Pedro Alves, CEO i założyciel Ople.ai – seria wywiadów

Pedro Alves jest CEO i założycielem Ople.ai, platformy, która wyposaża analityków i ekspertów w potężne predykcyjne analizy danych. Platforma ta jest wyposażona w wiedzę i doświadczenie światowej klasy naukowców danych, dzięki czemu użytkownicy mogą skupić się na tym, co robią najlepiej: tworzeniu wpływu biznesowego.

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

W 2001 roku zobaczyłem ogromny potencjał w maszynowym uczeniu się i sztucznej inteligencji. Podczas studiów informatycznych i decydowania, jaki poddziedzinę chcę dalej studiować, pomyślałem: OK, AI/ML to dziedzina informatyki, która wydaje mi się interesująca – możesz pomóc przewidzieć zdarzenia w każdej dziedzinie. Niezależnie od tego, czy jesteś w biologii, medycynie czy finansach, jeśli masz maszynowe uczenie się i sztuczną inteligencję, możesz znacznie poprawić te dziedziny. Zawsze uważałem, że matematyka za tym jest fascynująca.

Po rozpoczęciu studiów podyplomowych postanowiłem, że najlepszym sposobem na poprawienie mojej wiedzy w dziedzinie maszynowego uczenia się będzie nauczenie się, jak je stosować. Zawsze byłem bardzo praktyczny; nie chciałem uczyć się teorii tylko dla samej teorii. Wybrałem studia nad maszynowym uczeniem się w dziedzinie genetyki i proteomiki. Wszystkie moje prace podyplomowe były związane z biologią obliczeniową, ale koncentrowały się na maszynowym uczeniu się.

Niedługo potem weszłem do branży opieki zdrowotnej, gdzie zobaczyłem duży potencjał dla aplikacji AI/ML. To było wtedy, kiedy zacząłem dostrzegać problemy, jakie AI miał w praktyce, poza środowiskiem akademickim. Doświadczyłem rzeczywistości AI i nauczyłem się, jak nieskutecznie było stosowane w świecie rzeczywistym, a nie z powodu problemów technicznych. Wtedy stałem się zainteresowany rozwiązaniem tego problemu.

Byłeś wcześniej głównym naukowcem danych w Banjo, gdzie rozwiązywałeś wyzwania w obszarze sieci społecznościowych. Czy mógłbyś omówić niektóre z tych wyzwań?

Jako firma, wykrywaliśmy zdarzenia zarejestrowane w mediach społecznościowych, w szczególności zdarzenia, które powinny być wyróżnione jako potencjalne niebezpieczeństwo, takie jak wypadek samochodowy lub budynek w ogniu. Pomagaliśmy flagować te zdarzenia, abyśmy mogli dalej pomóc mobilizować pierwszych odpowiedników. Używaliśmy mediów społecznościowych dla dobra.

Wiele z tych zdarzeń jest rzadkich w odniesieniu do danych z mediów społecznościowych. Na przykład, jest wiele wypadków, które występują każdego dnia w danym mieście, ale kiedy spoglądasz na objętość danych z mediów społecznościowych, zdjęcie wypadku samochodowego staje się dość nikłe. Zastanów się nad milionami zdjęć szczeniąt, zdjęć jedzenia, kolejnym milionem selfie i jednym zdjęciem wypadku samochodowego, wszystko w ciągu kilku minut. Podstawowo, w Banjo, szukaliśmy igły w stogu siana.

Więc jednym z wyzwań, które się pojawiło, było związane z widzeniem komputerowym. Chociaż widzenie komputerowe było w porządku w tamtym czasie, kiedy próbujesz znaleźć jeden na kilka milionów, nawet niewielki błąd prawdopodobieństwa może całkowicie zniszczyć twoje szanse na wykrycie tych rzadkich zdarzeń.

Na przykład, istniał publiczny zestaw danych, który, gdy użyty do szkolenia sieci neuronowych, powodował, że nie mogły one rozpoznać koloru. Nawet jeśli zdjęcie w zestawie danych było kolorowe, a sieć neuronowa patrzyła na wszystkie RGB, nie używała koloru jako wskaźnika. Weź tradycyjny policyjny samochód i tradycyjny taksówkę – oba są tym samym podstawowym modelem samochodu i dodatkowym urządzeniem na górze (tj. syreny na samochodzie policyjnym lub sygnał wolny/zaangażowany na taksówce). Ale jeśli spojrzy się na kolor, różnica między nimi jest widoczna. Dzięki temu przypadkowi, byliśmy w stanie zrozumieć, że tworzenie właściwego zestawu danych jest niezwykle ważne.

W 2017 roku założyłeś Ople. Jaka była historia powstania tego startupu?

Chciałem, aby firmy otrzymywały solidną stopę zwrotu z wdrożenia AI. Według Gartnera, między 80 a 90 procent projektów AI nigdy nie dociera do skutku. Nie ma to nic wspólnego z aspektami technicznymi, takimi jak dokładność modelu. Zwykle jest to kultura firmy lub aspekty proceduralne w firmie.

To może być spowodowane brakiem wystarczającej komunikacji między zespołem naukowców danych a użytkownikiem biznesowym, co prowadzi do modeli, które przewidują coś, czego zespół biznesowy nie potrzebuje, ponieważ zespół naukowców danych nie rozumie, co należy zbudować. Albo, jeśli zbudują prawidłowy model, to kiedy zespół naukowców danych jest gotowy, zespół biznesowy nie korzysta z przewidywań w ogóle. W większości firm, departamenty takie jak sprzedaż, marketing i logistyka są tymi, które powinny korzystać z AI, ale to zespół naukowców danych rozumie modele. Kiedy te zespoły nie rozumieją modeli budowanych dla nich, tendencja jest taka, że nie ufają ich przewidywań i nie używają ich.

Więc, jeśli AI nie zmienia, w jaki sposób firma prowadzi biznes, jaki jest sens?

Chcieliśmy stworzyć platformę, która to rozwiązuje – chcemy pomóc zespołowi naukowców danych lub analitykom biznesowym, naukowcom danych, każdemu, kto jest zaangażowany w ten proces – zbudować odpowiednie projekty i pomóc pracownikom zrozumieć i zaufać modelom. Jeśli to naprawimy, to uważam, że nauka o danych może być naprawdę wartościowa dla firm.

Powiedziałeś, że naukowcy danych tracą cenny czas na wykonywanie zadań, które można zautomatyzować za pomocą AI. Jakie są przykłady zadań, które powinny być zautomatyzowane?

Naukowiec danych zwykle potrzebuje kilku miesięcy, aby ukończyć model, a po ukończeniu modelu firma wdroży go, chociaż nie będzie on tak dokładny, jak to możliwe. W miesiącach po wdrożeniu modelu naukowiec danych będzie nadal pracował nad nim, aby zwiększyć dokładność modelu o niewielkie przyrosty. To jest zwykle tam, gdzie większość naukowców danych spędza swój czas, kiedy mogliby spędzać czas na zadaniach takich jak upewnianie się, że pracownicy rozumieją, ufają i używają modeli AI. Wszystek ten czas spędzony na zadaniach takich jak inżynieria cech, szkolenie modeli, dostrajanie parametrów i wybór algorytmu, próbując zwiększyć dokładność modelu, może być łatwo zautomatyzowany za pomocą AI.

Czy możesz opisać, co to jest meta-learning i jak Ople stosuje tę koncepcję?

Przed tym, jak opowiem o meta-learningu, ważne jest, aby zrozumieć pierwszą warstwę maszynowego uczenia się. Powiedzmy, że masz zestaw danych, który przewiduje, kiedy maszyny będą ulegać awarii na podłodze fabryki. Maszyna powiadamia pracowników, że ma ulec awarii, aby mogli wykonać konserwację prewencyjną. To jest uważane za pierwszą warstwę uczenia się.

Meta-learning, często nazywany “uczeniem się, jak uczyć się”, to dalsze zrozumienie tego procesu uczenia się. Więc, podczas szkolenia modelu do przewidywania błędów maszyn, masz inny model, który obserwuje. Na przykład, drugi model mógłby pomóc firmom zrozumieć, które parametry modelu przewidywania błędów są uczane dobrze, a które nie działają dobrze. Kiedy robisz meta-learning, stajesz się lepszy w budowaniu bardziej wydajnych modeli, szybciej.

Jakie są Twoje poglądy na dane syntetyczne?

Dane syntetyczne mogą być niezwykle trudne do pracy, jeśli nie są wykonane poprawnie.

Powiedzmy, że masz dane medyczne – masz 20 pacjentów, a dla tych pacjentów masz ich wiek, płeć, wagę, wzrost, ciśnienie krwi, listę leków itp. Można utworzyć dane syntetyczne za pomocą maszynowego uczenia się na podstawie tych rekordów medycznych. Jednak jeśli polegasz tylko na maszynowym uczeniu się lub statystyce, możesz otrzymać nonsensowne dane syntetyczne. Mogą one utworzyć losową kombinację wartości, taką jak 3-letnie dziecko, które ma 6 stóp wzrostu lub osoba, która ma 4 stopy wzrostu i waży 1000 funtów. Chociaż AI/ML są niezawodne w wielu przypadkach, dane syntetyczne używane do rekordów medycznych wymagałyby udziału lekarza.

Więc, włączasz do tego lekarza, aby utworzyć parametry, takie jak “jeśli osoba jest w tym wieku, jaki jest realistyczny zakres wzrostu i wagi” lub “jeśli przyjmują ten lek, jakie leki nie powinny przyjmować”. Ten proces byłby niezwykle skomplikowany i trudny do mapowania wszystkich możliwości, jak się one odnoszą do rekordów medycznych każdego pacjenta.

W dziedzinie obrazów dane syntetyczne mogą być znacznie łatwiejsze do zrozumienia i utworzenia. Powiedzmy, że masz zdjęcie samochodu, a samochód jest w lewym górnym rogu. Nie musisz być ekspertem, aby wiedzieć, że ten sam samochód mógłby być w lewym dolnym rogu, prawym górnym rogu lub w centrum. Nie tylko osoba może wskazać kamerę w wielu sposobach, ale także może ponownie wyorientować zdjęcie. Przesunięcie punktu焦owania zdjęcia, aby samochód był we wszystkich różnych rogach, jest tworzeniem danych syntetycznych – innym prostym sposobem jest używanie obrotu.

Czy możesz podać przykłady, w jaki sposób Ople pomogło przedsiębiorstwom w ich potrzebach danych?

Ople.AI daje przedsiębiorstwom możliwość wykorzystania głębokich analiz danych na wszystkich poziomach organizacji i daje pracownikom szansę odblokować wartość AI, zaledwie kilkoma kliknięciami. W przeciwieństwie do firm, które polegają na małym zespole naukowców danych, aby sformułować i wdrożyć AI, platforma Ople.AI wyposaża pracowników w różnych departamentach w narzędzia do dostępu do informacji z ich danych, a tym samym zwiększa ich codzienną wydajność.

Z tym powiedzianym, jedną z dużych przeszkód, które firmy często napotykają podczas wdrażania AI, jest wyjaśnialność modelu. Jest to niezwykle ważne, aby firmy oferowały AI, której pracownicy mogą zrozumieć, a co więcej, ufają. Wyjaśnialność modelu pomaga w tym. Naszym celem z platformą Ople.AI jest dać pracownikom, którzy niekoniecznie są obeznani z AI czy technologią, szansę łatwo zrozumieć, w jaki sposób modele dokonują przewidywań i dlaczego. Tworzenie wyjaśnialności modelu przyniesie potężne rezultaty dla firm w dłuższej perspektywie.

Dodatkowo, jest o wiele więcej wartości, którą model może przynieść firmom, poza tym, że dokonuje przewidywań. AI może odkryć potencjalne problemy lub obszary, które mogą być wykorzystane. Nazywamy to wyjaśnialnością danych – to różne sposoby, w jakie model może dzielić się inteligentnymi informacjami o danych, które są wartościowe dla firmy. To jest duży sposób, w jaki AI może pomóc firmom, i obszar, w którym się rozwijamy, w odniesieniu do naszej konkurencji.

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