Pedro Alves, CEO dan Pendiri Ople.ai – Seri Wawancara

Pedro Alves adalah CEO dan Pendiri Ople.ai, sebuah platform yang memberdayakan analis dan ahli subjek dengan analitik prediktif yang kuat. Platform ini dilengkapi dengan pengetahuan dan keahlian dari ilmuwan data terkemuka di dunia sehingga pengguna dapat fokus pada apa yang mereka lakukan dengan baik: menciptakan dampak bisnis.

Apa yang awalnya menarik Anda ke sains data?

Kembali pada tahun 2001, saya melihat potensi luar biasa dalam pembelajaran mesin dan kecerdasan buatan. Ketika saya belajar ilmu komputer sebagai sarjana, dan memutuskan subbidang apa yang akan saya lanjutkan, saya pikir: OK, AI/ML adalah bidang ilmu komputer yang menarik – Anda dapat membantu memprediksi peristiwa dalam bidang apa pun. Apakah Anda berada di biologi, kedokteran, atau keuangan, jika Anda memiliki pembelajaran mesin dan AI, Anda dapat memajukan bidang-bidang tersebut secara signifikan. Saya selalu berpikir bahwa matematika di baliknya sangat menarik.

Ketika saya memasuki sekolah pascasarjana, saya memutuskan bahwa cara terbaik untuk meningkatkan keahlian saya dalam pembelajaran mesin adalah dengan belajar bagaimana menerapkannya. Saya selalu sangat praktis; saya tidak ingin belajar teori hanya untuk kepentingan teori. Saya memilih untuk mempelajari pembelajaran mesin karena aplikasinya dalam bidang genomics dan proteomics. Semua pekerjaan pascasarjana saya berada di bidang biologi komputasi, tetapi fokusnya adalah pada pembelajaran mesin.

Tak lama setelah itu, saya memasuki industri kesehatan, di mana saya melihat potensi besar untuk aplikasi AI/ML. Itulah saat saya mulai melihat masalah yang dihadapi AI dalam praktek, di luar akademis. Saya mengalami kenyataan AI dan belajar bagaimana AI diterapkan secara tidak efektif di dunia nyata, dan bukan karena masalah teknis. Jadi, saya kemudian tertarik untuk memperbaiki masalah tersebut.

Anda sebelumnya adalah kepala ilmuwan data di Banjo, di mana Anda mengatasi tantangan di area jaringan sosial. Bisakah Anda membahas beberapa tantangan tersebut?

Sebagai perusahaan, kami akan mendeteksi peristiwa yang dicatat di media sosial, khususnya peristiwa yang perlu ditekankan sebagai potensi bahaya, seperti kecelakaan mobil atau bangunan yang terbakar. Kami membantu mengibarkan peristiwa tersebut, sehingga kami dapat membantu memobilisasi petugas pertama. Kami menggunakan media sosial untuk kebaikan.

Banyak dari peristiwa tersebut jarang terjadi, dengan respect kepada data media sosial. Misalnya, ada kecelakaan yang terjadi setiap hari di kota mana pun, tetapi ketika Anda melihat volume data media sosial, gambar kecelakaan mobil menjadi sangat kecil. Pertimbangkan jutaan gambar anjing, gambar makanan, jutaan gambar selfie, dan kemudian satu gambar kecelakaan mobil, semua dalam beberapa menit. Pada dasarnya, di Banjo, kami sedang mencari jarum di tumpukan jerami.

Jadi, salah satu tantangan yang timbul adalah terkait dengan penglihatan komputer. Meskipun penglihatan komputer sudah cukup baik pada saat itu, ketika Anda mencoba menemukan satu dari beberapa juta, bahkan tingkat kesalahan kecil dapat menghancurkan kemampuan Anda untuk mendeteksi peristiwa langka tersebut.

Misalnya, ada dataset publik yang, ketika digunakan untuk melatih jaringan saraf, menyebabkan mereka tidak dapat mengidentifikasi warna. Bahkan jika gambar di dataset tersebut berwarna, dan jaringan saraf tersebut melihat semua RGB, tidak menggunakan warna sebagai penanda. Ambil mobil polisi tradisional dan taksi tradisional – keduanya adalah model mobil yang sama dan peralatan tambahan di atas (yaitu sirine di mobil polisi atau sinyal bebas/sibuk di taksi). Tetapi, jika Anda melihat warna, perbedaan antara keduanya jelas. Karena contoh ini, kami dapat memahami bahwa menciptakan dataset yang tepat sangat penting.

Pada tahun 2017, Anda kemudian meluncurkan Ople. Apa cerita di balik startup ini?

Saya ingin perusahaan mendapatkan ROI yang solid dari implementasi AI. Menurut Gartner, antara 80 hingga 90 persen proyek AI tidak pernah melihat cahaya hari. Ini tidak ada hubungannya dengan aspek teknis, seperti akurasi model. Ini biasanya budaya perusahaan atau aspek prosedural di dalam perusahaan.

Ini mungkin disebabkan oleh kurangnya komunikasi yang cukup antara tim ilmu data dan pengguna bisnis, yang menyebabkan model yang memprediksi sesuatu yang tim bisnis tidak butuhkan karena tim ilmu data tidak memahami apa yang perlu dibangun. Atau, jika mereka membangun model yang benar, maka ketika tim ilmu data selesai, tim bisnis tidak memanfaatkan prediksi tersebut sama sekali. Di sebagian besar perusahaan, departemen seperti penjualan, pemasaran, dan logistik adalah yang seharusnya menggunakan AI, tetapi itu adalah tim ilmu data yang memahami model. Ketika tim-tim ini tidak memahami model yang dibangun untuk mereka, mereka cenderung tidak mempercayai prediksi dan oleh karena itu, tidak menggunakannya.

Jadi, jika AI tidak mengubah cara perusahaan melakukan bisnis, apa gunanya?

Kami ingin menciptakan platform yang memecahkan masalah ini – kami ingin membantu tim ilmu data atau analis bisnis, analis data, siapa pun yang terlibat dalam proses ini – membangun proyek yang tepat dan membantu karyawan memahami dan mempercayai model. Jika kami memperbaiki itu, maka saya percaya bahwa ilmu data dapat benar-benar berharga bagi perusahaan dengan cara yang nyata.

Anda telah menyatakan bahwa ilmuwan data kehilangan waktu berharga dengan melakukan tugas yang dapat diotomatisasi dengan AI. Apa contoh tugas yang seharusnya diotomatisasi?

Seorang ilmuwan data umumnya membutuhkan beberapa bulan untuk menyelesaikan model, dan setelah selesai, perusahaan akan menerapkan model tersebut, meskipun mungkin tidak seakurat mungkin. Dalam beberapa bulan setelah implementasi model, ilmuwan data akan terus bekerja pada model tersebut dalam upaya meningkatkan akurasi model dengan jumlah yang kecil. Ini biasanya di mana banyak ilmuwan data menghabiskan waktu mereka ketika mereka bisa menghabiskan waktu melakukan tugas lain, seperti memastikan karyawan memahami, mempercayai, dan menggunakan model AI yang ada. Semua waktu yang dihabiskan pada tugas seperti teknik fitur, pelatihan model, penyetelan parameter, dan pemilihan algoritma, mencoba meningkatkan akurasi model, dapat dengan mudah diotomatisasi dengan AI.

Bisakah Anda menjelaskan apa itu meta-pembelajaran dan bagaimana Ople menerapkan ini?

Sebelum saya membahas meta-pembelajaran, penting untuk memahami lapisan pertama pembelajaran mesin. Misalnya, Anda memiliki dataset yang memprediksi kapan mesin akan rusak di lantai pabrik. Mesin akan memberitahu karyawan bahwa mesin tersebut akan rusak, sehingga mereka dapat melakukan perawatan pencegahan. Ini dianggap sebagai lapisan pertama pembelajaran.

Meta-pembelajaran, sering disebut sebagai “pembelajaran untuk belajar”, adalah memahami proses pembelajaran tersebut lebih lanjut. Jadi, ketika Anda melatih model untuk memprediksi kesalahan mesin, Anda memiliki model lain yang mengamati. Misalnya, model kedua dapat membantu bisnis memahami parameter mana yang dipelajari dengan baik oleh model pemeliharaan prediktif, dan parameter mana yang tidak berfungsi dengan baik. Ketika Anda melakukan meta-pembelajaran, Anda menjadi lebih baik dalam membangun model yang lebih efisien, lebih cepat.

Apa pandangan Anda tentang data sintetis?

Data sintetis dapat sangat sulit untuk bekerja, jika tidak dilakukan dengan benar.

Misalnya, Anda memiliki data rekam medis – Anda memiliki 20 pasien, dan untuk pasien tersebut, Anda memiliki usia, jenis kelamin, berat, tinggi, tekanan darah, daftar obat, dll. Memungkinkan untuk menciptakan data sintetis dengan pembelajaran mesin berdasarkan rekam medis tersebut. Namun, jika Anda hanya mengandalkan pembelajaran mesin atau statistik, Anda dapat berakhir dengan data sintetis yang tidak masuk akal. Ini dapat menciptakan kombinasi acak dari nilai-nilai tersebut, seperti anak berusia 3 tahun yang tingginya 6 kaki atau orang yang tingginya 4 kaki yang beratnya 1000 pon. Meskipun AI/ML dapat diandalkan dalam banyak kasus, data sintetis yang digunakan untuk rekam medis akan memerlukan input dari dokter.

Jadi, Anda mendapatkan seorang profesional medis yang terlibat untuk menciptakan parameter, seperti “jika orang tersebut berusia ini, apa rentang tinggi dan berat yang realistis”, atau “jika mereka mengonsumsi obat ini, apa obat yang tidak boleh mereka konsumsi?” Proses ini akan menjadi upaya besar dan terlalu rumit untuk memetakan semua kemungkinan, karena mereka terkait dengan rekam medis setiap pasien.

Dalam hal gambar, bagaimanapun, data sintetis dapat lebih mudah dipahami dan dibuat. Misalnya, Anda memiliki gambar mobil, dan mobil tersebut berada di pojok kiri atas. Anda tidak perlu menjadi ahli untuk mengetahui bahwa mobil yang sama dapat berada di pojok kiri bawah, kanan atas, atau di tengah. Tidak hanya orang dapat menunjuk kamera dengan banyak cara, tetapi mereka juga dapat mengatur ulang gambar. Menggerakkan fokus gambar, sehingga mobil berada di semua sudut yang berbeda, adalah menciptakan data sintetis – metode lain yang sederhana adalah menggunakan rotasi.

Bisakah Anda memberikan contoh tentang bagaimana Ople membantu perusahaan dengan kebutuhan data mereka?

Ople.AI memberikan perusahaan kemampuan untuk menggunakan analitik data yang mendalam di semua tingkat organisasi dan memberikan karyawan kesempatan untuk membuka nilai AI, dengan hanya beberapa klik. Berbeda dengan organisasi yang mengandalkan tim kecil ilmuwan data untuk mengartikulasikan dan menerapkan AI, Platform Ople.AI memperlengkapi karyawan di berbagai departemen dengan alat untuk mengakses wawasan dari data mereka, dan pada gilirannya, meningkatkan efisiensi hari demi hari mereka.

Dengan itu dikatakan, hambatan besar yang dihadapi organisasi ketika menerapkan AI adalah penjelasan model. Sangat penting bagi perusahaan untuk menawarkan AI yang dapat dipahami oleh karyawan, dan lebih penting lagi, dipercaya. Penjelasan model membantu dengan itu. Tujuan kami dengan Platform Ople.AI adalah memberikan karyawan, yang mungkin tidak terbiasa dengan AI atau teknologi, kesempatan untuk dengan mudah memahami bagaimana model membuat prediksi dan mengapa. Menciptakan penjelasan model akan menghasilkan hasil yang kuat bagi perusahaan dalam jangka panjang.

Selain itu, ada lebih banyak nilai yang dapat dibawa oleh model kepada perusahaan selain membuat prediksi. AI dapat mengungkapkan masalah potensial atau area yang dapat dimanfaatkan. Kami menyebut itu penjelasan data – itu adalah berbagai cara model dapat berbagi wawasan cerdas tentang data yang berharga bagi perusahaan. Ini adalah cara besar AI dapat membantu bisnis, dan area yang kami majukan, terkait dengan kompetisi kami.

Terima kasih atas wawancara, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Ople.ai.