Pedro Alves, administrerende direktør og grunnlegger av Ople.ai – Intervjuserie

Pedro Alves er administrerende direktør og grunnlegger av Ople.ai, en plattform som gir analytikere og fageksperter kraftfulle prediktive analyser. Plattformen er utstyrt med kunnskapen og ekspertisen til verdens ledende dataforskere, slik at brukerne kan fokusere på det de virkelig er gode på: å skape en forretningsmessig innvirkning.

Hva tiltrakk deg i utgangspunktet til datavitenskap?

Tilbake i 2001 så jeg et enormt potensial innen maskinlæring og kunstig intelligens. Mens jeg studerte informatikk som undergraduate, og bestemte meg for hvilket underfelt jeg skulle forfølge, tenkte jeg: OK, AI/ML er et område innen informatikk som jeg synes er interessant – du kan hjelpe til med å forutsi hendelser i alle felt. Enten du er innen biologi, medisin eller finans, hvis du har maskinlæring og AI, kan du avansere disse feltene betydelig. Jeg har alltid syntes matematikken bak det var fascinerende.

Da jeg begynte på grunnskolen, bestemte jeg meg for at den beste måten å forbedre ekspertisen min innen maskinlæring ville være å lære å bruke den. Jeg var alltid veldig praktisk; Jeg ville ikke lære teori bare for teoriens skyld. Jeg valgte å studere maskinlæring ettersom det gjelder feltet genomikk og proteomikk. Alt mitt gradsarbeid var i beregningsbiologi, men fokuset var på maskinlæring.

Like etter gikk jeg inn i helsesektoren, hvor jeg så et stort potensial for AI/ML-applikasjoner. Det var da jeg begynte å se problemene som AI hadde i praksis, utenfor akademia. Jeg opplevde virkeligheten til AI og lærte hvor ineffektivt den hadde blitt brukt i den virkelige verden, og ikke på grunn av dens tekniske problemer. Så jeg ble tiltrukket av å fikse problemet.

Du var tidligere dataforsker i Banjo, hvor du taklet utfordringer på det sosiale nettverksområdet. Kan du diskutere noen av disse utfordringene?

Som et selskap oppdager vi hendelser registrert på sosiale medier, spesielt hendelser som måtte fremheves som en potensiell fare, som en bilulykke i nærheten eller en bygning i brann. Vi vil hjelpe til med å flagge disse hendelsene, slik at vi kan hjelpe ytterligere med å mobilisere førstehjelp. Vi brukte sosiale medier for godt.

Mange av disse hendelsene er sjeldne, med hensyn til sosiale medier-data. For eksempel er det mange krasj som skjer hver dag i en gitt by, men når du ser på volumet av sosiale mediedata, blir et bilde av en bilulykke ganske lite. Tenk på millioner av bilder av valper, bilder av mat, ytterligere millioner bilder av selfies, og så ett bilulykkebilde, alt i løpet av noen få minutter. I hovedsak, på Banjo, fant vi nålen i høystakken.

Så en av utfordringene som ville oppstå var angående datasyn. Selv om datasyn var anstendig på den tiden, når du prøver å finne en av noen få millioner, kan selv en liten feilprosentsannsynlighet fullstendig desimere sjansene dine for å oppdage disse sjeldne hendelsene.

For eksempel var det et offentlig datasett som når det ble brukt til å trene nevrale nettverk ville føre til at de ikke kunne identifisere farge. Selv om et bilde i et datasett var fargerikt, og det nevrale nettverket så på alle RGB, brukte det ikke farge som en betegnelse. Ta en tradisjonell politibil og en tradisjonell taxi – begge er samme grunnbilmodell og et ekstra maskineri på toppen (dvs. sirener på en politibil eller et ledig/opptatt-signal på en taxi). Men hvis du ser på fargen, er forskjellen mellom de to tydelig. På grunn av dette tilfellet var vi i stand til å forstå at det er viktig å lage et riktig datasett.

I 2017 fortsatte du med å lansere Ople. Hva var opprinnelseshistorien bak denne oppstarten?

Jeg ønsket at selskaper skulle få en solid avkastning fra implementering av AI. Ifølge Gartner ser mellom 80 og 90 prosent av AI-prosjekter aldri dagens lys. Dette har ingenting å gjøre med tekniske aspekter, som nøyaktigheten til modellen. Det er vanligvis bedriftskultur eller prosedyreaspekter i bedriften.

Dette kan skyldes mangel på tilstrekkelig kommunikasjon mellom datavitenskapsteamet og bedriftsbrukeren, noe som fører til modeller som forutsier noe forretningsteamet ikke trengte fordi datavitenskapsteamet ikke forsto hva som måtte bygges. Eller, hvis de bygger den riktige modellen, så når datavitenskapsteamet er ferdig, utnytter ikke forretningsteamet spådommene i det hele tatt. I de fleste selskaper er det avdelinger som salg, markedsføring og logistikk som egentlig burde bruke AI, men det er datavitenskapsteamet som forstår modellene. Når disse lagene ikke forstår modellene som bygges for dem, har de en tendens til å ikke stole på spådommene deres og derfor ikke bruke dem.

Så hvis AI ikke endrer hvordan selskapet driver virksomhet, hva er poenget?

Vi ønsket å lage en plattform som finner ut av dette – vi ønsker å hjelpe datavitenskapsteamet eller forretningsanalytikerne, dataanalytikerne, den som er involvert i selskapet i denne prosessen – bygge de riktige prosjektene og hjelpe ansatte med å forstå og stole på modellene. Hvis vi fikser det, så tror jeg at datavitenskap endelig kan være verdifullt for bedrifter på en reell måte.

Du har uttalt at dataforskere taper verdifull tid på å utføre oppgaver som kan automatiseres med AI. Hva er noen eksempler på oppgaver som bør automatiseres?

En dataforsker vil vanligvis ta flere måneder å fullføre en modell, og når den er ferdigstilt, vil selskapet implementere modellen, selv om den sannsynligvis ikke vil være så nøyaktig som mulig. I månedene etter modellimplementeringen vil dataforskeren fortsette å jobbe med den i et forsøk på å få modellens nøyaktighet til å øke med små, inkrementelle mengder. Dette er generelt hvor mange dataforskere bruker tiden sin når de kan bruke tid på å gjøre andre oppgaver, for eksempel å sikre at ansatte forstår, stoler på og bruker AI-modellene på plass. All den tiden som brukes på oppgaver som funksjonsteknikk, treningsmodeller, parameterinnstilling og algoritmevalg, for å prøve å øke en modells nøyaktighet, kan enkelt automatiseres med AI.

Kan du beskrive hva metalæring er og hvordan Ople bruker dette?

Før jeg kommer til meta-læring, er det viktig å forstå det første laget av maskinlæring. La oss si at du har et datasett som forutsier når maskiner kommer til å gå i stykker på et fabrikkgulv. Maskinen vil varsle ansatte om at den er i ferd med å gå i stykker, slik at de kan utføre forebyggende vedlikehold. Dette regnes som det første laget av læring.

Meta-læring, ofte kjent som "lære å lære," er å forstå den læringsprosessen videre. Så mens du trener modellen din til å forutsi maskinfeil, har du en annen modell som observerer. For eksempel kan den andre modellen hjelpe bedrifter med å forstå hvilke parametere den prediktive vedlikeholdsmodellen lærer godt, og hvilke parametere som ikke fungerer bra. Når du driver med metalæring, blir du raskere til å bygge mer effektive modeller.

Hva er ditt syn på syntetiske data?

Syntetiske data kan være utrolig vanskelige å jobbe med, hvis de ikke utføres riktig.

La oss si at du har journaldata – du har 20 pasienter, og for disse pasientene har du deres alder, kjønn, vekt, høyde, blodtrykk, liste over medisiner osv. Det er mulig å lage syntetiske data med maskinlæringsbasert på disse journalene. Men hvis du stoler på maskinlæring eller statistikk alene, kan du ende opp med useriøse syntetiske data. Det kan skape en tilfeldig blanding av verdiene, for eksempel en 3-åring som er seks fot høy eller en 4 fot høy person som veier tusen pund. Mens AI/ML er pålitelige i mange tilfeller, må syntetiske data som brukes til medisinske journaler ha en leges innspill.

Så du får en medisinsk fagperson involvert for å lage parametere, som "hvis personen er på denne alderen, hva er et realistisk høydeområde og vekt," eller "hvis de tar denne medisinen, hvilke medisiner bør de ikke ta?" Denne prosessen ville uunngåelig blitt en massiv innsats og for komplisert til å kartlegge alle muligheter, ettersom de gjelder hver pasients journal.

I bilders rike kan imidlertid syntetiske data være langt enklere å forstå og lage. Si at du har et bilde av en bil, og bilen er plassert i øvre venstre hjørne. Du trenger ikke være en ekspert for å vite at den samme bilen kan være nederst i venstre hjørne, øvre høyre hjørne eller i midten. Ikke bare kan personen rette et kamera på mange måter, men de kan også justere bildet. Å flytte fokus på bildet, slik at bilen er i alle forskjellige hjørner, skaper syntetiske data – en annen enkel metode er å bruke rotasjon.

Kan du gi noen eksempler på hvordan Ople var i stand til å hjelpe bedrifter med deres databehov?

Ople.AI gir bedrifter muligheten til å bruke dyptgående dataanalyse på alle nivåer i en organisasjon og gi de ansatte muligheten til å låse opp verdien av AI, med bare noen få klikk. I motsetning til organisasjoner som er avhengige av et lite team av dataforskere for å artikulere og implementere AI, utstyrer Ople.AI-plattformen ansatte i ulike avdelinger med verktøyene for å få tilgang til innsikt fra dataene deres, og i sin tur øke deres daglige effektivitet .

Når det er sagt, er modellforklaringen en stor hindring som organisasjoner ofte møter når de implementerer AI. Det er viktig for bedrifter å tilby kunstig intelligens som de ansatte kan forstå, og enda viktigere, stole på. Modellforklaring hjelper med det. Målet vårt med Ople.AI-plattformen er å gi ansatte, som kanskje ikke er AI eller teknologikyndige, sjansen til enkelt å forstå hvordan modellene lager spådommer og hvorfor. Å skape modellforklarlighet vil generere kraftige resultater for bedrifter på lang sikt.

I tillegg er det mye mer verdi en modell kan gi bedrifter i tillegg til å gi spådommer. AI kan avdekke potensielle problemer eller områder som kan utnyttes. Vi kaller det dataforklarbarhet – det er de ulike måtene en modell kan dele intelligent innsikt om data som er verdifulle for et selskap. Dette er en stor måte AI kan hjelpe bedrifter på, og et område vi er på fremmarsj i, med hensyn til konkurrentene våre.

Takk for intervjuet, lesere som ønsker å lære mer bør besøke Ople.ai.