Ahmed Elsamadisi, Pendiri & CEO Narrator.ai – Seri Wawancara

Ahmed Elsamadisi adalah Pendiri & CEO Narrator.ai, sebuah perusahaan intelijen data yang membekali pengambil keputusan dengan wawasan yang dapat ditindaklanjuti secara personal.

Ahmed memulai karirnya di Laboratorium Sistem Otonom Cornell, fokus pada interaksi manusia-robot dan fusi data Bayesian, serta membangun algoritma untuk mobil otonom.

Apa yang awalnya menarik Anda ke AI dan ilmu data?

Saya jatuh cinta dengan cara orang membuat keputusan. Mulai dari psikologi, ke teknik sosial, dan akhirnya ke cara kita bernalar tentang ketidakpastian. Ini membuat saya ingin mempelajari matematika Bayesian dan dunia mulai membuat lebih banyak sense. Saya memutuskan untuk memulai perjalanan untuk mereplikasi cara kita membuat keputusan.

Anda memiliki karir yang luar biasa, termasuk bekerja di Laboratorium Sistem Otonom Cornell, bisa Anda bagikan beberapa sorotan dari periode waktu itu?

Cornell’s ASL sangat menyenangkan! Dari mobil otonom kita hingga armada robot mobile, saya mendapatkan pengalaman membangun, memprogram, dan menguji algoritma dan perangkat keras di lingkungan nyata. Proyek favorit saya adalah ketika saya memimpin proyek untuk melihat apakah kita bisa bermain permainan 20 Pertanyaan dengan semua mahasiswa Cornell. Permainan itu sederhana, robot mencari objek dan bisa bertanya pertanyaan ya/tidak kepada mahasiswa Cornell untuk membantu menemukan objek. Satu twist kecil, manusia bisa berbohong.

Dalam situasi ini, tidak ada informasi yang sebenarnya, tidak ada yang benar-benar benar. Saya bekerja pada algoritma yang bisa menggabungkan informasi dari orang dan sensor untuk membuat keputusan yang lebih baik. Proyek ini kemudian diambil oleh Business Insider dan dikenal sebagai “robot yang bisa mendeteksi kebohongan.”

Momen-momen di mana data dan algoritma bisa melakukan sesuatu yang tidak bisa dibayangkan dengan mudah, itulah yang membuat proyek ini luar biasa.

Ide untuk Narrator berasal dari frustrasi Anda bekerja dengan data di perusahaan sebelumnya WeWork (WE ). Apa masalah yang Anda hadapi dengan pemodelan skema bintang?

Setiap perusahaan menggunakan skema bintang untuk model data mereka. Ini masuk akal! Anda membangun tabel yang mewakili serangkaian pertanyaan yang ingin Anda jawab, lalu Anda memberikannya kepada orang untuk dipetakan. Tantangan adalah bahwa pertanyaan terus berkembang dan berubah, sehingga serangkaian tabel yang Anda bangun tidak pernah cukup untuk menjawab semua pertanyaan yang mungkin. Satu-satunya solusi adalah membangun lebih banyak tabel, yang menyebabkan penyimpangan dari sumber kebenaran.

Saya selalu mencari “air flow data modeling” di Google untuk menunjukkan kepada orang apa yang terbaik dalam lapisan pemodelan, dan itu kompleks. Ratusan tabel yang saling bergantung.

Itulah yang terjadi. Di WeWork, saya berbicara dengan banyak unicorn dan melihat situasi yang sama yang kita hadapi. Kami menghabiskan jutaan dolar untuk alat data. Kami membangun ratusan model. Data masih kehilangan kepercayaan dan gagal menjawab pertanyaan secara tepat waktu. Lalu setiap 1-2 tahun, kita akan membangun kembali sistem menggunakan alat terbaru, tetapi dengan pendekatan yang sama.

Jika setiap perusahaan yang menerapkan skema bintang akhirnya memerlukan membangun kembali sistemnya, maka ada masalah dengan kerangka kerja.

Bagaimana Anda menemukan solusi yang lebih baik untuk bekerja dengan data?

Awalnya, saya mengambil inspirasi dari blog data. Dalam sebuah blog, sebuah perusahaan dapat menceritakan kisah tentang pelanggan dan analisis tanpa pernah menunjukkan model data mereka. Mereka menggunakan pelanggan, melakukan tindakan dalam waktu untuk menjelaskan analisis algoritma. Secara efektif, ini semua konsep yang dipahami semua orang (seorang pelanggan melihat situs web, lalu memesan pertemuan). Saya bertanya-tanya mengapa struktur itu tidak digunakan dalam data jika tampaknya memiliki potensi untuk mewakili apa pun. Jawaban singkatnya adalah struktur data ini tidak dapat diquery oleh alat BI (tidak ada yang bisa di-JOIN).

Model data kami, yang kami sebut skema aktivitas, tampaknya memiliki potensi untuk benar-benar mengubah dunia. Ini bisa memungkinkan setiap perusahaan memiliki satu model data yang dapat menjawab pertanyaan apa pun. Setiap perusahaan bisa memiliki model data yang sama — sehingga analisis dan algoritma bisa dibagikan di seluruh perusahaan untuk pertama kalinya. Dan akhirnya, ini bisa menciptakan cara umum bagi orang data untuk bekerja sama dan berbicara tentang data.

Saya pikir ini bisa merevolusi industri data, jadi saya meninggalkan WeWork pada 2017 dengan tujuan untuk membuat skema aktivitas dapat diquery.

Narrator mengeluarkan data yang diformat sangat berbeda dari apa yang biasanya kita harapkan, bisa Anda menjelaskan apa itu Narasi, dan bagaimana mereka diformat seperti sebuah cerita?

Narasi adalah analisis yang dapat ditindaklanjuti dalam format cerita.

Kita, sebagai orang data, terbiasa dengan dasbor. Namun, dasbor adalah sarana untuk mencapai tujuan. Dasbor menunjukkan data kepada Anda dan Anda perlu menafsirkannya sendiri:

1. Menentukan cara membaca ratusan visualisasi yang berbeda.
2. Menggabungkan data di kepala Anda untuk menentukan apa yang sebenarnya terjadi.
3. Membuat cerita di kepala Anda yang membuat sense dari potongan-potongan data.
4. Memutuskan tindakan yang akan diambil.

Tantangan dengan proses ini adalah bahwa setiap orang yang melihat dasbor akan menghasilkan cerita dan rekomendasi yang berbeda. Ini adalah bias alami.

Tujuan Narrator adalah untuk mengarahkan tindakan berdasarkan data. Ketika kita mengulangi, kita melihat bahwa pelanggan kita memerlukan cerita dan interpretasi untuk membuat keputusan, dan itulah yang kita berikan kepada mereka.

Narasi dimulai dengan tujuan yang jelas. Mereka membuat rekomendasi. Lalu menunjukkan poin-poin kunci yang akan Anda dapatkan. Akhirnya, mereka menjalani analisis. Setiap bagian menceritakan sebuah cerita tentang sesuatu yang kita pelajari dan data digunakan sebagai bukti pendukung.

Tunjukkan Narasi yang sama kepada 100 orang dan mereka semua kembali dengan rekomendasi dan interpretasi yang sama.

Narasi juga memahami bahwa bisnis Anda berubah, sehingga mereka dijalankan secara terus menerus setiap minggu untuk melihat apakah rekomendasi dan interpretasi masih valid dan akan memperbarui diri mereka sendiri.

Setelah melewati semua pembelajaran dan membuat Narasi menjadi alat penggerak tindakan yang luar biasa, kita menyadari bahwa sebagian besar perusahaan konsultasi besar juga telah mempelajari hal yang sama. McKinsey memberikan presentasi dan pendekatan serupa, bukan hanya dasbor. Kita bekerja untuk menyediakan kualitas ini dengan harga yang jauh lebih rendah.

Apa manfaat menggunakan Narrator untuk insinyur data?

Insinyur Data adalah advokat terbesar kita! Saya pikir itu karena saya memulai sebagai insinyur data, Narrator dibangun dengan mereka dalam pikiran.

Di Narrator, memodelkan data sangat mudah — Anda hanya perlu memetakan konsep dari sumber kebenaran ke model data kami. Kami menjalankan serangkaian tes untuk memastikan itu akan bekerja, lalu Anda mendorong ke produksi. Narrator menangani migrasi, menyinkronkan data, dan memastikan semuanya cepat dan mudah.

Di dalam Narrator, Anda bisa dengan cepat merakit dataset apa pun yang Anda inginkan dalam beberapa menit dan memberikannya kepada siapa pun yang meminta.

Kami juga memikirkan semua hal kecil yang Anda butuhkan dan memastikan Anda mendapatkannya:

• Transparansi penuh dalam semua pemrosesan dan kontrol untuk menjeda, membatalkan, jalankan_sekarang, dll.
• Kemampuan untuk meletakkan peringatan pada data mentah sebelum dan setelah transformasi.
• Log lengkap dari semua perubahan pada kueri.
• Visibilitas penuh untuk setiap pembaruan yang terjadi di tabel.
• 1 klik untuk mematerialkan dataset apa pun atau mengirimkannya ke Google sheet.
• Atur webhook cepat untuk mengirim data ke sistem apa pun.
• Hubungi dukungan dan Anda akan mendapatkan insinyur data untuk membantu Anda.
• Setiap kueri yang dihasilkan Narrator dapat DIBACA dan transparan.
• Debug data dengan garis waktu cepat dari semua yang terjadi pada pelanggan tertentu.
• Bangun 1 dataset dan buat banyak agregasi di atasnya (tidak perlu menyalin kueri yang sama di CTE).
• Jika Anda menukar salah satu blok bangunan, maka kami akan memperbarui semua data Anda.

Ada banyak lagi yang akan disukai insinyur data!

Seberapa banyak waktu yang dihemat dengan membuat laporan menggunakan Narrator dibandingkan dengan pemodelan tradisional?

Jujur, membandingkan Narrator dengan pemodelan tradisional tidak adil. Di Narrator, semua data Anda dimodelkan dalam hanya 1 hari, bukan bulan perencanaan seperti dalam skema bintang. Perubahan di Narrator rendah risiko dan mudah. Membuat tabel apa pun instan di Narrator karena Anda tidak perlu khawatir tentang kunci asing untuk menghubungkan semuanya.

Dalam hal Analisis, Narrator memiliki perpustakaan analisis yang ditulis tangan oleh ahli yang bisa dijalankan secara instan. Analisis ini telah dipikirkan dengan baik, diuji pada beberapa perusahaan, diperbarui berdasarkan perubahan bisnis Anda, memanfaatkan algoritma untuk menafsirkan data, dan disajikan dengan indah dalam format cerita. Tingkat pekerjaan ini sering dilakukan oleh tim insinyur data selama minggu (yang kita lakukan, tetapi kita lakukan sekali dan membuatnya tersedia secara instan untuk semua).

Apakah ada yang ingin Anda bagikan tentang Narrator?

Narrator berbeda.

Sulit untuk memahami bagaimana dan mengapa itu bekerja, tetapi setelah Anda memulai dengan itu, itu akan mengklik dan Anda tidak akan pernah bisa kembali.

Saya sangat antusias dengan dunia yang Narrator buat memungkinkan dan saya menyambut siapa pun untuk menghubungi kami untuk mempelajari lebih lanjut!

Bersama kita bisa membuat keputusan yang lebih baik yang akan menciptakan dunia yang lebih baik.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Narrator.ai.