Dr. Zohar Bronfman, medgrunnlegger og CEO av Pecan AI – Intervju-serie

Dr. Zohar Bronfman er medgrunnlegger og CEO av Pecan AI. Med dypt kunnskap i beregningspsykologi og datavitenskap, anvendte Zohar sin innfødt entreprenørånd til å grunnlegge Pecan, like utenfor universitetet. Zohar har to ph.d.-grader fra Tel Aviv Universitet – en i beregningskognitiv nevrovitenskap og en annen i historie og filosofi om vitenskap og teknologi. Han har også en bachelorgrad i økonomi fra Det åpne universitet i Israel.

Grundlagt i 2018, er Pecan AI en prediktiv analytikkplattform som utnytter sin banebrytende Predictive GenAI for å fjerne barrierer for AI-adoptsjon, og gjøre prediktiv modellering tilgjengelig for alle data- og forretningslag. Guidet av generativ AI, kan selskaper få nøyaktige prediksjoner over ulike forretningsdomener uten behov for spesialisert personale. Predictive GenAI muliggjør rask modelldefinisjon og trening, mens automatiserte prosesser akselerer AI-implementering. Med Pecans fusjon av prediktiv og generativ AI, er det nå mye raskere og enklere å realisere forretningsimpulsen av AI.

Hva var reisen som i å grunnlegge Pecan AI, og hva er noen av de viktigste milepælene som er nådd på veien?

Å starte Pecan AI var en ganske turbulent reise. Det hele begynte da min medgrunnlegger og jeg deltok i en internasjonal datavitenskapskonkurranse. Vi lagde en datapreparasjonsautomatisering som ble til Pecans prototype, men vi gikk glipp av fristen og tapte. I stedet for å gi opp, bestemte vi oss for å gjøre vår prototype til noe som kunne ha en innvirkning. Bare to måneder etter at vi fullførte våre doktorgrader i 2018, leide vi et lite rom på Tel Aviv Universitet og startet å jobbe hardt. Med begrenset forretningserfaring, presenterte vi vår idé for venturekapitalister. Heldigvis så Haim Sadger og Aya Peterburg fra S Capital potensialet og investerte 4 millioner dollar, og ga oss den nødvendige impulsen.

En stor milepæl var å samle inn 66 millioner dollar i en Series C-runde ledet av Insight Partners, med støtte fra GV (tidligere Google (GOOGL ) Ventures) og andre. Denne finansieringen tillot oss å utvide oss globalt og øke utviklingsinnsatsen vår.

Hvordan påvirker din bakgrunn i beregningskognitiv nevrovitenskap din tilnærming til å utvikle AI-løsninger?

Min bakgrunn i beregningskognitiv nevrovitenskap, sammen med min ph.d. i historie og filosofi om vitenskap og teknologi, spiller en stor rol i hvordan jeg utvikler AI-løsninger. Disse feltene hjelper meg å forstå både de tekniske og filosofiske aspektene ved teknologi. Dette doble perspektivet er usedvanlig verdifullt i dagens raskt foranderlige teknologilandskap. Det lar meg skape AI-produkter som ikke bare er teknisk avanserte, men også etisk lydige og brukervennlige.

Kan du forklare konseptet Predictive GenAI og hvordan det integrerer generativ AI med prediktiv maskinlæring?

Predictive GenAI handler om å kombinere generativ AI med prediktiv maskinlæring. Generativ AI lar brukerne samhandle med data gjennom naturlig språk, og gjør det enkelt å stille spørsmål og guide AI-en. Imidlertid er dens prediktive evner begrensede. Dette er der prediktiv maskinlæring kommer inn, da den prosesserer data for å gjøre nøyaktige fremtidige prediksjoner. Ved å kombinere disse to teknologiene, lar Predictive GenAI selv de med liten datavitenskapelig erfaring bygge prediktive modeller og bruke dem sømløst, som å chatte med ChatGPT.

Hvordan forenkler Predictive GenAI prosessen med å lage og distribuere prediktive modeller for bedrifter?

Predictive GenAI forenkler ting med funksjoner som Predictive Chat og Predictive Notebook. Predictive Chat fungerer som en AI-assistent, og guider brukerne gjennom modellprosessen ved hjelp av naturlig språk. Den formulerer prediktive spørsmål basert på brukerens forretningsbekymringer og genererer en Predictive Notebook med ferdige SQL-forespørsler og eksempeldata. Dette betyr at brukerne ikke trenger å starte fra scratch eller ha dypt teknisk kunnskap for å få nøyaktige prediksjoner.

Kunne du utdype på casestudien om CAA Club Group og hvordan Pecan AI optimaliserte deres vegassistansetjenester?

Absolutt. CAA Club Group brukte tidligere en uke på å manuelt forutsi vegassistansetjenester, noe som var tidskrevende og begrenset. Etter å ha implementert Pecan AI, utviklet deres datavitenskapelige team over 30 modeller for å generere korttidskravforutsigelser to ganger i uken. Disse forutsigelsene forutsier samtalevolum og servicetyper timevis, og sikrer effektiv bemanning og rask respons, spesielt under harde vinterforhold. Pecans plattform lar også til kontinuerlig forbedring av disse modellene, og forbedrer servicemessig effektivitet.

Hvordan kunne Credit Pros dra nytte av å bruke Pecan AI for kundeavhopp-prediksjon, og hva var noen av de spesifikke utfordringene det løste for dem?

Credit Pros møtte betydelige utfordringer med kundeavhopp-prediksjon, som var en kompleks og tidskrevende prosess. Implementering av Pecan AI reduserte modellutviklingstiden fra tre måneder til bare noen uker, og muliggjorde proaktive gjennomføringsstrategier. Denne strømlinjeformede prosessen tillot TCP å nøyaktig forutsi kundeavhopp og utvikle effektive strategier for å beholde kunder, og øke deres inntekter.

Hvordan forbedrer Predictive Chat og Predictive Notebook-verktøyene brukeropplevelsen og gjør prediktiv analyse tilgjengelig for ikke-tekniske brukere?

Predictive Chat bruker GenAI til å lage tilpassede notatbøker basert på brukerens forretnings-spørsmål og data. Brukere kan samhandle med chatten på naturlig språk, og følge instruksjoner, noe som forenkler modellskapingsprosessen. Predictive Notebook inkluderer all nødvendig kode, og lar brukerne se forespørsler, lage tilpassede tabeller og forstå logikken bak treningsdatasettet. Denne tilnærmingen gjør prediktiv analyse tilgjengelig for ikke-tekniske brukere ved å strømlinjeforme datapreparering og modellskaping.

På hvilke måter ser du for deg at Predictive GenAI transformerer ulike industrier og forretningsfunksjoner?

Predictive GenAI gir bedrifter mulighet til å ta datadrevne beslutninger med en ubeskrivelig nøyaktighet og effektivitet. I produksjon og logistikk optimaliserer det operasjoner ved å forutsi etterspørsel og strømlinjeforme forsyningskjeder. I kundeorienterte industrier forbedrer det kundetilfredshet og lojalitet gjennom målrettet markedsføring og tilpassede anbefalinger. Predictive GenAI driver også innovasjon ved å forutsi markedstrender, guide produktutvikling og akselerere tid til marked. Dets anvendelser strekker seg til helsevesenet for sykdomsprediksjon og tilpassede behandlingsplaner, og til bærekraftige anstrengelser ved å optimalisere ressursbruk og redusere miljøpåvirkning.

Hvordan sikrer Pecan AI nøyaktigheten og påliteligheten av sine prediktive modeller?

Vi sikrer nøyaktighet og pålitelighet gjennom omfattende testing og kontinuerlig validering. Pecan AI bruker separate trenings- og testdatasett for å evaluere modellprestasjon, lik en skoleeksamen. Nøkkelmetricer som nøyaktighet, presisjon og gjentakelse brukes til å validere modeller under utvikling og i produksjon. Vi fremmer også åpenhet gjennom forklarbare prediksjoner, og hjelper brukerne å forstå faktorene som påvirker hver prediksjon, og fremmer tillit til AI-drevne innsikter.

Hvordan ser du for deg at rollen til Predictive GenAI utvikler seg de neste årene?

Om noen år ser fremtiden for AI ikke bare ut til å handle om å forutsi hendelser, men også å foreslå handlinger basert på disse forutsigelsene. Predictive GenAI har som mål å automatisere beslutningsprosesser og optimalisere forretningsoperasjoner. Imidlertid er det viktig å forstå de tilknyttede risikoene og sikre ansvarlig bruk av AI. Etterhvert som teknologien utvikler seg, vil den spille en kritisk rolle i å forbedre operasjonell effektivitet, fremme innovasjon og drive strategiske beslutninger på tvers av ulike industrier.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Pecan AI.