Vinay Kumar Sankarapu, Co-Founder & CEO of Arya.ai – Wawancara Seri

Vinay Kumar Sankarapu, adalah Co-Founder & CEO of Arya.ai, sebuah platform yang menawarkan ‘AI’ cloud untuk Bank, Asuransi dan Lembaga Jasa Keuangan (BFSI) untuk menemukan API AI yang tepat, Solusi AI Ahli dan alat tata kelola AI yang komprehensif untuk mengirimkan mesin AI yang dapat dipercaya dan self-learning.

Latar belakang Anda adalah matematika, fisika, kimia, dan teknik mesin, bisa Anda jelaskan perjalanan Anda untuk beralih ke ilmu komputer dan AI?

Di IIT Bombay, kami memiliki ‘Program Gelar Ganda’ yang menyediakan kursus 5 tahun untuk menyelesaikan Sarjana Teknik dan Magister Teknik. Saya melakukan Teknik Mesin dengan spesialisasi ‘Desain dan Manufaktur Berbantuan Komputer’, di mana Ilmu Komputer adalah bagian dari kurikulum kami. Untuk penelitian pasca sarjana, saya memilih untuk bekerja pada Deep Learning. Sementara saya mulai menggunakan DL untuk membangun kerangka kerja prediksi kegagalan untuk manufaktur kontinu, saya menyelesaikan penelitian saya tentang menggunakan CNN untuk prediksi RUL. Ini sekitar tahun 2013/14.

Anda meluncurkan Arya.ai saat masih di kuliah, bisa Anda berbagi cerita tentang awal mula startup ini?

Sebagai bagian dari penelitian akademis, kami harus menghabiskan 3-4 bulan untuk melakukan tinjauan literatur untuk membuat studi rinci tentang topik yang diminati, cakupan pekerjaan yang telah dilakukan sejauh ini dan apa yang bisa menjadi area fokus untuk penelitian kami. Selama tahun 2012/13, alat yang kami gunakan cukup dasar. Mesin pencari seperti Google Scholar dan Scopus hanya melakukan pencarian kata kunci. Sangat sulit untuk memahami volume pengetahuan yang tersedia. Saya pikir masalah ini hanya akan semakin parah. Pada tahun 2013, saya pikir setidaknya 30+ makalah dipublikasikan setiap menit. Saat ini, itu setidaknya 10x-20x lebih banyak dari itu.

Kami ingin membangun ‘AI’ asisten seperti ‘profesor’ untuk peneliti untuk membantu mereka menyarankan topik penelitian, menemukan makalah yang paling mutakhir dan apa pun sekitar penelitian STEM. Dengan pengalaman kami dalam deep learning, kami pikir kami bisa menyelesaikan masalah ini. Pada tahun 2013, kami memulai Arya.ai dengan tim 3 orang, dan kemudian berkembang menjadi 7 orang pada tahun 2014 saat saya masih di kuliah.

Versi pertama produk kami dibangun dengan mengumpulkan lebih dari 30 juta makalah dan abstrak. Kami menggunakan teknik deep learning mutakhir pada saat itu untuk membangun AI STEM asisten penelitian dan mesin pencari kontekstual untuk STEM. Namun, ketika kami memperlihatkan AI asisten kepada beberapa profesor dan rekan, kami menyadari bahwa kami terlalu awal. Aliran percakapan terbatas, dan pengguna mengharapkan aliran percakapan yang bebas dan berkelanjutan. Harapan sangat tidak realistis pada saat itu (2014/15) meskipun itu menjawab pertanyaan yang kompleks.

Setelah itu, kami berubah untuk menggunakan penelitian kami dan fokus pada alat ML untuk peneliti dan perusahaan sebagai kerja untuk mendemokratisasi deep learning. Namun, sangat sedikit ilmuwan data yang menggunakan DL pada tahun 2016. Jadi, kami mulai memfokuskan pada satu vertikal dan membangun lapisan produk khusus untuk satu vertikal, yaitu Lembaga Jasa Keuangan (FSI). Kami tahu ini akan berhasil karena sementara pemain besar berusaha untuk memenangkan permainan horizontal, pemain vertikal berfokus pada kebutuhan pengguna akhir dan menyediakannya sebagai lapisan produk khusus. Ini benar bahkan untuk penawaran MaaS.

Kami sedang membangun AI cloud untuk Bank, Asuransi, dan Lembaga Jasa Keuangan dengan lapisan vertikal paling khusus untuk mengirimkan solusi AI yang dapat diskalakan dan bertanggung jawab.

Seberapa besar masalah ‘black box’ AI di keuangan?

Sangat penting! Hanya 30% lembaga keuangan yang menggunakan ‘AI’ secara maksimal. Sementara salah satu alasan adalah aksesibilitas, yang lain adalah kurangnya kepercayaan ‘AI’ dan auditabilitas. Regulasi sekarang jelas di beberapa geografi tentang legalitas menggunakan AI untuk kasus penggunaan rendah, sedang, dan tinggi. Ini diperlukan oleh hukum di UE untuk menggunakan model transparan untuk kasus penggunaan ‘berisiko tinggi’. Banyak kasus penggunaan di lembaga keuangan adalah kasus penggunaan ‘berisiko tinggi’. Jadi, mereka diharuskan menggunakan model ‘white-box’.

Siklus hype juga menetap karena pengalaman awal dengan solusi AI. Ada contoh yang semakin banyak dalam beberapa waktu terakhir tentang efek menggunakan ‘AI’ ‘black box’, kegagalan ‘AI’ karena tidak memantau mereka, dan tantangan dengan manajer hukum dan risiko karena auditabilitas terbatas.

Bisakah Anda menjelaskan perbedaan antara pemantauan ML dan pengamatan ML?

 Tugas alat pemantau adalah hanya untuk memantau dan mengirimkan peringatan. Dan tugas alat pengamatan adalah tidak hanya untuk memantau & melaporkan, tetapi, yang paling penting, untuk menyediakan bukti yang cukup untuk menemukan alasan kegagalan atau memprediksi kegagalan tersebut dari waktu ke waktu.

Di AI/ML, alat-alat ini memainkan peran kritis. Sementara alat-alat ini dapat mengirimkan peran yang diperlukan atau pemantauan, cakupan pengamatan ML

Mengapa platform khusus industri diperlukan untuk pengamatan ML versus platform umum?

Platform umum dirancang untuk semua orang dan setiap kasus penggunaan, tanpa memandang industri–setiap pengguna dapat bergabung dan mulai menggunakan platform. Pelanggan platform ini biasanya adalah pengembang, ilmuwan data, dll. Platform ini, bagaimanapun, menciptakan beberapa tantangan bagi pemangku kepentingan karena sifatnya yang kompleks dan ‘satu ukuran untuk semua’.

Sayangnya, sebagian besar bisnis saat ini memerlukan ahli ilmu data untuk menggunakan platform umum dan memerlukan solusi tambahan/lapisan produk untuk membuat model ‘dapat digunakan’ oleh pengguna akhir di setiap vertikal. Ini termasuk penjelasan, audit, segmen/skenario, proses loop manusia, pelabelan umpan balik, audit, pipa alat khusus, dll.

Ini adalah tempat platform AI khusus industri masuk sebagai keuntungan. Platform AI khusus industri memiliki seluruh alur kerja untuk memecahkan kebutuhan target pelanggan atau kasus penggunaan dan dikembangkan untuk menyediakan produk lengkap dari ujung ke ujung, dari memahami kebutuhan bisnis hingga memantau kinerja produk. Ada banyak hambatan industri khusus, seperti kerangka regulasi dan kepatuhan, persyaratan privasi data, persyaratan audit dan kontrol, dll. Platform AI khusus industri dan penawaran mempercepat adopsi AI dan mempersingkat jalur ke produksi dengan mengurangi waktu pengembangan dan risiko yang terkait dengan peluncuran AI. Selain itu, ini juga akan membantu mengumpulkan keahlian AI di industri sebagai lapisan produk yang membantu meningkatkan penerimaan ‘AI’, mendorong upaya kepatuhan, dan menemukan pendekatan umum untuk etika, kepercayaan, dan kekhawatiran reputasi.

Bisakah Anda berbagi beberapa detail tentang platform Pengamatan ML yang ditawarkan oleh Arya.ai?

Kami telah bekerja di lembaga jasa keuangan selama lebih dari 6+ tahun. Sejak 2016. Ini memberi kami eksposur awal terhadap tantangan unik dalam mengirimkan AI kompleks di FSIs. Salah satu tantangan penting adalah ‘penerimaan AI. Tidak seperti di vertikal lain, ada banyak regulasi tentang penggunaan perangkat lunak (juga berlaku untuk solusi ‘AI’), privasi data, etika, dan dampak keuangan terhadap bisnis. Untuk mengatasi tantangan ini dalam skala, kami harus terus-menerus mengembangkan dan menambahkan lapisan baru penjelasan, audit, risiko penggunaan, dan akuntabilitas di atas solusi kami – pengolahan klaim, penilaian, pemantauan penipuan, dll. Seiring waktu, kami membuat kerangka pengamatan ML yang dapat diterima dan dapat diskalakan untuk berbagai pemangku kepentingan di industri jasa keuangan.

Kami sekarang merilis versi DIY dari kerangka ini sebagai AryaXAI (xai.arya.ai). Setiap tim ML atau bisnis dapat menggunakan AryaXAI untuk membuat tata kelola AI yang komprehensif untuk kasus penggunaan kritis. Platform ini membawa transparansi & auditabilitas ke solusi AI Anda yang dapat diterima oleh setiap pemangku kepentingan. AryaXAI membuat AI lebih aman dan dapat diterima untuk kasus penggunaan kritis dengan menyediakan penjelasan yang dapat diandalkan, memberikan bukti yang dapat mendukung due diligence regulasi, mengelola ketidakpastian AI dengan menyediakan kontrol kebijakan lanjutan, dan memastikan konsistensi dalam produksi dengan memantau pergeseran data atau model dan mengirimkan peringatan dengan analisis penyebab akar.

AryaXAI juga bertindak sebagai alur kerja umum dan menyediakan wawasan yang dapat diterima oleh semua pemangku kepentingan – Ilmu Data, IT, Risiko, Operasi, dan tim kepatuhan, membuat peluncuran dan pemeliharaan model AI/ML menjadi lancar dan bebas dari kerumitan.

Salah satu solusi lain yang ditawarkan adalah platform yang meningkatkan kemampuan model ML dengan implementasi kebijakan kontekstual. Bisakah Anda menjelaskan apa itu secara khusus?

Menjadi sulit untuk memantau dan mengontrol model ML di produksi, karena volume fitur dan prediksi yang besar. Selain itu, ketidakpastian perilaku model membuatnya sulit untuk mengelola dan memstandarkan tata kelola, risiko, dan kepatuhan. Kegagalan model seperti itu dapat mengakibatkan kerugian reputasi dan keuangan yang besar.

AryaXAI menawarkan ‘Kontrol Risiko/Kebijakan’, komponen kritis yang mempertahankan kepentingan bisnis dan etika dengan menerapkan kebijakan pada AI. Pengguna dapat dengan mudah menambahkan/mengedit/mengubah kebijakan untuk mengadministrasikan kontrol kebijakan. Ini memungkinkan tim fungsional lintas untuk mendefinisikan rel pengaman kebijakan untuk memastikan penilaian risiko berkelanjutan, melindungi bisnis dari ketidakpastian AI.

Apa beberapa contoh kasus penggunaan untuk produk ini?

AryaXAI dapat diimplementasikan untuk berbagai proses kritis di seluruh industri. Contoh paling umum adalah:

BFSI: Di lingkungan ketat regulasi, AryaXAI membuatnya mudah bagi industri BFSI untuk selaras dengan persyaratan dan mengumpulkan bukti yang diperlukan untuk mengelola risiko dan memastikan kepatuhan.

• Pengajuan kredit untuk pinjaman yang aman/tidak aman
• Mengidentifikasi penipuan/transaksi curiga
• Audit
• Pengelolaan siklus hidup pelanggan
• Penentuan kredit

Mobil otonom: Mobil otonom perlu mematuhi ketat regulasi, keamanan operasional, dan penjelasan dalam pengambilan keputusan waktu nyata. AryaXAI memungkinkan pemahaman tentang bagaimana sistem AI berinteraksi dengan kendaraan

• Analisis keputusan
• Operasi kendaraan otonom
• Data kesehatan kendaraan
• Memantau sistem pengemudi AI

Kesehatan: AryaXAI menyediakan wawasan yang lebih dalam dari perspektif medis, teknis, hukum, dan pasien. Mulai dari penemuan obat hingga manufaktur, penjualan, dan pemasaran, Arya-xAI memfasilitasi kolaborasi multidisiplin

• Penemuan obat
• Penelitian klinis
• Validasi data uji klinis
• Pelayanan kesehatan yang lebih berkualitas

Apa visi Anda untuk masa depan mesin pembelajaran di keuangan?

Selama dekade terakhir, telah ada pendidikan dan pemasaran yang besar tentang ‘AI’. Kami telah melihat beberapa siklus hype selama waktu ini. Kami mungkin berada di siklus hype ke-4 atau ke-6 sekarang. Yang pertama adalah ketika Deep Learning memenangkan ImageNet pada tahun 2011/12 diikuti oleh pekerjaan sekitar klasifikasi gambar/teks, pengenalan suara, mobil otonom, AI generatif, dan saat ini dengan model bahasa besar. Jarak antara puncak hype dan penggunaan massal semakin berkurang dengan setiap siklus hype karena iterasi sekitar produk, permintaan, dan pendanaan.

Tiga hal ini telah terjadi sekarang:

1. Saya pikir kami telah memecahkan kerangka skala untuk solusi AI, setidaknya oleh beberapa ahli. Contohnya, Open AI saat ini adalah organisasi non-penghasil-revenue, tetapi mereka memproyeksikan untuk melakukan $1 Miliar dalam pendapatan dalam 2 tahun. Sementara tidak setiap perusahaan AI mungkin tidak mencapai skala yang sama, tetapi template skalabilitas lebih jelas.
2. Definisi solusi AI ideal hampir jelas bagi semua vertikal: Tidak seperti sebelumnya, di mana produk dibangun melalui eksperimen iteratif untuk setiap kasus penggunaan dan setiap organisasi, pemangku kepentingan semakin berpendidikan untuk memahami apa yang mereka butuhkan dari solusi AI.
3. Regulasi sekarang mengejar: Keperluan untuk regulasi yang jelas tentang privasi data dan penggunaan AI sekarang mendapatkan traksi yang besar. Badan pemerintah dan badan pengatur sedang menerbitkan atau sedang dalam proses menerbitkan kerangka yang diperlukan untuk penggunaan AI yang aman, etis, dan bertanggung jawab.

Apa yang selanjutnya?

Ledakan ‘Model-as-a-Service (MaaS)’:

Kami akan melihat permintaan yang meningkat untuk ‘Model-as-a-Service’ proposisi tidak hanya secara horizontal tetapi juga vertikal. Sementara ‘OpenAI’ mewakili contoh yang baik dari ‘MaaS’ horizontal, Arya.ai adalah contoh dari ‘MaaS’ vertikal. Dengan pengalaman kami dalam penerapan dan dataset, Arya.ai telah mengumpulkan dataset vertikal kritis yang digunakan untuk melatih model dan menyediakannya sebagai model pra-terlatih atau siap-pakai.

Vertikalasi adalah horizontal baru: Kami telah melihat tren ini dalam ‘adopsi Cloud’. Sementara pemain horizontal fokus pada ‘platform-for-everyone’, pemain vertikal fokus pada kebutuhan pengguna akhir dan menyediakannya sebagai lapisan produk khusus. Ini benar bahkan untuk penawaran MaaS.

XAI dan tata kelola AI akan menjadi norma di perusahaan: Terlepas dari sensitivitas regulasi, setiap vertikal akan mencapai kerangka XAI dan tata kelola yang dapat diterima yang akan diimplementasikan sebagai bagian dari desain, tidak seperti sekarang, di mana itu dianggap sebagai tambahan.

AI generatif pada data tabular mungkin akan melihat siklus hype di perusahaan: Membuat dataset sintetis seharusnya merupakan salah satu solusi yang mudah diimplementasikan untuk memecahkan tantangan data di perusahaan. Tim ilmu data akan sangat menginginkan ini karena masalahnya berada dalam kontrol mereka, tidak seperti mengandalkan bisnis karena mereka mungkin membutuhkan waktu, mahal, dan tidak dijamin untuk mengikuti semua langkah saat mengumpulkan data. Data sintetis memecahkan masalah bias, ketidakseimbangan data, privasi data, dan kekurangan data. Tentu saja, efektivitas pendekatan ini masih belum terbukti. Namun, dengan lebih matang dalam teknik baru seperti transformer, kami mungkin akan melihat lebih banyak eksperimen pada dataset tradisional seperti tabular dan multi-dimensi. Setelah sukses, pendekatan ini dapat memiliki dampak yang luar biasa pada perusahaan dan penawaran MaaS.

Apakah ada yang lain yang ingin Anda bagikan tentang Arya.ai?

Fokus Arya.ai adalah memecahkan ‘AI’ untuk Bank, Asuransi, dan Lembaga Jasa Keuangan. Pendekatan kami adalah vertikalasi teknologi hingga lapisan terakhir dan membuatnya dapat digunakan dan diterima oleh setiap organisasi dan pemangku kepentingan.

AryaXAI (xai.arya.ai) akan memainkan peran penting dalam mengirimkannya kepada massa dalam vertikal FSI. Penelitian kami yang sedang berlangsung tentang data sintetis berhasil dalam beberapa kasus penggunaan, tetapi kami