Dr. Devavrat Shah, Co-Fundador e CEO da Ikigai Labs – Série de Entrevistas

Dr. Devavrat Shah é o co-fundador e CEO da Ikigai Labs e é um professor e diretor do Centro de Estatística e Ciência de Dados do MIT. Ele co-fundou a Celect, uma plataforma de análise preditiva para varejistas, que ele vendeu para a Nike. Devavrat tem um bacharelado e doutorado em Ciência da Computação pelo Instituto de Tecnologia da Índia e pela Universidade de Stanford, respectivamente.

Ikigai Labs fornece uma plataforma impulsionada por IA projetada para transformar dados tabulares e de séries temporais de empresas em insights preditivos e ações. Utilizando Modelos Gráficos Grandes patenteados, a plataforma permite que usuários de negócios e desenvolvedores em várias indústrias melhorem seus processos de planejamento e tomada de decisões.

Poderia compartilhar a história por trás da fundação da Ikigai Labs? O que o inspirou a fazer a transição da academia para a empreendedoria?

Na verdade, estou pulando entre o mundo acadêmico e o mundo dos negócios há alguns anos. Eu co-fundei a Ikigai Labs com meu ex-aluno do MIT, Vinayak Ramesh. Anteriormente, eu co-fundei uma empresa chamada Celect, que ajudava varejistas a otimizar decisões de estoque por meio de previsões de demanda baseadas em IA. A Celect foi adquirida pela Nike em 2019.

O que exatamente são Modelos Gráficos Grandes (MGGs), e como eles diferem dos mais conhecidos Modelos de Linguagem Grandes (MLGs)?

MGGs ou Modelos Gráficos Grandes são uma visão probabilística dos dados. Eles estão em contraste agudo com a IA baseada em “Modelos Fundamentais”, como os MLGs.

Os Modelos Fundamentais supõem que eles podem “aprender” todos os padrões relevantes de um grande corpus de dados. E, portanto, quando um novo trecho de dados é apresentado, ele pode ser extrapolado com base na parte relevante do corpus de dados. Os MLGs têm sido muito eficazes para dados não estruturados (texto, imagem).

Já os MGGs identificam os “padrões funcionais” apropriados de um grande “universo” de tais padrões, dado um trecho de dados. Os MGGs são projetados para ter todos os “padrões funcionais” relevantes disponíveis para eles, pertinentes a dados estruturados (tabulares, de séries temporais).

Os MGGs são capazes de aprender e fornecer previsões precisas usando muito poucos dados. Por exemplo, eles podem ser utilizados para realizar previsões altamente precisas de tendências críticas e dinamicamente em constante mudança ou resultados de negócios.

Poderia explicar como os MGGs são particularmente adequados para analisar dados tabulares estruturados e quais vantagens eles oferecem sobre outros modelos de IA nessa área?

Os MGGs são projetados especificamente para modelar dados estruturados (ou seja, dados tabulares, de séries temporais). Como resultado, eles entregam melhor precisão e previsões mais confiáveis.

Além disso, os MGGs exigem menos dados do que os MLGs e, portanto, têm requisitos de computação e armazenamento mais baixos, reduzindo os custos. Isso também significa que as organizações podem obter insights precisos dos MGGs, mesmo com dados de treinamento limitados.

Os MGGs também suportam melhor privacidade e segurança de dados. Eles são treinados apenas nos dados da própria empresa – com suplementação de fontes de dados externas selecionadas (como dados climáticos e de mídia social) quando necessário. Nunca há o risco de dados sensíveis serem compartilhados com um modelo público.

Em que tipos de cenários de negócios os MGGs fornecem o maior valor? Poderia fornecer alguns exemplos de como eles foram usados para melhorar a previsão, o planejamento ou a tomada de decisões?

Os MGGs fornecem valor em qualquer cenário em que uma organização precise prever um resultado de negócios ou antecipar tendências para orientar sua estratégia. Em outras palavras, eles ajudam em uma ampla gama de casos de uso.

Imagine uma empresa que vende fantasias e itens de Halloween e está procurando insights para tomar melhores decisões de merchandising. Dada a sazonalidade, a empresa caminha sobre uma corda bamba: por um lado, a empresa precisa evitar estocar em excesso e acabar com estoque sobrando no final de cada temporada (o que significa produtos não vendidos e CAPEX desperdiçado). Por outro lado, a empresa também não quer ficar sem estoque cedo (o que significa que perdeu vendas).

Usando os MGGs, a empresa pode encontrar um equilíbrio perfeito e orientar seus esforços de merchandising de varejo. Os MGGs podem responder a perguntas como:

• Quais fantasias devo estocar esta temporada? Quantas unidades de cada SKU devo estocar no total?
• Quão bem uma fantasia específica venderá em uma localização específica?
• Quão bem um acessório específico venderá com uma fantasia específica?
• Como posso evitar canibalizar vendas em cidades onde tenho várias lojas?
• Como as novas fantasias se sairão?

Como os MGGs ajudam em cenários em que os dados são escassos, inconsistentes ou rapidamente em mudança?

Os MGGs utilizam a reconciliação de dados baseada em IA para fornecer insights precisos, mesmo quando analisam conjuntos de dados pequenos ou barulhentos. A reconciliação de dados garante que os dados sejam consistentes, precisos e completos. Ela envolve comparar e validar conjuntos de dados para identificar discrepâncias, erros ou inconsistências. Ao combinar a estrutura espacial e temporal dos dados, os MGGs permitem boas previsões com dados mínimos e defeituosos. As previsões vêm com quantificação de incerteza e interpretação.

Como a missão da Ikigai de democratizar a IA se alinha com o desenvolvimento dos MGGs? Como você vê os MGGs moldando o futuro da IA nos negócios?

A IA está mudando a forma como trabalhamos, e as empresas devem estar preparadas para habilitar os trabalhadores de todos os tipos com a IA. A plataforma Ikigai oferece uma experiência de baixo código/sem código para usuários de negócios, bem como uma experiência completa de Construtor de IA e API para cientistas de dados e desenvolvedores. Além disso, oferecemos educação gratuita em nossa Academia Ikigai, para que qualquer pessoa possa aprender os fundamentos da IA, bem como se capacitar e se certificar na plataforma Ikigai.

Os MGGs terão um impacto enorme, mais amplamente, nas empresas que buscam empregar a IA. As empresas querem usar a IA genérica para casos de uso que exigem modelagem numérica preditiva e estatística, como previsão probabilística e planejamento de cenários. Mas os MLGs não foram projetados para esses casos de uso, e muitas organizações pensam que os MLGs são a única forma de IA genérica. Então, elas tentam usar os Modelos de Linguagem Grandes para previsão e planejamento, e eles não entregam. Elas desistem e supõem que a IA genérica simplesmente não é capaz de suportar essas aplicações. Quando elas descobrem os MGGs, elas perceberão que, de fato, podem usar a IA genérica para impulsionar uma melhor previsão e planejamento e ajudá-las a tomar melhores decisões de negócios.

A plataforma Ikigai integra os MGGs com uma abordagem centrada no ser humano por meio do recurso eXpert-in-the-loop. Poderia explicar como essa combinação melhora a precisão e a adoção de modelos de IA nas empresas?

A IA precisa de guardrails, pois as organizações naturalmente são cautelosas de que a tecnologia irá se sair com precisão e eficácia. Uma dessas guardrails é a supervisão humana, que pode ajudar a infundir expertise de domínio crítico e garantir que os modelos de IA estejam fornecendo previsões e previsões relevantes e úteis para seus negócios. Quando as organizações podem colocar um especialista humano em um papel monitorando a IA, elas podem confiar nela e verificar sua precisão. Isso supera um grande obstáculo à adoção.

Quais são as principais inovações tecnológicas na plataforma Ikigai que a destacam das outras soluções de IA atualmente disponíveis no mercado?

Nossa tecnologia de MGGs é o maior diferenciador. A Ikigai é uma pioneira nesse espaço sem igual. Meu co-fundador e eu inventamos os MGGs durante nosso trabalho acadêmico no MIT. Somos os inovadores em Modelos Gráficos Grandes e no uso da IA genérica em dados estruturados.

Qual impacto você vê os MGGs tendo em indústrias que dependem fortemente de previsões e planejamento precisos, como varejo, gestão de cadeia de suprimentos e finanças?

Os MGGs serão completamente transformadores, pois são projetados especificamente para uso em dados tabulares e de séries temporais, que são a espinha dorsal de cada empresa. Virtualmente, todas as organizações em todas as indústrias dependem fortemente da análise de dados estruturados para previsão de demanda e planejamento de negócios para tomar decisões sólidas a curto e longo prazo – seja para merchandising, contratação, investimento, desenvolvimento de produtos ou outras categorias. Os MGGs fornecem a coisa mais próxima de uma bola de cristal possível para tomar as melhores decisões.

Olhando para o futuro, quais são os próximos passos para a Ikigai Labs em avançar as capacidades dos MGGs? Há algum novo recurso ou desenvolvimento em andamento que você esteja particularmente animado?

Nosso modelo aiPlan existente suporta análise de cenário e “e se”. Olhando para o futuro, estamos visando desenvolver ainda mais e habilitar o Aprendizado por Reforço completo para equipes de operações. Isso permitiria que uma equipe de operações fizesse planejamento impulsionado por IA tanto a curto quanto a longo prazo.

Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar Ikigai Labs.