Vinay Kumar Sankarapu, Arya.ai의 공동 설립자 및 CEO – 인터뷰 시리즈

Vinay Kumar Sankarapu는 Arya.ai의 공동 설립자 및 CEO입니다. Arya.ai는 은행, 보험사, 금융 서비스 기관(BFSI)에서 신뢰할 수 있는 자체 학습 인공지능 엔진을 배포하기 위해 필요한 올바른 인공지능 API, 전문가 인공지능 솔루션 및 포괄적인 인공지능 거버넌스 도구를 제공하는 플랫폼입니다.

수학, 물리학, 화학, 기계 공학을 전공했습니다. 컴퓨터 과학 및 인공지능으로 전환한 여정을 обсужд해 주시겠습니까?

나는 IIT 봄베이에서 5년 과정의 이중 학위 프로그램을 통해 기계 공학을 전공했습니다. 컴퓨터 과학은 우리의 커리큘럼의 일부였습니다. 포스트 그레이جوی트 연구를 위해 나는 딥 러닝을 선택했습니다. 나는 2013/14년에 시작하여 CNN을 사용한 RUL 예측에 대한 연구를 마쳤습니다.

대학 시절에 Arya.ai를 설립했습니다. 이 스타트업의 기원에 대해 이야기해 주시겠습니까?

학술 연구를 위해 우리는 3-4개월 동안 문헌 검토를 통해 연구 주제에 대한詳細한 연구를 수행해야 했습니다. 2012/13년에 우리는 매우 기본적인 도구를 사용했습니다. 구글 스칼라와 스콥스와 같은 검색 엔진은 단순히 키워드 검색을 수행했습니다. 지식의 양을 이해하기가 매우 어려웠습니다. 나는 이 문제가 더 심각해질 것이라고 생각했습니다. 2013년에는 매분마다 최소 30개 이상의 논문이 발표되었습니다. 오늘날에는 그数量이 10-20배 증가했습니다.

우리는 연구자를 위한 인공지능 어시스턴트를 개발하여 연구 주제를 제안하고 최신 논문을 찾는 것을 도와주고자 했습니다. 우리는 2013년에 3명의 팀으로 Arya.ai를 설립했습니다. 2014년에는 7명으로 확대되었습니다.

우리의 첫 번째 제품 버전은 3,000만 개 이상의 논문과 초록을 스크레이핑하여 개발되었습니다. 우리는 당시의 최신 딥 러닝 기술을 사용하여 인공지능 STEM 연구 어시스턴트와 컨텍스트 검색 엔진을 개발했습니다. 그러나 우리는 너무 일찍 시작했다는 것을 깨달았습니다. 사용자들은 자유로운 대화 흐름을 기대했지만 우리는 아직 그러한 수준에 도달하지 못했습니다.

그 후 우리는 우리의 연구와 딥 러닝을 사용하여 연구자와 기업을 위한 워크벤치를 개발했습니다. 그러나 2016년에는 데이터 과학자들이 딥 러닝을 사용하는 경우가 거의 없었습니다. 따라서 우리는 금융 서비스 기관(FSIs)과 같은 특정 산업 분야에 초점을 맞추고 전문적인 제품 레이어를 개발했습니다.

우리는 BFSI를 위한 인공지능 클라우드를 개발하고 있으며, 이는 신뢰할 수 있는 인공지능 솔루션을 제공하기 위해 전문적인 수직 레이어를 제공합니다.

금융에서 인공지능 블랙박스 문제는 얼마나 큰 문제입니까?

매우 중요합니다! 금융 기관 중 단 30%만이 인공지능을 전면적으로 사용하고 있습니다. 인공지능을 사용하는 데에는 접근성과 신뢰성 및 감사 가능성의 부족이 있습니다. 규제는 이미 일부 지역에서 인공지능을 사용하는 법적 문제에 대해 명확해졌습니다. 높은 위험을 가진 사용 사례에는 투명한 모델을 사용해야 합니다.

하이프 사이클은 인공지능 솔루션에 대한 초기 경험으로 인해 정리되고 있습니다. 인공지능을 사용하는 데에는 많은 문제가 있습니다. 법적 및 위험 관리 문제도 있습니다.

인공지능 모니터링과 인공지능 관찰 가능성의 차이를 обсужд해 주시겠습니까?

모니터링 도구의 역할은 단순히 모니터링하고 경고하는 것입니다. 관찰 가능성 도구의 역할은 모니터링하고 보고하는 것뿐만 아니라 실패의 이유를 찾는 데 필요한 증거를 제공하는 것입니다.

인공지능/머신러닝에서 이러한 도구는 중요한 역할을 합니다. 이러한 도구는 필요한 역할을 수행할 수 있지만 머신러닝 관찰 가능성의 범위는 더 넓습니다.

일반적인 목적의 플랫폼 대신 산업 특정 플랫폼이 필요한 이유는 무엇입니까?

일반적인 목적의 플랫폼은 모든 사용자와 모든 사용 사례에 대해 설계되었습니다. 이러한 플랫폼의 고객은 개발자, 데이터 과학자 등입니다. 그러나 이러한 플랫폼은 복잡성과 일괄적 접근 방식으로 인해 많은 문제를 일으킵니다.

대부분의 비즈니스에서는 데이터 과학 전문가를 일반적인 목적의 플랫폼을 사용하고 추가적인 솔루션 또는 제품 레이어를 필요로 합니다. 이것에는 설명 가능성, 감사, 세그먼트/시나리오, 인간의 개입, 피드백 라벨링, 감사, 도구 특정 파이프라인 등이 포함됩니다.

이것이 산업 특정 인공지능 플랫폼이 필요한 이유입니다. 산업 특정 인공지능 플랫폼은 고객의 요구 사항을 해결하기 위해 전체 워크플로우를 소유하고 있습니다. 이것은 비즈니스 요구 사항을 이해하고 제품 성능을 모니터링하는 완전한 제품입니다.

산업 특정 인공지능 플랫폼은 인공지능 채택을 가속화하고 생산에 대한 경로를 단축시킵니다. 또한 산업 특정 장애물, 규제 및 데이터 개인 정보 보호 요구 사항을 해결합니다.

Arya.ai에서 제공하는 머신러닝 관찰 가능성 플랫폼에 대해 자세히 설명해 주시겠습니까?

우리는 6년 이상 금융 서비스 기관에서 일해 왔습니다. 2016년부터 시작했습니다. 이것은 우리에게 금융 서비스 기관에서 복잡한 인공지능을 배포하는 데 필요한 唯一한 도전을 제공했습니다. 하나의 중요한 도전은 인공지능 수용이었습니다. 다른 산업과 달리, 소프트웨어(또한 인공지능 솔루션)를 사용하는 데에는 많은 규제가 있습니다. 데이터 개인 정보 보호, 윤리, 그리고 금융 영향이 있습니다.

우리는 이러한 도전을 해결하기 위해 지속적으로 새로운 설명 가능성, 감사, 위험, 책임성 레이어를 개발했습니다. AryaXAI(xai.arya.ai)라는 이름의 DIY 프레임워크를 개발했습니다. 머신러닝 또는 비즈니스 팀은 AryaXAI를 사용하여 임무 중요한 사용 사례에 대한 포괄적인 인공지능 거버넌스를 만들 수 있습니다.

AryaXAI는 인공지능 솔루션에 투명성과 감사 가능성을 제공합니다. 이것은 모든 이해관계자에게 적합합니다. AryaXAI는 인공지능을 안전하고 신뢰할 수 있게 만듭니다. 이것은 설명 가능성, 규제 적합성, 불확실성 관리, 일관성 제공을 통해 이루어집니다.

AryaXAI는 또한 공통 워크플로우를 제공하고 모든 이해관계자에게 적합한 통찰력을 제공합니다. 데이터 과학, IT, 위험, 운영, 규제 팀이 모두 사용할 수 있습니다.

컨텍스트 정책 구현을 강화하는 플랫폼에 대해 자세히 설명해 주시겠습니까?

생산에서 머신러닝 모델을 모니터링하고 제어하는 것이 어려울 수 있습니다. 예측의 불확실성으로 인해 모델의 행동을 관리하고 표준화하는 것이 어려울 수 있습니다. 이러한 모델의 실패는 重大한 명성과 금융 손실을 초래할 수 있습니다.

AryaXAI는 정책/위험 제어를 제공합니다. 이것은 비즈니스와 윤리적 интерес를 보호하기 위해 인공지능에 정책을 적용하는 것입니다. 사용자는 정책을 쉽게 추가, 편집, 수정할 수 있습니다. 이것은 크로스 기능 팀이 정책 가이드레일을 정의하여 지속적인 위험 평가를 허용합니다.

이러한 제품의 사용 사례에 대해 자세히 설명해 주시겠습니까?

AryaXAI는 다양한 임무 중요한 프로세스에 구현할 수 있습니다. 가장 일반적인 예는 다음과 같습니다.

BFSI: AryaXAI는 금융 기관에서 규제 요구 사항에 대한 적합성을 쉽게 관리할 수 있습니다.

• 신용 평가
• 사기/의심스러운 거래 식별
• 감사
• 고객 생애 주기 관리
• 신용 결정

자율 주행 자동차: AryaXAI는 자율 주행 자동차에서 규제 요구 사항과 운영 안전, 설명 가능성을 제공할 수 있습니다.

• 의사 결정 분석
• 자율 주행 자동차 운영
• 차량 건강 데이터
• 인공지능 운전 시스템 모니터링

의료: AryaXAI는 의료 분야에서 설명 가능성과 통찰력을 제공할 수 있습니다.

• 의약품 발견
• 임상 연구
• 임상 시험 데이터 검증
• 고품질 의료

금융에서 머신러닝의 미래에 대한 비전은 무엇입니까?

과거 10년 동안 인공지능에 대한 교육과 마케팅이 많았습니다. 우리는 하이프 사이클을 여러 번 보았습니다. 우리는 현재 4번째 또는 6번째 하이프 사이클에 있습니다. 첫 번째 하이프 사이클은 2011/12년 딥 러닝이 이미지넷에서 우승했을 때였습니다. 그 후에는 이미지/텍스트 분류, 음성 인식, 자율 주행 자동차, 생성 인공지능, 대규모 언어 모델 등이 나타났습니다.

하이프 사이클의 정점과 대규모 사용 사이의 간격은 각 하이프 사이클마다 줄어들고 있습니다. 이것은 제품, 수요, 자금 조달의 반복으로 인해 발생합니다.

세 가지 중요한 일이 발생했습니다.

1. 인공지능 솔루션의 확장 프레임워크를 우리는 이미 개발했습니다. 예를 들어, Open AI는 현재 수익을 창출하지 않는 조직이지만, 2년 내에 10억 달러의 수익을 창출할 것이라고 예상합니다. 모든 인공지능 회사에서 동일한 규모를 달성하지는 못할 것입니다. 그러나 확장 가능성의 템플릿은 더 분명해졌습니다.
2. 理想的な 인공지능 솔루션의 정의는 거의 모든 산업에서 명확해졌습니다. 이전에는 제품을 개발하기 위해 각 사용 사례와 조직마다 반복적인 실험을 수행해야 했습니다. 그러나現在는 이해관계자가 인공지능 솔루션에서 무엇을 필요로 하는지 더 잘 이해하고 있습니다.
3. 규제는 이제 따라잡고 있습니다. 데이터 개인 정보 보호와 인공지능 사용에 대한 규제의 필요성은現在 큰 추세입니다. 규제 기관은 인공지능의 안전하고 윤리적인 사용을 위한 프레임워크를 발행하거나 발행하는 중입니다.

다음은 무엇일까요?

모델-서비스(MaaS)의 폭발:

수직적인 모델-서비스(MaaS) 요구가 증가할 것입니다. Open AI는 수평적인 MaaS의 좋은 예입니다. Arya.ai는 수직적인 MaaS의 예입니다. 우리는 수직적인 데이터 세트를 수집하여 모델을 훈련시키고 플러그-앤-사용 또는 사전 훈련된 모델을 제공할 수 있습니다.

수직화는 새로운 수평입니다: 우리는 클라우드 채택에서 이러한 추세를 보았습니다. 수평적인 클라우드 플레이어는 모든 사람을 위한 플랫폼에 초점을 맞추고 있습니다. 수직적인 플레이어는 최종 사용자의 요구 사항에 초점을 맞추고 전문적인 제품 레이어를 제공합니다. 이것은 MaaS 제공에도 동일하게 적용됩니다.

XAI와 인공지능 거버넌스는 기업에서 표준이 될 것입니다: 각 산업은 규제의 민감성에 따라 XAI와 거버넌스 프레임워크를 개발할 것입니다. 이것은 제품 설계의 일부로 구현될 것입니다.

테이블 데이터에 대한 생성 인공지능은 기업에서 하이프 사이클을 경험할 수 있습니다: 합성 데이터 세트를 생성하는 것은 기업에서 데이터 관련 문제를 해결하기 위한 쉬운 해결책입니다. 데이터 과학 팀은 이 문제를 선호할 것입니다. 데이터 과학 팀은 이 문제를 해결하기 위해 비즈니스에 의존하지 않고 데이터를 수집하는 데 시간이 걸리지 않습니다. 합성 데이터는 편향, 데이터 불균형, 데이터 개인 정보 보호, 데이터 부족 문제를 해결할 수 있습니다. 그러나 이 접근법의 효능은 아직 증명되지 않았습니다.

Arya.ai에 대해 더 알고 싶은 내용이 있습니까?

Arya.ai의 초점은 은행, 보험사, 금융 서비스 기관을 위한 인공지능을 해결하는 것입니다. 우리의 접근 방식은 기술을 마지막 레이어까지 수직화하고 모든 조직과 이해관계자에게 사용할 수 있게 만드는 것입니다.

AryaXAI(xai.arya.ai)는 금융 서비스 산업에서 대중에게 인공지능을 제공하는 데 중요한 역할을 할 것입니다. 우리는 합성 데이터에 대한 연구를 진행 중이며, 몇 가지 사용 사례에서 성공을 거두었습니다. 우리는 이것을 더 실용적이고 수용 가능한 옵션으로 만들기 위해 노력할 것입니다. 우리는 우리의 인공지능 클라우드에 더 많은 레이어를 추가하여 우리의 임무를 수행할 것입니다.

나는 앞으로 더 많은 스타트업이 Arya.ai와 같은 것을 볼 수 있을 것입니다. 금융 서비스 산업뿐만 아니라 모든 산업에서입니다.

이 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 Arya.ai를 방문하십시오.