Ahmed Elsamadisi, Oprichter & CEO van Narrator.ai – Interviewreeks

Ahmed Elsamadisi is de oprichter en CEO van Narrator.ai, een data-intelligentiebedrijf dat beslissers voorziet van persoonlijke, actiegerichte inzichten.

Ahmed begon zijn carrière bij het Autonomous Systems Laboratory van Cornell, waar hij zich richtte op human-robot-interactie en Bayesiaanse data-fusie, evenals het bouwen van algoritmes voor autonome auto’s.

Wat trok je aanvankelijk aan bij AI en datawetenschap?

Ik werd verliefd op hoe mensen beslissingen nemen. Van psychologie tot sociale engineering en uiteindelijk hoe we redeneren over onzekerheid. Dit leidde me naar Bayesiaanse wiskunde en de wereld begon meer zin te maken. Ik besloot om een reis te ondernemen om te repliceren hoe we beslissingen nemen.

Je hebt een fenomenale carrière gehad, inclusief het werken bij Cornell’s Autonomous Systems Laboratory. Kun je enkele highlights uit deze periode delen?

Cornell’s ASL was erg leuk! Van onze autonome auto tot een vloot van mobiele robots, ik kreeg de kans om algoritmes en hardware te bouwen, programmeren en testen in echte omgevingen. Mijn favoriete moment was een project dat ik leidde om te zien of we een spel van 20 vragen konden spelen met alle studenten van Cornell. Het spel was eenvoudig, een robot zocht een object en kon ja/nee-vragen stellen aan Cornell-studenten om het object te vinden. Een kleine twist, mensen konden liegen.

In deze situatie is er geen echte informatie, niets dat absoluut waar is. Ik werkte aan een algoritme dat informatie van mensen en sensoren kon combineren om betere beslissingen te nemen. Dit project werd later opgepikt door Business Insider en bekend als “de robot die kan liegen”.

Deze momenten waarop data en algoritmes iets kunnen doen wat je je niet gemakkelijk kunt voorstellen, zijn wat deze projecten fenomenaal maakt.

Het idee voor Narrator ontstond uit je frustratie met het werken met data bij je voormalige werkgever WeWork (WE ) . Wat waren de problemen die je ondervond met star schema-modellering?

Ieder bedrijf gebruikt een star schema voor hun data-modellen. Het is logisch! Je bouwt tabellen die een set vragen vertegenwoordigen die je wilt beantwoorden en geeft ze vervolgens aan mensen om te plotten. De uitdaging is dat vragen constant groeien en veranderen en dus de reeks tabellen die je bouwt nooit genoeg zijn om alle mogelijke vragen te beantwoorden. De enige oplossing is om meer tabellen te bouwen, wat leidt tot een afwijking van de bron van de waarheid.

Ik google altijd “air flow data modeling” om mensen te laten zien wat het beste geval van een modellingslaag is en het is complex. Honderden tabellen die van elkaar afhankelijk zijn.

Dat gezegd hebbende, dat was de enige optie. Bij WeWork sprak ik met veel eenhoorns en zag hetzelfde probleem dat wij tegenkwamen. We hebben miljoenen dollars uitgegeven aan data-tools. We hebben honderden modellen gebouwd. Data verloor nog steeds vertrouwen en faalde om vragen op tijd te beantwoorden. Vervolgens herbouwden we elk jaar of twee het systeem met de nieuwste tools, maar met dezelfde aanpak.

Als elk bedrijf dat een star schema implementeert, uiteindelijk moet herbouwen, dan is er een probleem met het raamwerk.

Hoe kwam je bij een betere oplossing om met data te werken?

Aanvankelijk haalde ik inspiratie uit data-blogs. In een blog kan een bedrijf een verhaal vertellen over een klant en een analyse zonder ooit hun data-model te laten zien. Ze gebruiken klanten die acties uitvoeren in de tijd om elke analyse van algoritmes te verklaren. Effectief zijn dit allemaal concepten die iedereen begrijpt (een gebruiker heeft de website bekeken, vervolgens een meeting geboekt). Ik vroeg me af waarom deze structuur niet in data werd gebruikt als het lijkt te hebben het potentieel om alles te vertegenwoordigen. Het korte antwoord is dat deze data-structuur eigenlijk niet door BI-tools kan worden doorgevoerd (er is niets om op te joinen).

Ons data-model, dat we een activiteitsschema noemen, leek het potentieel te hebben om de wereld echt te veranderen. Het kon elk bedrijf in staat stellen om één enkel data-model te hebben dat elke vraag kan beantwoorden. Elk bedrijf kon hetzelfde data-model hebben – dus analyse en algoritmes konden voor het eerst worden gedeeld tussen bedrijven. En ten slotte kon het een gemeenschappelijke manier creëren voor data-mensen om samen te werken en over data te praten.

Ik dacht dat dit de data-industrie kon revolutioneren, dus verliet ik WeWork in 2017 met als doel om het activiteitsschema doorzoekbaar te maken.

Narrator-uitvoerdata is op een andere manier geformatteerd dan de meeste van ons gewend zijn. Kun je uitleggen wat Verhalen zijn en hoe ze zijn geformatteerd als een verhaal?

Verhalen zijn actiegerichte analyses in een verhaalformat.

Wij, als data-mensen, zijn zo gewend aan dashboards. Echter, dashboards zijn een middel tot een doel. Dashboards laten je data zien en je moet het zelf interpreteren:

1. Figurer uit hoe je de honderden verschillende visualisaties moet lezen.
2. Combineer de data in je hoofd om te begrijpen wat er echt gebeurt.
3. Maak een verhaal in je hoofd dat zin maakt van de stukjes data.
4. Bepaal een actie om te ondernemen.

De uitdaging met dit proces is dat elke persoon die naar een dashboard kijkt, een ander verhaal en andere aanbeveling zal komen. Dit is een natuurlijke bias.

Het doel van Narrator was om actie te stimuleren op basis van data. Toen we het iteratieve proces doorliepen, zagen we dat onze klanten verhalen en interpretaties nodig hadden om beslissingen te nemen en dat is wat we hen gaven.

Verhalen beginnen met een duidelijk doel. Ze geven een aanbeveling. Vervolgens laten ze je de belangrijkste punten zien die je zult krijgen. Ten slotte gaan ze door de analyse. Elke sectie vertelt een verhaal over iets dat we leren en data wordt gebruikt als ondersteunend bewijs.

Laat 100 mensen hetzelfde Verhaal zien en ze komen allemaal terug met dezelfde aanbeveling en interpretatie.

Verhalen begrijpen ook dat je bedrijf verandert, dus ze worden constant elke week uitgevoerd om te zien of de aanbevelingen en interpretaties nog steeds geldig zijn en zullen zichzelf dienovereenkomstig bijwerken.

Na al dit leren en het maken van Verhalen tot ongelooflijke actiegerichte tools, realiseerden we ons dat de meeste grote adviesbedrijven hetzelfde hadden geleerd. McKinsey geeft je soortgelijke presentaties en benaderingen in plaats van alleen dashboards. We werken eraan om dit niveau van kwaliteit te bieden voor een fractie van de prijs.

Wat zijn enkele van de voordelen van het gebruik van Narrator voor data-engineers?

Data-engineers zijn onze grootste voorstanders! Ik denk dat het komt omdat ik zelf begon als data-engineer en Narrator is gebouwd met hen in gedachten.

In Narrator is het modelleren van data echt eenvoudig – je hoeft alleen maar concepten van de bron van de waarheid naar ons data-model te koppelen. We voeren een aantal tests uit om ervoor te zorgen dat het zal werken en vervolgens push je naar productie. Narrator behandelt de migratie, synchroniseert de data en zorgt ervoor dat alles snel en eenvoudig is.

Binnen Narrator kun je elke dataset die je maar wilt in een paar minuten samenstellen en geven aan iedereen die erom vraagt.

We hebben ook aan alle kleine dingen gedacht die je nodig hebt en hebben ervoor gezorgd dat je ze krijgt:

• Volledige transparantie in alle verwerking en controle om te pauzeren, annuleren, nu uitvoeren, enz.
• Mogelijkheid om waarschuwingen te plaatsen op de ruwe data vóór en na de transformatie.
• Volledige log van alle wijzigingen in de query.
• Volledige zichtbaarheid van elke update die plaatsvindt in de tabel.
• 1 klik om elke dataset te materialiseren of naar een Google -sheet te sturen.
• Instellen van snelle webhooks om de data naar elk systeem te sturen.
• Neem contact op met de ondersteuning en je krijgt een data-engineer om je te helpen.
• Elke query die Narrator genereert, is LEESBAAR en transparant.
• Debug elke data met snelle tijdslijnen van alles wat er met een specifieke klant is gebeurd.
• Bouw 1 dataset en maak meerdere aggregaties bovenop (geen noodzaak om dezelfde query in een CTE te kopiëren).
• Als je een van de bouwstenen uitwisselt, dan reconciliëren we al je data voor je.

Er is nog veel meer dat data-engineers zullen waarderen!

Hoeveel tijd wordt er bespaard bij het maken van rapporten met Narrator in vergelijking met traditionele modellering?

Eerlijk gezegd is het oneerlijk om Narrator te vergelijken met traditionele modellering. In Narrator is al je data gemodelleerd in slechts 1 dag, in plaats van maanden van planning zoals bij een star schema. Veranderingen in Narrator zijn laagrisico en eenvoudig. Het maken van elke tabel is instant in Narrator, omdat je je geen zorgen hoeft te maken over of er een foreign key is om dingen samen te binden.

Wat betreft analyses, heeft Narrator een bibliotheek van door experts handmatig geschreven analyses die je instant kunt uitvoeren. Deze analyses zijn zorgvuldig doordacht, getest op meerdere bedrijven, bijgewerkt op basis van veranderingen in je bedrijf, gebruikmaken van algoritmes om de data te interpreteren en zijn prachtig gepresenteerd in een verhaalformat. Dit niveau van werk wordt meestal gedaan door teams van data-mensen over weken (wat wij doen, maar wij doen het eenmaal en maken het dan onmiddellijk beschikbaar voor iedereen).

Is er nog iets anders dat je zou willen delen over Narrator?

Narrator is anders.

Het is een beetje moeilijk om te begrijpen hoe en waarom het werkt, maar zodra je begint, zal het klikken en je zult nooit meer terug kunnen gaan.

Ik ben enthousiast over de wereld die Narrator mogelijk maakt en nodig iedereen uit om contact op te nemen om meer te leren!

Samen kunnen we betere beslissingen nemen die een betere wereld zullen creëren.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Narrator.ai bezoeken.