Dr. Devavrat Shah, Co-Founder & CEO di Ikigai Labs – Serie di Interviste

Dr. Devavrat Shah è il Co-fondatore e CEO di Ikigai Labs e è un professore e direttore del Centro di Statistica e Scienza dei Dati al MIT. Ha co-fondato Celect, una piattaforma di analisi predittiva per i dettaglianti, che ha venduto alla Nike. Devavrat detiene una laurea e un dottorato in Informatica presso l’Indian Institute of Technology e la Stanford University, rispettivamente.

Ikigai Labs fornisce una piattaforma alimentata da intelligenza artificiale progettata per trasformare i dati tabulari e di serie temporali aziendali in informazioni predittive e azionabili. Utilizzando modelli grafici grandi brevettati Large Graphical Models, 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, sto saltando tra il mondo accademico e quello aziendale da 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 da Nike nel 2019.

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

LGM o Large Graphical Models sono una visione probabilistica dei dati. Sono in netto contrasto con i modelli di “Foundation” basati sull’intelligenza artificiale, come LLM.

I modelli di Foundation suppongono di poter “imparare” tutti i modelli rilevanti da un grande 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. LLM sono stati molto efficaci per i dati non strutturati (testo, immagine).

LGM, invece, identificano i modelli funzionali appropriati da un grande “universo” di tali modelli dati il frammento di dati. LGM sono progettati in modo da avere tutti i modelli funzionali rilevanti a disposizione, pertinenti ai dati strutturati (tabulari, di serie temporali).

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

Potresti spiegare come 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?

LGM sono progettati specificamente per la modellazione dei dati strutturati (cioè tabulari, di serie temporali). Di conseguenza, offrono maggiore accuratezza e previsioni più affidabili.

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

LGM supportano anche una migliore privacy e sicurezza dei dati. Si formano solo sui dati dell’azienda – con integrazione da fonti 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 tipi di scenari aziendali LGM forniscono il maggior valore? Potresti fornire alcuni esempi di come sono stati utilizzati per migliorare la previsione, la pianificazione o la decisione?

LGM forniscono valore in qualsiasi scenario in cui un’azienda 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 invendute alla fine di ogni stagione (il che significa beni invenduti e CAPEX sprecati). D’altra parte, non vuole nemmeno esaurire le scorte troppo presto (il che significa aver perso vendite).

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

• Quali costumi dovrei stockare questa stagione? Quanti dovrei stockare di ogni SKU in totale?
• Quanto bene venderà uno SKU in una posizione specifica?
• 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 LGM in scenari in cui i dati sono scarsi, inconsistenti o in rapida evoluzione?

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

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

L’intelligenza artificiale sta cambiando il modo in cui lavoriamo, e le aziende devono essere pronte a consentire ai lavoratori di tutti i tipi di utilizzare l’intelligenza artificiale. 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 alla nostra Ikigai Academy, in modo che chiunque possa imparare i fondamenti dell’intelligenza artificiale e ottenere una formazione e una certificazione sulla piattaforma Ikigai.

LGM avranno un impatto enorme sulle aziende che cercano di utilizzare l’intelligenza artificiale generativa. Le aziende vogliono utilizzare l’intelligenza artificiale generativa per casi d’uso che richiedono modellazione predittiva e statistica numerica, come la previsione probabilistica e la pianificazione di scenari. Ma LLM non sono stati progettati per questi casi d’uso, e molte organizzazioni pensano che LLM siano l’unica forma di intelligenza artificiale generativa. Quindi provano a utilizzare 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 LGM, si renderanno conto che possono effettivamente sfruttare l’intelligenza artificiale generativa per guidare una previsione e una pianificazione migliori e aiutarle a prendere decisioni aziendali più informate.

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

L’intelligenza artificiale necessita di guardrail, poiché le organizzazioni sono naturalmente diffidenti che la tecnologia si esegua 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 il loro business. Quando le organizzazioni possono inserire un esperto umano in un ruolo di monitoraggio dell’intelligenza artificiale, 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. Il mio co-fondatore e io abbiamo inventato LGM durante il nostro lavoro accademico al MIT. Siamo gli innovatori nei modelli grafici grandi e nell’utilizzo dell’intelligenza artificiale generativa sui dati strutturati.

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

LGM saranno completamente trasformative, poiché sono progettati specificamente per l’uso sui dati tabulari e di serie temporali, che sono il lifeblood 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 – sia che queste decisioni siano relative al merchandising, all’assunzione, agli investimenti, allo sviluppo del prodotto o ad altre categorie. LGM forniscono 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 di LGM? Ci sono nuove funzionalità o sviluppi in cantiere che ti entusiasmano in particolare?

Il nostro modello aiPlan esistente supporta l’analisi e la pianificazione di scenari. Guardando avanti, stiamo puntando a svilupparlo ulteriormente e abilitare il pieno apprendimento per rinforzo per i team operativi. Ciò consentirebbe a un team operativo di eseguire la pianificazione guidata dall’intelligenza artificiale sia a breve che a lungo termine.

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