Vinay Kumar Sankarapu, Co-Founder & CEO of Arya.ai – Interview Series

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 AI API yang tepat, Solusi AI Ahli dan alat-alat tata kelola AI yang komprehensif yang diperlukan untuk mengirimkan mesin AI yang dapat dipercaya dan self-learning.

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

Di IIT Bombay, kami memiliki ‘Dual Degree Program’ yang menyediakan kursus 5 tahun untuk menutupi baik Sarjana Teknik dan Magister Teknik. Saya melakukan Teknik Mesin dengan spesialisasi di ‘Computer Aided Design and Manufacturing, di mana Ilmu Komputer adalah bagian dari kurikulum kami. Untuk penelitian pasca sarjana kami, saya memilih untuk bekerja pada Deep Learning. Sementara saya mulai menggunakan DL untuk membangun kerangka kerja prediksi kegagalan untuk manufaktur terus menerus, saya menyelesaikan penelitian saya pada menggunakan CNN untuk prediksi RUL. Ini sekitar 2013/14.

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

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

Kami ingin membangun ‘AI’ asisten seperti ‘profesor’ untuk peneliti untuk membantu mereka menyarankan topik penelitian, menemukan makalah yang paling up-to-date dan apa pun sekitar penelitian STEM. Dengan pengalaman kami dalam deep learning, kami pikir kami bisa menyelesaikan masalah ini. Pada 2013, kami memulai Arya.ai dengan tim 3 orang, dan kemudian berkembang menjadi 7 orang pada 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 terbaru pada saat itu untuk membangun AI STEM research asisten dan mesin pencari kontekstual untuk STEM. Tapi ketika kami menampilkan AI asisten kepada beberapa profesor dan rekan, kami menyadari bahwa kami terlalu awal. Aliran percakapan terbatas, dan pengguna mengharapkan aliran percakapan yang bebas dan terus menerus. 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 workbench untuk mendemokratisasi deep learning. Tapi lagi, sangat sedikit ilmuwan data yang menggunakan DL pada 2016. Jadi, kami mulai memvertikalnya untuk satu vertikal dan fokus pada 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, vertikal dapat menciptakan USP besar bagi startup. Kali ini kami benar!

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

Seberapa besar masalah ‘AI black box’ di keuangan?

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

Hype cycle juga menetap karena pengalaman awal dengan solusi AI. Ada contoh yang berkembang dalam waktu terakhir tentang efek menggunakan ‘AI’ black box, kegagalan ‘AI’ karena tidak memantau mereka dan tantangan dengan manajer risiko dan hukum karena keterbatasan auditabilitas.

Bisakah Anda membahas perbedaan antara ML monitoring dan ML observability?

 Tugas alat pemantauan adalah hanya untuk memantau dan memberi peringatan. Dan tugas alat observabilitas adalah tidak hanya untuk memantau & melaporkan tapi, yang paling penting, untuk memberikan bukti 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 ML observability

Mengapa platform khusus industri diperlukan untuk ML observability 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’ pendekatan.

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

Ini adalah di mana platform AI khusus industri masuk sebagai keuntungan. Platform AI khusus industri memiliki alur kerja lengkap untuk memecahkan kebutuhan pelanggan yang ditargetkan atau kasus penggunaan dan dikembangkan untuk memberikan produk lengkap dari ujung ke ujung, dari memahami kebutuhan bisnis hingga memantau kinerja produk. Ada banyak hambatan khusus industri, 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 ML Observability yang ditawarkan oleh Arya.ai?

Kami telah bekerja di lembaga jasa keuangan selama lebih dari 6+ tahun. Sejak 2016. Ini memberi kami eksposur awal pada tantangan unik dalam mengirimkan AI kompleks di FSIs. Salah satu tantangan penting adalah ‘AI acceptance. Tidak seperti di vertikal lain, ada banyak regulasi tentang penggunaan perangkat lunak (juga berlaku untuk solusi ‘AI’), privasi data, etika dan yang paling penting, dampak keuangan pada bisnis. Untuk mengatasi tantangan ini secara besar-besaran, kami harus terus-menerus menciptakan dan menambahkan lapisan baru penjelasan, audit, risiko penggunaan dan akuntabilitas pada solusi kami – pengolahan klaim, underwriting, pemantauan penipuan dll. Dari waktu ke waktu, kami membuat kerangka ML Observability yang dapat diterima dan skalabel 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 AI Governance 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 memberikan penjelasan yang dapat diandalkan & akurat, menawarkan bukti yang dapat mendukung due diligence regulasi, mengelola ketidakpastian AI dengan memberikan kontrol kebijakan lanjutan dan memastikan konsistensi di produksi dengan memantau drift data atau model dan memberi peringatan pengguna dengan analisis akar penyebab.

AryaXAI juga berfungsi sebagai alur kerja umum dan memberikan wawasan yang dapat diterima oleh semua pemangku kepentingan – Tim Ilmu Data, IT, Risiko, Operasional dan tim kepatuhan, membuat peluncuran dan pemeliharaan model AI/ML menjadi lancar dan bebas dari kekacauan.

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

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 memantau tata kelola, risiko, dan kepatuhan. Kegagalan model seperti itu dapat menyebabkan kerugian reputasi dan keuangan yang besar.

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

Apa 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 pada persyaratan dan mengumpulkan bukti yang diperlukan untuk mengelola risiko dan memastikan kepatuhan.

• Pemberian 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 memberikan wawasan yang lebih dalam dari perspektif medis, teknologi, hukum, dan pasien. Mulai dari penemuan obat hingga manufaktur, penjualan dan pemasaran, Arya-xAI memfasilitasi kolaborasi multidisiplin

• Penemuan obat
• Penelitian klinis
• Validasi data klinis
• Perawatan yang lebih baik

Apa visi Anda untuk masa depan mesin pembelajaran di keuangan?

Selama dekade terakhir, telah ada pendidikan dan pemasaran besar-besaran tentang ‘AI’. Kami telah melihat beberapa siklus hype selama waktu ini. Kami mungkin berada di siklus hype ke-4 atau ke-6 sekarang. 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-penghasilan, tetapi mereka memproyeksikan untuk melakukan $1 Miliar dalam pendapatan dalam 2 tahun. Sementara tidak semua perusahaan AI mungkin mencapai skala serupa, tetapi template skala 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 terdidik untuk memahami apa yang mereka butuhkan dari solusi AI.
3. Regulasi sekarang mengejar: Keperluan untuk regulasi yang jelas sekitar privasi data dan penggunaan AI sekarang mendapatkan traksi besar. Badan pengatur dan badan pemerintah dapat 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 proposisi ‘Model-as-a-service’ tidak hanya secara horizontal tetapi juga vertikal. Sementara ‘OpenAI’ mewakili contoh yang baik dari ‘Horizontal MaaS’, Arya.ai adalah contoh dari vertikal ‘MaaS’. Dengan pengalaman penerapan dan dataset, Arya.ai telah mengumpulkan dataset vertikal kritis yang digunakan untuk melatih model dan menyediakannya sebagai model siap pakai atau pra-dilatih.

Vertikalasi adalah horizontal baru: Kami telah melihat tren ini dalam ‘adopsi Cloud’. Sementara pemain horizontal fokus pada ‘platform untuk semua orang’, pemain vertikal fokus pada kebutuhan pengguna akhir dan menyediakannya sebagai lapisan produk khusus. Ini juga benar 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 set data sintetis seharusnya merupakan salah satu solusi yang mudah diimplementasikan untuk memecahkan tantangan data di perusahaan. Tim ilmu data sangat memilih 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, efikasi dari 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 data multi-dimensi. Setelah sukses, pendekatan ini dapat memiliki dampak besar 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 bertujuan untuk membuatnya menjadi pilihan yang lebih layak dan dapat diterima. Kami akan terus menambahkan lapisan lain ke ‘AI’ cloud kami untuk melayani misi kami.

Saya pikir kami akan melihat lebih banyak startup seperti Arya.ai, tidak hanya di vertikal FSI tetapi di setiap vertikal.

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