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, håndteringbare innsikter.

Ahmed startet sin karriere ved Cornell’s Autonomous Systems Laboratory, hvor 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 forelsket meg 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 starte en reise for å gjenskape hvordan vi tar beslutninger.

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

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

I denne situasjonen er det ingen virkelig 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 fikk navnet “roboten som kan fortelle løgner”.

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

Ideen til Narrator oppstod fra din frustrasjon over å arbeide med data i din tidligere arbeidsplass WeWork (WE ). Hva var problemene du møtte med stjernemodellering?

Hvert selskap bruker en stjernemodell for sine datamodeller. Det har mening! Du bygger tabeller som representerer en sett med spørsmål du ønsker å svare på, og så gir du det til mennesker for å plotte det. Utfordringen er at spørsmålene er konstant voksende og endrende, og derfor er tabellene 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 case-scenariot for en modelllag er, og det er komplekst. Hundrevis av tabeller som avhenger av hverandre.

Dette var likevel den eneste løsningen. Ved WeWork snakket jeg med mange enhjørninger og så samme situasjonen vi møtte. Vi brukte millioner av dollar på dataverktøy. Vi bygget hundrevis av modeller. Data tapte likevel tillit og klarte ikke å svare på spørsmål i tide. Så hver 1-2 år bygget vi om systemet ved å bruke de nyeste verktøyene, men 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?

Til å begynne med tok jeg inspirasjon fra data-blogger. 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, så booker et møte). Jeg lurte på hvorfor denne strukturen ikke ble brukt i data hvis den ser ut til å ha potensial til å representere noe som helst. Det korte svaret er at denne datastrukturen er vanskelig å spørring av BI-verktøy (det er ingen JOIN på).

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

Jeg trodde dette kunne revolusjonere dataindustrien, så jeg forlot WeWork i 2017 med målet å gjøre aktivitetsskjemaet spørringbart.

Narrator-utdata er formet veldig annerledes enn det meste av oss har kommet til å forvente, kan du forklare hva Narratives er, og hvordan de er formet som en historie?

Narratives er håndteringbare 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 ditt hode for å figur ut hva som faktisk skjer.
3. Opprett en historie i ditt hode som gir mening av delene av data.
4. Beslutning om en handling å utføre.

Utfordringen med denne prosessen er at hver person som ser på en dashboard kommer 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.

Narratives starter med et klart mål. De gir en anbefaling. Så 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 støttebevis.

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

Narratives 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 etter behov.

Etter å ha gått gjennom all denne læringen og å ha gjort Narratives til fantastiske, handling-drevne verktøy, innsett vi at de fleste store konsulentselskaper også hadde lært det samme. McKinsey gir deg lignende presentasjoner og tilnærminger i stedet for bare dashboards. Vi arbeider for å gi denne kvaliteten 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 tankene.

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

Innen Narrator kan du raskt sammenstille 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 transformasjon.
• 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.
• Reach out til 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 skjedde med en bestemt kunde.
• Bygg 1 datasett og lag mange aggregasjoner på toppen av det (ingen behov for å kopiere samme spørring i en CTE).
• Hvis du bytte ut noen av byggeklossene, så gjør vi alle dine data for deg.

Det er så mye mer som dataingeniører vil elske!

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

Ærlig talt, å sammenligne Narrator med tradisjonell modellering er urettferdig. 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 lage noen tabell er øyeblikkelig i Narrator fordi du ikke trenger å bekymre deg for om det er en fremmednøkkel for å binde ting sammen.

I forhold til analyser har Narrator en bibliotek av eksperthåndskrevne analyser som du kan kjøre øyeblikkelig. Disse analyser er veldig godt tenkt ut, testet på flere selskaper, oppdaterer basert på dine 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 (det er hva vi gjør, men vi gjør det en gang og så gjør det 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 ønsker å invitere alle til å nå ut 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.