Dr. Devavrat Shah, współzałożyciel i CEO Ikigai Labs – seria wywiadów

Dr. Devavrat Shah jest współzałożycielem i CEO Ikigai Labs oraz profesorem i dyrektorem Centrum Statystyki i Nauki o Danych w MIT. Współzałożył Celect, platformę analityczną dla detalistów, którą sprzedał Nike. Devavrat posiada tytuł licencjata i doktora w dziedzinie informatyki z Indian Institute of Technology i Stanford University.

Ikigai Labs oferuje platformę opartą na sztucznej inteligencji, zaprojektowaną w celu przekształcenia danych tabelarycznych i szeregu czasowego w przewidywalne i działające spostrzeżenia. Wykorzystując opatentowane Duże Modele Graficzne, platforma umożliwia użytkownikom biznesowym i deweloperom w różnych branżach poprawę procesów planowania i podejmowania decyzji.

Czy mógłbyś podzielić się historią założenia Ikigai Labs? Co skłoniło Cię do przejścia z akademii do przedsiębiorczości?

Rzeczywiście, pomiędzy światem akademickim a biznesowym poruszałem się przez kilka lat. Współzałożyłem Ikigai Labs z moim byłym studentem z MIT, Vinayakiem Rameshem. Wcześniej współzałożyłem firmę Celect, która pomagała detalistom optymalizować decyzje dotyczące zapasów za pomocą prognozowania popytu opartego na sztucznej inteligencji. Celect została przejęta przez Nike w 2019 roku.

Czym dokładnie są Duże Modele Graficzne (LGM), i jak różnią się one od bardziej znanych Dużych Modeli Językowych (LLM)?

LGM, czyli Duże Modele Graficzne, to prawdopodobna wizja danych. Są one w ostrej sprzeczności z modelem „Foundation” opartym na sztucznej inteligencji, takim jak LLM.

Modele Foundation zakładają, że mogą „nauczyć się” wszystkich istotnych „wzorców” z bardzo dużej kolekcji danych. A zatem, gdy nowy fragment danych jest przedstawiony, może on być ekstrapolowany na podstawie odpowiedniej części z kolekcji danych. LLM były bardzo skuteczne dla nieustrukturyzowanych danych (tekst, obraz).

LGM zamiast tego identyfikują odpowiednie „funkcjonalne wzorce” z dużej „wszechświata” takich wzorców, biorąc pod uwagę fragment danych. LGM są zaprojektowane tak, aby miały wszystkie istotne „funkcjonalne wzorce” dostępne dla nich, istotne dla strukturalnych (tabelarycznych, szeregu czasowego) danych.

LGM mogą się uczyć i dostarczać dokładne prognozy i przewidywania przy użyciu bardzo ograniczonych danych. Na przykład, mogą one być wykorzystywane do wykonywania bardzo dokładnych prognoz krytycznych, dynamicznie zmieniających się trendów lub wyników biznesowych.

Czy mógłbyś wyjaśnić, jak LGM są szczególnie dostosowane do analizy strukturalnych, tabelarycznych danych, i jakie korzyści oferują one w porównaniu z innymi modelami AI w tej dziedzinie?

LGM są zaprojektowane specjalnie do modelowania strukturalnych danych (tj. tabelarycznych, szeregu czasowego). W rezultacie, dostarczają one lepszą dokładność i bardziej niezawodne przewidywania.

Ponadto, LGM wymagają mniej danych niż LLM i mają niższe wymagania obliczeniowe i magazynowe, co prowadzi do obniżenia kosztów. To również oznacza, że organizacje mogą uzyskać dokładne spostrzeżenia z LGM, nawet przy ograniczonych danych szkoleniowych.

LGM również wspierają lepszą prywatność i bezpieczeństwo danych. Szkolą się tylko na danych własnych przedsiębiorstwa – z uzupełnieniem z wybranych zewnętrznych źródeł danych (takich jak dane pogodowe i dane z mediów społecznościowych), gdy jest to potrzebne. Nie ma ryzyka, że wrażliwe dane będą udostępniane publicznemu modelowi.

W jakich typach scenariuszy biznesowych LGM dostarczają największą wartość? Czy mógłbyś podać przykłady, jak zostały one wykorzystane do poprawy prognozowania, planowania lub podejmowania decyzji?

LGM dostarczają wartość w każdym scenariuszu, w którym organizacja musi przewidzieć wynik biznesowy lub przewidzieć trendy, aby ukierunkować swoją strategię. Innymi słowy, pomagają one w szerokim zakresie przypadków użycia.

Wyobraź sobie firmę, która sprzedaje kostiumy i przedmioty związane z Halloween i szuka wglądu, aby podjąć lepsze decyzje dotyczące merchandisingu. Ze względu na ich sezonowość, firma idzie po cienkim lodzie: z jednej strony, firma musi uniknąć nadmiernych zapasów i końca każdego sezonu (co oznacza niesprzedane towary i zmarnowane nakłady kapitałowe). Z drugiej strony, nie chcą również zbyt wcześnie wyczerpać zapasów (co oznacza, że przegapią sprzedaż).

Wykorzystując LGM, firma może osiągnąć idealny balans i ukierunkować swoje wysiłki merchandisingowe. LGM mogą odpowiedzieć na pytania takie jak:

• Jakie kostiumy powinienem zaopatrzyć się w tym sezonie? Ile powinienem zaopatrzyć się w każdej pozycji?
• Jak dobrze sprzeda się jeden numer w określonej lokalizacji?
• Jak dobrze sprzeda się ten akcesorium z tym kostiumem?
• Jak mogę uniknąć kanibalizacji sprzedaży w miastach, w których mam wiele sklepów?
• Jak nowe kostiumy będą się sprzedawać?

Jak LGM pomagają w scenariuszach, w których dane są rzadkie, niespójne lub szybko zmieniające się?

LGM wykorzystują do tego celu AI-opartą rekonsolidację danych, aby dostarczyć dokładne spostrzeżenia, nawet gdy analizują małe lub hałaśliwe zestawy danych. Rekonsolidacja danych zapewnia, że dane są spójne, dokładne i kompletne. Obejmuje to porównywanie i walidację zestawów danych w celu identyfikacji rozbieżności, błędów lub niekonsekwencji. Łącząc strukturę przestrzenną i czasową danych, LGM umożliwiają dobre przewidywania przy minimalnych i wadliwych danych. Przewidywania te są dostarczane wraz z kwantyfikacją niepewności oraz interpretacją.

Jak misja Ikigai, aby udemokratyzować AI, jest zgodna z rozwojem LGM? Jak widzisz przyszłość LGM w kształtowaniu przyszłości AI w biznesie?

AI zmienia sposób, w jaki pracujemy, a przedsiębiorstwa muszą być przygotowane do włączenia pracowników wszystkich typów do AI. Platforma Ikigai oferuje prosty, niskokodowy lub bezkodowy interfejs dla użytkowników biznesowych, a także pełny interfejs AI Builder i API dla naukowców i deweloperów. Dodatkowo, oferujemy bezpłatną edukację w Akademii Ikigai, aby każdy mógł nauczyć się podstaw AI, a także zostać przeszkolony i certyfikowany na platformie Ikigai.

LGM będą miały ogromny wpływ na przedsiębiorstwa, które chcą wykorzystywać AI do przypadków użycia, które wymagają numerycznego modelowania przewidywalnego i statystycznego, takiego jak prognozowanie prawdopodobieństwa i planowanie scenariuszy. Ale LLM nie zostały zaprojektowane do tych przypadków użycia, a wiele organizacji myśli, że LLM są jedyną formą AI generatywnej. Tak więc próbują wykorzystywać Duże Modele Językowe do celów prognozowania i planowania, i one nie spełniają oczekiwań. Ustępują i zakładają, że AI generatywna nie jest w stanie wspierać tych aplikacji. Gdy odkryją LGM, zrozumieją, że mogą rzeczywiście wykorzystywać AI generatywną do poprawy prognozowania i planowania, aby pomóc im podejmować lepsze decyzje biznesowe.

Platforma Ikigai integruje LGM z podejściem ukierunkowanym na człowieka za pomocą funkcji eXpert-in-the-loop. Czy mógłbyś wyjaśnić, jak to połączenie zwiększa dokładność i przyjęcie modeli AI w przedsiębiorstwach?

AI potrzebuje barier ochronnych, ponieważ organizacje naturalnie obawiają się, że technologia będzie działać dokładnie i skutecznie. Jedną z tych barier ochronnych jest nadzór ludzki, który może pomóc wwprowadzić krytyczną wiedzę branżową i zapewnić, że modele AI dostarczają przewidywań i prognoz, które są istotne i użyteczne dla ich biznesu. Gdy organizacje mogą umieścić eksperta ludzkiego w roli monitorowania AI, mogą im zaufać i zweryfikować ich dokładność. To pokonuje jeden z głównych przeszkód w przyjęciu.

Jakie są kluczowe innowacje technologiczne w platformie Ikigai, które wyróżniają ją spośród innych dostępnych obecnie rozwiązań AI?

Nasza podstawowa technologia LGM jest największym różnicowaniem. Ikigai jest pionierem w tej dziedzinie bez równych. Mój współzałożyciel i ja wynaleźliśmy LGM podczas naszej pracy akademickiej w MIT. Jesteśmy innowatorami w dziedzinie dużych modeli graficznych i wykorzystania AI generatywnej na danych strukturalnych.

Jaki wpływ widzisz LGM na branże, które silnie polegają na dokładnym prognozowaniu i planowaniu, takie jak handel detaliczny, zarządzanie łańcuchem dostaw i finanse?

LGM będą całkowicie przełomowe, ponieważ są specjalnie zaprojektowane do użycia na danych tabelarycznych i szeregu czasowego, które są życiodajne dla każdej firmy. Praktycznie każda organizacja w każdej branży silnie polega na analizie danych strukturalnych do prognozowania popytu i planowania biznesowego, aby podejmować rozsądne decyzje krótko- i długoterminowe – niezależnie od tego, czy są to decyzje dotyczące merchandisingu, zatrudnienia, inwestycji, rozwoju produktu czy innych kategorii. LGM dostarczają najbliższe możliwe do „kryształowej kuli” dla podejmowania najlepszych decyzji.

Spójrzając w przyszłość, jakie są następne kroki dla Ikigai Labs w rozwoju możliwości LGM? Czy są jakieś nowe funkcje lub rozwój w toku, na które jesteś szczególnie podekscytowany?

Nasze istniejące modele aiPlan wspierają analizę „co, gdyby” i analizę scenariuszy. Spójrzając w przyszłość, zamierzamy dalej rozwijać je i umożliwić pełne funkcje uczenia wzmocnionego dla zespołów operacyjnych. To umożliwi zespołom operacyjnym planowanie oparte na AI w krótkim i długim terminie.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Ikigai Labs.