Entrevistas
Dr. Devavrat Shah, Co-Fundador & CEO da Ikigai Labs – Série de Entrevistas
Dr. Devavrat Shah é o Co-fundador e CEO da Ikigai Labs e ele 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 possui um bacharelado e PhD 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 série temporal de empresas em insights previsíveis 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 empreendedorismo?
Eu tenho pulado entre o mundo acadêmico e o mundo dos negócios há alguns anos. Eu co-fundei a Ikigai Labs com meu ex-aluno no MIT, Vinayak Ramesh. Anteriormente, eu co-fundei uma empresa chamada Celect, que ajudava varejistas a otimizar decisões de estoque por meio de previsão de demanda baseada em IA. A Celect foi adquirida pela Nike em 2019.
O que exatamente são Modelos Gráficos Grandes (MGG), e como eles diferem dos mais conhecidos Modelos de Linguagem Grandes (MLG)?
MGG ou Modelos Gráficos Grandes são uma visão probabilística dos dados. Eles estão em contraste agudo com o modelo de IA baseado em “Foundation model”, como o MLG.
Os Modelos de Fundação 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 MLG têm sido muito eficazes para dados não estruturados (texto, imagem).
Os MGG, por outro lado, identificam os “padrões funcionais” apropriados de um grande “universo” de tais padrões, dado o trecho de dados. Os MGG são projetados de tal forma que eles têm todos os padrões funcionais relevantes disponíveis para eles, pertinentes a dados estruturados (tabulares, de série temporal).
Os MGG 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 ou resultados de negócios dinamicamente alterados.
Poderia explicar como os MGG são particularmente adequados para analisar dados tabulares estruturados, e quais vantagens eles oferecem sobre outros modelos de IA nessa área?
Os MGG são projetados especificamente para modelar dados estruturados (ou seja, dados tabulares, de série temporal). Como resultado, eles entregam melhor precisão e previsões mais confiáveis.
Além disso, os MGG exigem menos dados do que os MLG e, portanto, têm requisitos de computação e armazenamento mais baixos, o que reduz os custos. Isso também significa que as organizações podem obter insights precisos dos MGG, mesmo com dados de treinamento limitados.
Os MGG 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 dados 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 MGG 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 MGG 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, eles caminham em uma linha fina: por um lado, a empresa precisa evitar estocar em excesso e acabar com estoque não vendido no final de cada temporada (o que significa bens não vendidos e CAPEX desperdiçado). Por outro lado, eles também não querem ficar sem estoque cedo (o que significa que perderam vendas).
Usando os MGG, a empresa pode encontrar um equilíbrio perfeito e orientar seus esforços de merchandising. Os MGG podem responder a perguntas como:
- Quais fantasias devo estocar nesta temporada? Quantas devo estocar de cada SKU?
- Como uma SKU específica vai vender em uma localização específica?
- Como uma acessório específico vai vender com uma fantasia específica?
- Como posso evitar canibalizar vendas em cidades onde tenho várias lojas?
- Como as novas fantasias vão se sair?
Como os MGG ajudam em cenários em que os dados são escassos, inconsistentes ou rapidamente alterados?
Os MGG 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 MGG 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 MGG? Como você vê os MGG 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 simples 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 e se tornar treinada e certificada na plataforma Ikigai.
Os MGG 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 MLG não foram projetados para esses casos de uso, e muitas organizações pensam que os MLG são a única forma de IA genérica. Então, elas tentam os Modelos de Linguagem Grandes para fins de previsão e planejamento, e eles não entregam. Elas desistem e supõem que a IA genérica não é capaz de suportar esses aplicativos. Quando elas descobrem os MGG, 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 MGG 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 são naturalmente cautelosas de que a tecnologia execute 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 o negócio. 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 tornam destacar-se das outras soluções de IA atualmente disponíveis no mercado?
Nossa tecnologia de MGG é o maior diferenciador. A Ikigai é uma pioneira nesse espaço sem igual. Meu co-fundador e eu inventamos os MGG durante nosso trabalho acadêmico no MIT. Nós somos os inovadores em Modelos Gráficos Grandes e o uso de IA genérica em dados estruturados.
Qual impacto você vislumbra os MGG terem nas indústrias que dependem fortemente de previsões e planejamento precisos, como varejo, gestão de cadeia de suprimentos e finanças?
Os MGG serão completamente transformadores, pois são projetados especificamente para uso em dados tabulares e de série temporal, que são a espinha dorsal de todas as empresas. 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 MGG 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 na melhoria das capacidades dos MGG? Há alguma nova funcionalidade ou desenvolvimento em andamento que você está particularmente animado?
Nosso modelo aiPlan existente suporta análise de cenário e “what-if”. Olhando para o futuro, estamos visando desenvolver ainda mais e habilitar o Aprendizado de Reforço completo para equipes de operações. Isso permitiria que uma equipe de operações fizesse planejamento impulsionado por IA em ambos os prazos curto e longo.
Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar Ikigai Labs.
