Dott. Devavrat Shah, Co-Fondatore e Amministratore Delegato di Ikigai Labs – Serie di Interviste

Il Dott. Devavrat Shah è il Co-Fondatore e Amministratore Delegato di Ikigai Labs e ricopre anche il ruolo di professore e direttore del Centro di Statistica e Scienza dei Dati presso il MIT. Ha co-fondato Celect, una piattaforma di analisi predittiva per i dettaglianti, che ha poi venduto alla Nike. Devavrat si è laureato in Informatica presso l’Indian Institute of Technology e ha conseguito il dottorato in Informatica presso la Stanford University.

Ikigai Labs fornisce una piattaforma alimentata da intelligenza artificiale progettata per trasformare i dati tabulari e temporali aziendali in informazioni predittive e azionabili. Utilizzando i Large Graphical Models brevettati, la piattaforma consente agli utenti aziendali e agli sviluppatori di vari settori di migliorare i processi di pianificazione e decision-making.

Potresti condividere la storia dietro la fondazione di Ikigai Labs? Cosa ti ha ispirato a passare dall’accademia all’imprenditoria?

In realtà, ho oscillato tra il mondo accademico e quello aziendale per alcuni anni. Ho co-fondato Ikigai Labs con il mio ex studente al MIT, Vinayak Ramesh. In precedenza, ho co-fondato una società chiamata Celect, che aiutava i dettaglianti a ottimizzare le decisioni di inventario tramite la previsione della domanda basata sull’intelligenza artificiale. Celect è stata acquisita dalla Nike nel 2019.

Cosa sono esattamente i Large Graphical Models (LGM) e come si differenziano dai più noti Large Language Models (LLM)?

I LGM, o Large Graphical Models, rappresentano una visione probabilistica dei dati. Sono in netto contrasto con i modelli di intelligenza artificiale basati su “Foundation model”, come ad esempio i LLM.

I Foundation Models presuppongono di poter “imparare” tutti i modelli rilevanti da un vasto corpus di dati. E quindi, quando viene presentato un nuovo frammento di dati, può essere extrapolato in base alla parte rilevante del corpus di dati. I LLM sono stati molto efficaci per i dati non strutturati (testo, immagine).

I LGM, invece, identificano i “modelli funzionali” appropriati da un vasto “universo” di tali modelli dati, in base al frammento di dati. I LGM sono progettati per avere tutti i “modelli funzionali” rilevanti a disposizione per i dati strutturati (tabulari, temporali).

I LGM sono in grado di apprendere e fornire previsioni precise utilizzando pochi dati. Ad esempio, possono essere utilizzati per eseguire previsioni molto accurate di tendenze critiche e risultati aziendali in rapida evoluzione.

Potresti spiegare come i LGM siano particolarmente adatti per l’analisi dei dati strutturati e tabulari e quali vantaggi offrono rispetto ad altri modelli di intelligenza artificiale in questo settore?

I LGM sono progettati specificamente per modellare i dati strutturati (tabulari, temporali). Di conseguenza, offrono maggiore accuratezza e previsioni più affidabili.

Inoltre, i LGM richiedono meno dati rispetto ai LLM e quindi hanno requisiti di calcolo e archiviazione inferiori, riducendo i costi. Ciò significa che le organizzazioni possono ottenere informazioni accurate dai LGM anche con dati di formazione limitati.

I LGM supportano anche una migliore privacy e sicurezza dei dati. Si addestrano solo sui dati dell’impresa – con integrazione da fonti di dati esterne selezionate (come dati meteorologici e social media) quando necessario. Non c’è mai il rischio che i dati sensibili vengano condivisi con un modello pubblico.

In quali scenari aziendali i LGM offrono il maggior valore? Potresti fornire alcuni esempi di come sono stati utilizzati per migliorare la previsione, la pianificazione o la decisione?

I LGM offrono valore in qualsiasi scenario in cui un’organizzazione debba prevedere un risultato aziendale o anticipare tendenze per guidare la propria strategia. In altre parole, aiutano in una vasta gamma di casi d’uso.

Immagina un’azienda che vende costumi e articoli per Halloween e cerca informazioni per prendere decisioni di merchandising più efficaci. Data la loro stagionalità, l’azienda cammina su una linea sottile: da un lato, deve evitare di sovrastockare e finire con scorte eccessive alla fine di ogni stagione (il che significa beni invenduti e CAPEX sprecato). Dall’altro lato, non vuole esaurire le scorte troppo presto (il che significa aver perso vendite).

Utilizzando i LGM, l’azienda può trovare un equilibrio perfetto e guidare gli sforzi di merchandising al dettaglio. I LGM possono rispondere a domande come:

• Quali costumi dovrei stockare questa stagione? Quanti ne dovrei stockare per ogni SKU?
• Quanto bene venderà un determinato SKU in una specifica località?
• Quanto bene venderà questo accessorio con questo costume?
• Come posso evitare di cannibalizzare le vendite nelle città in cui ho più negozi?
• Come si comporteranno i nuovi costumi?

Come aiutano i LGM in scenari in cui i dati sono scarsi, inconsistenti o in rapida evoluzione?

I LGM sfruttano la riconciliazione dei dati basata sull’intelligenza artificiale per fornire informazioni precise anche quando analizzano piccoli o rumorosi set di dati. La riconciliazione dei dati garantisce che i dati siano coerenti, precisi e completi. Ciò comporta il confronto e la convalida dei set di dati per identificare discrepanze, errori o incongruenze. Combinando la struttura spaziale e temporale dei dati, i LGM consentono previsioni accurate con dati minimi e difettosi. Le previsioni includono anche la quantificazione dell’incertezza e l’interpretazione.

Come si allinea la missione di Ikigai di democratizzare l’intelligenza artificiale con lo sviluppo dei LGM? Come vedi i LGM plasmare il futuro dell’intelligenza artificiale nel business?

L’intelligenza artificiale sta cambiando il modo in cui lavoriamo e le imprese devono essere pronte ad abilitare i lavoratori di tutti i tipi con l’AI. La piattaforma Ikigai offre un’esperienza semplice e low-code/no-code per gli utenti aziendali, nonché un’esperienza completa di AI Builder e API per gli scienziati dei dati e gli sviluppatori. Inoltre, offriamo un’istruzione gratuita presso l’Ikigai Academy, in modo che chiunque possa imparare i fondamenti dell’intelligenza artificiale e ottenere una formazione e una certificazione sulla piattaforma Ikigai.

I LGM avranno un impatto significativo sulle aziende che cercano di impiegare l’intelligenza artificiale. Le imprese vogliono utilizzare l’intelligenza artificiale generativa per casi d’uso che richiedono modellazione predittiva e statistica numerica, come la pianificazione della previsione e la pianificazione degli scenari. Ma i LLM non sono stati progettati per questi casi d’uso e molte organizzazioni pensano che i LLM siano l’unica forma di intelligenza artificiale generativa. Quindi provano a utilizzare i Large Language Models per la previsione e la pianificazione e non ottengono i risultati desiderati. Rinunciano e pensano che l’intelligenza artificiale generativa non sia in grado di supportare queste applicazioni. Quando scoprono i LGM, si renderanno conto che possono effettivamente sfruttare l’intelligenza artificiale generativa per guidare una migliore previsione e pianificazione e aiutarle a prendere decisioni aziendali più informate.

La piattaforma Ikigai integra i LGM con un approccio centrato sull’uomo attraverso la funzione eXpert-in-the-loop. Potresti spiegare come questa combinazione migliora l’accuratezza e l’adozione dei modelli di intelligenza artificiale nelle imprese?

L’intelligenza artificiale necessita di “guardrail”, poiché le organizzazioni sono naturalmente diffidenti che la tecnologia funzioni con accuratezza ed efficacia. Una di queste “guardrail” è la supervisione umana, che può aiutare a infondere competenze di dominio critiche e garantire che i modelli di intelligenza artificiale forniscono previsioni e previsioni rilevanti e utili per l’azienda. Quando le organizzazioni possono inserire un esperto umano in un ruolo di monitoraggio dell’AI, possono fidarsi di essa e verificarne l’accuratezza. Ciò supera un grande ostacolo all’adozione.

Quali sono le principali innovazioni tecnologiche nella piattaforma Ikigai che la distinguono dalle altre soluzioni di intelligenza artificiale attualmente disponibili sul mercato?

La nostra tecnologia LGM di base è il più grande differenziatore. Ikigai è un pioniere in questo spazio senza pari. Io e il mio co-fondatore abbiamo inventato i LGM durante il nostro lavoro accademico al MIT. Siamo gli innovatori nei Large Graphical Models e nell’uso dell’intelligenza artificiale generativa sui dati strutturati.

Quale impatto prevedi che i LGM avranno sui settori che si basano fortemente sulla previsione e pianificazione accurate, come il retail, la gestione della catena di approvvigionamento e la finanza?

I LGM saranno completamente trasformativi poiché sono progettati specificamente per l’uso sui dati tabulari e temporali, che sono il sangue vitale di ogni azienda. Quasi ogni organizzazione in ogni settore dipende fortemente dall’analisi dei dati strutturati per la previsione della domanda e la pianificazione aziendale per prendere decisioni informate a breve e lungo termine – che si tratti di decisioni relative al merchandising, all’assunzione, agli investimenti, allo sviluppo di prodotti o ad altre categorie. I LGM offrono la cosa più vicina a una sfera di cristallo possibile per prendere le migliori decisioni.

Guardando avanti, quali sono i prossimi passi per Ikigai Labs nel migliorare le capacità dei LGM? Ci sono nuove funzionalità o sviluppi in cantiere che ti entusiasmano particolarmente?

Il nostro modello aiPlan esistente supporta l’analisi di scenario e what-if. Guardando avanti, stiamo puntando a sviluppare ulteriormente e abilitare l’apprendimento per rinforzo completo per i team operativi. Ciò consentirebbe a un team operativo di eseguire la pianificazione guidata dall’AI sia a breve che a lungo termine.

Grazie per la grande intervista. I lettori che desiderano saperne di più possono visitare Ikigai Labs.