Dr. Devavrat Shah, medeoprichter en CEO van Ikigai Labs – Interviewreeks

Dr. Devavrat Shah is de medeoprichter en CEO van Ikigai Labs en hij is een professor en directeur van het Statistics and Data Science Center aan het MIT. Hij was medeoprichter van Celect, een predictieve analyticsplatform voor retailers, dat hij verkocht aan Nike. Devavrat heeft een bachelor- en PhD-diploma in computerwetenschappen van respectievelijk het Indian Institute of Technology en de Stanford University.

Ikigai Labs biedt een AI-gebaseerd platform dat is ontworpen om enterprise-tabulair en tijdsreeksgegevens om te zetten in predictieve en actiegerichte inzichten. Met behulp van gepatenteerde Large Graphical Models, maakt het platform het mogelijk voor businessgebruikers en ontwikkelaars in verschillende industrieën om hun plannings- en besluitvormingsprocessen te verbeteren.

Kunt u het verhaal achter de oprichting van Ikigai Labs delen? Wat inspireerde u om over te stappen van de academische wereld naar het ondernemerschap?

Ik heb eigenlijk al een paar jaar heen en weer gebounced tussen de academische en zakelijke wereld. Ik ben Ikigai Labs medeopgericht met mijn voormalige student aan het MIT, Vinayak Ramesh. Eerder was ik medeoprichter van een bedrijf genaamd Celect, dat retailers hielp om voorraadbeslissingen te optimaliseren via AI-gebaseerde vraagvoorspelling. Celect werd in 2019 overgenomen door Nike.

Wat zijn Large Graphical Models (LGM’s) precies, en hoe verschillen ze van de meer bekende Large Language Models (LLM’s)?

LGM’s of Large Graphical Models zijn een probabilistische visie op gegevens. Ze zijn in scherp contrast met de “Foundation model”-gebaseerde AI, zoals LLM.

De Foundation Models gaan ervan uit dat ze alle relevante “patronen” kunnen leren uit een zeer grote verzameling gegevens. En wanneer een nieuw stukje gegevens wordt gepresenteerd, kan het worden geëxtrapoleerd op basis van het relevante deel van de gegevensverzameling. LLM’s zijn zeer effectief gebleken voor ongestructureerde gegevens (tekst, afbeeldingen).

LGM’s identificeren daarentegen de juiste “functionele patronen” uit een grote “universum” van dergelijke patronen, gegeven het stukje gegevens. De LGM’s zijn zo ontworpen dat ze alle relevante “functionele patronen” tot hun beschikking hebben die relevant zijn voor gestructureerde gegevens (tabulair, tijdsreeksgegevens).

De LGM’s kunnen leren en precieze voorspellingen en prognoses geven met behulp van zeer beperkte gegevens. Bijvoorbeeld, ze kunnen worden gebruikt om zeer nauwkeurige voorspellingen te doen van kritische, dynamisch veranderende trends of bedrijfsresultaten.

Kunt u uitleggen hoe LGM’s specifiek zijn ontworpen voor het analyseren van gestructureerde, tabulaire gegevens, en welke voordelen ze bieden ten opzichte van andere AI-modellen in dit gebied?

LGM’s zijn specifiek ontworpen voor het modelleren van gestructureerde gegevens (d.w.z. tabulaire, tijdsreeksgegevens). Als gevolg hiervan leveren ze betere nauwkeurigheid en betrouwbaardere voorspellingen.

Bovendien hebben LGM’s minder gegevens nodig dan LLM’s en hebben ze dus lagere reken- en opslagvereisten, waardoor de kosten omlaag gaan. Dit betekent ook dat organisaties nauwkeurige inzichten kunnen krijgen van LGM’s, zelfs met beperkte trainingsgegevens.

LGM’s ondersteunen ook betere gegevensprivacy en -beveiliging. Ze trainen alleen op de gegevens van een onderneming – met aanvulling vanuit selecte externe gegevensbronnen (zoals weergegevens en socialemediagegevens) wanneer nodig. Er is nooit een risico dat gevoelige gegevens worden gedeeld met een openbaar model.

In welke soorten bedrijfsscenario’s bieden LGM’s de meeste waarde? Kunt u enkele voorbeelden geven van hoe ze zijn gebruikt om forecasting, planning of besluitvorming te verbeteren?

LGM’s bieden waarde in elk scenario waarin een organisatie een bedrijfsresultaat moet voorspellen of trends moet anticiperen om hun strategie te bepalen. Met andere woorden, ze helpen bij een breed scala aan use cases.

Stel u een bedrijf voor dat Halloween-kostuums en -artikelen verkoopt en op zoek is naar inzichten om betere merchandisingbeslissingen te nemen. Vanwege hun seizoensgebondenheid lopen ze een dunne lijn: aan de ene kant moet het bedrijf overstocking en het eindigen met overtollige voorraad aan het einde van elk seizoen (wat onverkochte goederen en verspilde CAPEX betekent) vermijden. Aan de andere kant willen ze ook niet te vroeg door hun voorraad heen raken (wat betekent dat ze verkooppotentieel missen).

Met LGM’s kan het bedrijf een perfecte balans vinden en zijn detailhandelsinspanningen leiden. LGM’s kunnen vragen beantwoorden zoals:

• Welke kostuums moet ik dit seizoen voorraden? Hoeveel moet ik van elk artikelnummer voorraden?
• Hoe goed zal een bepaald artikelnummer verkopen op een specifieke locatie?
• Hoe goed zal dit accessoire verkopen met dit kostuum?
• Hoe kan ik voorkomen dat ik verkoop afroom in steden waar we meerdere winkels hebben?
• Hoe zullen nieuwe kostuums presteren?

Hoe helpen LGM’s in scenario’s waarin gegevens schaars, inconsistent of snel veranderen?

LGM’s gebruiken AI-gebaseerde gegevensreconciliatie om precieze inzichten te leveren, zelfs wanneer ze kleine of lawaaierige gegevenssets analyseren. Gegevensreconciliatie zorgt ervoor dat gegevens consistent, nauwkeurig en volledig zijn. Het omvat het vergelijken en valideren van gegevenssets om discrepanties, fouten of inconsistenties te identificeren. Door de ruimtelijke en temporele structuur van de gegevens te combineren, maken LGM’s het mogelijk om goede voorspellingen te doen met minimale en defecte gegevens. De voorspellingen komen met onzekerheidskwantificering en interpretatie.

Hoe sluit de missie van Ikigai om AI te democratiseren aan bij de ontwikkeling van LGM’s? Hoe ziet u LGM’s de toekomst van AI in bedrijven vormgeven?

AI verandert de manier waarop we werken, en ondernemingen moeten zich voorbereiden om werknemers van alle soorten AI te laten gebruiken. Het Ikigai-platform biedt een eenvoudige low-code/no-code-ervaring voor businessgebruikers, evenals een volledige AI Builder- en API-ervaring voor datawetenschappers en ontwikkelaars. Bovendien bieden we gratis onderwijs aan onze Ikigai Academy, zodat iedereen de basisbeginselen van AI kan leren en getraind en gecertificeerd kan worden op het Ikigai-platform.

LGM’s zullen een enorme impact hebben op bedrijven die AI willen inzetten. Ondernemingen willen genAI gebruiken voor use cases die numerieke predictieve en statistische modellering vereisen, zoals probabilistische forecasting en scenario-planning. Maar LLM’s zijn niet voor deze use cases ontwikkeld, en veel organisaties denken dat LLM’s de enige vorm van genAI zijn. Dus proberen ze Large Language Models voor forecasting- en planningsdoeleinden, en die leveren niet. Ze geven het op en gaan ervan uit dat genAI niet in staat is om deze toepassingen te ondersteunen. Wanneer ze LGM’s ontdekken, zullen ze beseffen dat ze inderdaad generatieve AI kunnen gebruiken om betere forecasting en planning te ondersteunen en hen te helpen betere bedrijfsbeslissingen te nemen.

Ikigai’s platform integreert LGM’s met een mensgerichte aanpak via uw eXpert-in-the-loop-functie. Kunt u uitleggen hoe deze combinatie de nauwkeurigheid en adoptie van AI-modellen in ondernemingen verbetert?

AI heeft guardrails nodig, omdat organisaties van nature huiverig zijn dat de technologie nauwkeurig en effectief zal presteren. Een van deze guardrails is menselijke toezicht, die essentiële domeinkennis kan infuseren en ervoor kan zorgen dat AI-modellen voorspellingen en prognoses leveren die relevant en nuttig zijn voor hun bedrijf. Wanneer organisaties een menselijke expert in een rol kunnen plaatsen die AI bewaakt, kunnen ze het vertrouwen en de nauwkeurigheid ervan verifiëren. Dit overwint een groot obstakel voor adoptie.

Wat zijn de belangrijkste technologische innovaties in Ikigai’s platform die het onderscheiden van andere AI-oplossingen die momenteel op de markt beschikbaar zijn?

Onze kern-LGM-technologie is de grootste differentiator. Ikigai is een pionier in deze ruimte zonder gelijke. Mijn medeoprichter en ik hebben LGM’s uitgevonden tijdens ons academisch werk aan het MIT. We zijn de innovator in large graphical models en het gebruik van genAI op gestructureerde gegevens.

Wat is de impact die u zich voorstelt dat LGM’s zullen hebben op industrieën die zwaar leunen op nauwkeurige forecasting en planning, zoals detailhandel, supply chain management en financiën?

LGM’s zullen volledig transformatief zijn, omdat ze specifiek zijn ontworpen voor gebruik op tabulaire en tijdsreeksgegevens, die de levensader zijn van elk bedrijf. Bijna elk bedrijf in elke industrie is afhankelijk van gestructureerde gegevensanalyse voor vraagforecasting en bedrijfsplanning om solide beslissingen te nemen, zowel op korte als op lange termijn – of het nu gaat om merchandising, werving, investeringen, productontwikkeling of andere categorieën. LGM’s bieden het dichtstbijzijnde wat mogelijk is aan een kristallen bol voor het nemen van de beste beslissingen.

Kijkend naar de toekomst, wat zijn de volgende stappen voor Ikigai Labs om de mogelijkheden van LGM’s verder te ontwikkelen? Zijn er nieuwe functies of ontwikkelingen in de pijplijn waar u bijzonder enthousiast over bent?

Ons bestaande aiPlan-model ondersteunt what-if- en scenario-analyse. Kijkend naar de toekomst, zijn we van plan om het verder te ontwikkelen en volledig functionele Versterkte Leermodellen voor operationele teams mogelijk te maken. Dit zou het mogelijk maken voor een operationeel team om AI-gebaseerde planning te doen, zowel op korte als op lange termijn.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Ikigai Labs bezoeken.