Joy Mustafi, Chief Data Scientist van Aviso, Inc – Interview Serie

Als een van de top 10 data scientists van India gerangschikt door Analytics India Magazine, heeft Joy Mustafi data science-onderzoek geleid bij technologiebedrijven zoals Salesforce (CRM ), Microsoft (MSFT ) en IBM, waarbij hij 50 octrooien verwierf en meer dan 25 publicaties over AI schreef.

Hij was tien jaar lang verbonden aan IBM als data scientist en was betrokken bij verschillende business intelligence-oplossingen, waaronder IBM Watson. Hij werkte als Principal Applied Scientist bij Microsoft, waar hij verantwoordelijk was voor AI-onderzoek. Onlangs was Mustafi Principal Researcher voor Salesforce’s Einstein-platform.

Mustafi is ook de oprichter en president van MUST Research, een non-profitorganisatie die excellence promoot in de gebieden van data science, cognitieve computing, kunstmatige intelligentie, machine learning en geavanceerde analytics ten behoeve van de samenleving.

Onlangs sloot Mustafi zich aan bij Aviso, Inc in Redwood City als Chief Data Scientist, waar hij zijn decennialange ervaring zal gebruiken om Aviso-klanten te helpen om deals te sluiten en omzetmogelijkheden te vergroten.

Wat trok je aanvankelijk aan naar AI?

Ik hou erg van wiskunde en programmeren. Ik heb mijn masterdiploma in statistiek en mijn postdoctorale opleiding in computerapplicaties. Toen ik in 2002 mijn AI-onderzoeksreis begon aan het Indian Statistical Institute in Kolkata, gebruikte ik de C-programmeertaal om een kunstmatig neurale netwerksysteem te ontwikkelen voor het herkennen van handgeschreven cijfers. Dat was 2500+ regels code, allemaal van scratch geschreven zonder enige ingebouwde bibliotheken, behalve standaard invoer/uitvoer. Het bestond uit gegevensreiniging en -voorbewerking, feature-engineering en een backpropagatie-algoritme met een multilayer-perceptron. Het hele proces was een combinatie van alle onderwerpen die ik had gestudeerd. Toen was AI nog niet zo populair in de corporate wereld, en slechts enkele academische organisaties deden geavanceerd onderzoek in het veld. En, trouwens, AI was toen nog niet nieuw! Het veld van AI-onderzoek dateert uit 1956, toen prof. John McCarthy en anderen het veld inaugureerden op een legendarische workshop aan het Dartmouth College.

Je hebt gewerkt met enkele van de meest geavanceerde bedrijven in AI, zoals IBM Watson en Microsoft. Wat was het meest interessante project waar je aan hebt gewerkt?

Ik wil de eerste octrooi noemen die ik kreeg toen ik bij IBM werkte: een methode voor het oplossen van woordproblemen in natuurlijke taal, wat een open probleem was met IBM Watson. Het systeem dat ik ontwikkelde, kan een rekenkundig of algebraïsch probleem dat in natuurlijke taal is gesteld, begrijpen en een oplossing geven in real-time als een natuurlijke taalantwoord. Om dat te doen, moest het systeem de volgende sleutelstappen uitvoeren: het invoerprobleem en de vraag die moet worden beantwoord krijgen; de invoersentences omzetten in een reeks zinnen die vanuit een mathematisch oogpunt goed gevormd zijn; de goed gevormde zinnen omzetten in wiskundige vergelijkingen; de set van vergelijkingen oplossen; en het wiskundige resultaat in natuurlijke taal beschrijven.

Er is ook mijn beste project voor Microsoft — Softie! Ik vond en bouwde een fysieke robot uit die was uitgerust met verschillende soorten uitwisselbare invoerapparaten en sensoren, zodat deze informatie van mensen kon ontvangen. Een gestandaardiseerde methode van communicatie met de computer stelde de gebruiker in staat om praktische aanpassingen te maken, waardoor rijkere interacties mogelijk waren, afhankelijk van de context. We konden een robuust systeem implementeren met functies zoals een toetsenbord, een aanwijsapparaat, een touchscreen, computerzicht, spraakherkenning enz. We vormden een team van verschillende businessunits en moedigden hen aan om onderzoeksapplicaties op AI en aanverwante gebieden te onderzoeken.

Je bent ook de oprichter en president van MUST Research, een non-profitorganisatie die is geregistreerd onder de Society and Trust Act van India. Kun je ons iets vertellen over deze non-profit?

MUST Research is gewijd aan het promoten van excellentie en competentie in de gebieden van data science, cognitieve computing, kunstmatige intelligentie, machine learning en geavanceerde analytics ten behoeve van de samenleving. MUST streeft ernaar een ecosysteem te bouwen dat interactie tussen academici en ondernemingen mogelijk maakt, om hen te helpen problemen op te lossen en hen op de hoogte te brengen van de laatste ontwikkelingen in de cognitieve era, om oplossingen te bieden, advies of training te geven, lezingen, seminars en workshops te organiseren en samen te werken aan wetenschappelijke programma’s en maatschappelijke missies. Het meest spannende aspect van MUST is het fundamentele onderzoek naar baanbrekende technologieën zoals kunstmatige intelligentie, machine learning, natuurlijke taalverwerking, tekstanalyse, beeldverwerking, computerzicht, audiosignaalverwerking, spraaktechnologie, ingebedde systemen, robotica enz.

Wat inspireerde je om MUST Research op te richten?

Mijn liefde voor sciencefictionfilms en wiskunde betekent dat ik vaak nadenk over hoe technologie de wereld kan veranderen, en ik dacht al sinds 1993, toen ik in de 9e klas zat, aan het formeren van een groep gelijkgestemde experts op het gebied van geavanceerde technologieën. Toen ik mijn eerste baan kreeg, duurde het 10 jaar voordat ik een vergadering kon bijwonen — en nog eens 10 jaar om een groep van geschikte experts te vinden en een non-profitorganisatie op te richten. Nu hebben we ongeveer 500 data scientists in MUST in heel India die met passie bijdragen aan onderzoek naar opkomende technologieën.

De afgelopen jaren heeft de industrie significante vooruitgang geboekt in diepe leerlingen, versterking van het leren, natuurlijke taalverwerking enz. Welk gebied van machine learning vind je momenteel het meest spannend?

Alle machine learning-algoritmen zijn spannend zodra ze zijn geïmplementeerd als een product of dienst die door bedrijven of individuen in de echte wereld kan worden gebruikt. De diepe leerperiode heeft voor- en nadelen — soms helpt het bij automatische feature-engineering, maar het kan ook werken als een black box en eindigen met een garbage-in-garbage-out-scenario als de juiste datasets of algoritmen niet worden gebruikt. Sommige van de nieuwste technologieën zijn ook hongerig naar resources en vereisen enorme hoeveelheden verwerking, tijd en gegevens. Het belangrijkste om te onthouden is dat diepe leer een subset is van machine learning (ML), die op zijn beurt een subset is van kunstmatige intelligentie (AI), en AI is een subset van data science — dus het is allemaal verbonden. En het gaat niet over Python, R of Scala — ik begon mijn AI-reis in C, en je kunt zelfs AI-programma’s schrijven in assemblagecode. Het bouwen van succesvolle AI-systemen hangt af van het begrijpen van de business- of onderzoeksomgeving en vervolgens het verbinden van de punten tussen acties en gegevens om een systeem te bouwen dat echt helpt bij verschillende mensen in verschillende domeinen. Of je nu werkt met natuurlijke taalverwerking, computerzicht, video-analyse, spraaktechnologie of robotica, de beste manier om verder te gaan is om te beginnen met de eenvoudigste mogelijke aanpak en vervolgens complexere methoden te adopteren naarmate je experimenteren en je systeem verfijnt.

Je bent een frequente gastdocent aan toonaangevende universiteiten in India. Wat is één vraag die studenten je vaak stellen, en hoe antwoord je daar het beste op?

De enige vraag die ik het vaakst hoor, is: “Hoe kan ik een data scientist worden?” Ik zeg altijd tegen jonge mensen dat het zeker mogelijk is en probeer hen te leiden naar het gebruik van hun liefde voor wiskunde, statistiek of computerwetenschappen om echte wereldproblemen op te lossen. Mensen vragen ook hoe ze zich kunnen aansluiten bij MUST, en het antwoord is simpel: “Bouw je profiel met meerdere projecten en richt je op het denken buiten de gebaande paden.” Als je een data scientist wilt worden, moet je ook aantonen dat je kunt innoveren. Zonder innovatie kunnen we onszelf geen wetenschappers noemen. Natuurlijk helpt het ook om octrooien te krijgen of onderzoek te publiceren in gerenommeerde tijdschriften en conferenties!

Je hebt onlangs Aviso als hoofdwetenschapper betreden om je AI/ML-expertise te gebruiken. Kun je ons iets vertellen over Aviso en je rol bij dit bedrijf?

Aviso gebruikt AI en machine learning om sales executives te leiden en het raden uit het deal-maakproces te elimineren. Dat is een fascinerende uitdaging, en mijn primaire verantwoordelijkheid is om de organisatie te helpen groeien in een positieve richting, met behulp van diepe onderzoek om het podium te zetten voor het succes van de klanten. Ik gebruik mijn kennis en ervaring in kunstmatige intelligentie en innovatie om onze kernproducten en onderzoeksprojecten meer te maken tot:

Adaptief: Ze moeten leren naarmate de informatie verandert en naarmate de doelen en vereisten evolueren. Ze moeten onduidelijkheid oplossen en onvoorspelbaarheid tolereren. Ze moeten zijn ontworpen om dynamische gegevens in real-time te verwerken.

Interactief: Ze moeten gemakkelijk met gebruikers communiceren, zodat die gebruikers hun behoeften comfortabel kunnen definiëren. Ze moeten communiceren met andere processors, apparaten, diensten, evenals met mensen.

Iteratief en statisch: Ze moeten helpen bij het definiëren van een probleem door vragen te stellen of aanvullende broninvoer te vinden als een probleemverklaring onduidelijk of onvolledig is. Ze moeten eerder interacties onthouden in een proces en informatie teruggeven die geschikt is voor het specifieke toepassingsgebied op dat moment.

Contextueel: Ze moeten contextuele elementen zoals betekenis, syntaxis, tijd, locatie, passende domein, regelgeving, gebruikersprofiel, proces, taak en doel begrijpen en extraheren. Ze moeten putten uit meerdere informatiebronnen, waaronder zowel gestructureerde als ongestructureerde digitale informatie.

Wat trok je aan tot deze positie bij Aviso?

Aviso werkt aan het vervangen van opgeblazen legacy CRM-systemen met wrijvingsloze, AI-geactiveerde tools die actiegerichte inzichten kunnen leveren en het volledige potentieel van sales teams kunnen ontsluiten. Ons product is een slim systeem dat de pijnpunten van salesmensen begrijpt, tijdrovende gegevensinvoer elimineert en executives de suggesties en leiding geeft die ze nodig hebben om deals effectief te sluiten. Ik werd aangetrokken door het sterke leiderschapsteam en de klantenbasis, maar ook door Aviso’s toewijding aan het gebruik van geavanceerde AI-hulpmiddelen om echte werelduitdagingen op te lossen. Verkopen is een vitaal onderdeel van elk bedrijf, en Aviso helpt daarbij door de kracht van kunstmatige intelligentie te benutten. Bulls-eye! Wat meer kun je willen?

Tenslotte, is er nog iets dat je over AI wilt delen?

Kunstmatige intelligentie maakt een nieuwe klasse van problemen berekenbaar. Om in te spelen op de vloeibare aard van de manier waarop gebruikers hun problemen begrijpen, biedt het cognitieve computersysteem een synthese van invloeden, contexten en inzichten, naast informatiebronnen. Deze systemen verschillen van huidige computing-toepassingen doordat ze verder gaan dan het tabuleren en berekenen op basis van vooraf geconfigureerde regels en programma’s. Ze kunnen afleiden en zelfs redeneren op basis van brede doelstellingen. In deze zin is cognitieve computing een nieuwe vorm van computing met als doel het ontwikkelen van nauwkeurigere modellen van hoe de menselijke hersenen of geest zintuigen, redeneren en reageren op stimulus. Het is een studieveld dat onderzoekt hoe computers en computersoftware te maken zijn die in staat zijn tot intelligent gedrag. Dit veld is interdisciplinair: kunstmatige intelligentie is een plek waar een aantal wetenschappen en beroepen samenkomen, waaronder computerwetenschappen, elektronica, wiskunde, statistiek, psychologie, linguïstiek, filosofie, neurowetenschappen en biologie. Dat is wat het zo spannend maakt!