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

Pedro Alves er CEO og grunnlegger av Ople.ai, en plattform som gir analytikere og fagpersoner mulighet til å bruke kraftfulle prediktive analyser. Plattformen er utstyrt med kunnskap og ekspertise fra verdens ledende dataforskere, slik at brukerne kan fokusere på det de er beste til: å skape en bedriftsøkonomisk 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 har alltid funnet matematikken bak det fascinerende.

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

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

Du var tidligere sjef for dataforskning i Banjo, der du tok opp utfordringer i det sosiale nettverksområdet. Kan du diskutere noen av disse utfordringene?

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

Mange av disse hendelsene er sjeldne i forhold 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 bilkrasj-bilde ganske lite. Tenk på millioner av bilder av valper, bilder av mat, en million billeder av selfies, og så et bilkrasj-bilde, alt i løpet av noen få minutter. I realiteten var vi på Banjo opptatt av å finne nålen i høystaken.

Så ett av utfordringene som ville oppstå, var i forhold 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 nevralt nettverk, ville føre til at de ikke kunne identifisere farge. Selv om et bilde i datasettet var fargerikt, og nevralt nettverk 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 korrekt datasett er vitalt.

I 2017 startet du så Ople. Hva var bakgrunnsfortellingen bak denne startupen?

Jeg ønsket 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 selskapskultur eller prosedyre-aspekter innen selskapet.

Dette kan skyldes en mangel på tilstrekkelig kommunikasjon mellom dataforskingsteamet og forretningsbrukeren, noe som fører til modeller som forutsier noe som forretnings-teamet ikke trenger, fordi dataforskingsteamet ikke forstår hva som må bygges. Eller, hvis de bygger den riktige modellen, så når dataforskingsteamet er ferdig, tar forretnings-teamet ikke i bruk forutsigelsene i det hele tatt. I de fleste selskaper er det avdelinger som salg, markedsføring og logistikk som virkelig bør bruke 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 forutsigelsene og derfor ikke bruke dem.

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

Vi ønsket å lage en plattform som løser dette – vi ønsker å hjelpe dataforskingsteamet eller forretningsanalytikerne, dataanalytikerne, hvem som helst som er involvert i prosessen – bygge de riktige prosjektene og hjelpe ansatte med å forstå og stole på modellene. Hvis vi fikser dette, så tror jeg at dataforskning kan bli 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 for å øke modellens nøyaktighet med små inkrementelle mengder. Dette er vanligvis hvor mange dataforskere bruker sin tid, når de kunne ha brukt tiden på å gjøre andre oppgaver, som å sikre at ansatte forstår, stoler på og bruker AI-modellene som er i bruk. All den tiden som brukes på oppgaver som f.eks. funksjonsutforming, modelltrening, parameterjustering og algoritmevalg, for å øke en modells 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 læreprosessen videre. Så, mens du trener din modell for 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 gjøres riktig.

La oss si at du har medisinske data – 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 dataene. 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 1,8 meter høy eller en 1,2 meter høy person som veier 450 kilo. Mens AI/ML er pålitelige i mange tilfeller, ville syntetisk data brukt til medisinske dataene trenge å ha en lege som bidrar.

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

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 kameraet i mange måter, men de kan også justere bildet. Å flytte fokusområdet i 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 databehov?

Ople.AI gir bedrifter mulighet til å bruke dyptgående dataanalyser på alle nivåer av en organisasjon og gi ansatte mulighet 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 forskjellige avdelinger med verktøyene for å få innsikt i dataene, og dermed øke deres daglige effisiens.

Med det sagt, er en stor hindring som organisasjoner ofte møter når de implementerer AI, modellforklaring. Det er viktig for bedrifter å tilby AI som ansatte kan forstå, og enda viktigere, stole på. Modellforklaring hjelper med det. Vårt mål med Ople.AI-plattformen er å gi ansatte, som kanskje ikke er AI- eller teknisk-kyndige, mulighet til å enkelt forstå hvordan modellene gjør forutsigelsene og hvorfor. Å lage modellforklaring vil gi kraftfulle resultater for bedrifter på lang sikt.

Det finnes også mye mer verdi en modell kan bringe til bedrifter enn å gjøre forutsigelsene. AI kan avdekke potensielle problemer eller områder som kan utnyttes. Vi kaller det dataforklaring – det er de forskjellige 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.