Pedro Alves, CEO e Fondatore di Ople.ai – Serie di Interviste

Pedro Alves è il CEO e Fondatore di Ople.ai, una piattaforma che consente agli analisti e agli esperti di settore di utilizzare potenti analisi predittive. La piattaforma è dotata delle conoscenze e dell’esperienza dei migliori scienziati dei dati del mondo, in modo che gli utenti possano concentrarsi su ciò che sanno fare meglio: creare un impatto aziendale.

Cosa ti ha inizialmente attirato verso la scienza dei dati?

Nel 2001, ho visto un enorme potenziale nella macchina di apprendimento e nell’intelligenza artificiale. Mentre studiavo informatica come studente universitario e decidevo quale sottocampo perseguire, pensai: OK, l’AI/ML è un settore dell’informatica che trovo interessante – puoi aiutare a prevedere eventi in qualsiasi campo. Che tu sia in biologia, medicina o finanza, se hai la macchina di apprendimento e l’intelligenza artificiale, puoi avanzare notevolmente quei campi. Ho sempre pensato che la matematica dietro di essa fosse affascinante.

Quando sono entrato nella scuola di specializzazione, ho deciso che il modo migliore per migliorare la mia esperienza nella macchina di apprendimento sarebbe stato imparare a applicarla. Ero sempre molto pratico; non volevo imparare la teoria solo per la teoria. Ho scelto di studiare la macchina di apprendimento come si applica al campo della genomica e della proteomica. Tutti i miei lavori di specializzazione sono stati in biologia computazionale, ma il focus era sulla macchina di apprendimento.

Presto dopo, sono entrato nell’industria sanitaria, dove ho visto un grande potenziale per le applicazioni AI/ML. È stato allora che ho iniziato a vedere i problemi che l’AI aveva nella pratica, al di fuori dell’ambito accademico. Ho sperimentato la realtà dell’AI e ho imparato come fosse stata applicata in modo inefficace nel mondo reale, e non a causa di problemi tecnici. Quindi, sono diventato interessato a risolvere il problema.

Sei stato in precedenza il capo scienziato dei dati presso Banjo, dove hai affrontato sfide nell’area dei social network. Puoi discutere alcune di quelle sfide?

Come azienda, rilevavamo eventi registrati sui social media, in particolare eventi che dovevano essere evidenziati come potenziali pericoli, come un incidente d’auto o un edificio in fiamme. Aiutavamo a segnalare questi eventi, in modo da poter aiutare a mobilitare i primi soccorritori. Stavamo utilizzando i social media per il bene.

Molti di quegli eventi sono rari, rispetto ai dati dei social media. Ad esempio, ci sono numerosi incidenti che si verificano ogni giorno in una città, ma quando si guarda il volume dei dati dei social media, una foto di un incidente d’auto diventa piuttosto minuta. Considera i milioni di foto di cuccioli, foto di cibo, un altro milione di foto di selfie e poi una foto di un incidente d’auto, tutto nell’arco di pochi minuti. In sostanza, a Banjo, stavamo trovando l’ago nel pagliaio.

Quindi, una delle sfide che si presentavano era relativa alla visione computerizzata. Sebbene la visione computerizzata fosse decente al momento, quando si cerca di trovare uno su un milione, anche un piccolo errore di probabilità può completamente decimare le tue possibilità di rilevare questi eventi rari.

Ad esempio, c’era un set di dati pubblici che, quando utilizzato per addestrare le reti neurali, le faceva non riuscire a identificare il colore. Anche se una foto nel set di dati era colorata e la rete neurale stava guardando tutti gli RGB, non utilizzava il colore come indicatore. Prendi una macchina della polizia tradizionale e un taxi tradizionale – entrambi sono lo stesso modello di base di macchina e un pezzo di macchinario in cima (ad esempio, sirene su una macchina della polizia o un segnale libero/occupato su un taxi). Ma, se guardi il colore, la differenza tra i due è evidente. A causa di questo esempio, siamo stati in grado di capire che creare un set di dati appropriato è vitale.

Nel 2017, hai poi lanciato Ople. Qual è la storia di genesi dietro questo startup?

Volevo che le aziende ricevessero un solido ritorno sull’investimento dall’implementazione dell’AI. Secondo Gartner, tra l’80 e il 90 percento dei progetti AI non vedono mai la luce del giorno. Ciò non ha nulla a che fare con aspetti tecnici, come l’accuratezza del modello. È solitamente la cultura aziendale o gli aspetti procedurali all’interno dell’azienda.

Ciò potrebbe essere dovuto alla mancanza di una comunicazione sufficiente tra il team di scienziati dei dati e gli utenti aziendali, portando a modelli che prevedono qualcosa che il team aziendale non ha bisogno di prevedere perché il team di scienziati dei dati non ha capito cosa doveva essere costruito. O, se costruiscono il modello corretto, poi, quando il team di scienziati dei dati ha finito, il team aziendale non si avvale delle previsioni del modello. Nella maggior parte delle aziende, i dipartimenti come vendite, marketing e logistica sono quelli che dovrebbero realmente utilizzare l’AI, ma è il team di scienziati dei dati che comprende i modelli. Quando questi team non comprendono i modelli costruiti per loro, tendono a non fidarsi delle previsioni e quindi non le utilizzano.

Quindi, se l’AI non sta cambiando il modo in cui l’azienda fa affari, qual è il punto?

Volevamo creare una piattaforma che risolvesse questo problema – vogliamo aiutare il team di scienziati dei dati o gli analisti aziendali, gli analisti dei dati, chiunque sia coinvolto nel processo aziendale – a costruire i progetti giusti e aiutare i dipendenti a comprendere e fidarsi dei modelli. Se risolviamo questo, allora credo che la scienza dei dati possa finalmente essere preziosa per le aziende in modo reale.

Hai affermato che gli scienziati dei dati stanno perdendo tempo prezioso eseguendo compiti che possono essere automatizzati con l’AI. Quali sono alcuni esempi di compiti che dovrebbero essere automatizzati?

<p Uno scienziato dei dati trascorrerà generalmente diversi mesi per completare un modello e, una volta finalizzato, l'azienda implementerà il modello, anche se probabilmente non sarà così preciso come possibile. Nei mesi successivi all'implementazione del modello, lo scienziato dei dati continuerà a lavorare su di esso nel tentativo di aumentare la precisione del modello di piccole quantità incrementali. Questo è generalmente dove molti scienziati dei dati trascorrono il loro tempo quando potrebbero trascorrere il tempo facendo altri compiti, come assicurarsi che i dipendenti comprendano, si fidino e utilizzino i modelli di AI in atto. Tutto il tempo trascorso in compiti come l'ingegneria delle caratteristiche, l'addestramento dei modelli, la regolazione dei parametri e la selezione degli algoritmi, cercando di aumentare la precisione di un modello, può essere facilmente automatizzato con l'AI.

Puoi descrivere cosa sia il meta-apprendimento e come Ople applichi questo?

Prima di arrivare al meta-apprendimento, è importante capire il primo livello della macchina di apprendimento. Ad esempio, si ha un set di dati che prevede quando le macchine si romperanno in un piano di fabbrica. La macchina notifica i dipendenti che sta per rompersi, in modo che possano eseguire la manutenzione preventiva. Ciò è considerato il primo livello di apprendimento.

Il meta-apprendimento, noto anche come “apprendimento per apprendere”, è ulteriormente comprendere quel processo di apprendimento. Quindi, mentre si addestra il modello per prevedere gli errori della macchina, si ha un altro modello che osserva. Ad esempio, il secondo modello potrebbe aiutare le aziende a capire quali parametri il modello di manutenzione preventiva sta imparando bene e quali parametri non funzionano bene. Quando si fa il meta-apprendimento, si diventa migliori nel costruire modelli più efficienti, più velocemente.

Quali sono le tue opinioni sul dati sintetici?

I dati sintetici possono essere incredibilmente difficili da lavorare, se non eseguiti correttamente.

Ad esempio, si ha dei dati di registri medici – si hanno 20 pazienti e, per quei pazienti, si hanno la loro età, il loro sesso, il loro peso, la loro altezza, la loro pressione sanguigna, l’elenco dei farmaci, ecc. È possibile creare dati sintetici con la macchina di apprendimento in base a questi registri medici. Tuttavia, se si fa affidamento solo alla macchina di apprendimento o alla statistica, si può finire con dati sintetici insensati. Può creare una combinazione casuale di valori, come un bambino di 3 anni che è alto 1,80 metri o una persona alta 1,20 metri che pesa 450 chili. Mentre l’AI/ML sono affidabili in molti casi, i dati sintetici utilizzati per i registri medici dovrebbero avere l’input di un medico.

Quindi, si coinvolge un professionista medico per creare parametri, come “se la persona ha questa età, quale è un intervallo di altezza realistico e di peso”, o “se stanno prendendo questo farmaco, quali farmaci non dovrebbero prendere”. Questo processo diventerebbe inevitabilmente un’impresa massiccia e troppo complicata per mappare tutte le possibilità, in quanto si riferiscono ai registri medici di ogni paziente.

Nel regno delle immagini, tuttavia, i dati sintetici possono essere molto più facili da comprendere e creare. Ad esempio, si ha una foto di una macchina e la macchina è situata nell’angolo superiore sinistro. Non è necessario essere un esperto per sapere che la stessa macchina potrebbe essere nell’angolo inferiore sinistro, in alto a destra o al centro. Non solo la persona può puntare una macchina fotografica in molti modi, ma può anche riallineare la foto. Spostare il focus della foto, in modo che la macchina sia in tutti gli angoli, è creare dati sintetici – un altro metodo semplice è utilizzare la rotazione.

Puoi dare alcuni esempi di come Ople abbia aiutato le aziende con le loro esigenze di dati?

Ople.AI dà alle aziende la capacità di utilizzare approfondite analisi dei dati a tutti i livelli dell’organizzazione e di dare ai dipendenti l’opportunità di sbloccare il valore dell’AI, con solo pochi clic. A differenza delle organizzazioni che fanno affidamento su un piccolo team di scienziati dei dati per articolare e implementare l’AI, la piattaforma Ople.AI equipaggia i dipendenti in vari dipartimenti con gli strumenti per accedere alle informazioni dai loro dati e, di conseguenza, aumentare la loro efficienza quotidiana.

Con ciò detto, un grande ostacolo che le organizzazioni spesso affrontano nell’implementazione dell’AI è la spiegabilità del modello. È vitale per le aziende offrire un’AI che i dipendenti possano comprendere e, più importante, fidarsi. La spiegabilità del modello aiuta in questo. Il nostro obiettivo con la piattaforma Ople.AI è dare ai dipendenti, che potrebbero non essere esperti di AI o tecnologia, la possibilità di comprendere facilmente come i modelli facciano previsioni e perché. La creazione della spiegabilità del modello genererà risultati potenti per le aziende nel lungo termine.

Inoltre, c’è molto più valore che un modello può portare alle aziende oltre a fare previsioni. L’AI può scoprire potenziali problemi o aree che possono essere capitalizzate. Chiamiamo questo spiegabilità dei dati – sono i vari modi in cui un modello può condividere informazioni intelligenti sui dati che sono preziosi per un’azienda. Questo è un grande modo in cui l’AI può aiutare le aziende e un’area in cui stiamo facendo progressi, rispetto alla nostra concorrenza.

Grazie per l’intervista, i lettori che desiderano saperne di più possono visitare Ople.ai.