Vinay Kumar Sankarapu, az Arya.ai társalapítója és vezérigazgatója – Interjúsorozat

Vinay Kumar Sankarapu a társaság társalapítója és vezérigazgatója Arya.ai, egy platform, amely az „AI” felhőt kínálja a bankok, biztosítók és pénzügyi szolgáltatások (BFSI) intézményei számára, hogy megtalálják a megfelelő AI API-kat, szakértői mesterségesintelligencia-megoldásokat és átfogó mesterségesintelligencia-irányítási eszközöket, amelyek a megbízható és öntanuló AI-motorok telepítéséhez szükségesek.

Az Ön háttere matematikából, fizikából, kémiából és gépészmérnökből származik. Meg tudná beszélni a számítástechnikára és a mesterséges intelligencia felé vezető utat?

Az IIT Bombay-nél van „kettős fokozatú programunk”, amely egy 5 éves tanfolyamot biztosít a műszaki alapképzés és a technológiai mesterképzés számára. Gépészmérnökként végeztem a „Számítógéppel segített tervezés és gyártás” szakirányt, ahol a számítástechnika a tantervünk része. A posztgraduális kutatásunkhoz úgy döntöttem, hogy a mély tanulással foglalkozom. Miközben elkezdtem a DL-t a folyamatos gyártás meghibásodás-előrejelzési keretrendszerének felépítésére, befejeztem a CNN-ek RUL-előrejelzéséhez való használatával kapcsolatos kutatásomat. Ez 2013/14 körül volt.

Még az egyetemen indította el az Arya.ai-t. Megosztaná az indulás mögött meghúzódó történetét?

Az akadémiai kutatás részeként 3-4 hónapot kellett szakirodalmi áttekintésre fordítanunk, hogy részletes tanulmányt készítsünk az érdeklődésünkre számot tartó témáról, az eddigi munkák köréről és arról, hogy mi lehet kutatásunk lehetséges fókuszterülete. 2012/13-ban az általunk használt eszközök meglehetősen alapvetőek voltak. Az olyan keresőmotorok, mint a Google Scholar és a Scopus, éppen kulcsszavas keresést végeztek. Nagyon nehéz volt felfogni a rendelkezésre álló tudás mennyiségét. Azt hittem, ez a probléma csak rosszabb lesz. 2013-ban szerintem percenként legalább 30+ dolgozat jelent meg. Ma ez legalább 10x-20x annál.

Szerettünk volna létrehozni egy „AI” asszisztenst, mint „professzort” a kutatók számára, hogy segítsen nekik kutatási témát javasolni, megtalálni a legfrissebb megfelelő papírt, és bármit, ami a STEM-kutatással kapcsolatos. A mély tanulásban szerzett tapasztalataink alapján úgy gondoltuk, hogy meg tudjuk oldani ezt a problémát. 2013-ban 3 fős csapattal indítottuk el az Arya.ai-t, majd 7-ben még főiskolás koromban 2014 főre bővült.

A termék első verziója több mint 30 millió papír és absztrakt lekaparásával készült. Akkoriban a legmodernebb technikákat alkalmaztuk a mélytanulásban, hogy létrehozzunk egy AI STEM kutatási asszisztenst és egy kontextus szerinti keresőmotort a STEM számára. De amikor bemutattuk az AI-asszisztenst néhány professzornak és társunknak, rájöttünk, hogy túl korán jártunk. A beszélgetési folyamatok korlátozottak voltak, és a felhasználók szabad áramlást és folyamatos konverziót vártak. Az elvárások akkoriban (2014/15) nagyon irreálisak voltak, pedig összetett kérdésekre adott választ.

Ezt követően arra törekedtünk, hogy kutatásainkat felhasználjuk, és a kutatók és a vállalkozások számára szánt ML-eszközökre összpontosítsunk, mint a mély tanulás demokratizálásának munkaasztalát. De ismét csak nagyon kevés adattudós használta a DL-t 2016-ban. Ezért megkezdtük annak vertikálissá tételét egy ágazat számára, és arra összpontosítottunk, hogy speciális termékrétegeket építsünk fel egy vertikumhoz, azaz a pénzügyi szolgáltatási intézményekhez (FSI). Tudtuk, hogy ez működni fog, mert míg a nagy játékosok célja, hogy megnyerjék a horizontális játékot, a vertikális kialakítás nagy USP-t jelenthet az induló vállalkozások számára. Ezúttal igazunk volt!

A bankok, biztosítók és pénzügyi szolgáltatások AI felhőjét a legspeciálisabb vertikális rétegekkel építjük, hogy méretezhető és felelősségteljes mesterségesintelligencia-megoldásokat biztosítsunk.

Mekkora probléma a mesterséges intelligencia fekete doboza a pénzügyekben?

Nagyon fontos! A pénzintézetek mindössze 30%-a használja ki teljes mértékben az „AI”-t. Míg az egyik ok a hozzáférhetőség, a másik az „AI” bizalom és az auditálhatóság hiánya. Néhány földrajzi területen már egyértelműek az AI használatának törvényszerűségei az alacsony, közepes és nagy érzékenységű felhasználási esetekben. Az EU-ban törvény írja elő, hogy a „magas kockázatú” felhasználási esetekben átlátható modelleket kell alkalmazni. A pénzintézeteknél sok felhasználási eset magas kockázatú felhasználási eset. Tehát fehér dobozos modelleket kell használniuk.

Az AI-megoldások korai tapasztalatai miatt a hype-ciklusok is lenyugodnak. Az utóbbi időben egyre több példa akad a fekete doboz „AI” használatának hatásaira, az „AI” kudarcaira a nem figyelés miatt, valamint a jogi és kockázatkezelőkkel szembeni kihívásokra a korlátozott ellenőrizhetőség miatt.

Meg tudná beszélni a különbséget az ML megfigyelés és az ML megfigyelhetőség között?

 A megfigyelő eszköz feladata egyszerűen a figyelés és a riasztás. A megfigyelési eszköz feladata pedig nem csak az, hogy figyelemmel kísérje és jelentse, hanem ami a legfontosabb, hogy elegendő bizonyítékot szolgáltasson a meghibásodás okainak megtalálásához vagy a hibák előrejelzéséhez.

Az AI/ML-ben ezek az eszközök kritikus szerepet játszanak. Bár ezek az eszközök biztosítják a szükséges szerepköröket vagy megfigyelést, az ML megfigyelhetőség hatóköre

Miért van szükség iparág-specifikus platformokra az ML megfigyelhetőséghez, szemben az általános célú platformokkal?

Az általános célú platformokat mindenki számára és bármilyen felhasználási esetre tervezték, iparágtól függetlenül – bármely felhasználó beléphet és elkezdheti használni a platformot. E platformok ügyfelei általában fejlesztők, adattudósok stb. A platformok azonban összetett természetük és az „egy méret mindenkinek” megközelítés miatt számos kihívás elé állítják az érintetteket.

Sajnos manapság a legtöbb vállalkozásnak adattudományi szakértőkre van szüksége, hogy általános célú platformokat használjanak, és további megoldásokra/termékrétegekre van szükségük ahhoz, hogy ezeket a modelleket a végfelhasználók által bármely ágazatban „használhatóvá” tegyék. Ez magában foglalja a magyarázhatóságot, az auditálást, a szegmenseket/forgatókönyveket, a humán-in-the-loop folyamatokat, a visszacsatolási címkézést, az auditálást, az eszközspecifikus folyamatokat stb.

Ez az, ahol az iparág-specifikus AI-platformok előnyt jelentenek. Egy iparág-specifikus mesterségesintelligencia-platform birtokolja a teljes munkafolyamatot, hogy megoldja a megcélzott ügyfél szükségleteit vagy használati eseteit, és úgy lett kifejlesztve, hogy teljes terméket biztosítson a végétől a végéig, az üzleti igények megértésétől a termék teljesítményének nyomon követéséig. Számos iparág-specifikus akadály van, például szabályozási és megfelelőségi keretek, adatvédelmi követelmények, audit és ellenőrzési követelmények stb. Az iparág-specifikus mesterségesintelligencia-platformok és -ajánlatok felgyorsítják az AI alkalmazását, és lerövidítik a gyártáshoz vezető utat a fejlesztési idő és a kapcsolódó kockázatok csökkentésével az AI bevezetésében. Ezen túlmenően ez segít abban is, hogy az iparágban a mesterséges intelligencia szakértelmét olyan termékrétegként egyesítsék, amely elősegíti a mesterséges intelligencia elfogadottságának javítását, a megfelelőségi erőfeszítések előmozdítását és az etikai, bizalommal és hírnévvel kapcsolatos aggályok közös megközelítéseinek kidolgozását.

Megosztana néhány részletet az Arya.ai által kínált ML Observability platformról?

Több mint 6+ éve dolgozunk pénzügyi szolgáltató intézményekben. 2016 óta. Ezzel korán szembesültünk az egyedülálló kihívásokkal az összetett mesterségesintelligencia FSI-kbe való bevezetése során. Az egyik fontos kihívás a mesterséges intelligencia elfogadása volt. Más vertikumoktól eltérően, sok szabályozás vonatkozik a szoftverek használatára (az AI-megoldásokra is), az adatvédelemre, az etikára és ami a legfontosabb, az üzletre gyakorolt ​​pénzügyi hatásra. Ahhoz, hogy ezeket a kihívásokat széleskörűen kezelhessük, folyamatosan új magyarázhatósági, auditálási, használati kockázati és elszámoltathatósági szinteket kellett kitalálnunk és hozzáadnunk a megoldásainkhoz – követelésfeldolgozás, jegyzés, csalásfigyelés stb. Megfigyelhetőségi keretrendszer a pénzügyi szolgáltatási ágazat különböző érdekelt felei számára.

A keretrendszer DIY verzióját most adjuk ki AryaXAI néven (xai.arya.ai). Bármely ML vagy üzleti csapat használhatja az AryaXAI-t, hogy rendkívül átfogó mesterségesintelligencia-irányítást hozzon létre a kritikus felhasználási esetekre. A platform átláthatóságot és auditálhatóságot biztosít az AI-megoldásokhoz, amelyek minden érdekelt fél számára elfogadhatók. Az AryaXAI biztonságosabbá és elfogadhatóbbá teszi a mesterséges intelligenciát a küldetéskritikus felhasználási esetekben azáltal, hogy megbízható és pontos magyarázhatóságot biztosít, bizonyítékot kínál, amely alátámasztja a szabályozási gondosságot, kezeli a mesterséges intelligencia bizonytalanságát fejlett irányelvek biztosításával, valamint biztosítja a termelés következetességét az adatok vagy a modelleltolódás figyelésével és a felhasználók figyelmeztetésével. kiváltó ok elemzésével.

Az AryaXAI közös munkafolyamatként is működik, és minden érdekelt fél – adattudományi, informatikai, kockázati, üzemeltetési és megfelelőségi csoportok – számára elfogadható betekintést nyújt, így az AI/ML modellek bevezetése és karbantartása zökkenőmentesen és zökkenőmentesen zajlik.

Egy másik kínált megoldás egy olyan platform, amely az ML-modell alkalmazhatóságát a kontextuális irányelvek megvalósításával javítja. Le tudnád írni, hogy mi ez konkrétan?

A szolgáltatások és az előrejelzések hatalmas mennyisége miatt nehézkessé válik az ML modellek nyomon követése és vezérlése a gyártás során. Ezenkívül a modell viselkedésének bizonytalansága megnehezíti az irányítás, a kockázatok és a megfelelés kezelését és szabványosítását. A modellek ilyen kudarcai súlyos hírnév- és anyagi veszteségekhez vezethetnek.

Az AryaXAI a „Policy/Risk Controls”-t kínálja, amely kritikus elem, amely megőrzi az üzleti és etikai érdekeket azáltal, hogy a mesterséges intelligencia szabályait érvényesíti. A felhasználók könnyen hozzáadhatnak/szerkeszthetnek/módosíthatnak házirendeket a házirend-vezérlők felügyeletéhez. Ez lehetővé teszi a többfunkciós csapatok számára, hogy meghatározzák az irányelvek védőkorlátait, hogy biztosítsák a folyamatos kockázatértékelést, megvédve az üzletet a mesterséges intelligencia bizonytalanságától.

Milyen példák vannak ezeknek a termékeknek a felhasználási eseteire?

Az AryaXAI különféle, kritikus fontosságú folyamatokhoz alkalmazható iparágakban. A leggyakoribb példák a következők:

BFSI: A szigorú szabályozási környezetben az AryaXAI megkönnyíti a BFSI iparág számára a követelményekhez való igazodást és a kockázatkezeléshez és a megfelelőség biztosításához szükséges bizonyítékok összegyűjtését.

• Hiteljegyzés biztonságos/fedezet nélküli kölcsönökhöz
• Csalás/gyanús tranzakciók azonosítása
• Könyvvizsgálat
• Ügyfél életciklus-kezelése
• Hiteldöntés

Autonóm autók: Az autonóm járműveknek be kell tartaniuk a szabályozási szigort, az üzembiztonságot és a magyarázhatóságot a valós idejű döntéseknél. Az AryaXAI lehetővé teszi annak megértését, hogy az AI-rendszer hogyan működik együtt a járművel

• Döntéselemzés
• Autonóm járműműveletek
• Jármű-egészségügyi adatok
• Monitoring AI vezetési rendszer

Egészségügy: Az AryaXAI mélyebb betekintést nyújt orvosi, technológiai, jogi és betegszempontból. A gyógyszerkutatástól a gyártásig, értékesítésig és marketingig az Arya-xAI elősegíti a multidiszciplináris együttműködést

• Kábítószer-felfedezés
• Klinikai kutatás
• Klinikai vizsgálati adatok validálása
• Magasabb minőségű ellátás

Mi az elképzelése a gépi tanulás jövőjéről a pénzügyekben?

Az elmúlt évtizedben óriási oktatás és marketing folyt az „AI” körül. Ezalatt az idő alatt több hype-ciklust láttunk. Valószínűleg a 4. vagy 6. hype ciklusnál tartunk. Az első, amikor a Deep Learning megnyerte az ImageNet-et 2011/12-ben, ezt követte a kép/szöveg osztályozás, a beszédfelismerés, az autonóm autók, a generatív mesterséges intelligencia és jelenleg a nagy nyelvi modellek körüli munka. A termék, a kereslet és a finanszírozás körüli iterációk miatt minden hype-ciklussal csökken a szakadék a csúcshype és a tömeges használat között.

Ez a három dolog történt most:

1. Úgy gondolom, hogy legalább néhány szakértő által áttörtük az AI-megoldások léptékének kereteit. Például az Open AI jelenleg nem bevételtermelő szervezet, de 1 éven belül 2 milliárd dollár bevételt terveznek. Bár nem minden mesterséges intelligencia vállalat nem ér el hasonló léptéket, a skálázhatóság sablonja világosabb.
2.  Az Ideális AI-megoldások meghatározása szinte minden vertikum számára egyértelmű: A korábbiaktól eltérően, ahol a terméket iteratív kísérletekkel építették fel minden felhasználási esetre és minden szervezetre, az érdekelt felek egyre jobban képzettek arra, hogy megértsék, mire van szükségük az AI-megoldásokból.
3. A szabályozás most utoléri: Az adatvédelem és a mesterséges intelligencia használatára vonatkozó egyértelmű szabályozások iránti igény egyre nagyobb teret hódít. Az irányító testületek és a szabályozó testületek közzétehetik vagy közzétehetik a mesterséges intelligencia biztonságos, etikus és felelős használatához szükséges keretrendszereket.

Mi a következő lépés?

A „Model-as-a-service (MaaS)” robbanása:

Nemcsak horizontálisan, hanem vertikálisan is növekvő keresletet fogunk látni a „Modell-as-a-service” javaslatok iránt. Míg az „OpenAI” a „Horitzonal MaaS” jó példája, az Arya.ai a függőleges „MaaS” példája. Az üzembe helyezés és az adatkészletek tapasztalatai alapján az Arya.ai olyan kritikus függőleges adatkészleteket gyűjt össze, amelyeket modellek betanítására használnak fel, és azokat plug-and-use vagy előre betanított modellként biztosítják.

A vertikalizáció az új vízszintes: Láttuk ezt a tendenciát a „felhő elfogadásában”. Míg a horizontális felhőlejátszók a „mindenki platformokra” összpontosítanak, a vertikális játékosok a végfelhasználók igényeire összpontosítanak, és speciális termékrétegként biztosítják azokat. Ez még a MaaS-ajánlatokra is igaz.

Az XAI és a mesterséges intelligencia irányítása normává válik a vállalatoknál: A szabályozás érzékenységétől függően minden vertikum elér egy elfogadható XAI-t és irányítási keretet, amelyet a tervezés részeként valósítanak meg, ellentétben a mai nappal, ahol kiegészítőként kezelik.

A táblázatos adatokon alapuló generatív mesterséges intelligencia a vállalkozásoknál tapasztalhatja a hype ciklusait: A szintetikus adatkészletek létrehozása állítólag az egyik könnyen megvalósítható megoldás a vállalkozások adattal kapcsolatos kihívásainak megoldására. Az adattudományi csapatok ezt preferálnák, mivel a probléma az ő kezükben van, nem úgy, mint az üzletre támaszkodva, mivel időbe telhet, drágák, és nem garantáltan követik az összes lépést az adatgyűjtés során. A szintetikus adatok megoldják a torzítási problémákat, az adatok kiegyensúlyozatlanságát, az adatvédelmet és az adatok elégtelenségét. Természetesen ennek a megközelítésnek a hatékonysága még nem bizonyított. Mindazonáltal az új technikák, például a transzformátorok kiforrottabbá válásával több kísérletet láthatunk a hagyományos adatkészletekkel, például táblázatos és többdimenziós adatokkal. Siker esetén ez a megközelítés óriási hatással lehet a vállalkozásokra és a MaaS-kínálatra.

Van még valami, amit meg szeretne osztani az Arya.ai-val kapcsolatban?

Az Arya.ai középpontjában az „AI” megoldása áll a bankok, biztosítók és pénzügyi szolgáltatások számára. Szemléletünk a technológia vertikálissá tétele az utolsó rétegig, és minden szervezet és érdekelt fél számára használhatóvá és elfogadhatóvá tétele.

Az AryaXAI (xai.arya.ai) fontos szerepet fog játszani az FSI vertikumon belüli tömegekhez való eljuttatásában. A szintetikus adatokkal kapcsolatos, folyamatban lévő kutatásunk néhány felhasználási esetben sikeres volt, de célunk, hogy életképesebb és elfogadhatóbb megoldássá tegyük. Továbbra is további rétegeket adunk az „AI” felhőnkhöz, hogy szolgáljuk küldetésünket.

Úgy gondolom, hogy több olyan induló vállalkozást fogunk látni, mint az Arya.ai, nem csak az FSI ágazatban, hanem minden ágazatban.

Köszönjük a remek interjút, azoknak az olvasóknak, akik többet szeretnének megtudni, látogassanak el Arya.ai.