Pedro Alves, CEO og grunnlegger av Ople.ai – Intervju-serie

Pedro Alves er CEO og grunnlegger av Ople.ai, en plattform som gir analysere og fageksperter kraftfulle prediktive analytiske verktøy. Plattformen er utstyrt med kunnskap og ekspertise fra verdens ledende dataforskere, så brukerne kan fokusere på det de er beste til: å skape forretningsmessig effekt.

Hva var det som først tiltalte deg til datavitenskap?

Tilbake i 2001 så jeg et enormt potensial i maskinlæring og kunstig intelligens. Mens jeg studerte datavitenskap som bachelor, og bestemte meg for hvilket subfelt jeg skulle videreutdanne meg i, tenkte jeg: OK, AI/ML er et område innen datavitenskap som jeg synes er interessant – du kan hjelpe med å forutsi hendelser i ethvert felt. Uansett om du er i biologi, medisin eller finans, hvis du har maskinlæring og AI, kan du fremme disse feltene betydelig. Jeg syntes alltid at matematikken bak det var fasiniserende.

Da jeg begynte på masterstudiet, bestemte jeg meg for at den beste måten å forbedre mine ferdigheter i maskinlæring ville være å lære hvordan jeg kunne anvende det. Jeg var alltid svært praktisk; jeg ville ikke lære teori bare for teoriens skyld. Jeg valgte å studere maskinlæring som det anvendes i feltet genetikk og proteomikk. All min masteroppgave var i komputasjonsbiologi, men fokuset var på maskinlæring.

Snart etterpå gikk jeg inn i helseindustrien, der jeg så et stort potensial for AI/ML-anvendelser. Da begynte jeg å se problemene som AI hadde i praksis, utenfor akademia. Jeg opplevde virkeligheten av AI og lærte hvordan det hadde vært anvendt ineffektivt i den virkelige verden, og ikke på grunn av tekniske problemer. Så ble jeg tiltrukket av å løse problemet.

Du var tidligere sjef for dataforskning ved Banjo, der du tok på deg utfordringer innen sosiale nettverk. Kan du diskutere noen av disse utfordringene?

Som selskap ville vi oppdage hendelser som ble registrert på sosiale medier, spesielt hendelser som trengte å bli fremhevet som en potensiell fare, som en bilulykke eller en bygning som brant. Vi ville hjelpe med å markere disse hendelsene, så vi kunne hjelpe med å mobilisere første responsen. Vi brukte sosiale medier for godt.

Mange av disse hendelsene er sjeldne, med hensyn til sosiale medier-data. For eksempel er det mange ulykker som skjer hver dag i en hvilken som helst by, men når du ser på volumet av sosiale medier-data, blir et bilde av en bilulykke ganske lite. Tenk på millioner av bilder av valper, bilder av mat, en million bilder av selfies, og så et bilde av en bilulykke, alt i løpet av noen minutter. I realiteten var vi ved Banjo på å finne nålen i høystaken.

Så, en av utfordringene som ville oppstå, var relatert til datamaskinsyn. Selv om datamaskinsyn var greit på den tiden, når du prøver å finne en i noen millioner, kan selv en liten feilrate kunne ødelegge dine sjanser for å oppdage disse sjeldne hendelsene.

For eksempel var det et offentlig datasett som, når det ble brukt til å trene neurale nettverk, ville forhindre dem i å kunne identifisere farger. Selv om et bilde i datasettet var fargerikt, og det neurale nettverket så på alle RGB, brukte det ikke farge som en indikator. Ta en tradisjonell politibil og en tradisjonell drosje – begge er samme bilmodell og en ekstra del maskineri på toppen (dvs. sirener på en politibil eller en ledig/besatt signal på en drosje). Men, hvis du ser på fargen, er forskjellen mellom de to åpenbar. Fordi av denne hendelsen, kunne vi forstå at å lage et riktig datasett er vitalt.

I 2017 gikk du videre og lanserte Ople. Hva var opphavet til denne startup-en?

Jeg ville at selskaper skulle motta en solid avkastning fra å implementere AI. Ifølge Gartner er det mellom 80 og 90 prosent av AI-prosjekter som aldri ser dagens lys. Dette har ingenting å gjøre med tekniske aspekter, som modellens nøyaktighet. Det er vanligvis selskapets kultur eller prosedyre internt i selskapet.

Dette kan skyldes en mangel på tilstrekkelig kommunikasjon mellom dataforskingsteamet og forretningsbrukerne, noe som fører til modeller som forutsier noe som forretnings-teamet ikke trenger, fordi dataforskingsteamet ikke forstod hva som måtte bygges. Eller, hvis de bygger den riktige modellen, så når dataforskingsteamet er ferdig, tar forretnings-teamet ikke i bruk forutsagnet overhode. I de fleste selskaper er det avdelinger som salg, markedsføring og logistikk som virkelig burde anvende AI, men det er dataforskingsteamet som forstår modellene. Når disse teamene ikke forstår modellene som bygges for dem, tenderer de til å ikke stole på forutsagnet og derfor ikke bruke dem.

Så, hvis AI ikke endrer hvordan selskapet driver forretning, hva er poenget?

Vi ville lage en plattform som løser dette – vi vil hjelpe dataforskingsteamet eller forretningsanalytikerne, dataanalytikerne, hvem som helst som er involvert i selskapets prosess – bygge de riktige prosjektene og hjelpe ansatte med å forstå og stole på modellene. Hvis vi fikser det, så tror jeg at dataforskning kan være verdifull for selskaper på en virkelig måte.

Du har uttalt at dataforskere mister verdifull tid med å utføre oppgaver som kan automatiseres med AI. Hva er noen eksempler på oppgaver som bør automatiseres?

En dataforsker vil vanligvis bruke flere måneder på å fullføre en modell, og når den er ferdig, vil selskapet implementere modellen, selv om den kanskje ikke er like nøyaktig som mulig. I månedene etter at modellen er implementert, vil dataforskeren fortsette å arbeide med den i et forsøk på å øke modellens nøyaktighet med små inkrementelle mengder. Dette er vanligvis hvor mange dataforskere tilbringer sin tid, når de kunne ha brukt tiden på andre oppgaver, som å sikre at ansatte forstår, stoler på og bruker AI-modellene som er på plass. All den tiden som brukes på oppgaver som funksjonsutforming, modelltrening, parameterjustering og algoritmevalg, i et forsøk på å øke modellens nøyaktighet, kan lett automatiseres med AI.

Kan du beskrive hva meta-læring er og hvordan Ople anvender dette?

Før jeg kommer til meta-læring, er det viktig å forstå det første laget av maskinlæring. La oss si at du har et datasett som forutsier når maskiner skal gå i stykker på en fabrikksgulv. Maskinen vil varsle ansatte om at den er på vei til å gå i stykker, så de kan utføre forebyggende vedlikehold. Dette kalles det første laget av læring.

Meta-læring, ofte kjent som “læring til å lære”, er å forstå læringprosessen videre. Så, mens du trener din modell til å forutsi maskinfeil, har du en annen modell som observerer. For eksempel kunne den andre modellen hjelpe bedrifter med å forstå hvilke parametre den prediktive vedlikeholdsmodellen lærer godt, og hvilke parametre som ikke fungerer godt. Når du gjør meta-læring, blir du bedre til å bygge mer effektive modeller, raskere.

Hva er dine synspunkter på syntetisk data?

Syntetisk data kan være svært vanskelig å arbeide med, hvis det ikke utføres riktig.

La oss si at du har medisinske rekorddata – du har 20 pasienter, og for disse pasientene har du deres alder, kjønn, vekt, høyde, blodtrykk, liste over medisiner, osv. Det er mulig å lage syntetisk data med maskinlæring basert på disse medisinske rekordene. Men, hvis du bare bruker maskinlæring eller statistikk alene, kan du ende opp med meningsløs syntetisk data. Det kan skape en tilfeldig kombinasjon av verdiene, som en 3-åring som er seks fot høy eller en fire fot høy person som veier tusen pund. Mens AI/ML er pålitelige i mange tilfeller, ville syntetisk data som brukes for medisinske rekorder trenge å ha en leges innputt.

Så, du får en medisinsk fagperson involvert for å lage parametre, som “hvis personen er denne alderen, hva er en realistisk høyde- og vektrekke”, eller “hvis de tar denne medisinen, hvilke medisiner bør de ikke ta?” Denne prosessen ville uunngåelig bli en massiv oppgave og for komplisert å kartlegge alle muligheter, som det gjelder hver enkelt pasients medisinske rekorder.

I billedområdet, derimot, kan syntetisk data være mye enklere å forstå og lage. La oss si at du har et bilde av en bil, og bilen er plassert i øverste venstre hjørne. Du trenger ikke å være en ekspert for å vite at samme bil kunne være i nedre venstre hjørne, øverste høyre hjørne eller i midten. Ikke bare kan personen peke en kamera i mange måter, men de kan også justere bildet. Å flytte fokus på bildet, så bilen er i alle forskjellige hjørner, er å lage syntetisk data – en annen enkel metode er å bruke rotasjon.

Kan du gi noen eksempler på hvordan Ople har hjulpet bedrifter med deres data-behov?

Ople.AI gir bedrifter muligheten til å bruke dyptgående data-analyse på alle nivåer av en organisasjon og gi deres ansatte muligheten til å låse opp verdien av AI, med bare noen få klikk. I stedet for at organisasjoner avhenger av et lite team av dataforskere for å formulere og implementere AI, utstyrer Ople.AI-plattformen ansatte i ulike avdelinger med verktøyene for å få tilgang til innsikt fra deres data, og dermed øke deres daglige effektivitet.

Med det sagt, er en stor hindring som organisasjoner ofte møter når de implementerer AI, modell-forklarbarhet. Det er viktig for bedrifter å tilby AI som deres ansatte kan forstå, og mer viktig, stole på. Modell-forklarbarhet hjelper med det. Vårt mål med Ople.AI-plattformen er å gi ansatte, som kanskje ikke er AI- eller teknologi-kyndige, muligheten til å enkelt forstå hvordan modellene gjør forutsagn og hvorfor. Å lage modell-forklarbarhet vil generere kraftfulle resultater for bedrifter på lang sikt.

I tillegg er det mye mer verdi en modell kan bringe til selskaper enn å gjøre forutsagn. AI kan avdekke potensielle problemer eller områder som kan utnyttes. Vi kaller det data-forklarbarhet – det er de ulike måtene en modell kan dele intelligente innsikter om data som er verdifull for et selskap. Dette er en stor måte AI kan hjelpe bedrifter, og et område vi er i ferd med å fremme, i forhold til vår konkurranse.

Takk for intervjuet, lesere som ønsker å lære mer kan besøke Ople.ai.