Ahmed Elsamadisi, Fundador e CEO da Narrator.ai – Série de Entrevistas

Ahmed Elsamadisi é o Fundador e CEO da Narrator.ai, uma empresa de inteligência de dados que fornece insights personalizados e ações para os tomadores de decisões.

Ahmed começou sua carreira no Laboratório de Sistemas Autônomos da Cornell, onde se concentrou na interação entre humanos e robôs e na fusão de dados bayesianos, bem como na construção de algoritmos para carros autônomos.

O que o atraiu inicialmente para a IA e a ciência de dados?

Eu me apaixonei por como as pessoas tomam decisões. Começando com a psicologia, passando pela engenharia social e, finalmente, pela forma como raciocinamos sobre a incerteza. Isso me levou a mergulhar na matemática bayesiana e o mundo começou a fazer mais sentido. Decidi embarcar em uma jornada para replicar como tomamos decisões.

Você teve uma carreira fenomenal, incluindo o trabalho no Laboratório de Sistemas Autônomos da Cornell. Pode compartilhar alguns destaques desse período?

O ASL da Cornell foi muito divertido! Desde nosso carro autônomo até uma frota de robôs móveis, eu tive a oportunidade de experimentar a construção, programação e teste de algoritmos e hardware em ambientes reais. Meu momento favorito foi um projeto que liderei para ver se podíamos jogar um jogo de 20 Perguntas com todos os estudantes da Cornell. O jogo era simples: um robô procurava por um objeto e podia fazer perguntas sim/não aos estudantes da Cornell para ajudá-lo a encontrar o item. Uma pequena reviravolta: os humanos podiam mentir.

Nessa situação, não há informações reais, nada que seja absolutamente verdadeiro. Eu trabalhei em um algoritmo que pudesse fundir informações de pessoas e sensores para tomar decisões melhores. Esse projeto mais tarde foi apresentado pela Business Insider e se tornou conhecido como “o robô que pode detectar mentiras”.

Esses momentos em que os dados e os algoritmos podem fazer algo que você não consegue facilmente imaginar é o que torna esses projetos fenomenais.

A ideia da Narrator surgiu de sua frustração ao trabalhar com dados em sua empresa anterior, a WeWork (WE ). Quais eram os problemas que você enfrentava com o modelo de esquema estrela?

Toda empresa usa um esquema estrela para seus modelos de dados. Isso faz sentido! Você constrói tabelas que representam um conjunto de perguntas que você deseja responder e, em seguida, as fornece às pessoas para plotar. O desafio é que as perguntas estão constantemente crescendo e mudando, e, portanto, as séries de tabelas que você constrói nunca são suficientes para responder a todas as perguntas possíveis. A única solução é construir mais tabelas, o que causa uma divergência da fonte de verdade.

Eu sempre procuro “modelagem de dados de fluxo de ar” para mostrar às pessoas o que é o melhor cenário de uma camada de modelagem, e é complexo. Centenas de tabelas dependendo umas das outras.

Isso sendo dito, essa era a única opção. Na WeWork, conversei com muitos unicórnios e vi a mesma situação que estávamos enfrentando. Gastamos milhões de dólares em ferramentas de dados. Construímos centenas de modelos. Os dados ainda estavam perdendo a confiança e falhando em responder às perguntas de forma oportuna. Em seguida, a cada 1-2 anos, reconstruíamos o sistema usando as ferramentas mais recentes, mas com a mesma abordagem.

Se todas as empresas que implementaram um esquema estrela acabaram precisando reconstruir seu sistema, então há um problema com o framework.

Como você encontrou uma solução melhor para trabalhar com dados?

Inicialmente, eu me inspirei em blogs de dados. Em um blog, uma empresa pode contar a história de um cliente e uma análise sem nunca mostrar seu modelo de dados. Eles usam clientes, realizando ações no tempo para explicar qualquer análise de algoritmos. Efetivamente, esses são todos conceitos que todos entendem (um usuário visualizou o site, então agendou uma reunião). Eu me perguntei por que essa estrutura não era usada nos dados, se parecia ter o potencial de representar qualquer coisa. A resposta curta é que essa estrutura de dados é realmente não consultável por ferramentas de BI (não há nada para UNIR).

Nosso modelo de dados, que chamamos de esquema de atividade, parecia ter o potencial de realmente mudar o mundo. Ele poderia permitir que todas as empresas tivessem um único modelo de dados que possa responder a qualquer pergunta. Todas as empresas poderiam ter o mesmo modelo de dados – assim, a análise e os algoritmos poderiam ser compartilhados entre as empresas pela primeira vez. E, finalmente, ele poderia criar uma maneira comum para que as pessoas de dados trabalhem juntas e falem sobre dados.

Pensei que isso poderia revolucionar a indústria de dados, então deixei a WeWork em 2017 com o objetivo de tornar o esquema de atividade consultável.

A saída de dados da Narrator é formatada de forma diferente do que a maioria de nós está acostumada, pode explicar o que são Narrativas e como elas são formatadas como uma história?

Narrativas são análises ações em um formato de história.

Nós, como pessoas de dados, estamos tão acostumados com dashboards. No entanto, dashboards são um meio para um fim. Dashboards mostram os dados e você precisa interpretá-los sozinho:

1. Descobrir como ler as centenas de visualizações diferentes.
2. Combinar os dados na sua cabeça para descobrir o que está realmente acontecendo.
3. Criar uma história na sua cabeça que faça sentido dos pedaços de dados.
4. Decidir sobre uma ação a ser tomada.

O desafio desse processo é que cada pessoa que olha para um dashboard virá com uma história e uma recomendação diferentes. Isso é um viés natural.

O objetivo da Narrator era impulsionar a ação com base nos dados. À medida que iteramos, vimos que nossos clientes precisavam de histórias e interpretações para tomar decisões e foi isso que lhes demos.

Narrativas começam com um objetivo claro. Elas fazem uma recomendação. Em seguida, mostram as principais informações que você obterá. Finalmente, elas passam pela análise. Cada seção conta uma história sobre algo que estamos aprendendo e os dados são usados como evidência de apoio.

Mostre 100 pessoas a mesma Narrativa e elas todas voltarão com a mesma recomendação e interpretação.

Narrativas também entendem que seu negócio está mudando, então elas são executadas constantemente a cada semana para ver se as recomendações e interpretações ainda são válidas e elas se atualizarão de acordo.

Depois de passar por todo esse aprendizado e fazer das Narrativas essas incríveis ferramentas de ação, percebemos que a maioria das grandes empresas de consultoria também havia aprendido a mesma coisa. A McKinsey fornece apresentações e abordagens semelhantes em vez de apenas dashboards. Estamos trabalhando para fornecer esse nível de qualidade por uma fração do preço.

Quais são alguns dos benefícios de usar a Narrator para engenheiros de dados?

Os engenheiros de dados são nossos maiores defensores! Acho que é porque eu comecei como engenheiro de dados que a Narrator foi construída com eles em mente.

Na Narrator, modelar dados é realmente fácil – você apenas mapeia conceitos da fonte de verdade para nosso modelo de dados. Executamos uma série de testes para garantir que ele funcionará e, em seguida, você o envia para produção. A Narrator lida com a migração, sincronizando os dados e garantindo que tudo seja rápido e fácil.

Dentro da Narrator, você pode montar rapidamente qualquer conjunto de dados que deseje em minutos e fornecê-lo a qualquer pessoa que o solicite.

Também pensamos em todas as pequenas coisas que você precisa e garantimos que você as obtenha:

• Transparência total em todos os processos e controle para pausar, cancelar, executar agora, etc..
• Capacidade de colocar alertas nos dados brutos antes e após a transformação.
• Registro completo de todas as alterações na consulta.
• Visibilidade total para cada atualização que ocorre na tabela.
• 1 clique para materializar qualquer conjunto de dados ou enviá-lo para uma planilha do Google.
• Configuração rápida de webhooks para enviar os dados para qualquer sistema.
• Contate o suporte e você receberá um engenheiro de dados para ajudá-lo.
• Cada consulta que a Narrator gera é LEGÍVEL e transparente.
• Depurar qualquer dado com linhas do tempo rápidas de tudo o que aconteceu com um cliente específico.
• Construir 1 conjunto de dados e criar muitas agregações sobre ele (não há necessidade de copiar a mesma consulta em uma CTE).
• Se você trocar qualquer um dos blocos de construção, então reconciliamos todos os seus dados para você.

Há muito mais que os engenheiros de dados amarão!

Quanto tempo é economizado ao fazer relatórios com a Narrator em comparação com a modelagem tradicional?

Honestamente, comparar a Narrator com a modelagem tradicional é injusto. Na Narrator, todos os seus dados são modelados em apenas 1 dia, em vez de meses de planejamento, como no esquema estrela. As alterações na Narrator são de baixo risco e fáceis. Criar qualquer tabela é instantâneo na Narrator, porque você não precisa se preocupar se há uma chave estrangeira para ligar as coisas.

Em termos de Análises, a Narrator tem uma biblioteca de análises escritas à mão por especialistas que você pode executar instantaneamente. Essas análises são bem pensadas, testadas em várias empresas, atualizadas com base nas mudanças do seu negócio, aproveitam algoritmos para interpretar os dados e são apresentadas de forma bonita em um formato de história. Esse nível de trabalho é frequentemente realizado por equipes de pessoas de dados ao longo de semanas (o que fazemos, mas fazemos uma vez e, em seguida, tornamos instantaneamente disponível para todos).

Há algo mais que você gostaria de compartilhar sobre a Narrator?

A Narrator é diferente.

É um pouco difícil entender como e por que ela funciona, mas assim que você começa a usá-la, ela fará sentido e você nunca poderá voltar atrás.

Estou animado com o mundo que a Narrator está tornando possível e dou as boas-vindas a qualquer pessoa para aprender mais!

Juntos, podemos tomar decisões melhores que criarão um mundo melhor.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Narrator.ai.