Dr. Devavrat Shah, Co-Founder & CEO of Ikigai Labs – Interview Series

Dr. Devavrat Shah adalah Co-founder dan CEO of Ikigai Labs dan dia adalah seorang profesor dan direktur Statistics and Data Science Center at MIT. Ia co-founded Celect, sebuah platform analitik prediktif untuk retailer, yang ia jual ke Nike. Devavrat memegang gelar Sarjana dan PhD di Ilmu Komputer dari Indian Institute of Technology dan Stanford University, respectively.

Ikigai Labs menyediakan platform berbasis AI yang dirancang untuk mengubah data tabular dan time series perusahaan menjadi wawasan prediktif dan dapat diambil tindakan. Dengan menggunakan Large Graphical Models yang dipatenkan, platform ini memungkinkan pengguna bisnis dan pengembang di berbagai industri untuk meningkatkan proses perencanaan dan pengambilan keputusan mereka.

Apakah Anda bisa berbagi cerita di balik pendirian Ikigai Labs? Apa yang menginspirasi Anda untuk beralih dari akademisi ke wirausaha?

Saya sebenarnya telah berganti antara dunia akademis dan bisnis selama beberapa tahun sekarang. Saya co-founded Ikigai Labs dengan mantan mahasiswa saya di MIT, Vinayak Ramesh. Sebelumnya, saya co-founded sebuah perusahaan bernama Celect yang membantu retailer mengoptimalkan keputusan inventory melalui peramalan permintaan berbasis AI. Celect diakuisisi oleh Nike pada 2019.

Apa itu Large Graphical Models (LGMs), dan bagaimana mereka berbeda dari Large Language Models (LLMs) yang lebih dikenal?

LGMs atau Large Graphical Models adalah pandangan probabilistik dari data. Mereka berbeda tajam dengan “Foundation model”-based AI seperti LLM.

Model Fondasi mengasumsikan bahwa mereka dapat “belajar” semua pola relevan dari corpus data yang sangat besar. Dan ketika sebuah potongan data baru disajikan, dapat diekstrapolasikan berdasarkan bagian relevan dari corpus data. LLMs telah sangat efektif untuk data tidak terstruktur (teks, gambar).

LGMs sebaliknya mengidentifikasi pola fungsional yang tepat dari “universe” pola fungsional yang diberikan snippet data. LGMs dirancang sehingga mereka memiliki semua pola fungsional relevan yang tersedia untuk mereka yang relevan dengan data terstruktur (tabular, time series).

LGMs dapat belajar dan memberikan prediksi yang akurat menggunakan data yang sangat terbatas. Misalnya, mereka dapat digunakan untuk melakukan peramalan yang sangat akurat dari tren atau hasil bisnis yang dinamis.

Bagaimana LGMs khususnya cocok untuk menganalisis data terstruktur, tabular, dan apa kelebihan yang mereka tawarkan dibandingkan dengan model AI lainnya dalam area ini?

LGMs dirancang khusus untuk memodelkan data terstruktur (yaitu tabular, time series data). Sebagai hasilnya, mereka memberikan akurasi yang lebih baik dan prediksi yang lebih dapat diandalkan.

Selain itu, LGMs memerlukan lebih sedikit data daripada LLMs dan oleh karena itu memiliki persyaratan komputasi dan penyimpanan yang lebih rendah, sehingga biaya lebih rendah. Ini juga berarti bahwa organisasi dapat mendapatkan wawasan yang akurat dari LGMs bahkan dengan data pelatihan yang terbatas.

LGMs juga mendukung privasi dan keamanan data yang lebih baik. Mereka hanya dilatih pada data perusahaan sendiri – dengan tambahan dari sumber data eksternal yang dipilih (seperti data cuaca dan media sosial) ketika diperlukan. Tidak pernah ada risiko bahwa data sensitif dibagikan dengan model publik.

Dalam jenis skenario bisnis apa LGMs memberikan nilai tambah? Apakah Anda bisa memberikan contoh tentang bagaimana mereka telah digunakan untuk meningkatkan peramalan, perencanaan, atau pengambilan keputusan?

LGMs memberikan nilai dalam skenario apa pun di mana sebuah organisasi perlu memprediksi hasil bisnis atau mengantisipasi tren untuk memandu strategi mereka. Dengan kata lain, mereka membantu di berbagai kasus penggunaan.

Bayangkan sebuah bisnis yang menjual kostum dan barang-barang Halloween dan mencari wawasan untuk membuat keputusan merchandising yang lebih baik. Mengingat musim mereka, mereka berjalan di atas garis tipis: Di satu sisi, perusahaan perlu menghindari kelebihan stok dan berakhir dengan stok yang tidak terjual (yang berarti barang tidak terjual dan CAPEX yang terbuang). Di sisi lain, mereka juga tidak ingin kehabisan stok terlalu awal (yang berarti mereka melewatkan penjualan).

Dengan menggunakan LGMs, bisnis dapat mencapai keseimbangan yang sempurna dan memandu upaya merchandising ritel mereka. LGMs dapat menjawab pertanyaan seperti:

• Costume apa yang harus saya stok musim ini? Berapa banyak yang harus saya stok untuk setiap SKU secara keseluruhan?
• Bagaimana SKU akan terjual di lokasi tertentu?
• Bagaimana aksesoris akan terjual dengan kostum ini?
• Bagaimana kita dapat menghindari kanibalisme penjualan di kota-kota di mana kita memiliki beberapa toko?
• Bagaimana kostum baru akan berperforma?

Bagaimana LGMs membantu dalam skenario di mana data langka, tidak konsisten, atau berubah dengan cepat?

LGMs menggunakan rekonsiliasi data berbasis AI untuk memberikan wawasan yang akurat bahkan ketika menganalisis set data kecil atau bising. Rekonsiliasi data memastikan bahwa data konsisten, akurat, dan lengkap. Ini melibatkan membandingkan dan memvalidasi set data untuk mengidentifikasi inkonsistensi, kesalahan, atau ketidakakuratan. Dengan menggabungkan struktur spasial dan temporal dari data, LGMs memungkinkan prediksi yang baik dengan data yang terbatas dan rusak. Prediksi ini juga dilengkapi dengan kuantifikasi ketidakpastian serta interpretasi.

Bagaimana misi Ikigai untuk mendemokratisasi AI sejalan dengan pengembangan LGMs? Bagaimana Anda melihat LGMs membentuk masa depan AI dalam bisnis?

AI mengubah cara kita bekerja, dan perusahaan harus siap untuk memberdayakan pekerja semua jenis. Platform Ikigai menawarkan pengalaman low code/no code yang sederhana untuk pengguna bisnis serta pengalaman AI Builder dan API yang lengkap untuk ilmuwan data dan pengembang. Selain itu, kami menawarkan pendidikan gratis di Akademi Ikigai sehingga siapa pun dapat belajar dasar-dasar AI serta mendapatkan pelatihan dan sertifikasi pada platform Ikigai.

LGMs akan memiliki dampak besar pada bisnis yang ingin menggunakan genAI untuk kasus penggunaan yang memerlukan pemodelan numerik prediktif dan statistik, seperti peramalan probabilistik dan perencanaan skenario. Tetapi LLMs tidak dirancang untuk kasus penggunaan ini, dan banyak organisasi berpikir bahwa LLMs adalah satu-satunya bentuk genAI. Jadi mereka mencoba Large Language Models untuk tujuan peramalan dan perencanaan, dan mereka tidak memberikan hasil. Mereka menyerah dan menganggap genAI tidak mampu mendukung aplikasi ini. Ketika mereka menemukan LGMs, mereka akan menyadari bahwa mereka memang dapat menggunakan generative AI untuk mengarahkan peramalan dan perencanaan yang lebih baik dan membantu mereka membuat keputusan bisnis yang lebih baik.

Platform Ikigai mengintegrasikan LGMs dengan pendekatan berbasis manusia melalui fitur eXpert-in-the-loop. Bagaimana kombinasi ini meningkatkan akurasi dan adopsi model AI di perusahaan?

AI memerlukan pengawasan, karena organisasi secara alami curiga bahwa teknologi akan berfungsi dengan akurat dan efektif. Salah satu pengawasan ini adalah pengawasan manusia, yang dapat membantu memasukkan keahlian domain kritis dan memastikan model AI memberikan prediksi yang relevan dan berguna bagi bisnis mereka. Ketika organisasi dapat menempatkan seorang ahli manusia dalam peran memantau AI, mereka dapat mempercayainya dan memverifikasi akurasi. Ini mengatasi hambatan besar untuk adopsi.

Apa inovasi teknologi kunci di platform Ikigai yang membuatnya berbeda dari solusi AI lain yang tersedia di pasar?

Teknologi LGM inti kami adalah pembeda terbesar. Ikigai adalah pelopor di ruang ini tanpa peer. Saya dan co-founder saya menciptakan LGMs selama pekerjaan akademis kami di MIT. Kami adalah inovator dalam model grafis besar dan penggunaan genAI pada data terstruktur.

Apa dampak yang Anda bayangkan LGMs akan memiliki pada industri yang sangat bergantung pada peramalan dan perencanaan yang akurat, seperti ritel, manajemen rantai pasokan, dan keuangan?

LGMs akan benar-benar transformatif karena dirancang khusus untuk digunakan pada data tabular dan time series yang merupakan darah hidup setiap perusahaan. Hampir setiap organisasi di setiap industri sangat bergantung pada analisis data terstruktur untuk peramalan permintaan dan perencanaan bisnis untuk membuat keputusan yang tepat baik jangka pendek maupun jangka panjang – apakah keputusan tersebut terkait dengan merchandising, perekrutan, investasi, pengembangan produk, atau kategori lainnya. LGMs menyediakan sesuatu yang paling dekat dengan bola kristal yang mungkin untuk membuat keputusan terbaik.

Memandang ke depan, apa langkah selanjutnya untuk Ikigai Labs dalam meningkatkan kemampuan LGMs? Apakah ada fitur atau pengembangan baru yang sedang dalam proses yang Anda sangat antusias?

Model aiPlan kami yang ada mendukung analisis what-if dan skenario. Menjelang ke depan, kami bertujuan untuk lebih mengembangkan dan memungkinkan Reinforcement Learning penuh untuk tim operasional. Ini akan memungkinkan tim operasional untuk melakukan perencanaan yang didorong AI baik dalam jangka pendek maupun jangka panjang.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Ikigai Labs.