Vinay Kumar Sankarapu, medgrunnlegger og CEO av Arya.ai – Intervju-serie

Vinay Kumar Sankarapu er medgrunnlegger og CEO av Arya.ai, en plattform som tilbyr ‘AI’-skyen for banker, forsikringsselskaper og finansielle tjenester (BFSI) for å finne riktige AI-API-er, ekspert AI-løsninger og omfattende AI-styringsverktøy som kreves for å distribuere pålitelige og selvlerende AI-motorer.

Din bakgrunn er i matematikk, fysikk, kjemi og maskinteknikk. Kan du diskutere din reise til å gå over til datavitenskap og AI?

Vi har et ‘Dual Degree Program’ på IIT Bombay som gir en 5-årig kurs for å dekke både bachelor i teknologi og master i teknologi. Jeg gjorde maskinteknikk med spesialisering i ‘Computer Aided Design and Manufacturing’, der datavitenskap er en del av vårt curriculum. For vår post-grad forskning, valgte jeg å arbeide med dyp læring. Mens jeg startet med å bruke DL til å bygge en feilprediksjonsramme for kontinuerlig produksjon, fullførte jeg min forskning på å bruke CNN-er for RUL-prediksjon. Dette var rundt 2013/14.

Du lanserte Arya.ai mens du fortsatt var på college. Kan du dele opphavshistorien bak denne startup-en?

Som en del av akademisk forskning, måtte vi bruke 3-4 måneder på en litteraturgjennomgang for å lage en detaljert studie på emnet av interesse, omfanget av arbeidet som var gjort så langt og hva som kunne være et mulig fokusområde for vår forskning. Under 2012/13 var verktøyene vi brukte ganske grunnleggende. Søkemotorer som Google Scholar og Scopus gjorde bare en nøkkelordsøk. Det var virkelig vanskelig å forstå volumet av kunnskap som var tilgjengelig. Jeg trodde at dette problemet bare ville bli verre. I 2013, tror jeg at minst 30+ papirer ble publisert hver minutt. I dag er det minst 10-20 ganger mer enn det.

Vi ønsket å bygge en ‘AI’-assistent som en ‘professor’ for forskere for å hjelpe dem med å foreslå et forskningsområde, finne en passende papir som er mest oppdatert og alt rundt STEM-forskning. Med vår erfaring i dyp læring, trodde vi at vi kunne løse dette problemet. I 2013, startet vi Arya.ai med et team på 3, og deretter utvidet til 7 i 2014 mens jeg fortsatt var på college.

Vår første versjon av produktet var bygget ved å skrape mer enn 30 millioner papirer og abstrakter. Vi brukte state-of-the-art-teknikker i dyp læring på den tiden for å bygge en AI-STEM-forskningsassistent og en kontekstuell søkemotor for STEM. Men når vi viste AI-assistenten til noen professorer og jevnaldrende, innsett vi at vi var for tidlige. Konversasjonsflyter var begrensede, og brukerne forventet en fri flyt og kontinuerlige konversasjoner. Forventningene var veldig urealistiske på den tiden (2014/15), selv om det svarte på komplekse spørsmål.

Etter det, justerte vi vår forskning og fokuserte på ML-verktøy for forskere og bedrifter som en arbeidsplass for å demokratisere dyp læring. Men igjen, var det få dataforskere som brukte DL i 2016. Så, startet vi å vertikalisere det for én vertikal og fokuserte på å bygge spesialiserte produktlag for én vertikal, dvs. Finansielle tjenester (FSI). Vi visste at dette ville fungere fordi store spillere sikter på å vinne det horisontale spillet, mens vertikale spillere fokuserer på kravene til sluttbrukeren og tilbyr dem som et spesialisert produktlag. Denne gangen var vi rett!

Vi bygger AI-skyen for banker, forsikringsselskaper og finansielle tjenester med de mest spesialiserte vertikale lagene for å levere skalerbare og ansvarlige AI-løsninger.

Hvor stort er problemet med AI-svartboks i finans?

Ekstremt viktig! Bare 30% av finansielle institusjoner bruker ‘AI’ til sitt fulle potensiale. Mens en av årsakene er tilgjengelighet, er en annen mangel på ‘AI’-tillit og revisjon. Reguleringer er nå klare i noen geografier om lovligheten av å bruke AI for lav-, medium- og høysensitive brukstilfeller. Det er påkrevd av loven i EU å bruke transparente modeller for ‘høyrisiko’-brukstilfeller. Mange brukstilfeller i finansielle institusjoner er høyrisiko-brukstilfeller. Derfor er de påkrevd å bruke hvitboks-modeller.

Hype-syklusene er også på vei til å stabilisere seg på grunn av tidlige erfaringer med AI-løsninger. Det er en økende mengde eksempler i nyere tid på effekten av å bruke svartboks-‘AI’, feilene i ‘AI’ på grunn av manglende overvåking og utfordringer med juridiske og risikostyringsgrunner på grunn av begrensede revisjonsmuligheter.

Kan du diskutere forskjellen mellom ML-overvåking og ML-observabilitet?

 Jobben til en overvåkingsverktøy er bare å overvåke og varsle. Og jobben til et observabilitetsverktøy er ikke bare å overvåke og rapportere, men viktigst, å gi nok bevis for å finne årsakene til feil eller forutsi disse feilene over tid.

I AI/ML, spiller disse verktøyene en kritisk rolle. Mens disse verktøyene kan levere de nødvendige roller eller overvåking, er omfanget av ML-observabilitet

Hvorfor er bransjespesifikke plattformer nødvendige for ML-observabilitet i stedet for generelle formål plattformer?

Generelle formål plattformer er designet for alle og ethvert brukstilfelle, uavhengig av bransjen – enhver bruker kan komme om bord og starte å bruke plattformen. Kunder av disse plattformene er vanligvis utviklere, dataforskere osv. Plattformene skaper imidlertid flere utfordringer for stakeholderne på grunn av deres komplekse natur og ‘en størrelse passer alle’-tilnærming.

Uheldigvis, trenger de fleste bedrifter i dag dataforskingseksperten å bruke generelle formål plattformer og trenger ekstra løsninger/prodktlag for å gjøre disse modellene ‘brukbare’ for sluttbrukerne i ethvert vertikal. Dette inkluderer forklarbarhet, revisjon, segmenter/scenarier, menneske-i-løkken prosesser, tilbakemeldingsetikettering, revisjon, verktøy-spesifikke rørledninger osv.

Dette er der bransjespesifikke AI-plattformer kommer inn som en fordel. En bransjespesifikk AI-plattform eier hele arbeidsflyten for å løse en målrettet kundes behov eller brukstilfeller og er utviklet for å tilby en fullstendig produkt fra ende til ende, fra å forstå forretningsbehovene til å overvåke produktets ytelse. Det er mange bransjespesifikke hindringer, som reguleringer og compliance-rammer, datarettighetskrav, revisjons- og kontrollkrav osv. Bransjespesifikke AI-plattformer og tilbud akselerer AI-adoptsjon og forkorter veien til produksjon ved å redusere utviklingstiden og tilknyttede risikoer i AI-utrulling. Dessuten, vil dette også hjelpe med å samle AI-ekspertise i bransjen som et produktlag som hjelper til å forbedre akseptansen av ‘AI’, drive compliance-bestræbelser og finne felles tilnærminger til etikk, tillit og ryktebekymringer.

Kan du dele noen detaljer om ML-observabilitetsplattformen som tilbys av Arya.ai?

Vi har arbeidet i finansielle tjenester institusjoner i over 6 år. Siden 2016. Dette ga oss tidlig eksponering for unike utfordringer i å distribuere kompleks AI i FSI. En av de viktigste utfordringene var ‘AI’-aksept. I motsetning til i andre vertikaler, er det mange reguleringer på å bruke noen software (også gjelder for ‘AI’-løsninger), datarettigheter, etikk og mest viktig, den finansielle innvirkningen på bedrifter. For å møte disse utfordringene i skala, måtte vi kontinuerlig oppfinne og legge til nye lag av forklarbarhet, revisjon, risiko og ansvar på toppen av våre løsninger – skadebehandling, underwriting, svindelovervåking osv. Over tid, lagde vi en akseptabel og skalerbar ML-observabilitetsramme for ulike interessenter i den finansielle tjenesten.

Vi slipper nå en DIY-versjon av rammen som AryaXAI (xai.arya.ai). Ethvert ML- eller forretningslag kan bruke AryaXAI til å lage en svært omfattende AI-styring for kritiske brukstilfeller. Plattformen bringer transparens og revisjon til dine AI-løsninger som er akseptable for enhver interessent. AryaXAI gjør AI tryggere og akseptabelt for kritiske brukstilfeller ved å tilby en pålitelig og nøyaktig forklarbarhet, som gir bevis som kan støtte regulatorisk due diligence, håndtering av AI-usikkerhet ved å tilby avanserte politikkontroller og sikrer konsistens i produksjon ved å overvåke data eller modell-drift og varsle brukerne med årsaksanalyse.

AryaXAI fungerer også som en felles arbeidsflyt og gir innsikt som er akseptabelt for alle interessenter – Dataforsking, IT, risiko, operasjoner og compliance-lag, som gjør ruljen og vedlikeholdet av AI/ML-modeller sammenhengende og uten kludder.

En annen løsning som tilbys, er en plattform som forbedrer anvendeligheten av ML-modellen med kontekstuell politikkimplementering. Kan du beskrive hva dette er spesifikt?

Det blir vanskelig å overvåke og kontrollere ML-modeller i produksjon, på grunn av de enorme volumer av funksjoner og prediksjoner. I tillegg, usikkerheten omkring modellens atferd gjør det vanskelig å håndtere og standardisere styring, risiko og compliance. Slike feil i modellene kan resultere i store rykte- og finansielle tap.

AryaXAI tilbyr ‘Politikk/Risikokontroller’, en kritisk komponent som bevarer forretnings- og etiske interesser ved å påtvinge politikker på AI. Brukere kan enkelt legge til/redigere/endre politikker for å administrere politikkontroller. Dette muliggjør at tverrfaglige lag kan definere politikk-vegger for å sikre kontinuerlig risikovurdering, som beskytter bedrifter mot AI-usikkerhet.

Hva er noen eksempler på brukstilfeller for disse produktene?

AryaXAI kan implementeres for ulike kritiske prosesser over industrier. De vanligste eksemplene er:

BFSI: I en omgivelse med regulatorisk strengheit, gjør AryaXAI det enkelt for BFSI-industrien å samordne kravene og samle inn bevisene som trengs for å håndtere risiko og sikre compliance.

• Kreditunderwriting for sikret/uskret løsninger
• Identifisering av svindel/mistenkte transaksjoner
• Revisjon
• Kundens livssyklusstyring
• Kreditavgjørelse

Autonome biler: Autonome kjøretøy må overholde regulatorisk strengheit, operasjonell sikkerhet og forklarbarhet i sanntidssbeslutninger. AryaXAI muliggjør en forståelse av hvordan AI-systemet samhandler med kjøretøyet

• Beslutningsanalyse
• Autonom kjøring
• Kjøretøyhelsedata
• Overvåking av AI-kjøringssystem

Helsevesen: AryaXAI gir dypere innsikt fra medisinske, tekniske, juridiske og pasientperspektiver. Fra legemiddelforskning til produksjon, salg og markedsføring, Arya-xAI fremmer tverrfaglig samarbeid

• Legemiddelforskning
• Klinisk forskning
• Klinisk prøvevalidering
• Høyere kvalitetsomsorg

Hva er din visjon for fremtiden av maskinlæring i finans?

Over de siste ti årene, har det vært en enorm utdanning og markedsføring rundt ‘AI’. Vi har sett flere hype-sykluser i denne tiden. Vi er kanskje på 4. eller 6. hype-syklus nå. Den første var da dyp læring vant ImageNet i 2011/12, fulgt av arbeid rundt bilde-/tekstklassifisering, talegjenkjenning, autonome biler, generativ AI og nå med store språkmodeller. Gapet mellom topp-hype og massebruk er redusert med hver hype-syklus på grunn av iterasjoner rundt produktet, etterspørsel og finansiering.

Disse tre tingene har skjedd nå:

1. Jeg tror vi har knust rammen for skala for AI-løsninger, i hvert fall for noen eksperter. For eksempel, Open AI er for tiden en ikke-inntektsgenererende organisasjon, men de projiserer å gjøre $1 milliard i inntekt innen 2 år. Mens ikke alle AI-selskaper kan oppnå en lignende skala, er malen for skalerbarhet klarere.
2. Definisjonen av ideelle AI-løsninger er nesten klar for alle vertikaler: I motsetning til tidligere, hvor produktet ble bygget gjennom iterative eksperimenter for hvert brukstilfelle og hver organisasjon, er interessentene stadig mer utdannet for å forstå hva de trenger fra AI-løsninger.
3. Reguleringer er nå på vei til å fange opp: Behovet for klare reguleringer rundt datarettigheter og AI-bruk er nå på vei til å få stor gjennomslag. Styrende organer og regulatoriske organer er i stand til å publisere eller er i prosessen med å publisere rammer som kreves for det trygge, etiske og ansvarlige bruk av AI.

Hva er neste?

Eksplosjonen av ‘Model-as-a-service(MaaS)’:

Vi kommer til å se en økende etterspørsel etter ‘Model-as-a-service’-tilbud ikke bare horisontalt, men også vertikalt. Mens ‘OpenAI’ representerer et godt eksempel på ‘horisontal MaaS’, er Arya.ai et eksempel på vertikal ‘MaaS’. Med erfaringen fra utrullinger og datasett, har Arya.ai samlet kritiske vertikale datasett som brukes til å trene modeller og tilby dem som plug-and-use eller forhånds-trente modeller.

Vertikalisering er det nye horisontale: Vi har sett denne trenden i ‘sky-adoptsjon’. Mens horisontale sky-spillere fokuserer på ‘plattformer-for-alle’, fokuserer vertikale spillere på kravene til sluttbrukeren og tilbyr dem som et spesialisert produktlag. Dette er sant også for MaaS-tilbud.

XAI og AI-styring kommer til å bli en norm i bedrifter: Avgjørende av sensitiviteten i reguleringer, vil hver vertikal oppnå en akseptabel XAI- og styringsramme som vil bli implementert som en del av designet, i motsetning til i dag, hvor det behandles som en tillegg.

Generativ AI på tabellformet data kan se sine hype-sykluser i bedrifter: Opprettelse av syntetiske datasett er antageligvis en av de enkleste løsningene for å løse data-relaterte utfordringer i bedrifter. Dataforskingsteam vil høyt foretrekke dette, da problemet er under deres kontroll, i motsetning til å avhenge av forretningen, som kan ta tid, være dyrt og ikke garantert å følge alle stegene mens de samler inn data. Syntetisk data løser bias-problemer, data-ubalanse, datarettigheter og utilstrekkelig data. Selvfølgelig, effikasiteten av denne tilnærmingen er fortsatt å bli bevist. Likevel, med mer modenhet i nye teknikker som transformatorer, kan vi se mer eksperimentering på tradisjonelle datasett som tabellformet og flerdimensjonalt data. Ved suksess, kan denne tilnærmingen ha en enorm innvirkning på bedrifter og MaaS-tilbud.

Er det noe annet du ønsker å dele om Arya.ai?

Fokusen til Arya.ai er å løse ‘AI’ for banker, forsikringsselskaper og finansielle tjenester. Vår tilnærming er vertikalisering av teknologien til siste lag og gjøre den brukbar og akseptabel for hver organisasjon og interessent.

AryaXAI (xai.arya.ai) vil spille en viktig rolle i å levere det til massene innen FSI-vertikalen. Vår pågående forskning på syntetisk data lyktes i en håndfull brukstilfeller, men vi søker å gjøre det til en mer viable og akseptabel mulighet. Vi kommer til å fortsette å legge til flere lag til vår ‘AI’-sky for å tjene vår misjon.

Jeg tror vi kommer til å se flere startup-bedrifter som Arya.ai, ikke bare i FSI-vertikalen, men i hver vertikal.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Arya.ai.