記事執筆

Ople.ai CEO 兼創設者 Pedro Alves – インタビューシリーズ

更新中 on 2021 年 11 月 24 日

Pedro Alves は、アナリストや対象分野の専門家に強力な予測分析を提供するプラットフォームである Ople.ai の CEO 兼創設者です。このプラットフォームには世界をリードするデータサイエンティストの知識と専門知識が備えられているため、ユーザーは自分の得意分野、つまりビジネスに影響を与えることに集中できます。

最初にデータサイエンスに惹かれたのは何ですか?

2001 年に遡ると、私は機械学習と人工知能に大きな可能性があることに気づきました。学部でコンピューターサイエンスを勉強し、どのサブ分野をさらに追求するかを決めているときに、私はこう思いました。AI/ML はコンピューターサイエンスの分野であり、興味深いと思います。どの分野でもイベントの予測に役立ちます。生物学、医学、金融のいずれの分野であっても、機械学習と AI があれば、それらの分野を大幅に進歩させることができます。私はその背後にある数学が興味深いものだといつも思っていました。

大学院に入学したとき、機械学習の専門知識を向上させる最善の方法は、その応用方法を学ぶことだと決心しました。私は常に非常に実践的でした。私は理論のためだけに理論を学びたくありませんでした。私はゲノミクスとプロテオミクスの分野に応用できる機械学習を研究することにしました。私の卒業研究はすべて計算生物学でしたが、焦点は機械学習でした。

その後すぐに、私はヘルスケア業界に入り、そこで AI/ML アプリケーションに大きな可能性を見出しました。そのとき、私は学界の外で AI が実際に抱えている問題に気づき始めました。私は AI の現実を体験し、AI が技術的な問題のためではなく、現実世界にどれほど効果的に適用されていなかったかを学びました。それで、私は問題を解決することに惹かれるようになりました。

あなたは以前、Banjo のチーフデータサイエンティストを務め、ソーシャルネットワーク分野の課題に取り組みました。それらの課題についていくつかお話しいただけますか?

企業として、ソーシャルメディアに記録されたイベント、特に近くでの自動車事故や建物火災など、潜在的な危険として強調する必要があるイベントを検出します。私たちは、これらの出来事にフラグを立てて、初期対応者の動員をさらに支援できるようにしたいと考えています。私たちはソーシャルメディアを良い目的で利用していました。

ソーシャルメディアデータに関して言えば、こうしたイベントの多くはまれです。たとえば、どの都市でも毎日多数の衝突事故が発生していますが、ソーシャルメディアのデータ量に目を向けると、自動車事故の写真はかなり小さなものになります。何百万枚もの子犬の写真、食べ物の写真、さらに XNUMX 万枚の自撮り写真、そして XNUMX 枚の自動車事故の写真がすべて数分の間に撮影されたことを考えてみましょう。本質的に、バンジョーでは私たちは干し草の山から針を見つけていたのです。

したがって、発生する課題の 1 つはコンピュータービジョンに関するものでした。当時、コンピュータービジョンはまともなものでしたが、数百万分の 1 を見つけようとすると、エラー率がわずかな確率であっても、これらのまれなイベントを検出できる可能性が完全に失われてしまう可能性があります。

たとえば、ニューラルネットワークのトレーニングに使用すると色を識別できなくなる公開データセットがありました。データセット内の画像がカラフルで、ニューラルネットワークがすべての RGB を参照していたとしても、色を記号表現として使用しませんでした。従来のパトカーとタクシーを例に挙げます。どちらも基本的な車種は同じで、上部に追加の機械が追加されています (つまり、パトカーのサイレンやタクシーの空き/混雑信号など)。しかし、色を見てみると両者の違いは明らかです。この事例のおかげで、適切なデータセットを作成することが重要であることを理解することができました。

2017 年には、Ople を立ち上げました。このスタートアップの背後にある誕生の物語は何でしたか?

私は企業が AI の導入によって確実な ROI を得られることを望んでいました。 Gartner によると、AI プロジェクトの 80 ～ 90% は日の目を見ることはありません。これはモデルの精度などの技術的な側面とは関係ありません。それは通常、企業文化や社内の手続き上の側面です。

これは、データサイエンスチームとビジネスユーザーの間の十分なコミュニケーションが不足していることが原因である可能性があり、データサイエンスチームが何を構築する必要があるかを理解していなかったため、ビジネスチームが必要としないものを予測するモデルが生成されてしまいます。あるいは、正しいモデルを構築したとしても、データサイエンスチームが完了した時点で、ビジネスチームは予測をまったく活用できなくなります。ほとんどの企業では、実際に AI を活用すべきは営業、マーケティング、物流などの部門ですが、モデルを理解しているのはデータサイエンスチームです。これらのチームが構築されているモデルを理解していない場合、その予測を信頼しない傾向があり、したがってその予測を使用しないことになります。

では、AI が企業のビジネスのやり方を変えないとしたら、一体何の意味があるのでしょうか?

私たちはこれを解明するプラットフォームを作成したいと考えていました。データサイエンスチームやビジネスアナリスト、データアナリストなど、このプロセスに会社に関わっている人を支援し、適切なプロジェクトを構築し、従業員がモデルを理解して信頼できるように支援したいと考えていました。それを修正できれば、データサイエンスは最終的に企業にとって本当の意味で価値のあるものになると私は信じています。

データサイエンティストは、AI で自動化できるタスクを実行するために貴重な時間を失っていると述べています。自動化する必要があるタスクの例にはどのようなものがありますか?

データサイエンティストは通常、モデルを完成させるまでに数か月かかります。完成すると、企業はそのモデルを実装しますが、おそらく可能な限り正確ではありません。モデルの実装後の数か月間、データサイエンティストはモデルの精度を少しずつ向上させるために作業を続けます。通常、多くのデータサイエンティストは、従業員が適切な AI モデルを理解し、信頼し、使用できるようにするなど、他のタスクに時間を費やすことができるときに、この場所に時間を費やします。モデルの精度を向上させるために、特徴量エンジニアリング、モデルのトレーニング、パラメーター調整、アルゴリズムの選択などのタスクに費やされる時間はすべて、AI を使用して簡単に自動化できます。

何を説明してもらえますかメタ学習では、Ople はこれをどのように適用するのでしょうか?

メタ学習に入る前に、機械学習の最初の層を理解することが重要です。たとえば、工場の現場で機械がいつ故障するかを予測するデータセットがあるとします。機械が壊れそうになることを従業員に通知するため、従業員は予防メンテナンスを行うことができます。これは学習の最初の層とみなされます。

「学習する学習」としてよく知られるメタ学習は、その学習プロセスをさらに理解することです。したがって、マシンエラーを予測するためにモデルをトレーニングしているときに、別のモデルが観察していることになります。たとえば、XNUMX 番目のモデルは、予測メンテナンスモデルがどのパラメータをうまく学習し、どのパラメータがうまく機能していないかを企業が理解するのに役立ちます。メタ学習を行うと、より効率的なモデルをより速く構築できるようになります。

あなたの意見は何ですか合成データ?

合成データは、正しく実行されないと、扱いが非常に困難になる可能性があります。

たとえば、医療記録データがあるとします。20 人の患者がいて、それらの患者の年齢、性別、体重、身長、血圧、薬のリストなどが含まれています。機械学習ベースの合成データを作成することが可能です。これらの医療記録に基づいて。ただし、機械学習や統計だけに依存すると、意味のない合成データが得られる可能性があります。身長 3 フィートの 4 歳児や、身長 XNUMX フィートで体重 XNUMX ポンドの人など、値をランダムに組み合わせて一致させることができます。 AI/ML は多くの場合信頼できますが、医療記録に使用される合成データには医師の意見が必要です。

そこで、医療専門家を巻き込んで、「その人がこの年齢であれば、現実的な身長と体重はどれくらいか」、「この薬を服用している場合、服用すべきでない薬はどれか」などのパラメーターを作成します。このプロセスは各患者の医療記録に関係するため、必然的に大規模な作業となり、すべての可能性を計画するには複雑すぎるでしょう。

ただし、画像の領域では、合成データの方がはるかに理解しやすく、作成しやすい場合があります。車の写真があり、その車が左上隅にあるとします。同じ車が左下隅、右上隅、または中央にある可能性があることを知るのに専門家である必要はありません。ユーザーはさまざまな方法でカメラを向けるだけでなく、写真の位置を再調整することもできます。車がすべての異なるコーナーに位置するように画像の焦点を移動することは、合成データを作成することです。もう XNUMX つの簡単な方法は、回転を使用することです。

Ople が企業のデータニーズをどのように支援できたのか、例をいくつか挙げていただけますか?

Ople.AI を使用すると、企業は組織のあらゆるレベルで詳細なデータ分析を利用できるようになり、数回クリックするだけで従業員に AI の価値を引き出す機会が与えられます。組織が AI の明確化と実装をデータサイエンティストの小規模チームに依存しているのとは対照的に、Ople.AI プラットフォームは、さまざまな部門の従業員にデータから洞察にアクセスするためのツールを提供し、その結果、日々の効率を向上させます。。

そうは言っても、組織が AI を導入する際に直面することが多い大きなハードルは、モデルの説明可能性です。企業にとって、従業員が理解できる、そしてさらに重要なことに信頼できる AI を提供することが重要です。モデルの説明可能性はそれに役立ちます。 Ople.AI プラットフォームの目標は、AI やテクノロジーに精通していない従業員に、モデルがどのように予測を行うのか、そしてその理由を簡単に理解する機会を提供することです。モデルの説明可能性を作成すると、長期的には企業に強力な結果がもたらされます。

さらに、モデルが企業にもたらす価値は予測以外にもたくさんあります。 AI は、潜在的な問題や活用できる分野を発見できます。私たちはこれをデータの説明可能性と呼んでいます。これは、企業にとって価値のあるデータに関するインテリジェントな洞察をモデルが共有できるさまざまな方法です。これは AI が企業を支援できる大きな方法であり、競合他社に対して私たちが前進している分野です。

インタビューありがとうございます。さらに詳しく知りたい読者は、Ople.ai にアクセスしてください。