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

Pedro Alves adalah CEO dan Pendiri Ople.ai, sebuah platform yang memberdayakan analis dan ahli mata pelajaran dengan analitik prediktif yang kuat. Platform ini dilengkapi dengan pengetahuan dan keahlian 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 ilmu data?

Pada tahun 2001, saya melihat potensi luar biasa dalam machine learning dan kecerdasan buatan. Ketika saya belajar ilmu komputer sebagai mahasiswa, dan memutuskan subbidang apa yang akan saya tekuni, saya pikir: OK, AI/ML adalah bidang ilmu komputer yang menarik – Anda dapat membantu memprediksi peristiwa di bidang apa pun. Apakah Anda berada di bidang biologi, kedokteran, atau keuangan, jika Anda memiliki machine learning dan AI, Anda dapat meningkatkan 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 machine learning adalah dengan belajar bagaimana menerapkannya. Saya selalu sangat praktis; saya tidak ingin belajar teori hanya untuk kepentingan teori. Saya memilih untuk mempelajari machine learning sebagaimana diterapkan pada bidang genomics dan proteomics. Semua pekerjaan saya di sekolah pascasarjana berada di bidang biologi komputasi, tetapi fokusnya adalah pada machine learning.

Tidak lama kemudian, 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 telah diterapkan secara tidak efektif di dunia nyata, dan bukan karena masalah teknis. Jadi, saya kemudian tertarik untuk memperbaiki masalah tersebut.

Anda sebelumnya adalah ilmuwan data utama di Banjo, di mana Anda menghadapi tantangan di bidang 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 bahaya potensial, 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, terkait dengan data media sosial. Misalnya, ada banyak 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 waktu beberapa menit. Secara esensial, di Banjo, kami sedang mencari jarum di tumpukan jerami.

Jadi, salah satu tantangan yang timbul adalah terkait dengan penglihatan komputer. Meskipun penglihatan komputer 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.

Sebagai contoh, ada dataset publik yang, ketika digunakan untuk melatih jaringan saraf, menyebabkan mereka tidak dapat mengidentifikasi warna. Bahkan jika gambar di dataset berwarna, dan jaringan saraf melihat semua RGB, mereka tidak menggunakan warna sebagai penanda. Ambil contoh mobil polisi tradisional dan taksi tradisional – keduanya adalah model mobil dasar yang sama dan tambahan mesin di atas (yaitu sirine pada mobil polisi atau sinyal bebas/sibuk pada taksi). Tetapi, jika Anda melihat warna, perbedaan antara keduanya jelas. Karena contoh ini, kami dapat memahami bahwa membuat 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 terkait 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, kemudian ketika tim ilmu data selesai, tim bisnis tidak mengambil keuntungan dari 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 tersebut 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 ini, 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?

Ilmuwan data umumnya membutuhkan beberapa bulan untuk menyelesaikan model, dan setelah selesai, perusahaan akan menerapkan model tersebut, meskipun mungkin tidak akan seakurat mungkin. Dalam beberapa bulan setelah penerapan model, ilmuwan data akan terus bekerja pada model tersebut dalam upaya meningkatkan akurasi model secara bertahap. 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-learning dan bagaimana Ople menerapkannya?

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

Meta-learning, yang juga dikenal sebagai “pembelajaran untuk belajar”, adalah memahami proses pembelajaran lebih lanjut. Jadi, ketika Anda melatih model Anda 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-learning, Anda menjadi lebih baik dalam membangun model yang lebih efisien, lebih cepat.

Apa pandangan Anda tentang data sintetis?

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

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

Jadi, Anda melibatkan seorang profesional medis untuk membuat parameter, seperti “jika orang tersebut berusia ini, apa rentang tinggi dan berat yang realistis?” atau “jika mereka mengambil obat ini, apa obat yang tidak boleh mereka ambil?” Proses ini akan menjadi upaya besar dan terlalu rumit untuk memetakan semua kemungkinan, sebagaimana halnya dengan rekam medis setiap pasien.

Di bidang gambar, bagaimanapun, data sintetis dapat lebih mudah dipahami dan dibuat. Misalnya, Anda memiliki gambar mobil, dan mobil tersebut terletak di pojok kiri atas. Anda tidak perlu menjadi ahli untuk tahu bahwa mobil yang sama dapat berada di pojok kiri bawah, pojok 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 sederhana lainnya adalah menggunakan rotasi.

Bisakah Anda memberikan contoh 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 sehari-hari mereka.

Dengan itu dikatakan, hambatan besar yang dihadapi organisasi ketika menerapkan AI adalah penjelasan model. Sangat penting bagi organisasi untuk menawarkan AI yang dapat dipahami 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 organisasi dalam jangka panjang.

Tambahan lagi, ada lebih banyak nilai yang dapat dibawa 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, dengan menghormati kompetisi kami.

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