Ahmed Elsamadisi, grunnlegger og CEO av Narrator.ai – Intervju-serie

Ahmed Elsamadisi er grunnlegger og CEO av Narrator.ai, et dataintelligensselskap som utstyrer beslutningstakere med personlige, håndterbare innsikter.

Ahmed startet sin karriere ved Cornell’s Autonomous Systems Laboratory, der han fokuserte på menneske-robot-interaksjon og Bayesian datafusjon, samt bygging av algoritmer for autonome biler.

Hva var det som først tiltalte deg til AI og datavitenskap?

Jeg ble forelsket i hvordan mennesker tar beslutninger. Fra psykologi til sosial ingeniørvitenskap, og til slutt hvordan vi resonerer om usikkerhet. Dette ledet meg til å dykke ned i Bayesian matematikk, og verden begynte å få mer mening. Jeg bestemte meg for å gå på en reise for å gjenskape hvordan vi tar beslutninger.

Du har hatt en fenomenal karriere, inkludert å ha jobbet ved Cornell’s Autonomous Systems Laboratory. Kan du dele noen høydepunkter fra denne perioden?

Cornell’s ASL var veldig moro! Fra vår autonome bil til en flåte av mobile roboter, fikk jeg erfaring med å bygge, programmere og teste algoritmer og hardware i sanne settinger. Min favorittøyeblikk var et prosjekt jeg ledet for å se om vi kunne spille et spill av 20 spørsmål med alle studentene ved Cornell. Spillet var enkelt, en robot søker etter et objekt og kan stille ja/nei-spørsmål til Cornell-studentene for å finne gjenstanden. En liten vending, mennesker kan lyve.

I denne situasjonen er det ingen reell informasjon, ingenting som er absolutt sant. Jeg arbeidet på en algoritme som kunne fusjonere informasjon fra mennesker og sensorer for å ta bedre beslutninger. Dette prosjektet ble senere plukket opp av Business Insider og ble kjent som “roboten som kan lyve”.

Disse øyeblikkene der data og algoritmer kan gjøre noe som du ikke lett kan forestille deg, er det som gjør disse prosjektene fenomenale.

Idéen til Narrator oppstod fra din frustrasjon over å arbeide med data i ditt tidligere arbeidsplass, WeWork. Hva var problemene du møtte med stjernemodellering?

Hvert selskap bruker en stjernemodell for sine datamodeller. Det har mening! Du bygger tabeller som representerer en rekke spørsmål du ønsker å svare på, og deretter gir du det til mennesker å plotte det. Utfordringen er at spørsmålene stadig vokser og endrer seg, og derfor er serien av tabeller du bygger aldri nok til å svare på alle mulige spørsmål. Den eneste løsningen er å bygge flere tabeller, noe som fører til en avvik fra kilde til sannhet.

Jeg søker alltid etter “air flow data modeling” for å vise mennesker hva den beste modelleringsscenariot er, og det er komplekst. Hundrevis av tabeller som avhenger av hverandre.

Det ble sagt at det var den eneste løsningen. Ved WeWork, snakket jeg med mange enhjørninger og så den samme situasjonen vi møtte. Vi brukte millioner av dollar på dataverktøy. Vi bygget hundrevis av modeller. Data tapte fortsatt tillit og klarte ikke å svare på spørsmål i tide. Deretter bygget vi om systemet hver 1-2 år med de nyeste verktøyene, men med samme tilnærming.

Hvis hvert selskap som implementerte en stjernemodell endte opp med å måtte bygge om systemet, er det et problem med rammeverket.

Hvordan kom du over en bedre løsning for å arbeide med data?

Først tok jeg inspirasjon fra datablogger. I en blogg kan et selskap fortelle en historie om en kunde og en analyse uten å noen gang vise oss deres datamodell. De bruker kunder som utfører handlinger over tid for å forklare noen analyse av algoritmer. Effektivt er disse alle konsepter som alle forstår (en bruker viser nettstedet, deretter booker et møte). Jeg lurte på hvorfor denne struktur ikke ble brukt i data hvis den ser ut til å ha potensial til å representere noe.

Vår datamodell, som vi kaller en aktivitetsmodell, ser ut til å ha potensialet til å virkelig endre verden. Den kan tillate hvert selskap å ha 1 enkelt datamodell som kan svare på noen spørsmål. Hvert selskap kan ha samme datamodell — dermed kan analyse og algoritmer deles mellom selskaper for første gang. Og til slutt kan den skape en felles måte for datapersoner å arbeide sammen og snakke om data.

Jeg tenkte at dette kunne revolusjonere dataindustrien, så jeg forlot WeWork i 2017 med målet å gjøre aktivitetsmodellen spørrbar.

Narrator-utdata er formet veldig annerledes enn det de fleste av oss har kommet til å forvente. Kan du forklare hva Narrativer er, og hvordan de er formet som en historie?

Narrativer er håndterbare analyser i en historieformat.

Vi, som datapersoner, er så vant til dashboards. Likevel er dashboards et middel til et mål. Dashboards viser deg data, og du må tolke det selv:

1. Figur ut hvordan du skal lese de hundrevis av ulike visualiseringer.
2. Kombiner data i hodet ditt for å finne ut hva som faktisk skjer.
3. Opprett en historie i hodet ditt som gjør mening av delene av data.
4. Beslutning om en handling å ta.

Utfordringen med denne prosessen er at hver person som ser på et dashboard kommer til å komme opp med en annen historie og en annen anbefaling. Dette er en naturlig bias.

Målet med Narrator var å drive handling basert på data. Etter hvert som vi itererte, så vi at våre kunder trengte historier og tolkninger for å ta beslutninger, og det er hva vi ga dem.

Narrativer starter med et klart mål. De gir en anbefaling. Deretter viser de deg de viktigste punktene du vil få. Til slutt går de gjennom analysen. Hver seksjon forteller en historie om noe vi lærer, og data brukes som støttende bevis.

Vis 100 mennesker samme Narrative, og de kommer alle tilbake med samme anbefaling og tolkning.

Narrativer forstår også at din forretning endrer seg, så de kjøres konstant hver uke for å se om anbefalingene og tolkningene fortsatt er gyldige og vil oppdatere seg selv deretter.

Etter å ha gått gjennom all denne læringen og å ha gjort Narratives til fantastiske handlingsskapende verktøy, innsett vi at de fleste store konsulentselskapene også hadde lært det samme. McKinsey gir deg lignende presentasjoner og tilnærminger i stedet for bare dashboards. Vi jobber for å tilby dette nivået av kvalitet for en brøkdel av prisen.

Hva er noen av fordelene med å bruke Narrator for dataingeniører?

Dataingeniører er våre største forkjempere! Jeg tror det er fordi jeg startet som dataingeniør at Narrator ble bygget med dem i mente.

I Narrator er det veldig enkelt å modellere data — du må bare kartlegge konsepter fra kilde til sannhet til vår datamodell. Vi kjører en rekke tester for å sikre at det vil fungere, og deretter pusher du til produksjon. Narrator håndterer migreringen, synkroniserer data og sikrer at alt er raskt og enkelt.

Innen Narrator kan du raskt samle noen datasett du ønsker på minutter og gi det til noen som ber om det.

Vi tenkte også på alle de små tingene du trenger og sikret at du fikk det:

• Full transparens i all prosessering og kontroll for å pause, avbryte, kjøre nå, osv..
• Evne til å sette varsel på rådata før og etter transformasjonen.
• Full logg av alle endringer i spørringen.
• Full visning av hver oppdatering som skjer i tabellen.
• 1 klikk for å materialisere noen datasett eller sende det til Google-ark.
• Sett opp rask webhooks for å sende data til noen system.
• Kontakt support, og du vil få en dataingeniør til å hjelpe deg.
• Hver spørring Narrator genererer er LESBAR og transparent.
• Feilsøk noen data med rask tidslinje av alt som skjer med en bestemt kunde.
• Bygg 1 datasett og opprett mange aggregasjoner på toppen av det (ingen behov for å kopiere samme spørring i en CTE).
• Hvis du bytte ut noen av byggeklossene, så vil vi rekonsiliere all din data for deg.

Det er så mye mer som dataingeniører kommer til å elske!

Hvor mye tid spares det å lage rapporter med Narrator sammenlignet med tradisjonell modellering?

Ærlig talt er det urimelig å sammenligne Narrator med tradisjonell modellering. I Narrator er all din data modellert på bare 1 dag i stedet for måneder med planlegging som i en stjernemodell. Endringer i Narrator er lavrisiko og enkelt. Å opprette noen tabell er øyeblikkelig i Narrator fordi du ikke behøver å bekymre deg for om det er en fremmednøkkel for å binde ting sammen.

I forhold til analyser har Narrator en bibliotek av ekspert-håndskrevne analyser som du kan kjøre øyeblikkelig. Disse analyser er veldig godt tenkt ut, testet på flere selskaper, oppdaterer basert på din forretningsendringer, utnytter algoritmer for å tolke data og er vakkert presentert i en historieformat. Dette nivået av arbeid er ofte gjort av lag av datapersoner over uker (hva vi gjør, men vi gjør det en gang og gjør det deretter øyeblikkelig tilgjengelig for alle).

Er det noe annet du ønsker å dele om Narrator?

Narrator er annerledes.

Det er litt vanskelig å forstå hvordan og hvorfor det fungerer, men når du først kommer i gang med det, vil det klikke, og du vil aldri kunne gå tilbake.

Jeg er spennende på verden som Narrator gjør mulig, og jeg inviterer alle til å kontakte oss for å lære mer!

Sammen kan vi ta bedre beslutninger som vil skape en bedre verden.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Narrator.ai.