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 deployere 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?

Ved IIT Bombay, har vi ‘Dual Degree Program’ som gir en 5-årig kurs for å dekke både Bachelor of Technology og Master of Technology. Jeg gjorde maskinteknikk med spesialisering i ‘Computer Aided Design and Manufacturing’, der datavitenskap er en del av vår læreplan. 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 opphavsfortellingen bak denne startupen?

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 arbeid 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 tenkte at dette problemet bare ville bli verre. I 2013, tror jeg at minst 30+ papirer ble publisert hver minutt. I dag er det minst 10x-20x mer enn det.

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

Vår første versjon av produktet ble bygget ved å skrape mer enn 30 millioner papirer og abstrakter. Vi brukte state-of-art-teknikker i dyp læring på den tiden til 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 meget 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 vertikalere det for en vertikal og fokuserte på å bygge spesialiserte produktlag for en vertikal, dvs. finansielle tjenesteselskaper (FSI). Vi visste at dette ville fungere fordi mens store spillere sikter på å vinne den horisontale spillet, kan vertikalering skape en stor USP for startup-bedrifter. Denne gangen hadde 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-svarteboksen i finans?

Ekstremt viktig! Bare 30% av finansielle institusjoner bruker ‘AI’ til sin 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 lovmessighetene ved å bruke AI for lav-, middels- og høysensitive brukssaker. Det er påkrevd av loven i EU å bruke transparente modeller for ‘høyrisiko’-brukssaker. Mange brukssaker i finansielle institusjoner er høyrisiko-brukssaker. Så, de er påkrevd å bruke hvitboks-modeller.

Hype-syklusene er også i ferd med 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 svarteboks-‘AI’, feil med ‘AI’ på grunn av manglende overvåking og utfordringer med juridiske og risikostyringsgrupper på grunn av begrensede revisjonsmuligheter.

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

 Jobben til et overvåkingsverktøy er bare å overvåke og varsle. Og jobben til et observasjonverktøy 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-observasjon

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

Generelle formål plattformer er designet for alle og enhver brukssak, uavhengig av bransjen– enhver bruker kan komme om bord og starte å bruke plattformen. Kundeene 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’-tilnærmingen.

Uheldigvis, trenger de fleste bedrifter i dag dataforskingsekspertene å bruke generelle formål plattformer og trenger ekstra løsninger/produsktlag for å gjøre disse modellene ‘brukbare’ av sluttbrukerne i enhver vertikal. Dette inkluderer forklarbarhet, revisjon, segmenter/scenarier, menneske-i-løkken prosesser, tilbakekoblingsmerking, revisjon, verktøysspesifikke rørledninger osv.

Dette er der bransjespesifikke AI-plattformer kommer inn som en fordel. En bransjespesifikk AI-plattform eier hele arbeidsflyten for å løse en målrettede kundens behov eller brukssaker og er utviklet for å levere en fullstendig produkt fra ende til ende, fra å forstå forretningsbehovene til å overvåke produktets ytelse. Det er mange bransjespesifikke hindringer, som reguleringer og retningslinjer, datarettskrav, revisjons- og kontrollkrav osv. Bransjespesifikke AI-plattformer og tilbud akselerer AI-antagelse og forkorter veien til produksjon ved å redusere utviklingstiden og assosiert risiko i AI-utrulling. I tillegg vil dette også hjelpe med å bringe sammen AI-ekspertise i bransjen som et produktlag som hjelper til å forbedre akseptansen av ‘AI’, drive compliance-tiltak og finne ut vanlige tilnærminger til etikk, tillit og omdømme.

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

Vi har arbeidet i finansielle tjenesteselskaper i over 6 år. Siden 2016. Dette ga oss tidlig eksponering for unike utfordringer i å deployere kompleks AI i FSIs. En av de viktigste utfordringene var ‘AI’-aksept. I motsetning til i andre vertikaler, er det mange reguleringer på å bruke noen programvare (også gjelder for ‘AI’-løsninger), datarettskrav, etikk og viktigst, den finansielle innvirkningen på bedriften. For å møte disse utfordringene i skala, måtte vi kontinuerlig oppfinne og legge til nye lag av forklarbarhet, revisjon, bruksrisiko og ansvar på toppen av våre løsninger – kravbehandling, underwriting, svindelovervåking osv. Over tid, lagde vi en akseptabel og skalerbar ML-observasjonsramme for forskjellige stakeholdere i finansielle tjenesteselskaper.

Vi lanserer nå en DIY-versjon av rammen som AryaXAI (xai.arya.ai). Enhver ML- eller forretningslag kan bruke AryaXAI til å lage en svært omfattende AI-styring for kritiske brukssaker. Plattformen bringer transparens og revisjon til dine AI-løsninger som er akseptable for hver enkelt stakeholder. AryaXAI gjør AI tryggere og akseptabelt for kritiske brukssaker ved å gi en pålitelig og nøyaktig forklarbarhet, som gir bevis som kan støtte regulatorisk due diligence, håndtering av AI-usikkerhet ved å gi avanserte politiske kontroller og sikre konsistens i produksjon ved å overvåke data eller modell-drift og varsle brukerne med rotårsaksanalyse.

AryaXAI fungerer også som en felles arbeidsflyt og gir innsikt som er akseptabelt for alle stakeholdere – Data Science, IT, Risiko, Operasjoner og compliance-lag, og 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 mengdene av funksjoner og prediksjoner. I tillegg, gjør usikkerheten i modellens atferd det vanskelig å håndtere og standardisere styring, risiko og compliance. Slike feil i modellene kan resultere i store omdømmemessige og finansielle tap.

AryaXAI tilbyr ‘Policy/Risk-kontroller’, en kritisk komponent som bevare bedriftens og etiske interesser ved å påtvinge politikker på AI. Brukere kan lett legge til/redigere/endre politikker for å administrere politikk-kontroller. Dette muliggjør at tverrfaglige lag kan definere politikk-vegger for å sikre kontinuerlig risikovurdering, beskytte bedriften mot AI-usikkerhet.

Hva er noen eksempler på brukssaker for disse produktene?

AryaXAI kan implementeres for forskjellige kritiske prosesser over industrier. De mest vanlige eksemplene er:

BFSI: I en omgang av regulatorisk strengheit, gjør AryaXAI det enkelt for BFSI-industrien å justere på kravene og samle inn bevisene som trengs for å håndtere risiko og sikre compliance.

• Kreditvurdering for sikre/uisikrede lån
• Identifisere svindel/mistenkte transaksjoner
• Revisjon
• Kundens livssyklusstyring
• Kreditvurdering

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

• Beslutningsanalyse
• Autonome kjøretøyoperasjoner
• Kjøretøyhelsedata
• Overvåking 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 prøvedata-validering
• Høyere kvalitetsomsorg

Hva er din visjon for fremtiden til maskinlæring i finans?

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

Disse tre tingene har skjedd nå:

1. Jeg tror vi har knust rammen for skala for AI-løsninger, i hvert fall av 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 hver AI-bedrift må nå et lignende skala, er malen for skalerbarhet klarere.
2. Definisjonen av ideelle AI-løsninger er nesten klar for alle vertikaler: I motsetning til tidligere, der produktet ble bygget gjennom iterative eksperimenter for hver brukssak og hver organisasjon, er stakeholderne stadig mer utdannet for å forstå hva de trenger fra AI-løsninger.
3. Reguleringer er nå i ferd med å fange opp: Behovet for klare reguleringer rundt datarettskrav og AI-bruk er nå i ferd med å få stor trekkraft. Styrende organer og regulatoriske organer er i stand til å publisere eller er i ferd med å publisere rammer som kreves for trygg, etisk og ansvarlig 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’-proposisjoner, 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 deployeringer og datasamlinger, har Arya.ai samlet kritiske vertikale datasamlinger som brukes til å trene modeller og tilby dem som plug-and-use eller forhånds-trente modeller.

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

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

Generativ AI på tabellformet data kan se sin hype-syklus i bedrifter: Å lage syntetiske datasamlinger er antageligvis en av de enkleste å implementere løsningene for å løse data-relaterte utfordringer i bedrifter. Dataforskingsteamene vil høyt foretrekke dette, da problemet er i deres kontroll, i motsetning til å avhenge av forretningsvirksomheten, da de kan ta tid, være dyre og ikke garantert å følge alle stegene ved å samle inn data. Syntetisk data løser bias-problemer, data-ubalanse, datarettskrav og utilstrekkelig data. Selvfølgelig er effikasiteten av denne tilnærmingen fortsatt å bli bevist. Likevel, med mer modenhet i nye teknikker som transformatorer, kan vi se mer eksperimentering på tradisjonelle datasamlinger 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?

Fokuset til Arya.ai er å løse ‘AI’ for banker, forsikringsselskaper og finansielle tjenester. Vår tilnærming er vertikaleringen av teknologien til det siste laget og gjøre det brukbart og akseptabelt for hver enkelt organisasjon og stakeholder.

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 brukssaker, men vi sikter på å gjøre det til en mer viable og akseptabel mulighet. Vi vil 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.