Brian Sathianathan, Chief Technology Officer & Co-Founder di Iterate.ai – Intervista

Brian Sathianathan è il Chief Technology Officer e co-fondatore di Iterate.ai, creatore della piattaforma low-code Interplay per la rapida creazione di applicazioni basate su intelligenza artificiale in vari settori. In precedenza, Sathianathan ha lavorato ad Apple (AAPL ) su vari progetti di tecnologie emergenti, tra cui il sistema operativo Mac e il primo iPhone.

Cosa ti ha inizialmente attratto a lavorare con le tecnologie di intelligenza artificiale?

Ho sempre avuto un interesse per l’apprendimento basato su algoritmi e ho iniziato a lavorare con sistemi di intelligenza artificiale durante i miei giorni universitari. Inoltre, ho trascorso molto tempo all’inizio della mia carriera a costruire tecnologie di crittografia e sicurezza per Apple, nonché tecnologie di compressione video per una società che avevo co-fondato in precedenza. Sia la tecnologia video che quella di crittografia sono molto intensive in termini di algoritmi, e questo ha reso la mia curva di apprendimento in AI/ML più rapida. Intorno al 2016, ho iniziato a lavorare con framework di intelligenza artificiale open source/GPU, rendendomi conto di quanto fossero avanzati negli ultimi cinque anni – sia dal punto di vista degli algoritmi che della loro capacità di effettuare una gamma più ampia di classificazioni. Poi mi sono reso conto della necessità di semplificare e rendere più facile l’utilizzo di queste tecnologie per tutti.

Hai alcune opinioni forti sui pregiudizi cognitivi e sui pregiudizi nei dati nell’intelligenza artificiale, potresti condividere queste preoccupazioni?

I pregiudizi nell’intelligenza artificiale si verificano quando gli ingegneri lasciano che le loro opinioni e preconcetti plasmino i loro set di dati di addestramento. Ciò mina rapidamente ciò che stanno cercando di realizzare con l’intelligenza artificiale. La maggior parte delle volte, questo influsso è subconscio, quindi potrebbero non essere consapevoli del fatto che i pregiudizi si sono infiltrati nei loro set di dati. Senza controlli e bilanciamenti efficaci, i dati possono essere limitati solo ai punti di focus o alle demografie che gli ingegneri sono inclini a considerare. Anche quando gli ingegneri hanno una grande quantità di dati di alta qualità, i pregiudizi nei set di dati possono rendere i risultati forniti dalle applicazioni di intelligenza artificiale errati e, in molti casi, largamente inutili.

Un rapporto di Gartner ha stimato che entro il 2030, l’85% dei progetti di intelligenza artificiale fornirà risultati errati a causa dei pregiudizi. Questo è un divario significativo da superare. Le aziende che investono in, si affidano a e prendono decisioni strategiche basate sull’intelligenza artificiale – solo per essere fuorviate da conclusioni false radicate nei pregiudizi – rischiano fallimenti costosi e danni alla loro reputazione. Con l’intelligenza artificiale che si sta rapidamente trasformando da una tecnologia emergente a un pilastro onnipresente in applicazioni rivolte ai clienti e processi interni, l’eliminazione dei pregiudizi è essenziale per realizzare il vero potenziale dell’intelligenza artificiale in futuro.

Quali sono alcuni modi per prevenire l’insorgere di questi tipi di pregiudizi?

I pregiudizi nell’intelligenza artificiale devono essere rilevati e rimossi in modo sistematico e proattivo. I pregiudizi potrebbero essere hardcoded negli algoritmi. Le inesattezze potrebbero essere introdotte tramite pregiudizi cognitivi che semplicemente omettono dati necessari. Il pregiudizio di aggregazione è un altro rischio, in cui una serie di piccole decisioni si sommano per produrre risultati distorti dell’intelligenza artificiale.

La rilevazione e l’eliminazione dei pregiudizi nell’intelligenza artificiale in tutte le sue forme richiede che le organizzazioni utilizzino framework, toolkit, processi e politiche costruiti per mitigare efficacemente questi problemi. Ad esempio, i framework di intelligenza artificiale come il framework Aletheia di Rolls Royce e il framework di intelligenza artificiale di Deloitte – integrati con benchmark automatici – possono promuovere pratiche prive di pregiudizi nell’ambito dello sviluppo e della distribuzione di applicazioni di intelligenza artificiale. Toolkit come AI Fairness 360 e IBM Watson OpenScale possono riconoscere e rimuovere pregiudizi e modelli di pregiudizio nei modelli di apprendimento automatico e pipeline. Infine, processi che testano i dati contro metriche di pregiudizio definite, combinati con politiche che forniscono governance per scoraggiare i pregiudizi attraverso pratiche obbligatorie, consentono alle organizzazioni di essere sistematiche nel controllare i loro punti ciechi e limitare i pregiudizi dell’intelligenza artificiale.

Sei il CTO e co-fondatore di Iterate.ai – come è iniziato tutto?

La storia inizia nel 2013, quando il co-fondatore Jon Nordmark (il nostro CEO) e io abbiamo entrambi fatto parte del consiglio di amministrazione di un acceleratore dell’Europa orientale con sede in Ucraina, progettato per aiutare gli imprenditori a costruire e gestire startup nello stile della Silicon Valley. Queste esperienze con società innovative ci hanno portato all’idea di accoppiare startup promettenti (ma forse meno conosciute) con grandi aziende che necessitavano di supporto all’innovazione. Abbiamo successivamente lanciato ciò che allora era chiamato Iterate Studio, offrendo un motore di ricerca specializzato per aziende per trovare partner startup in base alle capacità innovative che queste grandi organizzazioni stavano cercando. Nel 2015, la società è diventata Iterate.ai per sottolineare la nostra curazione di startup guidata dall’intelligenza artificiale. Oggi, il nostro database Signals indicizza più di 15,7 milioni di tecnologie startup in base a molti fattori (e utilizzando intelligenza artificiale proprietaria per farlo a questa scala).

Nel 2017, abbiamo espanso e lanciato la prima versione della nostra piattaforma di sviluppo di applicazioni low-code Interplay. Interplay fornisce uno strato di software alimentato dall’intelligenza artificiale che modernizza gli stack legacy delle aziende abilitando l’utilizzo drag-and-drop di tecnologie innovative e accelerando lo sviluppo del software di dieci volte. La piattaforma low-code dispone di 475 componenti predefiniti, quindi gli utenti possono combinare e abbinare le tecnologie di cui hanno bisogno per creare rapidamente applicazioni. L’abilitazione dell’intelligenza artificiale è al centro della piattaforma, così come altri componenti low-code per IoT, integrazione dei dati e anche blockchain.

Iterate è una piattaforma low-code per lo sviluppo di applicazioni alimentate dall’intelligenza artificiale; quali sono alcune delle applicazioni di intelligenza artificiale che possono essere costruite?

La nostra piattaforma low-code ha reso possibile la creazione di applicazioni di intelligenza artificiale per una varietà di casi d’uso molto interessanti – la vastità della distribuzione è qualcosa di cui siamo molto orgogliosi. Ulta Beauty (ULTA ), il retailer di bellezza globale da un miliardo di dollari, ha utilizzato la nostra piattaforma per costruire un chatbot di retail guest intelligente in sole due settimane. Al contrario, i chatbot primitivi sono centrati sulle parole chiave e la maggior parte delle applicazioni di chatbot dei vendor non può integrarsi senza problemi con i sistemi legacy per accedere alle informazioni dei clienti o consentire transizioni senza problemi al supporto assistito dall’uomo. Il chatbot intelligente di Ulta ha eliminato questi problemi con la funzionalità di elaborazione del linguaggio naturale e la capacità di riconoscere le “intenzioni” dei clienti per fornire risposte molto accurate. La nostra piattaforma ha reso semplice per Ulta costruire il motore di intelligenza artificiale del chatbot in poche ore e configurare, raffinare e migliorare la formazione e le risposte del chatbot in modo estremamente rapido.

In un altro esempio, Jockey ha utilizzato la nostra piattaforma per abilitare le FAQ alimentate dall’intelligenza artificiale pronte a rispondere automaticamente (e con successo) a scenari di servizio clienti complessi e soggettivi. La nostra piattaforma ha anche abilitato la risposta alla pandemia di una rete globale di minimarket e stazioni di servizio, con pompe di carburante senza contatto basate sul riconoscimento delle targhe dei clienti tramite intelligenza artificiale. Le nostre capacità di intelligenza artificiale sono anche state applicate per alimentare strategie di sicurezza basate su telecamere nei punti vendita. Tramite il riconoscimento delle immagini, le applicazioni di intelligenza artificiale formate possono identificare minacce e la presenza di armi all’esterno dei negozi, attivare il blocco dei negozi per proteggere i clienti e contattare le autorità.

Quanto si riduce la necessità effettiva di programmare? Quali competenze di sviluppo servono agli utenti?

A mio parere, la regola del 80/20 si applica. L’80% dei casi d’uso dell’intelligenza artificiale applicata è già stato costruito e ha modelli e set di dati di addestramento stabiliti. Un’organizzazione tradizionale può facilmente utilizzare una piattaforma low-code (la nostra, Interplay, è una di queste piattaforme) e implementare questi casi. Ecco alcuni esempi:

• FAQ guidate dall’intelligenza artificiale
• Trova prodotti alimentati dall’intelligenza artificiale
• Raccomandazioni e abbinamenti di prodotti
• OCR
• Identificazione visiva dei prodotti
• Analisi dei dati tabulari: ad esempio AOV, analisi del carrello, previsioni di abbandono, ecc.
• Estrazione/rilevamento di oggetti
• Permanenza degli oggetti

I casi sopra elencati potrebbero essere implementati da un ingegnere con conoscenze di programmazione lato server e una comprensione di base delle API di apprendimento automatico. È molto simile alle tecniche di streaming video, crittografia e gestione delle chiavi che sono ampiamente utilizzate tramite API oggi. La maggior parte degli ingegneri che utilizzano queste API spesso non conoscono come funzionano sotto il cofano.

Perché l’intelligenza artificiale low-code è importante per la scalabilità della tecnologia di intelligenza artificiale?

Le aziende che perseguono le capacità di intelligenza artificiale nel loro sviluppo di applicazioni possono affrontare rapidamente grandi sfide quando non utilizzano il low-code. Nel mondo di oggi, ci sono solo 300.000 ingegneri di intelligenza artificiale e solo 60.000 di questi sono scienziati dei dati. A causa di ciò, il talento necessario per sviluppare e scalare le soluzioni di intelligenza artificiale è costoso e in aumento. Al contrario, lo sviluppo low-code democratizza l’accesso all’intelligenza artificiale. Con il low-code, ciascuno dei 25 milioni di sviluppatori software nel mondo, e persino chi non ha una formazione specifica, può facilmente implementare motori di intelligenza artificiale, raffinare le loro capacità e produrre e scalare soluzioni efficaci.

Tornando alla piattaforma Signals di Iterate.ai alimentata dall’intelligenza artificiale, quali sono alcune delle tendenze più interessanti che emergono?

Stiamo vedendo una rapida crescita attraverso cinque forze di innovazione: intelligenza artificiale, IoT, blockchain, dati ed emergenti soluzioni di startup. Questi sono tutti mercati molto grandi. Stiamo vedendo migliaia di punti di dati su notizie, brevetti e nuovi prodotti di startup ogni giorno. Interplay è costruito per sfruttare queste forze, includendo componenti predefiniti per trarre vantaggio da queste forze in crescita.

C’è qualcos’altro che ti piacerebbe condividere su Iterate.ai?

Credo che ci siano ancora malintesi intorno al low-code e al suo ruolo nella costruzione di applicazioni di intelligenza artificiale. Non è insolito vedere professionisti IT che mettono in dubbio se una strategia low-code possa soddisfare le loro esigenze di scalabilità, estensibilità e sicurezza a livello aziendale. Credo che le opzioni low-code destinate alla prototipazione – ma applicate male come strumenti per applicazioni di produzione – abbiano contribuito a questo scetticismo. Tuttavia, le piattaforme low-code giuste sono assolutamente all’altezza del compito di costruire e supportare applicazioni di intelligenza artificiale pronte per la produzione. Le aziende dovrebbero svolgere le loro verifiche di diligenza nel selezionare gli strumenti low-code, assicurandosi che questi strumenti abbiano uno strato di sicurezza trasparente e completo e un record comprovato di consegna di applicazioni a livello aziendale.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Iterate.ai.