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

Vinay Kumar Sankarapu, adalah Co-Founder & CEO dari Arya.ai, sebuah platform yang menawarkan cloud 'AI' untuk lembaga Bank, Penanggung, dan Layanan Keuangan (BFSI) untuk menemukan API AI yang tepat, Solusi AI Pakar, dan alat Tata Kelola AI komprehensif yang diperlukan untuk menerapkan mesin AI yang dapat dipercaya dan belajar mandiri.

Latar belakang Anda adalah matematika, fisika, kimia, dan teknik mesin, dapatkah Anda mendiskusikan perjalanan Anda menuju transisi ke ilmu komputer dan AI?

Di IIT Bombay, kami memiliki 'Program Gelar Ganda' yang menyediakan kursus 5 tahun untuk mencakup Sarjana Teknologi dan Magister Teknologi. Saya melakukan Teknik Mesin dengan spesialisasi dalam 'Desain dan Manufaktur Berbantuan Komputer, di mana Ilmu Komputer adalah bagian dari kurikulum kami. Untuk penelitian Pascasarjana kami, saya memilih untuk mengerjakan Deep Learning. Sementara saya mulai menggunakan DL untuk membangun kerangka kerja prediksi kegagalan untuk pembuatan berkelanjutan, saya menyelesaikan penelitian saya tentang penggunaan CNN untuk prediksi RUL. Ini sekitar 2013/14.

Anda meluncurkan Arya.ai saat masih kuliah, bisakah Anda membagikan kisah asal-usul di balik startup ini?

Sebagai bagian dari penelitian akademik, kami harus menghabiskan 3-4 bulan untuk tinjauan literatur untuk membuat studi terperinci tentang topik yang diminati, ruang lingkup pekerjaan yang dilakukan sejauh ini dan area fokus apa yang mungkin untuk penelitian kami. Selama 2012/13, alat yang kami gunakan cukup mendasar. Mesin pencari seperti sarjana Google dan Scopus hanya melakukan pencarian kata kunci. Sangat sulit untuk memahami volume pengetahuan yang tersedia. Saya pikir masalah ini hanya akan menjadi lebih buruk. Pada 2013, saya pikir setidaknya 30+ makalah diterbitkan setiap menit. Hari ini, itu setidaknya 10x-20x dari itu.

Kami ingin membangun asisten 'AI' seperti 'profesor' bagi para peneliti untuk membantu mereka menyarankan topik penelitian, menemukan makalah yang sesuai yang paling mutakhir, dan apa saja seputar penelitian STEM. Dengan pengalaman kami dalam pembelajaran mendalam, kami pikir kami bisa menyelesaikan masalah ini. Di tahun 2013, kami memulai Arya.ai dengan tim yang terdiri dari 3 orang, kemudian berkembang menjadi 7 di tahun 2014 saat saya masih kuliah.

Versi pertama produk kami dibuat dengan mengorek lebih dari 30 juta makalah dan abstrak. Kami menggunakan teknik canggih dalam pembelajaran mendalam pada saat itu untuk membangun asisten peneliti AI STEM dan mesin pencari kontekstual untuk STEM. Tetapi ketika kami memamerkan asisten AI kepada beberapa profesor dan rekan, kami menyadari bahwa kami terlalu dini. Aliran percakapan terbatas, dan pengguna mengharapkan aliran bebas dan konversi berkelanjutan. Ekspektasi sangat tidak realistis saat itu (2014/15) meski menjawab pertanyaan yang kompleks.

Setelah itu, kami berputar untuk menggunakan penelitian kami dan fokus pada alat ML untuk peneliti dan perusahaan sebagai meja kerja untuk mendemokratisasi pembelajaran mendalam. Namun sekali lagi, sangat sedikit data scientist yang menggunakan DL pada tahun 2016. Jadi, kami mulai melakukan vertikalisasi untuk satu vertikal dan berfokus untuk membangun lapisan produk khusus untuk satu vertikal, yaitu Lembaga Jasa Keuangan (FSI). Kami tahu ini akan berhasil karena sementara pemain besar bertujuan untuk memenangkan permainan horizontal, vertikalisasi dapat menciptakan USP yang besar untuk startup. Kali ini kami benar!

Kami sedang membangun cloud AI untuk Bank, Penanggung, dan Layanan Keuangan dengan lapisan vertikal paling khusus untuk memberikan solusi AI yang dapat diskalakan dan bertanggung jawab.

Seberapa besar masalah kotak hitam AI di bidang keuangan?

Sangat penting! Hanya 30% lembaga keuangan yang menggunakan 'AI' secara maksimal. Meskipun salah satu alasannya adalah aksesibilitas, alasan lainnya adalah kurangnya kepercayaan dan auditabilitas 'AI'. Peraturan sekarang menjadi jelas di beberapa wilayah geografis tentang legalitas penggunaan AI untuk kasus penggunaan dengan sensitivitas rendah, sedang, dan tinggi. Hukum di UE diharuskan menggunakan model transparan untuk kasus penggunaan 'berisiko tinggi'. Banyak kasus penggunaan di lembaga keuangan merupakan kasus penggunaan berisiko tinggi. Jadi, mereka diharuskan menggunakan model white-box.

Siklus hype juga mereda karena pengalaman awal dengan solusi AI. Ada semakin banyak contoh akhir-akhir ini tentang efek penggunaan kotak hitam 'AI', kegagalan 'AI' karena tidak memantaunya dan tantangan dengan manajer hukum dan risiko karena kemampuan audit yang terbatas.

Bisakah Anda mendiskusikan perbedaan antara pemantauan ML dan kemampuan observasi ML?

 Tugas alat pemantau hanyalah untuk memantau dan mengingatkan. Dan tugas alat observasi tidak hanya untuk memantau & melaporkan tetapi, yang paling penting, memberikan bukti yang cukup untuk menemukan alasan kegagalan atau memprediksi kegagalan ini dari waktu ke waktu.

Di AI/ML, alat ini memainkan peran penting. Meskipun alat ini dapat memberikan peran atau pemantauan yang diperlukan, cakupan observabilitas ML

Mengapa platform khusus industri diperlukan untuk observabilitas ML versus platform tujuan umum?

Platform tujuan umum dirancang untuk semua orang dan kasus penggunaan apa pun, terlepas dari industrinya– setiap pengguna dapat bergabung dan mulai menggunakan platform ini. Pelanggan platform ini biasanya adalah pengembang, ilmuwan data, dll. Namun, platform tersebut menciptakan beberapa tantangan bagi pemangku kepentingan karena sifatnya yang kompleks dan pendekatan 'satu ukuran cocok untuk semua'.

Sayangnya, sebagian besar bisnis saat ini membutuhkan pakar ilmu data untuk menggunakan platform tujuan umum dan membutuhkan solusi/lapisan produk tambahan untuk membuat model ini 'dapat digunakan' oleh pengguna akhir di vertikal mana pun. Ini termasuk penjelasan, audit, segmen/skenario, proses human-in-the-loop, pelabelan umpan balik, audit, jalur pipa khusus alat, dll.

Di sinilah platform AI khusus industri masuk sebagai keuntungan. Platform AI khusus industri memiliki seluruh alur kerja untuk menyelesaikan kebutuhan atau kasus penggunaan pelanggan yang ditargetkan dan dikembangkan untuk menyediakan produk yang lengkap dari ujung ke ujung, mulai dari memahami kebutuhan bisnis hingga memantau kinerja produk. Ada banyak rintangan khusus industri, seperti kerangka peraturan dan kepatuhan, persyaratan privasi data, persyaratan audit dan kontrol, dll. Platform dan penawaran AI khusus industri mempercepat adopsi AI dan mempersingkat jalur produksi dengan mengurangi waktu pengembangan dan risiko terkait dalam peluncuran AI. Selain itu, ini juga akan membantu menyatukan keahlian AI di industri sebagai lapisan produk yang membantu meningkatkan penerimaan 'AI', mendorong upaya kepatuhan, dan menemukan pendekatan umum terhadap masalah etika, kepercayaan, dan reputasi.

Bisakah Anda membagikan 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 paparan awal terhadap tantangan unik dalam menerapkan AI kompleks di FSI. Salah satu tantangan penting adalah 'penerimaan AI. Tidak seperti vertikal lainnya, ada banyak peraturan tentang penggunaan perangkat lunak apa pun (juga berlaku untuk solusi 'AI'), privasi data, etika, dan yang terpenting, dampak finansial pada bisnis. Untuk mengatasi tantangan ini dalam skala besar, kami harus terus menemukan dan menambahkan lapisan baru untuk penjelasan, audit, risiko penggunaan, dan akuntabilitas di atas solusi kami – pemrosesan klaim, penjaminan emisi, pemantauan penipuan, dll. Seiring waktu, kami membuat ML yang dapat diterima dan dapat diskalakan Kerangka observasi untuk berbagai pemangku kepentingan di industri jasa keuangan.

Kami sekarang merilis kerangka kerja versi DIY sebagai AryaXAI (xai.arya.ai). Setiap ML atau tim bisnis dapat menggunakan AryaXAI untuk membuat Tata Kelola AI yang sangat komprehensif untuk kasus penggunaan penting. Platform menghadirkan transparansi & kemampuan audit 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 andal & akurat, menawarkan bukti yang dapat mendukung ketekunan regulasi, mengelola ketidakpastian AI dengan menyediakan kontrol kebijakan lanjutan, dan memastikan konsistensi dalam produksi dengan memantau penyimpangan data atau model, dan memperingatkan pengguna dengan analisis akar penyebab.

AryaXAI juga bertindak sebagai alur kerja umum dan memberikan wawasan yang dapat diterima oleh semua pemangku kepentingan – tim Sains Data, TI, Risiko, Operasi, dan kepatuhan, membuat peluncuran dan pemeliharaan model AI/ML menjadi mulus dan bebas kekacauan.

Solusi lain yang ditawarkan adalah platform yang meningkatkan penerapan model ML dengan penerapan kebijakan kontekstual. Bisakah Anda menjelaskan apa ini secara khusus?

Menjadi sulit untuk memantau dan mengontrol model ML dalam produksi, karena banyaknya fitur dan prediksi. Selain itu, ketidakpastian perilaku model menyulitkan pengelolaan dan standarisasi tata kelola, risiko, dan kepatuhan. Kegagalan model seperti itu dapat mengakibatkan kerugian reputasi dan finansial yang besar.

AryaXAI menawarkan 'Kontrol Kebijakan/Risiko', komponen penting yang mempertahankan kepentingan bisnis dan etika dengan menerapkan kebijakan pada AI. Pengguna dapat dengan mudah menambah/mengedit/memodifikasi kebijakan untuk mengelola kontrol kebijakan. Hal ini memungkinkan tim lintas fungsi untuk menentukan pagar pembatas kebijakan untuk memastikan penilaian risiko berkelanjutan, melindungi bisnis dari ketidakpastian AI.

Apa saja contoh kasus penggunaan untuk produk ini?

AryaXAI dapat diimplementasikan untuk berbagai proses mission-critical di seluruh industri. Contoh yang paling umum adalah:

BFSI: Dalam lingkungan ketat peraturan, AryaXAI memudahkan industri BFSI untuk menyelaraskan persyaratan dan mengumpulkan bukti yang diperlukan untuk mengelola risiko dan memastikan kepatuhan.

• Penjaminan Kredit untuk pinjaman aman/tanpa jaminan
• Mengidentifikasi penipuan/transaksi mencurigakan
• Audit
• Manajemen siklus hidup pelanggan
• Keputusan kredit

Mobil otonom: Kendaraan otonom harus mematuhi peraturan yang ketat, keselamatan operasional, dan penjelasan dalam keputusan waktu nyata. AryaXAI memungkinkan pemahaman bagaimana sistem AI berinteraksi dengan kendaraan

• Analisis Keputusan
• Operasi kendaraan otonom
• Data kesehatan kendaraan
• Memantau sistem mengemudi AI

Kesehatan: AryaXAI memberikan wawasan yang lebih dalam dari perspektif medis, teknologi, hukum, dan pasien. Mulai dari penemuan obat hingga produksi, penjualan, dan pemasaran, Arya-xAI memupuk kolaborasi multidisiplin

• Penemuan obat
• Riset klinikal
• Validasi data uji klinis
• Perawatan berkualitas lebih tinggi

Apa visi Anda untuk masa depan pembelajaran mesin di bidang keuangan?

Selama dekade terakhir, telah terjadi pendidikan dan pemasaran yang sangat besar seputar 'AI'. Kami telah melihat banyak siklus hype selama ini. Kami mungkin berada di siklus hype ke-4 atau ke-6 sekarang. Yang pertama adalah ketika Deep Learning memenangkan ImageNet pada 2011/12 diikuti dengan pekerjaan seputar klasifikasi gambar/teks, pengenalan suara, mobil otonom, AI generatif, dan saat ini dengan model bahasa besar. Kesenjangan antara hype puncak dan penggunaan massal berkurang dengan setiap siklus hype karena iterasi seputar 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. Misalnya, Open AI saat ini adalah organisasi yang tidak menghasilkan pendapatan, tetapi mereka memproyeksikan untuk menghasilkan pendapatan $1 Miliar dalam waktu 2 tahun. Meskipun tidak setiap perusahaan AI mungkin tidak mencapai skala yang sama, tetapi templat skalabilitasnya lebih jelas.
2.  Definisi solusi AI Ideal hampir jelas di semua vertikal: Tidak seperti sebelumnya, di mana produk dibangun melalui eksperimen berulang untuk setiap kasus penggunaan dan setiap organisasi, pemangku kepentingan semakin dididik untuk memahami apa yang mereka butuhkan dari solusi AI.
3. Peraturan sekarang mengejar: Kebutuhan akan peraturan yang jelas seputar privasi Data dan penggunaan AI kini mendapatkan daya tarik yang besar. Badan pengatur dan badan pengatur dapat menerbitkan atau sedang dalam proses menerbitkan kerangka kerja yang diperlukan untuk penggunaan AI yang aman, etis, dan bertanggung jawab.

Apa selanjutnya?

Ledakan 'Model-as-a-service(MaaS)':

Kita akan melihat peningkatan permintaan untuk proposisi 'Model-as-a-service' tidak hanya secara horizontal tetapi juga secara vertikal. Sementara 'OpenAI' merupakan contoh yang baik dari 'Horitzonal MaaS', Arya.ai adalah contoh dari 'MaaS' vertikal. Dengan pengalaman penerapan dan kumpulan data, Arya.ai telah mengumpulkan kumpulan data vertikal penting yang dimanfaatkan untuk melatih model dan menyediakannya sebagai model plug-and-use atau pra-terlatih.

Vertikalisasi adalah horizontal baru: Kami telah melihat tren ini dalam 'adopsi Cloud'. Sementara pemain cloud horizontal fokus pada 'platform-untuk-semua orang', pemain vertikal fokus pada kebutuhan pengguna akhir dan menyediakannya sebagai lapisan produk khusus. Ini berlaku bahkan untuk penawaran MaaS.

Tata kelola XAI dan AI akan menjadi norma di perusahaan: Bergantung pada sensitivitas regulasi, setiap vertikal akan mencapai XAI yang dapat diterima dan kerangka tata kelola yang akan diimplementasikan sebagai bagian dari desain, tidak seperti saat ini, yang diperlakukan sebagai add-on.

AI generatif pada data tabular dapat melihat siklus hype di perusahaan: Membuat kumpulan data sintetis dianggap sebagai salah satu solusi yang mudah diterapkan untuk memecahkan tantangan terkait data di perusahaan. Tim ilmu data akan lebih memilih cara ini karena masalahnya ada dalam kendali mereka, tidak seperti mengandalkan bisnis karena mungkin memerlukan waktu, mahal, dan tidak ada jaminan untuk mengikuti semua langkah saat mengumpulkan data. Data sintetis memecahkan masalah bias, ketidakseimbangan data, privasi data, dan data yang tidak mencukupi. Tentu saja efektivitas pendekatan ini masih belum dapat dibuktikan. Namun, dengan semakin matangnya teknik baru seperti transformator, kita mungkin melihat lebih banyak eksperimen pada kumpulan data tradisional seperti data tabular dan multidimensi. Jika berhasil, pendekatan ini dapat memberikan dampak yang luar biasa pada perusahaan dan penawaran MaaS.

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

Fokus Arya.ai adalah memecahkan 'AI' untuk Bank, Penanggung, dan Layanan Keuangan. Pendekatan kami adalah vertikalisasi teknologi ke lapisan terakhir dan membuatnya dapat digunakan dan diterima oleh setiap organisasi dan pemangku kepentingan.

AryaXAI (xai.arya.ai) akan memainkan peran penting dalam menyampaikannya kepada massa vertikal FSI. Penelitian berkelanjutan kami tentang data sintetik berhasil dalam beberapa kasus penggunaan, tetapi kami bertujuan menjadikannya pilihan yang lebih layak dan dapat diterima. Kami akan terus menambahkan lebih banyak lapisan ke cloud 'AI' kami untuk melayani misi kami.

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

Terima kasih atas wawancaranya yang luar biasa, pembaca yang ingin belajar lebih banyak harus berkunjung Arya.ai.