Vinay Kumar Sankarapu, Co-Fondatore e Amministratore Delegato di Arya.ai – Serie di Interviste

Vinay Kumar Sankarapu, è il Co-Fondatore e Amministratore Delegato di Arya.ai, una piattaforma che offre la ‘AI’ cloud per le banche, le assicurazioni e le istituzioni finanziarie (BFSI) per trovare le giuste API di intelligenza artificiale, soluzioni di intelligenza artificiale esperte e strumenti di governance di intelligenza artificiale completi necessari per implementare motori di intelligenza artificiale affidabili e autoapprenti.

Il tuo background è in matematica, fisica, chimica e ingegneria meccanica, potresti discutere il tuo percorso di transizione all’informatica e all’intelligenza artificiale?

Al IIT Bombay, abbiamo un ‘Programma di Laurea Doppia’ che fornisce un corso di 5 anni per coprire sia la Laurea in Ingegneria che la Laurea Magistrale in Ingegneria. Ho fatto l’ingegneria meccanica con specializzazione in ‘Progettazione e Produzione Assistita da Computer’, dove l’informatica fa parte del nostro curriculum. Per la nostra ricerca post-laurea, ho scelto di lavorare sull’apprendimento profondo. Mentre ho iniziato a utilizzare l’apprendimento profondo per costruire un framework di previsione di guasto per la produzione continua, ho finito la mia ricerca sull’utilizzo di CNN per la previsione di RUL. Questo era intorno al 2013/14.

Hai lanciato Arya.ai mentre eri ancora all’università, potresti condividere la storia di genesi dietro questa startup?

Come parte della ricerca accademica, dovevamo trascorrere 3-4 mesi sulla revisione della letteratura per creare uno studio dettagliato sull’argomento di interesse, l’ambito del lavoro svolto finora e cosa potrebbe essere un possibile ambito di focus per la nostra ricerca. Durante il 2012/13, gli strumenti che utilizzavamo erano abbastanza basilari. I motori di ricerca come Google Scholar e Scopus stavano facendo solo una ricerca per parole chiave. Era davvero difficile comprendere il volume di conoscenza disponibile. Ho pensato che questo problema sarebbe solo peggiorato. Nel 2013, credo che almeno 30+ articoli venivano pubblicati ogni minuto. Oggi, è almeno 10-20 volte tanto.

Volevamo costruire un ‘assistente di intelligenza artificiale’ come un ‘professore’ per gli ricercatori per aiutarli a suggerire un argomento di ricerca, trovare un articolo adatto che sia aggiornato e qualsiasi altra cosa intorno alla ricerca STEM. Con la nostra esperienza nell’apprendimento profondo, abbiamo pensato di poter risolvere questo problema. Nel 2013, abbiamo iniziato Arya.ai con un team di 3, e poi si è espanso a 7 nel 2014 mentre ero ancora all’università.

La nostra prima versione del prodotto è stata costruita raschiando più di 30 milioni di articoli e abstract. Abbiamo utilizzato le tecniche più avanzate nell’apprendimento profondo di allora per costruire un assistente di ricerca STEM di intelligenza artificiale e un motore di ricerca contestuale per STEM. Ma quando abbiamo presentato l’assistente di intelligenza artificiale a quelques professori e pari, abbiamo realizzato che eravamo troppo presto. I flussi conversazionali erano limitati, e gli utenti si aspettavano un flusso libero e conversazioni continue. Le aspettative erano molto irrealistiche all’epoca (2014/15) anche se stava rispondendo a domande complesse.

Dopo di che, ci siamo rivolti all’utilizzo della nostra ricerca e ci siamo concentrati sugli strumenti di apprendimento automatico per i ricercatori e le imprese come un banco di lavoro per democratizzare l’apprendimento profondo. Ma di nuovo, pochi scienziati dei dati stavano utilizzando l’apprendimento automatico nel 2016. Quindi, abbiamo iniziato a verticalizzare per una verticale e ci siamo concentrati sulla costruzione di strati di prodotto specializzati per una verticale, cioè le istituzioni finanziarie (FSI). Sapevamo che questo avrebbe funzionato perché mentre i grandi giocatori cercano di vincere il gioco orizzontale, la verticalizzazione può creare un grande vantaggio competitivo per le startup. Questa volta avevamo ragione!

Stiamo costruendo la ‘AI’ cloud per le banche, le assicurazioni e le istituzioni finanziarie con gli strati verticali più specializzati per offrire soluzioni di intelligenza artificiale scalabili e responsabili.

Quanto grande è il problema della ‘scatola nera’ dell’intelligenza artificiale nel settore finanziario?

Molto importante! Solo il 30% delle istituzioni finanziarie sta utilizzando l’intelligenza artificiale al massimo delle sue potenzialità. Una delle ragioni è l’accessibilità, un’altra è la mancanza di fiducia e auditabilità dell’intelligenza artificiale. Le normative sono ora chiare in alcune aree geografiche sulla legalità dell’utilizzo dell’intelligenza artificiale per casi d’uso a basso, medio e alto livello di sensibilità. È richiesto per legge nell’UE di utilizzare modelli trasparenti per casi d’uso ad alto rischio. Molti casi d’uso nelle istituzioni finanziarie sono casi d’uso ad alto rischio. Quindi, sono tenuti a utilizzare modelli white-box.

I cicli di hype stanno anche stabilizzandosi a causa delle prime esperienze con le soluzioni di intelligenza artificiale. Ci sono molti esempi recenti sugli effetti dell’utilizzo di ‘scatole nere’ di intelligenza artificiale, fallimenti dell’intelligenza artificiale a causa della mancanza di monitoraggio e sfide con i responsabili legali e di rischio a causa della limitata auditabilità.

Potresti discutere la differenza tra il monitoraggio dell’apprendimento automatico e l’osservabilità dell’apprendimento automatico?

 Il lavoro di uno strumento di monitoraggio è semplicemente monitorare e allertare. E il lavoro di uno strumento di osservabilità è non solo monitorare e segnalare, ma, soprattutto, fornire abbastanza prove per trovare le ragioni del fallimento o prevedere questi fallimenti nel tempo.

Nell’intelligenza artificiale/apprendimento automatico, questi strumenti svolgono un ruolo critico. Mentre questi strumenti possono consegnare ruoli o monitoraggio richiesti, l’ambito dell’osservabilità dell’apprendimento automatico

Perché sono necessarie piattaforme specifiche per l’industria per l’osservabilità dell’apprendimento automatico rispetto alle piattaforme general-purpose?

Le piattaforme general-purpose sono progettate per tutti e per qualsiasi caso d’uso, indipendentemente dall’industria– qualsiasi utente può accedere e iniziare a utilizzare la piattaforma. I clienti di queste piattaforme sono solitamente sviluppatori, scienziati dei dati, ecc. Le piattaforme, tuttavia, creano diverse sfide per gli stakeholder a causa della loro natura complessa e dell’approccio ‘una taglia per tutti’.

Purtroppo, la maggior parte delle imprese oggi richiede esperti di scienza dei dati per utilizzare piattaforme general-purpose e necessita di soluzioni aggiuntive/strati di prodotto per rendere questi modelli ‘utilizzabili’ dagli utenti finali in qualsiasi verticale. Ciò include spiegabilità, audit, segmenti/scenari, processi con intervento umano, etichettatura di feedback, audit, pipeline specifiche degli strumenti, ecc.

È qui che entrano in gioco le piattaforme di intelligenza artificiale specifiche per l’industria. Una piattaforma di intelligenza artificiale specifica per l’industria possiede l’intero flusso di lavoro per risolvere un bisogno o caso d’uso mirato del cliente e viene sviluppata per fornire un prodotto completo dall’inizio alla fine, dalla comprensione dei bisogni aziendali al monitoraggio delle prestazioni del prodotto. Ci sono molti ostacoli specifici dell’industria, come framework normativi e di conformità, requisiti di privacy dei dati, requisiti di audit e controllo, ecc. Le piattaforme di intelligenza artificiale specifiche per l’industria e le offerte accelerano l’adozione dell’intelligenza artificiale e accorciano il percorso verso la produzione riducendo il tempo di sviluppo e i rischi associati al rollout dell’intelligenza artificiale. Inoltre, ciò aiuterà anche a riunire l’esperienza di intelligenza artificiale nel settore come uno strato di prodotto che aiuta a migliorare l’accettazione dell’intelligenza artificiale, spingere gli sforzi di conformità e trovare approcci comuni a questioni di etica, fiducia e reputazione.

Potresti condividere alcuni dettagli sulla piattaforma di osservabilità dell’apprendimento automatico offerta da Arya.ai?

Abbiamo lavorato nelle istituzioni finanziarie per più di 6 anni. Dal 2016. Ciò ci ha dato una prima esposizione ai challenge unici nell’implementazione di intelligenza artificiale complessa nelle FSI. Una delle sfide importanti era l’accettazione dell’intelligenza artificiale. A differenza di altri settori, ci sono molte normative sull’utilizzo di qualsiasi software (anche le soluzioni di intelligenza artificiale), la privacy dei dati, l’etica e, soprattutto, l’impatto finanziario sull’impresa. Per affrontare queste sfide su larga scala, abbiamo dovuto continuamente inventare e aggiungere nuovi strati di spiegabilità, audit, rischi e responsabilità sulle nostre soluzioni – elaborazione delle richieste, underwriting, monitoraggio delle frodi, ecc. Nel tempo, abbiamo creato un framework di osservabilità dell’apprendimento automatico accettabile e scalabile per vari stakeholder nel settore dei servizi finanziari.

Stiamo ora rilasciando una versione DIY di questo framework come AryaXAI (xai.arya.ai). Qualsiasi team di apprendimento automatico o aziendale può utilizzare AryaXAI per creare una governance di intelligenza artificiale molto completa per casi d’uso mission-critici. La piattaforma porta trasparenza e auditabilità alle tue soluzioni di intelligenza artificiale che sono accettabili per ogni stakeholder. AryaXAI rende l’intelligenza artificiale più sicura e accettabile per casi d’uso mission-critici fornendo una spiegabilità affidabile e precisa, offrendo prove che possono supportare la diligenza normativa, gestendo l’incertezza dell’intelligenza artificiale fornendo controlli di politica avanzati e assicurando la coerenza in produzione monitorando la deriva dei dati o del modello e allertando gli utenti con l’analisi della causa radice.

AryaXAI agisce anche come un flusso di lavoro comune e fornisce informazioni accettabili per tutti gli stakeholder – scienza dei dati, IT, rischio, operazioni e team di conformità, rendendo il rollout e la manutenzione dei modelli di apprendimento automatico/intelligenza artificiale senza problemi e senza ingombri.

Un’altra soluzione che viene offerta è una piattaforma che aumenta l’applicabilità del modello di apprendimento automatico con l’implementazione di politiche contestuali. Potresti descrivere cosa è esattamente?

Diventa difficile monitorare e controllare i modelli di apprendimento automatico in produzione, a causa del volume enorme di funzionalità e previsioni. Inoltre, l’incertezza del comportamento del modello rende difficile gestire e standardizzare la governance, il rischio e la conformità. Tali fallimenti dei modelli possono risultare in perdite di reputazione e finanziarie pesanti.

AryaXAI offre ‘controlli di politica/rischio’, un componente critico che preserva gli interessi aziendali e etici imponendo politiche sull’intelligenza artificiale. Gli utenti possono facilmente aggiungere/modificare le politiche per amministrare i controlli di politica. Ciò consente ai team cross-funzionali di definire barriere di politica per garantire la valutazione del rischio continua, proteggendo l’impresa dall’incertezza dell’intelligenza artificiale.

Quali sono alcuni esempi di casi d’uso per questi prodotti?

AryaXAI può essere implementato per vari processi mission-critici in diversi settori. Gli esempi più comuni sono:

BFSI: In un ambiente di rigide normative, AryaXAI rende facile per il settore BFSI allinearsi con i requisiti e raccogliere le prove necessarie per gestire il rischio e garantire la conformità.

• Underwriting per prestiti sicuri/non sicuri
• Identificazione di frodi/transazioni sospette
• Audit
• Gestione del ciclo di vita del cliente
• Decisioni di credito

Auto autonome: Le auto autonome devono rispettare le normative, la sicurezza operativa e la spiegabilità nelle decisioni in tempo reale. AryaXAI consente di comprendere come il sistema di intelligenza artificiale interagisce con il veicolo

• Analisi delle decisioni
• Operazioni di veicoli autonomi
• Dati di salute del veicolo
• Monitoraggio del sistema di guida dell’intelligenza artificiale

Sanità: AryaXAI fornisce approfondimenti più profondi da prospettive mediche, tecnologiche, legali e dei pazienti. Dalla scoperta dei farmaci alla produzione, vendita e marketing, Arya-xAI favorisce la collaborazione multidisciplinare

• Scoperta dei farmaci
• Ricerca clinica
• Convalida dei dati dei trial clinici
• Cura di alta qualità

Qual è la tua visione per il futuro dell’apprendimento automatico nel settore finanziario?

Nel corso dell’ultimo decennio, c’è stata un’enorme educazione e marketing intorno all’intelligenza artificiale. Abbiamo visto molti cicli di hype durante questo periodo. Probabilmente siamo al 4° o 6° ciclo di hype adesso. Il primo è quando l’apprendimento profondo ha vinto ImageNet nel 2011/12 seguito dal lavoro intorno alla classificazione di immagini/testi, riconoscimento del parlato, auto autonome, intelligenza artificiale generativa e attualmente con i grandi modelli linguistici. Il divario tra il picco di hype e l’uso di massa si riduce con ogni ciclo di hype a causa delle iterazioni intorno al prodotto, alla domanda e al finanziamento.

Queste tre cose sono successe ora:

1. Credo che abbiamo risolto il framework di scala per le soluzioni di intelligenza artificiale, almeno per alcuni esperti. Ad esempio, Open AI è attualmente un’organizzazione non profit, ma stanno proiettando di fare 1 miliardo di dollari di entrate entro 2 anni. Mentre non ogni azienda di intelligenza artificiale potrebbe raggiungere una scala simile, il modello di scalabilità è più chiaro.
2. La definizione di soluzioni di intelligenza artificiale ideali è quasi chiara per tutte le verticali: A differenza di prima, quando il prodotto veniva costruito attraverso esperimenti iterativi per ogni caso d’uso e ogni organizzazione, gli stakeholder sono sempre più istruiti per capire cosa hanno bisogno dalle soluzioni di intelligenza artificiale.
3. Le normative stanno ora recuperando: La necessità di normative chiare intorno alla privacy dei dati e all’uso dell’intelligenza artificiale sta ora guadagnando grande trazione. Gli organismi di governo e le autorità di regolamentazione sono in grado di pubblicare o sono in procinto di pubblicare i framework necessari per l’uso sicuro, etico e responsabile dell’intelligenza artificiale.

Cosa c’è dopo?

L’esplosione del ‘Modello come servizio (MaaS)’:

Stiamo per vedere una crescente domanda di proposte di ‘Modello come servizio’ non solo orizzontalmente ma anche verticalmente. Mentre ‘OpenAI’ rappresenta un buon esempio di ‘MaaS orizzontale’, Arya.ai è un esempio di ‘MaaS verticale’. Con l’esperienza dei rollout e dei set di dati, Arya.ai ha raccolto set di dati verticali critici che vengono utilizzati per addestrare modelli e fornirli come modelli pre-addestrati o plug-and-use.

La verticalizzazione è il nuovo orizzontale: Abbiamo visto questo trend nell’adozione del cloud. Mentre i giocatori orizzontali del cloud si concentrano su ‘piattaforme per tutti’, i giocatori verticali si concentrano sui requisiti degli utenti finali e li forniscono come uno strato di prodotto specializzato. Ciò è vero anche per le offerte di MaaS.

XAI e la governance dell’intelligenza artificiale diventeranno la norma nelle imprese: A seconda della sensibilità delle normative, ogni verticale raggiungerà un framework di XAI e governance accettabile che verrà implementato come parte della progettazione, a differenza di oggi, quando viene trattato come un componente aggiuntivo.

L’intelligenza artificiale generativa sui dati tabulari potrebbe vedere i suoi cicli di hype nelle imprese: La creazione di set di dati sintetici è supposta essere una delle soluzioni facili da implementare per risolvere le sfide dei dati nelle imprese. I team di scienza dei dati preferiranno molto questo perché il problema è sotto il loro controllo, a differenza di affidarsi all’impresa, che potrebbe richiedere tempo, essere costosa e non garantire di seguire tutti i passaggi mentre si raccoglievano i dati. I dati sintetici risolvono i problemi di pregiudizio, squilibrio dei dati, privacy dei dati e insufficienza dei dati. Naturalmente, l’efficacia di questo approccio è ancora da dimostrare. Tuttavia, con maggiore maturità in nuove tecniche come i trasformatori, potremmo vedere più esperimenti su set di dati tradizionali come tabulari e multidimensionali. In caso di successo, questo approccio potrebbe avere un impatto enorme sulle imprese e sulle offerte di MaaS.

C’è qualcos’altro che vorresti condividere su Arya.ai?

Il focus di Arya.ai è risolvere l’intelligenza artificiale per le banche, le assicurazioni e i servizi finanziari. Il nostro approccio è la verticalizzazione della tecnologia fino all’ultimo strato e renderla utilizzabile e accettabile per ogni organizzazione e stakeholder.

AryaXAI (xai.arya.ai) giocherà un ruolo importante nel consegnare questo alle masse all’interno della verticale FSI. La nostra ricerca continua sui dati sintetici è riuscita in un pugno di casi d’uso, ma