kontinuirana procjena rizika, štiteći poslovanje od neizvjesnosti AI-ja.

Koji su neki od primjera slučajeva upotrebe ovih proizvoda?

AryaXAI se može implementirati za različite procese kritične za misiju u različitim industrijama. Najčešći primjeri su:

BFSI: U okruženju stroge regulative, AryaXAI BFSI industriji olakšava usklađivanje zahtjeva i prikupljanje dokaza potrebnih za upravljanje rizikom i osiguravanje usklađenosti.

• Kreditno osiguranje za sigurne/neosigurane zajmove
• Identificiranje prijevara/sumnjivih transakcija
• Revizija
• Upravljanje životnim ciklusom korisnika
• Kreditna odluka

Autonomni automobili: Autonomna vozila moraju se pridržavati regulatorne strogosti, operativne sigurnosti i objašnjivosti odluka u stvarnom vremenu. AryaXAI omogućuje razumijevanje interakcije AI sustava s vozilom

• Analiza odluka
• Autonomni rad vozila
• Podaci o zdravstvenom stanju vozila
• Nadzor AI sustava vožnje

Zdravstvo: AryaXAI pruža dublje uvide iz medicinske, tehnološke, pravne perspektive i perspektive pacijenata. Sve od otkrivanja lijeka do proizvodnje, prodaje i marketinga, Arya-xAI potiče multidisciplinarnu suradnju

• Otkrivanje droge
• Klinička istraživanja
• Validacija podataka kliničkih ispitivanja
• Kvalitetnija njega

Koja je vaša vizija budućnosti strojnog učenja u financijama?

Tijekom prošlog desetljeća došlo je do golemog obrazovanja i marketinga oko 'AI'. Tijekom tog vremena vidjeli smo višestruke hype cikluse. Sada bismo vjerojatno bili u 4. ili 6. hype ciklusu. Prvi je kada je Deep Learning osvojio ImageNet 2011./12. nakon čega je uslijedio rad na klasifikaciji slika/teksta, prepoznavanju govora, autonomnim automobilima, generativnoj umjetnoj inteligenciji i trenutno s velikim jezičnim modelima. Jaz između vrhunca hypea i masovne upotrebe smanjuje se sa svakim hype ciklusom zbog ponavljanja oko proizvoda, potražnje i financiranja.

Sada su se dogodile ove tri stvari:

1. Mislim da smo probili okvir razmjera za AI rješenja, barem od strane nekoliko stručnjaka. Na primjer, Open AI je trenutno organizacija koja ne stvara prihode, ali predviđaju prihod od 1 milijarde dolara u roku od 2 godine. Iako svaka tvrtka s umjetnom inteligencijom možda neće postići sličnu ljestvicu, predložak skalabilnosti je jasniji.
2.  Definicija idealnih AI rješenja gotovo je jasna svim vertikalama: Za razliku od ranije, gdje je proizvod izgrađen kroz iterativne eksperimente za svaki slučaj upotrebe i svaku organizaciju, dionici su sve više obrazovani da razumiju što im je potrebno od AI rješenja.
3. Propisi sada sustižu korak: Potreba za jasnim propisima o privatnosti podataka i korištenju umjetne inteligencije sada dobiva veliku privlačnost. Upravljačka i regulatorna tijela mogu objaviti ili su u postupku objavljivanja okvira potrebnih za sigurnu, etičku i odgovornu upotrebu umjetne inteligencije.

Što je sljedeće?

Eksplozija 'Model-as-a-service (MaaS)':

Vidjet ćemo sve veću potražnju za prijedlozima 'Model-as-a-service', ne samo horizontalno nego i vertikalno. Dok 'OpenAI' predstavlja dobar primjer 'Horizonal MaaS', Arya.ai je primjer vertikalnog 'MaaS'. S iskustvom implementacije i skupova podataka, Arya.ai prikuplja kritične vertikalne skupove podataka koji se koriste za obuku modela i pružaju ih kao plug-and-use ili unaprijed obučene modele.

Vertikalizacija je nova horizontala: Vidjeli smo ovaj trend u 'usvajanju oblaka'. Dok se horizontalni igrači u oblaku fokusiraju na 'platforme za svakoga', vertikalni igrači fokusiraju se na zahtjeve krajnjeg korisnika i pružaju ih kao specijalizirani sloj proizvoda. To vrijedi čak i za MaaS ponude.

XAI i upravljanje umjetnom inteligencijom postat će norma u poduzećima: Ovisno o osjetljivosti propisa, svaka vertikala će postići prihvatljiv XAI i okvir upravljanja koji bi se implementirao kao dio dizajna, za razliku od danas, gdje se tretira kao dodatak.

Generativna umjetna inteligencija na tabličnim podacima mogla bi vidjeti svoje hype cikluse u poduzećima: Stvaranje sintetičkih skupova podataka navodno je jedno od rješenja koja se lako implementiraju za rješavanje izazova povezanih s podacima u poduzećima. Timovi za znanost o podacima to bi više voljeli jer je problem u njihovoj kontroli, za razliku od oslanjanja na poslovanje jer može oduzeti vrijeme, biti skupo i nije zajamčeno da će slijediti sve korake tijekom prikupljanja podataka. Sintetički podaci rješavaju probleme s pristranošću, neravnotežom podataka, privatnošću podataka i nedostatkom podataka. Naravno, učinkovitost ovog pristupa tek treba dokazati. Ipak, s većom zrelošću novih tehnika poput transformatora, mogli bismo vidjeti više eksperimentiranja s tradicionalnim skupovima podataka poput tabličnih i višedimenzionalnih podataka. Nakon uspjeha, ovaj pristup može imati ogroman utjecaj na poduzeća i MaaS ponudu.

Postoji li još nešto što biste željeli podijeliti s Arya.ai?

Fokus Arya.ai je rješavanje 'AI' za banke, osiguravatelje i financijske usluge. Naš pristup je vertikalizacija tehnologije do posljednjeg sloja i njezina upotrebljivost i prihvatljivost svakoj organizaciji i dioniku.

AryaXAI (xai.arya.ai) igrat će važnu ulogu u njegovom dostavljanju masama unutar FSI vertikale. Naše kontinuirano istraživanje sintetičkih podataka uspjelo je u nekoliko slučajeva upotrebe, ali cilj nam je učiniti ih održivijom i prihvatljivijom opcijom. Nastavit ćemo dodavati više slojeva našem 'AI' oblaku kako bismo služili našoj misiji.

Mislim da ćemo vidjeti više startupa kao što je Arya.ai, ne samo u FSI vertikali, već u svakoj vertikali.

Hvala vam na sjajnom intervjuu, čitatelji koji žele saznati više neka ga posjete Arya.ai.