Ople.ai의 CEO 및 창립자 Pedro Alves – 인터뷰 시리즈

Pedro Alves는 Ople.ai의 CEO이자 창립자입니다. Ople.ai는 분석가와 전문가들이 강력한 예측 분석을 사용할 수 있도록 해주는 플랫폼입니다. 이 플랫폼은 세계 최고의 데이터 과학자들의 지식과 전문성을 갖추고 있으며, 사용자들은 비즈니스에 영향을 미치는 일을 할 수 있습니다.

데이터 과학에 처음 관심을 가지게 된 것은 무엇입니까?

2001년, 나는 기계 학습과 인공 지능의巨大한 잠재력을 보았습니다. 컴퓨터 과학을 전공하며, 어떤 하위 분야를 더 깊이 공부할지 결정해야 했습니다. 나는 “OK, AI/ML은 컴퓨터 과학의 한 분야로, 다양한 분야에서 예측을 할 수 있습니다. 생물학, 의학, 금융 등에서 기계 학습과 AI를 사용하면 이러한 분야를 크게 발전시킬 수 있습니다”라고 생각했습니다. 나는 그 뒤에 있는 수학이 매우 흥미롭다고 생각했습니다.

대학원에 들어간 후, 나는 기계 학습을 더 잘 이해하기 위해 적용하는 방법을 배우고 싶었습니다. 나는 항상 실용적인 사람이었고, 이론만을 위해 배우고 싶지 않았습니다. 나는 기계 학습을 생물학 및 단백질학에 적용하는 방법을 공부했습니다. 내 대학원 연구는 모두 계산 생물학에 관한 것이었지만,焦点은 기계 학습에 있었습니다.

그 후, 나는 의료 산업에 들어갔고,そこ에서 AI/ML을 적용할 수 있는巨大한 잠재력을 보았습니다. 그때, 나는 학술 세계 밖에서 AI가 어떻게 적용되는지 보았고, 기술적인 문제가 아니라 실제 문제를 경험했습니다. 나는 AI가 실제 세계에서 어떻게 적용되는지 보았고, 그 문제를 해결하고 싶었습니다.

당신은以前 Banjo의 최고 데이터 과학자였습니다. 소셜 네트워크 분야에서 직면한 도전을 논의해 주시겠습니까?

당신은 소셜 미디어에서 기록된 이벤트를 감지하는 회사였습니다. 특히, 첫 번째 응답자를 동원할 필요가 있는 이벤트, 예를 들어 근처에서 발생한 차 사고 또는 화재와 같은 이벤트를 감지했습니다. 우리는 이러한 이벤트를 표시하고, 첫 번째 응답자를 동원할 수 있도록 도왔습니다. 우리는 소셜 미디어를 이용하여 좋은 일을 했습니다.

그 많은 이벤트는 소셜 미디어 데이터에서 드문 경우입니다. 예를 들어, 하루에 도시에서 발생하는 많은 차 사고가 있지만, 소셜 미디어 데이터의 양을 생각해 보면, 차 사고의 사진은 매우 적습니다. 몇 분 동안에 수백만 개의 사진이上传되는데, 그 중에 하나의 차 사고 사진이 있습니다. 본질적으로, 우리는 바늘을 찾아야 했습니다.

그런 도전 중 하나는 컴퓨터 비전이었습니다. 컴퓨터 비전은 그 당시에는 괜찮았지만, 몇 백만 개의 데이터 중에서 하나를 찾으려면, 작은 오류율도 완전히検出을 방해할 수 있습니다.

예를 들어, 공개 데이터 세트가 있었는데, 그것을 사용하여 신경망을 훈련시키면, 신경망이 색상을 식별할 수 없었습니다. 심지어 사진이 색彩豊かな 경우에도, 신경망은 RGB를 모두 보았지만, 색상을 식별하는 데 사용하지 않았습니다. 전통적인 경찰차와 택시를 생각해 보십시오. 두 차는 기본적으로 같은 모델이지만, 위에 다른 장치를 가지고 있습니다. 경찰차에는 사이렌이 있고, 택시에는 빈/繁忙 신호가 있습니다. 그러나 색상을 보면, 차이를 알 수 있습니다. 이러한 경우를 통해, 우리는 적절한 데이터 세트를 생성하는 것이 중요하다는 것을 알게 되었습니다.

2017년에 Ople을 설립했습니다. 이 스타트업의 기원에 대한 이야기를 들려주실 수 있습니까?

나는 회사들이 AI를 구현할 때 실질적인 ROI를 얻을 수 있도록 하고 싶었습니다. Gartner에 따르면, 80~90%의 AI 프로젝트는 빛을 보지 못합니다. 이것은 기술적인 측면, 즉 모델의 정확도와 관련이 없습니다. 이것은 회사 문화 또는 회사 내의 절차적인 측면과 관련이 있습니다.

이것은 데이터 과학 팀과 비즈니스 사용자 간의 의사 소통이不足하여, 데이터 과학 팀이 비즈니스 팀이 필요로 하는 것을 예측하지 못할 수 있습니다. 또는, 데이터 과학 팀이 올바른 모델을 구축했지만, 비즈니스 팀이 예측을 사용하지 않는 경우입니다. 대부분의 회사에서, 판매, 마케팅, 물류와 같은 부서는 AI를 사용해야 하지만, 데이터 과학 팀이 모델을 이해하는 경우입니다. 이러한 팀이 모델을 이해하지 못하면, 예측을 신뢰하지 않으므로 사용하지 않습니다.

AI가 비즈니스 방식을 변경하지 않는다면, 의미가 없습니다.

우리는 이러한 문제를 해결하는 플랫폼을 만들고 싶었습니다. 우리는 데이터 과학 팀이나 비즈니스 분석가, 데이터 분석가 등이 올바른 프로젝트를 구축하고 모델을 이해하고 신뢰할 수 있도록 도와주고 싶었습니다. 이를 해결하면, 데이터 과학이 회사에真正로 가치 있는 것이 될 수 있다고 믿습니다.

데이터 과학자들이 자동화할 수 있는 작업을 수행하는 데 많은 시간을 소비한다고 말했습니다. 자동화할 수 있는 작업의 예를 들어 주시겠습니까?

데이터 과학자는 일반적으로 몇 개월 동안 모델을 완성하고, 회사에서 모델을 구현하지만, 모델의 정확도는 최적의 상태가 아닙니다. 모델을 구현한 후, 데이터 과학자는 모델의 정확도를 조금씩提高하기 위해 계속 작업합니다. 이것은 데이터 과학자가 대부분의 시간을 소비하는 곳입니다. 그러나 이 작업은 모두 AI로 자동화할 수 있습니다.

메타 러닝이 무엇인지 설명해 주시고, Ople이 어떻게 적용하는지 설명해 주시겠습니까?

메타 러닝을 이해하기 전에, 첫 번째 학습层을 이해해야 합니다. 예를 들어, 공장에서 기계가 고장 날 때 예측하는 데이터 세트가 있다고 가정해 보십시오. 기계는 직원에게 고장이 임박했다는 것을 알리고, 예방 유지 보수를 수행할 수 있도록 합니다. 이것은 첫 번째 학습층입니다.

메타 러닝, 즉 “학습을 학습하는” 것은, 이러한 학습 과정을 더 잘 이해하는 것입니다. 예를 들어, 예측 모델을 훈련시키는 동안, 다른 모델이 이를 관찰할 수 있습니다. 두 번째 모델은, 예를 들어, 예측 모델이 어떤 매개 변수를 잘 학습하고, 어떤 매개 변수를 잘 학습하지 못하는지 이해할 수 있습니다. 메타 러닝을 통해, 더 효율적인 모델을 더 빠르게 구축할 수 있습니다.

합성 데이터에 대한您的 견해는 무엇입니까?

합성 데이터는 올바르게 구현되지 않으면 매우 어려울 수 있습니다.

예를 들어, 의료 기록 데이터가 있다고 가정해 보십시오. 20명의 환자에 대한 데이터가 있으며, 각 환자의 나이, 성별, 체중, 키, 혈압, 약물 목록 등이 있습니다. 이러한 데이터를 사용하여 합성 데이터를 생성할 수 있습니다. 그러나, 기계 학습이나 통계만을 사용하여 합성 데이터를 생성하면, 의미 없는 데이터가 생성될 수 있습니다. 예를 들어, 3세의 아이가 6피트의 키를 가졌거나, 4피트의 키를 가진 사람이 1,000파운드의 체중을 가졌을 수 있습니다. 이러한 경우, 의사의 입력이 필요합니다.

의료 전문가를 참여시켜, 합성 데이터를 생성할 수 있습니다. 예를 들어, “만약 환자의 나이가 이렇다면, 실제적인 키와 체중의 범위는 무엇인가?” 또는 “만약 환자가 이 약을 복용한다면, 어떤 약을 복용해서는 안되는가?”와 같은 매개 변수를 설정할 수 있습니다. 그러나, 이러한 매개 변수를 설정하는 것은 매우 어려울 수 있습니다.

그러나, 이미지의 경우, 합성 데이터를 생성하는 것은 더 쉽습니다. 예를 들어, 자동차의 사진이 있고, 자동차가 사진의 왼쪽 상단에 있는 경우, 자동차를 오른쪽 하단이나 중앙에 위치시킬 수 있습니다. 이러한 경우, 합성 데이터를 생성하는 것은 더 쉽습니다.

Ople이 기업의 데이터 요구를满足하는 방법에 대한 예를 들어 주시겠습니까?

Ople.AI는 기업이 조직의 모든 레벨에서 깊은 데이터 분석을 사용할 수 있도록 해줍니다. 또한, 직원들이 AI의 가치를解锁할 수 있도록 해줍니다. 기존의 데이터 과학자 팀에 의존하는 것보다, Ople.AI 플랫폼은 다양한 부서의 직원들이 데이터에서洞察을 얻을 수 있도록 해줍니다. 이를 통해, 직원들은 일상 업무의 효율성을提高할 수 있습니다.

그러나, 기업이 AI를 구현할 때 직면하는 큰 장벽 중 하나는 모델의 설명 가능성입니다. 기업은 직원들이 이해하고 신뢰할 수 있는 AI를 제공해야 합니다. 모델의 설명 가능성은 이를 도와줍니다. Ople.AI 플랫폼의 목표는, 기술이나 AI에 익숙하지 않은 직원들이 모델이 어떻게 예측을 하는지, 그리고 왜 그렇게 하는지 쉽게 이해할 수 있도록 해주는 것입니다. 모델의 설명 가능성을 생성하면, 기업에巨大한 결과를 가져올 수 있습니다.

또한, 모델이 예측을 하는 것 외에도, 기업에 가치 있는 정보를 제공할 수 있습니다. 우리는 이를 데이터 설명 가능성이라고 합니다. 이것은 모델이 데이터에서 얻은 정보를 다양한 방식으로 제공하는 것입니다. 이것은 기업에巨大한 가치를 제공할 수 있습니다. 우리는 이 분야에서 경쟁사보다 앞서가고 있습니다.

인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Ople.ai를 방문하십시오.