Dr. Devavrat Shah, medgrunnlegger og CEO av Ikigai Labs – Intervju-serie

Dr. Devavrat Shah er medgrunnlegger og CEO av Ikigai Labs og han er en professor og direktør for Statistics and Data Science Center ved MIT. Han var med å grunnlegge Celect, en prediktiv analytics-plattform for detaljhandlere, som han solgte til Nike. Devavrat har en bachelor- og ph.d.-grad i datavitenskap fra Indian Institute of Technology og Stanford University, henholdsvis.

Ikigai Labs tilbyr en AI-drevet plattform som er designet for å transformere bedriftens tabell- og tidsserie-data til prediktive og handlebare innsikter. Ved å bruke patenterte Large Graphical Models, muliggjør plattformen at forbedre brukere og utviklere i ulike bransjer kan forbedre sine planleggings- og beslutningsprosesser.

Kan du dele historien bak grunnleggelsen av Ikigai Labs? Hva inspirerte deg til å gå fra akademia til entreprenørskap?

Jeg har faktisk vært i gang med å hoppe mellom den akademiske og forretningsverdenen i noen år nå. Jeg var med å grunnlegge Ikigai Labs med min tidligere student ved MIT, Vinayak Ramesh. Tidligere var jeg med å grunnlegge et selskap som heter Celect, som hjalp detaljhandlere å optimalisere lagerbeslutninger via AI-basert etterspørselsprognose. Celect ble kjøpt av Nike i 2019.

Hva er Large Graphical Models (LGMs), og hvordan skiller de seg fra de mer kjente Large Language Models (LLMs)?

LGMs eller Large Graphical Models er en sannsynlig visning av data. De er i skarp kontrast til “Foundation model”-basert AI som LLM.

Foundation-modellene antar at de kan “lære” alle relevante “mønster” fra en svært stor korpus av data. Og derfor, når en ny del av data presenteres, kan den ekstrapoleres basert på den relevante delen fra korpus av data. LLMs har vært svært effektive for ustrukturert (tekst, bilde) data.

LGMs identifiserer i stedet de passende “funksjonelle mønster” fra en stor “univers” av slike mønster gitt en del av data. LGMs er designet slik at de har alle relevante “funksjonelle mønster” tilgjengelig for dem, relevante for strukturert (tabell, tidsserie) data.

LGMs kan lære og gi presise prediksjoner og prognoser med svært begrenset data. For eksempel kan de brukes til å utføre svært nøyaktige prognoser av kritiske, dynamisk endrede trender eller forretningsresultater.

Kan du forklare hvordan LGMs er spesielt egnet for å analysere strukturert, tabellformet data, og hva fordeler de har over andre AI-modeller i dette området?

LGMs er designet spesielt for å modellere strukturert data (dvs. tabell, tidsserie data). Som resultat leverer de bedre nøyaktighet og mer pålitelige prediksjoner.

I tillegg krever LGMs mindre data enn LLMs og derfor har de lavere beregnings- og lagringskrav, noe som driver ned kostnadene. Dette betyr også at organisasjoner kan få nøyaktige innsikter fra LGMs selv med begrenset treningdata.

LGMs støtter også bedre datasikkerhet. De trener bare på en bedrifts eget data – med supplement fra valgte eksterne datakilder (slik som værdata og sosiale medier) når det er nødvendig. Det er aldri noen risiko for at sensitiv data deles med en offentlig modell.

I hvilke forretnings-scenarier gir LGMs mest verdi? Kan du gi noen eksempler på hvordan de har blitt brukt til å forbedre prognoser, planlegging eller beslutning?

LGMs gir verdi i enhver scenario hvor en organisasjon må predikere et forretningsresultat eller forutse trender for å guide sin strategi. Med andre ord, de hjelper over en bred rekke brukstilfeller.

Forestall en forretning som selger Halloween-kostymer og -artikler og som søker etter innsikter for å ta bedre merchandising-beslutninger. Gitt deres sesongvariasjon, går de en tynn linje: På den ene siden må selskapet unngå å overbestemme og ende opp med overskuddslager ved sesongslutt (som betyr usolgte varer og bortkastet kapital). På den andre siden ønsker de heller ikke å gå tom for lager tidlig (som betyr at de gikk glipp av salg).

Med LGMs kan forretningen finne en perfekt balanse og guide sine retail-merchandising-innsats. LGMs kan svare på spørsmål som:

• Hvilke kostymer bør jeg bestemme denne sesongen? Hvor mange bør vi bestemme av hver vare?
• Hvor godt vil en vare selge på en bestemt lokasjon?
• Hvor godt vil denne tilbehøret selge med denne kostymen?
• Hvordan kan vi unngå å kannibalisere salg i byer hvor vi har flere butikker?
• Hvordan vil nye kostymer fungere?

Hvordan hjelper LGMs i scenarier hvor data er sparsomt, inkonsistent eller raskt endrer seg?

LGMs utnytter AI-basert data-rekonsiliasjon for å levere presise innsikter selv når de analyserer små eller støyende datasamlinger. Data-rekonsiliasjon sikrer at data er konsistent, nøyaktig og fullstendig. Det innebærer å sammenligne og validere datasamlinger for å identifisere diskrepanser, feil eller inkonsistenser. Ved å kombinere den romlige og tidsmessige strukturen i data, muliggjør LGMs gode prediksjoner med minimalt og feilaktig data. Prediksjonene kommer med usikkerhetskvantifisering samt tolkning.

Hvordan harmonerer Ikigais misjon om å demokratisere AI med utviklingen av LGMs? Hvordan ser du LGMs formende fremtiden for AI i forretninger?

AI endrer måten vi arbeider på, og bedrifter må være forberedt på å AI-aktivere arbeidere av alle typer. Ikigai-plattformen tilbyr en enkel low-code/ingen-kode-erfaring for forretningsbrukere samt en fullstendig AI-bygger og API-erfaring for data-vitenskapsmenn og utviklere. I tillegg tilbyr vi gratis utdanning på vår Ikigai-akademi, så alle kan lære grunnleggende AI samt få opplæring og sertifisering på Ikigai-plattformen.

LGMs vil ha en enorm innvirkning på bedrifter som søker å bruke AI. Bedrifter ønsker å bruke generativ AI for brukstilfeller som krever numerisk prediktiv og statistisk modellering, som probabilistisk prognose og scenario-planlegging. Men LLMs var ikke bygget for disse brukstilfellene, og mange organisasjoner tror at LLMs er den eneste formen for generativ AI. Så de prøver Large Language Models for prognose- og planleggingsformål, og de leverer ikke. De gir opp og antar at generativ AI ikke er i stand til å støtte disse applikasjonene. Når de oppdager LGMs, vil de innse at de faktisk kan bruke generativ AI til å drive bedre prognoser og planlegging og hjelpe dem med å ta bedre forretningsbeslutninger.

Ikigais plattform integrerer LGMs med en menneske-sentrert tilnærming gjennom deres eXpert-in-the-loop-funksjon. Kan du forklare hvordan denne kombinasjonen forbedrer nøyaktigheten og adopsjonen av AI-modeller i bedrifter?

AI trenger retningslinjer, ettersom organisasjoner er naturlig skeptiske til at teknologien vil fungere nøyaktig og effektivt. En av disse retningslinjene er menneskelig tilsyn, som kan hjelpe med å innføre kritisk domene-ekspertise og sikre at AI-modellene leverer prognoser og prediksjoner som er relevante og nyttige for deres forretning. Når organisasjoner kan plassere en menneskelig ekspert i en rolle som overvåker AI, kan de stole på den og verifisere dens nøyaktighet. Dette overvinner en stor hindring for adopsjon.

Hva er de viktigste tekniske innovasjonene i Ikigais plattform som gjør den unik i forhold til andre AI-løsninger som er tilgjengelige på markedet?

Vår kjernetechnologi for LGM er den største differensiatoren. Ikigai er en pioner i dette området uten like. Min medgrunnlegger og jeg oppfant LGMs under vårt akademiske arbeid ved MIT. Vi er innovatøren innen large grafiske modeller og bruken av generativ AI på strukturert data.

Hva innvirkning ser du LGMs ha på industrier som er avhengige av nøyaktig prognostisering og planlegging, som detaljhandel, leverandørkjede-styring og finans?

LGMs vil være fullstendig transformative ettersom de er spesielt designet for å brukes på tabell- og tidsserie-data, som er livsnerven i hver bedrift. Virtuelt hver organisasjon i hver industri er avhengig av strukturert data-analyse for etterspørselsprognose og forretningsplanlegging for å ta gode beslutninger på kort og lang sikt – enten disse beslutningene er relatert til merchandising, ansatte, investeringer, produktutvikling eller andre kategorier. LGMs gir det nærmeste du kommer en krystallkule for å ta de beste beslutningene.

Ser fremover, hva er de neste stegene for Ikigai Labs i å utvikle LGMs? Er det noen nye funksjoner eller utviklinger i pipeline som du er spesielt begeistret for?

Vår eksisterende aiPlan-modell støtter hva-hvis og scenario-analyse. Ser fremover, er vi målbevisst å videreutvikle den og aktivere fullt utbygget Forsterkingslæring for operasjonsteam. Dette vil aktivere et operasjonsteam til å gjøre AI-drevet planlegging på både kort og lang sikt.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Ikigai Labs.