ペドロ・アルヴェス – Ople.aiのCEO兼創設者 – インタビュー・シリーズ

ペドロ・アルヴェスは、Ople.aiのCEO兼創設者です。Ople.aiは、予測分析を強力なものにするプラットフォームで、分析担当者や専門家がビジネスに影響を与えることができます。このプラットフォームは、世界をリードするデータ科学者の知識と専門知識を備えているため、ユーザーは本来得意なことを行うことができます。

あなたがデータサイエンスに惹かれたきっかけは何ですか？

2001年に、私は機械学習と人工知能の潜在性を認識しました。コンピューターサイエンスを学んでいるとき、AI/MLは面白い分野だと思いました。生物学、医学、金融など、どの分野でも機械学習とAIを応用することで進歩させることができます。数学的な側面も魅力的でした。

大学院に進学すると、機械学習の専門知識を高めるために、実践的なアプローチを取ることにしました。理論だけではなく、実際に適用することに重点を置きました。遺伝子学と蛋白質学の分野で機械学習を学びました。私の研究は計算生物学に焦点を当てていましたが、機械学習に重点を置きました。

その後、ヘルスケア業界に参入し、AI/MLの応用が大きいことを認識しました。そこで、AIの実践的な問題に直面しました。学術的な環境以外でのAIの適用の現実を経験し、技術的な問題ではなく、文化的な問題や会社内の手続き的な問題があることを学びました。そこで、問題を解決することに集中しました。

あなたは以前、Banjoのチーフデータサイエントリストでした。ソーシャルネットワーク分野での課題についてお話しください。

私たちの会社は、ソーシャルメディア上で報告されたイベントを検出することが目標でした。例えば、近くで起こった車の事故や建物の火事などの危険なイベントを検出して、緊急対応チームを動かすことが目標でした。私たちはソーシャルメディアを利用して善行を実現しようとしていました。

しかし、ソーシャルメディアのデータの中で、車の事故などのイベントは非常にまれでした。例えば、1日中に都市で起こる数多くの事故の中で、ソーシャルメディア上で報告される事故の写真はほんの1つだけかもしれません。数百万枚の写真の中で、1枚の事故の写真を見つけることは、実際には非常に難しいことです。

コンピュータビジョンの精度が高いとはいえ、数百万枚の写真の中から1枚の事故の写真を見つけることは、非常に難しい課題でした。例えば、ある公開データセットを使用してニューラルネットワークをトレーニングしたところ、ニューラルネットワークは色を認識できませんでした。写真の中で色が重要な特徴である場合、ニューラルネットワークはそれを認識できませんでした。

2017年にOpleを立ち上げました。Opleの創設ストーリーを教えてください。

私は、企業がAIの投資から実際のROIを得ることを目指しました。ガートナーの調査によると、80〜90%のAIプロジェクトは実現されません。これは技術的な問題ではなく、企業文化や手続き的な問題によるものです。

データサイエンスチームとビジネスユーザーの間で十分なコミュニケーションが取れていないことが原因の1つです。データサイエンスチームがビジネスユーザーのニーズを理解していない場合、モデルはビジネスユーザーが必要としているものを予測していません。モデルが正しく構築されても、ビジネスユーザーがモデルを信頼して使用しない場合、AIは企業に価値をもたらしません。

そこで、企業がAIから実際の価値を得ることを支援するプラットフォームを作ることを目指しました。データサイエンスチームやビジネスアナリストが、正しいプロジェクトを構築し、モデルを理解して信頼できるように支援します。そうすれば、データサイエンスが企業に実際の価値をもたらすことができます。

データサイエントリストが自動化できるタスクについて教えてください。

データサイエントリストは、モデルを構築するのに数ヶ月を費やします。モデルが完成したら、企業がモデルを導入しますが、モデルは最適な精度ではありません。モデルをさらに改善するために、データサイエントリストは数ヶ月を費やします。ただし、フィーチャーエンジニアリング、モデルトレーニング、パラメータチューニング、アルゴリズム選択などのタスクは、AIによって自動化できます。

メタラーニングについて教えてください。また、Opleではメタラーニングをどのように適用していますか。

メタラーニングについて説明する前に、最初の層の機械学習を理解する必要があります。例えば、工場の機械が故障することを予測するモデルを構築する場合、モデルは機械の故障を予測します。これが最初の層の学習です。

メタラーニングは、学習プロセスをさらに理解することです。例えば、予測モデルを構築するときに、別のモデルが学習プロセスを観察します。メタラーニングにより、より効率的なモデルを構築することができます。

合成データについて教えてください。

合成データは、適切に扱わないと非常に難しいものです。

例えば、医療記録データがあり、20人の患者について、年齢、性別、体重、身長、血圧、服用薬などの情報があります。機械学習を使用して、これらの記録から合成データを生成できます。しかし、機械学習や統計学のみに頼ると、無意味な合成データが生成される可能性があります。例えば、3歳の児童が6フィートの身長である、または4フィートの身長で体重が1000ポンドである、などの無意味なデータが生成される可能性があります。医療記録の合成データを生成する場合は、医師の入力を必要とします。

画像の合成データは、より理解しやすいです。例えば、車の写真があり、車が左上の角にある場合、右下の角や中心に車を配置することもできます。画像を回転させたり、配置を変更したりすることで、合成データを生成できます。

Opleが企業のデータニーズを支援した例について教えてください。

Ople.AIは、企業がデータ分析を容易に行えるように支援します。従来、企業はデータサイエントリストに頼る必要がありましたが、Ople.AIを使用することで、従業員がデータ分析を容易に行えるようになります。Ople.AIは、従業員がAIを理解し、信頼できるように支援します。

企業がAIを導入する際の最大の課題は、モデルを説明することです。従業員がモデルを理解し、信頼できるようにすることが重要です。Ople.AIの目的は、AI/テクノロジーに精通していない従業員でも、モデルが予測する理由を理解できるように支援することです。モデルを説明することで、企業は長期的に強力な結果を得ることができます。

さらに、モデルは予測するだけでなく、潜在的な問題点や改善点を発見することもできます。データの説明可能性を高めることで、企業はAIからより多くの価値を得ることができます。これは、Opleが競争他社と比較して進歩を遂げている分野です。

インタビューありがとうございます。詳しく知りたい読者は、Ople.aiを訪れてください。