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

Pedro Alves jest CEO i założycielem Ople.ai, platformy, która wyposaża analityków i ekspertów w dziedzinie predykcyjnej analityki. Platforma 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 pierwotnie zainteresowało Cię nauka o danych?

W 2001 roku zobaczyłem ogromny potencjał w uczeniu maszynowym i sztucznej inteligencji. Podczas studiów z informatyki jako student, i decyzji, jaki poddziedzinę studiów kontynuować, pomyślałem: OK, AI/ML to dziedzina informatyki, która wydaje mi się interesująca – możesz pomóc przewidywać zdarzenia w każdej dziedzinie. Niezależnie od tego, czy jesteś w biologii, medycynie czy finansach, jeśli masz machine learning i AI, możesz znacznie przyczynić się do rozwoju tych dziedzin. Zawsze uważałem, że matematyka za tym jest fascynująca.

Gdy wstąpiłem na studia podyplomowe, postanowiłem, że najlepszym sposobem na poprawienie mojej wiedzy w dziedzinie machine learning będzie nauczenie się, jak ją stosować. Zawsze byłem bardzo praktyczny; nie chciałem uczyć się teorii tylko dla samej teorii. Wybrałem studia nad machine learning, które stosuje się w dziedzinie genomics i proteomics. Cała moja praca magisterska była z dziedziny biologii obliczeniowej, ale koncentrowała się na machine learning.

Niedługo potem wstąpiłem do branży opieki zdrowotnej, gdzie zobaczyłem duży potencjał dla aplikacji AI/ML. To było wtedy, gdy zacząłem dostrzegać problemy, które AI miało w praktyce, poza środowiskiem akademickim. Doświadczyłem rzeczywistości AI i nauczyłem się, jak nieskutecznie zostało zastosowane w świecie rzeczywistym, i nie z powodu problemów technicznych. Więc wtedy zacząłem być zainteresowany rozwiązaniem tego problemu.

Byłeś wcześniej głównym naukowcem danych w Banjo, gdzie zajmowałeś się wyzwaniami w dziedzinie sieci społecznych. Czy mógłbyś omówić niektóre z tych wyzwań?

Jako firma, wykrywaliśmy zdarzenia zarejestrowane w mediach społecznościowych, konkretnie zdarzenia, które powinny być wyróżnione jako potencjalne niebezpieczeństwo, jak na przykład wypadek samochodowy lub budynek w ogniu. Pomagaliśmy flagować te zdarzenia, abyśmy mogli dalej pomóc mobilizować służby ratunkowe. Używaliśmy mediów społecznościowych dla dobra.

Wiele z tych zdarzeń jest rzadkich w odniesieniu do danych z mediów społecznościowych. Na przykład, występuje wiele wypadków samochodowych każdego dnia w dowolnym mieście, ale gdy patrzymy na objętość danych z mediów społecznościowych, zdjęcie wypadku samochodowego staje się dość nikłe. Zastanów się nad milionami zdjęć szczeniaków, zdjęć jedzenia, kolejnym milionem zdjęć 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 pojawiało, było związane z komputerowym widzeniem. Chociaż komputerowe widzenie było w porządku w tamtym czasie, gdy próbowaliśmy znaleźć jeden na kilka milionów, nawet niewielki błąd prawdopodobieństwa może całkowicie zniszczyć nasze szanse na wykrycie tych rzadkich zdarzeń.

Na przykład, istniał publiczny zestaw danych, który, gdy był używany do szkolenia sieci neuronowych, powodował, że nie mogły one identyfikować koloru. Nawet jeśli zdjęcie w zestawie danych było kolorowe, a sieć neuronowa patrzyła na wszystkie RGB, nie używała koloru jako wskaźnika. Weźmy 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/ zajęty na taksówce). Ale gdy spojrzysz na kolor, różnica między nimi jest widoczna. Dzięki temu przypadkowi, byliśmy w stanie zrozumieć, że stworzenie 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 ujrzy światła dziennego. Nie ma to nic wspólnego z aspektami technicznymi, takimi jak dokładność modelu. Zwykle jest to kultura firmy lub aspekty proceduralne wewnątrz firmy.

Może to być spowodowane brakiem wystarczającej komunikacji między zespołem naukowców danych a użytkownikiem biznesowym, prowadząc do modeli, które przewidują coś, czego zespół biznesowy nie potrzebuje, ponieważ zespół naukowców danych nie rozumie, co należy zbudować. Albo, jeśli zbudują prawidłowy model, a gdy zespół naukowców danych skończy, zespół biznesowy nie korzysta z przewidywań w ogóle. W większości firm, departamenty takie jak sprzedaż, marketing i logistyka są tymi, które naprawdę powinny wykorzystywać AI, ale to zespół naukowców danych rozumie modele. Gdy te zespoły nie rozumieją modeli budowanych dla nich, mają tendencję do nieufania wobec przewidywań i nie używają ich.

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

Chcieliśmy stworzyć platformę, która rozwiąże ten problem – chcemy pomóc zespołowi naukowców danych lub analitykom biznesowym, budować właściwe projekty i pomóc pracownikom zrozumieć i zaufać modelom. Jeśli to naprawimy, to uważam, że nauka o danych może wreszcie być wartościowa dla firm w prawdziwy sposób.

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 gdy jest on sfinalizowany, firma wdroży ten model, chociaż nie będzie on tak dokładny, jak to możliwe. W miesiącach po wdrożeniu modelu, naukowiec danych będzie nadal pracował nad nim, próbując zwiększyć dokładność modelu o małe przyrosty. To jest ogólnie tam, gdzie większość naukowców danych spędza swój czas, gdy mogliby spędzać czas na innych zadaniach, takich jak zapewnienie, że pracownicy rozumieją, ufają i używają modeli AI. Wszystek ten czas spędzony na zadaniach, takich jak inżynieria cech, szkolenie modeli, dostosowywanie parametrów i wybór algorytmu, próbując zwiększyć dokładność modelu, można łatwo zautomatyzować 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 uczenia maszynowego. Powiedzmy, że masz zestaw danych, który przewiduje, kiedy maszyny będą ulegały awarii na podłodze fabryki. Maszyna powiadomi pracowników, że ma ulec awarii, aby mogli wykonać konserwację prewencyjną. To jest uważane za pierwszą warstwę uczenia.

Meta-learning, często nazywany “uczeniem się uczyć”, to dalsze zrozumienie tego procesu uczenia. Więc, gdy trenujesz swój model, aby przewidywać awarie maszyn, masz inny model, który obserwuje. Na przykład, drugi model mógłby pomóc firmom zrozumieć, które parametry modelu przewidywania awarii są uczonych dobrze, a które nie działają dobrze. Gdy 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 machine learning na podstawie tych rekordów medycznych. Jednak jeśli polegasz tylko na machine learning lub statystyce, możesz skończyć z nonsensownymi danymi syntetycznymi. Może to stworzyć losową mieszankę i połączenie wartości, takich jak 3-letnie dziecko, które ma 1,8 metra wzrostu lub osoba, która ma 1,2 metra wzrostu i waży tysiąc funtów. Chociaż AI/ML są niezawodne w wielu przypadkach, dane syntetyczne używane do rekordów medycznych wymagałyby udziału lekarza.

Więc włączasz 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 stałby się ogromnym przedsięwzięciem i zbyt skomplikowanym, aby mapować wszystkie możliwości, które dotyczą 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 umieszczony 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 możesz skierować kamerę na wiele sposobów, ale możesz również przestawić zdjęcie. Przesunięcie punktu widzenia zdjęcia, aby samochód był we wszystkich różnych rogach, jest tworzeniem danych syntetycznych – innym prostym sposobem jest obrót.

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

Ople.AI daje przedsiębiorstwom możliwość wykorzystania głębokiej analityki danych na wszystkich poziomach organizacji i daje pracownikom możliwość odblokowania wartości AI, za pomocą kilku kliknięć. 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, aby uzyskać wgląd w ich dane i zwiększyć ich codzienną wydajność.

Mówiąc to, dużym przeszkodą, której firmy często doświadczają przy wdrażaniu AI, jest wyjaśnialność modelu. Jest to niezwykle ważne, aby firmy oferowały AI, której pracownicy mogą zrozumieć, a co więcej, zaufać. Wyjaśnialność modelu pomaga w tym. Naszym celem z platformą Ople.AI jest dać pracownikom, którzy nie muszą być biegli w AI lub technologiach, szansę łatwo zrozumieć, w jaki sposób modele dokonują przewidywań i dlaczego. Tworzenie wyjaśnialności modelu wygeneruje potężne rezultaty dla firm w długiej perspektywie.

Ponadto, jest o wiele więcej wartości, które model może przynieść firmom, poza dokonywaniem przewidywań. AI może ujawnić potencjalne problemy lub obszary, które mogą być wykorzystane. Nazywamy to wyjaśnialnością danych – to różne sposoby, w jakie model może udostępnić inteligentne wglądy w dane, 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.

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