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 at MIT. Han co-grunnla Celect, en prediktiv analytics-plattform for detaljhandlere, som han solgte til Nike. Devavrat har en bachelor og PhD i datavitenskap fra Indian Institute of Technology og Stanford University, henholdsvis.

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

Kunne du dele historien bak etableringen 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 co-grunnla Ikigai Labs med min tidligere student ved MIT, Vinayak Ramesh. Tidligere co-grunnla jeg et selskap som het Celect, som hjalp detaljhandlere å optimalisere lagerbeslutninger via AI-basert etterspørselsprognose. Celect ble kjøpt av Nike i 2019.

Hva er Large Graphical Models (LGMs) nøjaktig, 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 Models antar at de kan “lære” alle relevante “mønster” fra en mycket stor korpus av data. Og derfor, når en ny bit 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 bit data. LGMs er designet slik at de har alle relevante “funksjonelle mønster” tilgjengelig for dem, pertinent til 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.

Kunne 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 spesifikt 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 og -privatitet. De trener bare på en bedrifts eget data – med supplement fra utvalgte eksterne datakilder (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? Kunne 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 trenger å predikere et forretningsresultat eller forutse trender for å guide sin strategi. Med andre ord, de hjelper over en bred rekke brukstilfeller.

Tenk deg en forretning som selger Halloween-kostymer og -artikler og søker etter innsikter for å gjøre bedre varemerkebeslutninger. Gitt deres sesongvariasjon, går de en tynn linje: På den ene siden, trenger de å unngå å overbestemme og ende opp med overskuddslager (som betyr usolgte varer og ødelagt CAPEX). På den andre siden, ønsker de heller ikke å gå tom for lager tidlig (som betyr at de gikk glipp av salg).

Ved å bruke LGMs, kan forretningen finne en perfekt balanse og guide sin detaljhandelsinnsats. LGMs kan svare på spørsmål som:

• Hvilke kostymer bør jeg bestemme denne sesongen? Hvor mange bør vi bestemme av hver SKU totalt?
• Hvor godt vil en SKU 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 uregelmessigheter, feil eller inkonsistenser. Ved å kombinere den romlige og tidsmessige strukturen av data, muliggjør LGMs gode prediksjoner med minimalt og feilaktig data. Prediksjonene kommer med usikkerhetskvantifisering samt tolkning.

Hvordan harmoniserer Ikigais misjon om å demokratisere AI med utviklingen av LGMs? Hvordan ser du på at LGMs former 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 bli trent og sertifisert på Ikigai-plattformen.

LGMs vil ha en enorm innvirkning på bedrifter som søker å anvende AI. Bedrifter ønsker å bruke genAI for brukstilfeller som krever numerisk prediktiv og statistisk modellering, som probabilistisk prognose og scenarieplanlegging. Men LLMs var ikke bygget for disse brukstilfellene, og mange organisasjoner tror at LLMs er den eneste formen for genAI. Så de prøver Large Language Models for prognose- og planleggingsformål, og de leverer ikke. De gir opp og antar at genAI ikke er i stand til å støtte disse anvendelsene. Når de oppdager LGMs, vil de innse at de faktisk kan utnytte 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. Kunne du forklare hvordan denne kombinasjonen forbedrer nøyaktigheten og tilpasningen av AI-modeller i bedrifter?

AI trenger guardrails, ettersom organisasjoner naturlig er skeptiske til at teknologien vil fungere nøyaktig og effektivt. En av disse guardrails er menneskelig tilsyn, som kan hjelpe med å infusere 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 tilpasning.

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

Vår kjerne-LGM-teknologi er den største differensiatoren. Ikigai er en pioner i dette rommet uten like. Min medgrunnlegger og jeg oppfant LGMs under vårt akademiske arbeid ved MIT. Vi er innovatøren i large grafiske modeller og bruken av genAI på strukturert data.

Hva slags innvirkning ser du for seg at LGMs vil ha på industrier som er avhengige av nøyaktig prognostisering og planlegging, som detaljhandel, supply chain management og finans?

LGMs vil være fullstendig transformative, ettersom de er spesifikt designet for å brukes på tabell- og tidsserie-data, som er livsnerven i hver enkelt bedrift. Virtuelt hver organisasjon i hver industri er avhengig av strukturert data-analyse for etterspørselsprognose og forretningsplanlegging for å ta informerte beslutninger, både på kort og lang sikt – enten disse beslutningene er relatert til varemerking, anssetting, investering, produktutvikling eller andre kategorier. LGMs gir det nærmeste man kan komme en krystallkule for å ta de beste beslutningene.

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

Vår eksisterende aiPlan-modell støtter hva-hvis- og scenarie-analyse. Fremover, har vi som mål å videreutvikle den og aktivere fullt utbygd Reinforcement Learning for operasjonsteam. Dette vil muliggjøre et operasjonsteam å gjøre AI-drevet planlegging både på kort og lang sikt.

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