Ahmed Elsamadisi, Założyciel i Dyrektor Generalny Narrator.ai – Wywiad

Ahmed Elsamadisi jest założycielem i dyrektorem generalnym Narrator.ai, firmy inteligencji danych, która wyposaża decydentów w personalizowane, działające wskazówki.

Ahmed rozpoczął swoją karierę w Autonomous Systems Laboratory na Cornell, gdzie zajmował się interakcją człowieka i robota oraz fuzją danych bayesowskich, a także budowaniem algorytmów dla samochodów autonomicznych.

Czym było to, co początkowo przyciągnęło Cię do sztucznej inteligencji i nauki o danych?

Zakochałem się w tym, jak ludzie podejmują decyzje. Zaczynając od psychologii, przez inżynierię społeczną, aż do tego, jak rozumiemy niepewność. To doprowadziło mnie do zainteresowania matematyką bayesowską i świat zaczął mieć więcej sensu. Postanowiłem wyruszyć w podróż, aby odtworzyć, jak podejmujemy decyzje.

Miałeś niesamowitą karierę, w tym pracę w Autonomous Systems Laboratory na Cornell. Czy mógłbyś podzielić się niektórymi wyróżniającymi się momentami z tego okresu?

Cornell’s ASL było bardzo przyjemne! Od naszego samochodu autonomicznego po flotę mobilnych robotów, miałem okazję doświadczyć budowania, programowania i testowania algorytmów i sprzętu w rzeczywistych środowiskach. Mój ulubiony moment to projekt, którym kierowałem, aby sprawdzić, czy możemy zagrać w grę 20 pytań ze wszystkimi studentami Cornell. Gra była prosta, robot szukał obiektu i mógł zadawać studentom Cornell pytania tak/nie, aby mu pomóc. Jedna mała różnica, ludzie mogli kłamać.

W tej sytuacji nie ma prawdziwej informacji, nic, co jest absolutnie prawdziwe. Pracowałem nad algorytmem, który mógłby łączyć informacje od ludzi i czujników, aby podejmować lepsze decyzje. Ten projekt później został podjęty przez Business Insider i stał się znany jako „robot, który potrafi kłamać”.

Te momenty, w których dane i algorytmy mogą zrobić coś, czego nie można łatwo wyobrazić, to właśnie to, co sprawia, że te projekty są niesamowite.

Pomysł na Narrator powstał z Twojej frustracji z pracą z danymi w poprzedniej firmie WeWork (WE ). Jakie problemy miałeś z modelem gwiazdowym?

Każda firma używa modelu gwiazdowego dla swoich modeli danych. To ma sens! Budujesz tabele, które reprezentują zestaw pytań, które chcesz odpowiedzieć, a następnie dajesz je ludziom do wykreślenia. Wyzwanie polega na tym, że pytania są ciągle rosnące i zmieniające się, a więc seria tabel, które budujesz, nigdy nie jest wystarczająca, aby odpowiedzieć na wszystkie możliwe pytania. Jedynym rozwiązaniem jest budowanie więcej tabel, co powoduje odchylenie od źródła prawdy.

Zawsze szukam w Google „air flow data modeling”, aby pokazać ludziom, jaki jest najlepszy przypadek warstwy modelowania, i jest to złożone. Setki tabel zależą od siebie.

To powiedziawszy, to było jedyne rozwiązanie. W WeWork rozmawiałem z wieloma jednorożcami i zobaczyłem tę samą sytuację, z którą mieliśmy do czynienia. Wydaliśmy miliony dolarów na narzędzia do danych. Zbudowaliśmy setki modeli. Dane nadal traciły zaufanie i nie udawało się odpowiedzieć na pytania w terminie. Następnie co 1-2 lata odbudowywaliśmy system, używając najnowszych narzędzi, ale tego samego podejścia.

Jeśli każda firma, która wdrożyła model gwiazdowy, skończyła się na odbudowie systemu, to jest problem z ramą.

Jak natrafiłeś na lepsze rozwiązanie, aby pracować z danymi?

Początkowo zainspirowałem się blogami o danych. W blogu firma może opowiedzieć historię klienta i analizy bez pokazywania nam swojego modelu danych. Używają klientów, którzy wykonują akcje w czasie, aby wyjaśnić każdą analizę algorytmów. Skutecznie są to wszystkie pojęcia, które każdy rozumie (użytkownik wyświetlił stronę, a następnie zarezerwował spotkanie). Zastanawiałem się, dlaczego ta struktura nie jest używana w danych, jeśli wydaje się, że ma potencjał, aby reprezentować wszystko. Krótką odpowiedź jest to, że ta struktura danych jest naprawdę niezapywalna przez narzędzia BI (nie ma nic do połączenia).

Nasze modele danych, które nazywamy schematem aktywności, wydawały się mieć potencjał, aby naprawdę zmienić świat. Mogłyby umożliwić każdej firmie posiadanie jednego modelu danych, który mógłby odpowiedzieć na każde pytanie. Każda firma mogłaby mieć ten sam model danych, dzięki czemu analiza i algorytmy mogłyby być udostępniane między firmami po raz pierwszy. I wreszcie, mogłyby stworzyć wspólny sposób, aby ludzie danych pracowali razem i rozmawiali o danych.

Myślałem, że to może rewolucjonizować branżę danych, więc opuściłem WeWork w 2017 roku z celem, aby uczynić schemat aktywności zapywalnym.

Dane wyjściowe Narrator są sformatowane inaczej niż to, do czego jesteśmy przyzwyczajeni, mogą Państwo wyjaśnić, co to są Narracje i jak są one sformatowane jak historia?

Narracje to działające analizy w formacie historii.

My, jako ludzie danych, jesteśmy tak przyzwyczajeni do pulpitu. Jednak pulpit jest środkiem do celu. Pulpit pokazuje nam dane, a my musimy je zinterpretować sami:

1. Figurujemy, jak czytać setki różnych wizualizacji.
2. Łączymy dane w naszej głowie, aby zrozumieć, co tak naprawdę się dzieje.
3. Tworzymy historię w naszej głowie, która ma sens z kawałków danych.
4. Decydujemy się na działanie.

Wyzwanie z tym procesem polega na tym, że każda osoba, która patrzy na pulpit, przyjdzie z inną historią i inną rekomendacją. To jest naturalny bias.

Celem Narratora było napędzanie działań na podstawie danych. Podczas iteracji zobaczyliśmy, że nasi klienci potrzebowali historii i interpretacji, aby podejmować decyzje, i to właśnie im daliśmy.

Narracje zaczynają się od jasnego celu. Robią rekomendację. Następnie pokazują kluczowe punkty, które otrzymasz. Na końcu przechodzą przez analizę. Każda sekcja opowiada historię o czymś, co się uczymy, a dane są używane jako dowód.

Pokaż 100 osobom tę samą Narrację i wszyscy wrócą z tą samą rekomendacją i interpretacją.

Narracje również rozumieją, że Twoja firma się zmienia, więc są uruchamiane co tydzień, aby sprawdzić, czy rekomendacje i interpretacje są nadal ważne i będą aktualizowane odpowiednio.

Po przejściu przez całe to uczenie się i tworzeniu Narracji, które są niesamowitymi narzędziami do napędzania działań, zrealizowaliśmy, że większość dużych firm konsultingowych również nauczyła się tego samego. McKinsey daje wam podobne prezentacje i podejścia zamiast tylko pulpitu. Pracujemy nad tym, aby zapewnić ten sam poziom jakości za ułamek ceny.

Co są niektóre korzyści z używania Narratora dla inżynierów danych?

Inżynierowie danych są naszymi największymi zwolennikami! Myślę, że to dlatego, że zacząłem jako inżynier danych, Narrator został zbudowany z myślą o nich.

W Narratorze modelowanie danych jest naprawdę łatwe – po prostu mapujesz pojęcia z źródła prawdy na nasz model danych. Uruchamiamy wiele testów, aby upewnić się, że będzie działać, a następnie pushujesz do produkcji. Narrator zajmuje się migracją, synchronizacją danych i zapewnia, że wszystko jest szybkie i łatwe.

W Narratorze możesz szybko złożyć dowolny zestaw danych, jaki chcesz, w ciągu kilku minut, i dać go komukolwiek, kto o to prosi.

Myśleliśmy również o wszystkich małych rzeczach, których potrzebujesz, i upewniliśmy się, że je masz:

• Pełna przejrzystość we wszystkich procesach i kontrola, aby wstrzymać, anulować, uruchomić teraz itd..
• Możliwość umieszczenia alertów na surowych danych przed i po transformacji.
• Pełny log wszystkich zmian w zapytaniu.
• Pełna widoczność każdej aktualizacji, która występuje w tabeli.
• 1 klik, aby zmaterializować dowolny zestaw danych lub wysłać go do arkusza Google.
• Ustawienie szybkich webhooków, aby wysłać dane do dowolnego systemu.
• Skontaktuj się z pomocą techniczną, a otrzymasz inżyniera danych, który Ci pomoże.
• Każde zapytanie, które Narrator generuje, jest PRZECZYTELNE i przejrzyste.
• Debuguj dowolne dane z szybkimi liniami czasu wszystkiego, co się wydarzyło z konkretnym klientem.
• Zbuduj 1 zestaw danych i utwórz wiele agregacji na jego podstawie (nie musisz kopiować tego samego zapytania w CTE).
• Jeśli wymienisz dowolny z bloków budulcowych, to uzgodnimy wszystkie Twoje dane.

Jest tak wiele więcej, co inżynierowie danych będą kochali!

Ile czasu jest oszczędzane przy raportach z Narrator w porównaniu z tradycyjnym modelowaniem?

Szczerze mówiąc, porównywanie Narratora do tradycyjnego modelowania jest niesprawiedliwe. W Narratorze wszystkie Twoje dane są modelowane w ciągu tylko 1 dnia, zamiast miesięcy planowania, jak w modelu gwiazdowym. Zmiany w Narratorze są niskiego ryzyka i łatwe. Tworzenie dowolnej tabeli jest natychmiastowe w Narratorze, ponieważ nie musisz martwić się o to, czy istnieje klucz obcy, aby połączyć rzeczy.

Jeśli chodzi o analizy, Narrator ma bibliotekę ekspertów, którzy napisali analizy, które możesz natychmiast uruchomić. Te analizy są dobrze przemyślane, przetestowane na wielu firmach, aktualizowane na podstawie zmian Twojej firmy, wykorzystują algorytmy do interpretacji danych i są pięknie przedstawione w formacie historii. Ten poziom pracy jest często wykonywany przez zespoły ludzi danych przez tygodnie (co robimy, ale robimy to raz i robimy to natychmiast dostępne dla wszystkich).

Czy jest coś jeszcze, co chciałbyś podzielić się o Narratorze?

Narrator jest inny.

Trudno jest zrozumieć, jak i dlaczego działa, ale kiedy zaczniesz z nim pracować, to się kliknie i nie będziesz mógł wrócić do poprzedniego.

Jestem podekscytowany światem, jaki Narrator stwarza, i zapraszam każdego, aby skontaktować się, aby dowiedzieć się więcej!

Wspólnie możemy podejmować lepsze decyzje, które stworzą lepszy świat.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Narrator.ai.