Pedro Alves, CEO en oprichter van Ople.ai – Interviewreeks

Pedro Alves is de CEO en oprichter van Ople.ai, een platform dat analisten en specialisten op het gebied van onderwerpen in staat stelt om krachtige voorspellende analyses uit te voeren. Het platform is uitgerust met de kennis en expertise van de werelds toonaangevende datawetenschappers, zodat gebruikers zich kunnen concentreren op wat ze echt goed kunnen: het creëren van een bedrijfseffect.

Wat trok je aanvankelijk aan tot datawetenschap?

Terug in 2001 zag ik een enorm potentieel in machine learning en kunstmatige intelligentie. Terwijl ik computerwetenschappen studeerde als undergraduate en besloot welk subgebied ik verder wilde ontwikkelen, dacht ik: OK, AI/ML is een gebied van computerwetenschappen dat ik interessant vind – je kunt helpen voorspellen gebeurtenissen in elk veld. Of je nu in de biologie, geneeskunde of financiën zit, als je machine learning en AI hebt, kun je die gebieden aanzienlijk verbeteren. Ik vond de wiskunde erachter fascinerend.

Terwijl ik de graduate school inging, besloot ik dat de beste manier om mijn expertise in machine learning te verbeteren was om te leren hoe ik het kon toepassen. Ik was altijd praktisch; ik wilde geen theorie leren voor de theorie alleen. Ik koos ervoor om machine learning te studeren zoals het wordt toegepast in het veld van genomics en proteomics. Al mijn graduate werk was in computationele biologie, maar de focus lag op machine learning.

Kort daarna trad ik toe tot de zorgsector, waar ik een groot potentieel zag voor AI/ML-toepassingen. Dat was toen ik begon te zien welke problemen AI had in de praktijk, buiten de academische wereld. Ik ervoer de realiteit van AI en leerde hoe ineffectief het in de echte wereld was toegepast, en niet vanwege technische problemen. Dus werd ik aangetrokken tot het oplossen van dat probleem.

Je was voormalig hoofd datawetenschapper bij Banjo, waar je uitdagingen aanpakte op het gebied van sociale netwerken. Kun je enkele van die uitdagingen bespreken?

Als bedrijf detecteerden we gebeurtenissen die op sociale media werden geregistreerd, met name gebeurtenissen die als potentieel gevaar moesten worden gemarkeerd, zoals een auto-ongeluk of een brandend gebouw. We hielpen deze gebeurtenissen te markeren, zodat we eerstehulpverleners konden mobiliseren. We gebruikten sociale media voor het goede doel.

Veel van die gebeurtenissen zijn zeldzaam in vergelijking met sociale media-gegevens. Bijvoorbeeld, er gebeuren elke dag veel ongelukken in elke stad, maar als je naar het volume van sociale media-gegevens kijkt, wordt een foto van een auto-ongeluk vrij klein. Denk aan de miljoenen foto’s van puppy’s, foto’s van eten, nog een miljoen foto’s van selfies en dan één foto van een auto-ongeluk, allemaal in een paar minuten. In wezen zochten we bij Banjo naar de speld in de hooiberg.

Een van de uitdagingen die ontstonden, had betrekking op computer vision. Hoewel computer vision op dat moment redelijk goed was, als je probeert één te vinden in een paar miljoen, kan zelfs een kleine foutkans je kansen om deze zeldzame gebeurtenissen te detecteren, volledig vernietigen.

Er was bijvoorbeeld een openbaar dataset dat, als het werd gebruikt om neurale netwerken te trainen, zou veroorzaken dat ze geen kleur konden identificeren. Zelfs als een foto in een dataset kleurrijk was en het neurale netwerk naar alle RGB keek, gebruikte het geen kleur als indicator. Neem een traditionele politiewagen en een traditionele taxi – beide zijn hetzelfde basisauto-model en een extra stukje apparatuur bovenaan (bijv. sirenes op een politiewagen of een vrij/bezette indicator op een taxi). Maar als je naar de kleur kijkt, is het verschil duidelijk. Door dit voorbeeld konden we begrijpen dat het creëren van een juiste dataset essentieel is.

In 2017 lanceerde je vervolgens Ople. Wat is het oorsprongsverhaal achter deze startup?

Ik wilde dat bedrijven een solide ROI zouden krijgen van het implementeren van AI. Volgens Gartner zien tussen de 80 en 90 procent van de AI-projecten nooit het licht van de dag. Dit heeft niets te maken met technische aspecten, zoals de nauwkeurigheid van het model. Het gaat meestal om bedrijfscultuur of procedurele aspecten binnen het bedrijf.

Dit kan te wijten zijn aan een gebrek aan voldoende communicatie tussen het datawetenschapteam en de businessgebruiker, waardoor modellen worden gemaakt die iets voorspellen wat het business-team niet nodig heeft, omdat het datawetenschapteam niet begrijpt wat er moet worden gebouwd. Of, als ze het juiste model bouwen, dan gebruikt het business-team de voorspellingen van het model niet eens als het datawetenschapteam klaar is. In de meeste bedrijven zijn het de afdelingen zoals verkoop, marketing en logistiek die AI echt zouden moeten gebruiken, maar het zijn de datawetenschappers die de modellen begrijpen. Als deze teams de modellen die voor hen zijn gebouwd niet begrijpen, vertrouwen ze de voorspellingen niet en gebruiken ze ze dus niet.

Dus, als AI niet verandert hoe een bedrijf zaken doet, wat is het punt?

We wilden een platform creëren dat dit oplost – we willen helpen het datawetenschapteam of de businessanalisten, data-analisten, wie dan ook betrokken is bij het proces van het bedrijf – om de juiste projecten te bouwen en te helpen medewerkers de modellen te begrijpen en te vertrouwen. Als we dat oplossen, denk ik dat datawetenschap eindelijk waardevol kan zijn voor bedrijven op een echte manier.

Je hebt gesteld dat datawetenschappers waardevolle tijd verliezen met taken die met AI geautomatiseerd kunnen worden. Kun je enkele voorbeelden geven van taken die geautomatiseerd zouden moeten worden?

Een datawetenschapper neemt meestal enkele maanden om een model te voltooien en als het model eenmaal is geïmplementeerd, zal het bedrijf het model waarschijnlijk niet zo nauwkeurig mogelijk maken. In de maanden na de implementatie van het model zal de datawetenschapper het model blijven verbeteren in een poging om de nauwkeurigheid van het model te verhogen met kleine incrementele hoeveelheden. Dit is meestal waar veel datawetenschappers hun tijd aan besteden als ze die tijd zouden kunnen besteden aan andere taken, zoals ervoor zorgen dat medewerkers de AI-modellen begrijpen, vertrouwen en gebruiken. Al die tijd die wordt besteed aan taken zoals feature engineering, modeltraining, parametertuning en algoritmekeuze, om de nauwkeurigheid van een model te verhogen, kan gemakkelijk met AI worden geautomatiseerd.

Kun je uitleggen wat meta-learning is en hoe Ople dit toepast?

Voordat ik over meta-learning ga, is het belangrijk om het eerste niveau van machine learning te begrijpen. Laten we zeggen dat je een dataset hebt die voorspelt wanneer machines op een fabrieksvloer zullen breken. De machine zal medewerkers waarschuwen dat het op het punt staat te breken, zodat ze preventief onderhoud kunnen uitvoeren. Dit wordt beschouwd als het eerste niveau van leren.

Meta-learning, vaak bekend als “leren om te leren”, is het begrijpen van dat leerproces. Dus, terwijl je je model traint om machinefouten te voorspellen, heb je een ander model dat observeert. Bijvoorbeeld, het tweede model kan bedrijven helpen begrijpen welke parameters het voorspellingsmodel goed leert en welke parameters niet goed werken. Als je meta-learning doet, word je beter in het bouwen van efficiëntere modellen, sneller.

Wat zijn je mening over synthetische gegevens?

Synthetische gegevens kunnen heel moeilijk te werken zijn, als ze niet correct worden uitgevoerd.

Stel dat je medische gegevens hebt – je hebt 20 patiënten en voor die patiënten heb je hun leeftijd, geslacht, gewicht, lengte, bloeddruk, lijst van medicijnen enz. Het is mogelijk om synthetische gegevens te creëren met machine learning op basis van deze medische gegevens. Echter, als je alleen op machine learning of statistiek vertrouwt, kun je met nonsensical synthetische gegevens eindigen. Het kan een willekeurige mix en match van waarden creëren, zoals een 3-jarige die 1,80 meter lang is of een 1,20 meter lange persoon die 450 kilo weegt. Terwijl AI/ML in veel gevallen betrouwbaar zijn, zouden synthetische gegevens die voor medische gegevens worden gebruikt, de input van een arts nodig hebben.

Dus, je haalt een medische professional erbij om parameters te creëren, zoals “als de persoon deze leeftijd heeft, wat is een realistische lengte- en gewichtsrange” of “als ze dit medicijn nemen, welke medicijnen mogen ze niet nemen?” Dit proces zou uiteindelijk een enorme onderneming worden en te ingewikkeld om alle mogelijkheden in kaart te brengen, zoals ze van toepassing zijn op elke patiënt.

In het rijk van afbeeldingen kunnen synthetische gegevens echter veel gemakkelijker te begrijpen en te creëren zijn. Stel dat je een foto van een auto hebt en de auto staat in de linkerbovenhoek. Je hoeft geen expert te zijn om te weten dat dezelfde auto in de linkeronderhoek, rechterbovenhoek of in het midden kan staan. Niet alleen kan de persoon de camera op veel manieren richten, maar ze kunnen de foto ook opnieuw uitlijnen. Het verplaatsen van de focus van de foto, zodat de auto in alle hoeken staat, is het creëren van synthetische gegevens – een andere eenvoudige methode is het gebruik van rotatie.

Kun je enkele voorbeelden geven van hoe Ople bedrijven heeft geholpen met hun gegevensbehoeften?

Ople.AI geeft bedrijven de mogelijkheid om diepgaande gegevensanalyses te gebruiken op alle niveaus van een organisatie en geeft hun medewerkers de kans om de waarde van AI te ontgrendelen met slechts een paar klikken. In tegenstelling tot organisaties die afhankelijk zijn van een klein team van datawetenschappers om AI te articuleren en te implementeren, rust het Ople.AI-platform medewerkers in verschillende afdelingen uit met de tools om inzichten uit hun gegevens te krijgen en zo hun dagelijkse efficiëntie te verhogen.

Met dat gezegd, is een van de grote obstakels die organisaties vaak tegenkomen bij het implementeren van AI, modelverklaring. Het is essentieel voor bedrijven om AI te bieden die hun medewerkers kunnen begrijpen en, belangrijker nog, vertrouwen. Modelverklaring helpt daarbij. Ons doel met het Ople.AI-platform is om medewerkers, die mogelijk geen AI- of technische expertise hebben, de kans te geven om gemakkelijk te begrijpen hoe modellen voorspellingen doen en waarom. Het creëren van modelverklaring zal krachtige resultaten opleveren voor bedrijven op de lange termijn.

Bovendien is er veel meer waarde die een model aan bedrijven kan bieden, behalve voorspellingen doen. AI kan potentieel problemen of gebieden blootleggen die kunnen worden geëxploiteerd. We noemen dat gegevensverklaring – het zijn de verschillende manieren waarop een model intelligente inzichten over gegevens kan delen die waardevol zijn voor een bedrijf. Dit is een van de manieren waarop AI bedrijven kan helpen en een gebied waarin we ons onderscheiden van de concurrentie.

Bedankt voor het interview, lezers die meer willen leren, kunnen Ople.ai bezoeken.