Dr. Devavrat Shah, Co-Fondator și CEO al Ikigai Labs – Seria de Interviuri

Dr. Devavrat Shah este co-fondator și CEO al Ikigai Labs și este profesor și director al Centrului de Statistică și Știință a Datelor de la MIT. El a co-fondat Celect, o platformă de analitică predictivă pentru retaileri, pe care a vândut-o către Nike. Devavrat deține o diplomă de licență și un doctorat în știința calculatoarelor de la Institutul Indian de Tehnologie și Universitatea Stanford, respectiv.

Ikigai Labs oferă o platformă bazată pe inteligență artificială, proiectată pentru a transforma datele tabulare și de serie temporală ale întreprinderilor în insight-uri predictive și acționabile. Utilizând modele grafice mari brevetate, platforma permite utilizatorilor de afaceri și dezvoltatorilor din diverse industrii să-și îmbunătățească procesele de planificare și decizie.

Puteți să împărtășiți povestea din spatele fondării Ikigai Labs? Ce v-a inspirat să faceți trecerea de la academia la antreprenoriat?

De fapt, am fost între lumea academică și cea de afaceri pentru câțiva ani. Am co-fondat Ikigai Labs împreună cu fostul meu student de la MIT, Vinayak Ramesh. Anterior, am co-fondat o companie numită Celect, care a ajutat retailerii să optimizeze deciziile de stocare prin intermediul previziunii cererii bazate pe inteligență artificială. Celect a fost achiziționată de Nike în 2019.

Ce sunt exact Modelele Grafice Mari (LGM) și cum se diferențiază de Modelele Lingvistice Mari (LLM) mai bine cunoscute?

LGM sau Modelele Grafice Mari reprezintă o perspectivă probabilistică asupra datelor. Ele sunt în contrast puternic cu “Modelele de Fundație” bazate pe inteligență artificială, cum ar fi LLM.

Modelele de Fundație presupun că pot “învăța” toate “modelele” relevante dintr-un corpus foarte mare de date. Și, prin urmare, atunci când li se prezintă un nou fragment de date, acestea pot fi extrapolate pe baza părții relevante din corpusul de date. LLM-urile au fost foarte eficiente pentru datele neestructurate (text, imagine).

LGM-urile, în schimb, identifică “modelele funcționale” adecvate dintr-un “univers” mare de astfel de modele, date fiind fragmentul de date. LGM-urile sunt proiectate astfel încât să aibă toate “modelele funcționale” relevante disponibile pentru ele, pertinente pentru datele structurate (tabulare, de serie temporală).

LGM-urile pot învăța și oferi previziuni precise utilizând cantități foarte mici de date. De exemplu, ele pot fi utilizate pentru a efectua previziuni foarte precise ale tendințelor critice și dinamice sau ale rezultatelor afacerilor.

Cum sunt LGM-urile special concepute pentru a analiza datele structurate, tabulare, și care sunt avantajele pe care le oferă față de alte modele de inteligență artificială în acest domeniu?

LGM-urile sunt proiectate în mod special pentru a modela datele structurate (adică date tabulare, de serie temporală). Ca urmare, ele oferă o acuratețe și previziuni mai fiabile.

În plus, LGM-urile necesită mai puține date decât LLM-urile și, prin urmare, au cerințe mai mici de calcul și stocare, ceea ce reduce costurile. Acest lucru înseamnă că organizațiile pot obține insight-uri precise din LGM-uri chiar și cu cantități limitate de date de antrenament.

LGM-urile oferă, de asemenea, o mai bună securitate și protecție a datelor. Ele se antrenează doar pe datele proprii ale unei întreprinderi, cu suplimentarea din surse de date externe selectate (cum ar fi datele meteo și sociale) atunci când este necesar. Nu există niciodată riscul ca datele sensibile să fie distribuite către un model public.

În ce tipuri de scenarii de afaceri oferă LGM-urile cea mai mare valoare? Puteți oferi exemple de moduri în care au fost utilizate pentru a îmbunătăți previziunile, planificarea sau luarea deciziilor?

LGM-urile oferă valoare în orice scenariu în care o organizație are nevoie de a prevedea un rezultat al afacerii sau de a anticipa tendințe pentru a-și ghida strategia. Cu alte cuvinte, ele ajută într-o gamă largă de cazuri de utilizare.

Imaginați-vă o afacere care vinde costume și articole de Halloween și care caută insight-uri pentru a lua decizii de merchandising mai bune. Având în vedere sezonality, această companie se confruntă cu o linie subțire: pe de o parte, compania trebuie să evite suprastocarea și să se încheie cu stocuri nevinde în sezon, ceea ce înseamnă bunuri nevândute și capital pierdut. Pe de altă parte, nu vor să rămână fără stocuri devreme, ceea ce înseamnă că au ratat vânzări.

Utilizând LGM-urile, afacerea poate găsi un echilibru perfect și poate ghida eforturile sale de merchandising. LGM-urile pot răspunde la întrebări precum:

• Care costume ar trebui să stochez în acest sezon? Câte ar trebui să stochez din fiecare SKU în total?
• Cum se va vinde un anumit SKU într-o locație specifică?
• Cum se va vinde această accesorii cu acest costum?
• Cum putem evita să cannibalizăm vânzări în orașele în care avem mai multe magazine?
• Cum se vor descurca noile costume?

Cum ajută LGM-urile în scenariile în care datele sunt rare, inconsistente sau în schimbare rapidă?

LGM-urile utilizează reconcilierea datelor bazată pe inteligență artificială pentru a oferi insight-uri precise chiar și atunci când analizează seturi de date mici sau zgomotoase. Reconcilierea datelor asigură că datele sunt consistente, exacte și complete. Ea implică compararea și validarea seturilor de date pentru a identifica discrepanțe, erori sau incoerențe. Prin combinarea structurii spațiale și temporale a datelor, LGM-urile permit previziuni bune cu date minimale și defectuoase. Previziunile vin împreună cu cuantificarea incertitudinii și interpretarea.

Cum se aliniază misiunea Ikigai de a democratiza inteligența artificială cu dezvoltarea LGM-urilor? Cum credeți că LGM-urile vor modela viitorul inteligenței artificiale în afaceri?

Inteligența artificială schimbă modul în care lucrăm, și întreprinderile trebuie să fie pregătite pentru a permite lucrătorilor de toate tipurile să utilizeze inteligența artificială. Platforma Ikigai oferă o experiență simplă de codare redusă / fără cod pentru utilizatorii de afaceri, precum și o experiență completă de constructor de inteligență artificială și API pentru cercetătorii de date și dezvoltatori. În plus, oferim educație gratuită la Academia Ikigai, astfel încât oricine poate învăța fundamentul inteligenței artificiale și se poate pregăti și certifica pe platforma Ikigai.

LGM-urile vor avea un impact enorm asupra întreprinderilor care doresc să utilizeze inteligența artificială generativă pentru cazuri de utilizare care necesită modelare predictivă și statistică numerică, cum ar fi previziunile probabilistice și planificarea scenariilor. Dar LLM-urile nu au fost create pentru aceste cazuri de utilizare, și multe organizații cred că LLM-urile sunt singura formă de inteligență artificială generativă. Prin urmare, ele încearcă să utilizeze Modelele Lingvistice Mari pentru previziuni și planificare, și nu obțin rezultate. Ele renunță și presupun că inteligența artificială generativă nu este capabilă să susțină aceste aplicații. Când vor descoperi LGM-urile, vor realiza că pot, de fapt, să utilizeze inteligența artificială generativă pentru a îmbunătăți previziunile și planificarea și pentru a lua decizii de afaceri mai bune.

Platforma Ikigai integrează LGM-urile cu o abordare centrată pe om prin funcția “Expert în buclă”. Puteți explica cum această combinație îmbunătățește acuratețea și adoptarea modelelor de inteligență artificială în întreprinderi?

Inteligența artificială are nevoie de garduri de protecție, deoarece organizațiile sunt în mod natural precaute că tehnologia va funcționa cu acuratețe și eficiență. Una dintre aceste garduri de protecție este supravegherea umană, care poate ajuta la îmbunătățirea expertizei de domeniu și la asigurarea faptului că modelele de inteligență artificială oferă previziuni și predicții relevante și utile pentru afaceri. Când organizațiile pot plasa un expert uman într-un rol de monitorizare a inteligenței artificiale, ele pot avea încredere în aceasta și verifica acuratețea ei. Acest lucru depășește o barieră majoră pentru adoptare.

Care sunt inovațiile tehnologice cheie din platforma Ikigai care o fac să iasă în evidență față de alte soluții de inteligență artificială disponibile pe piață?

Tehnologia noastră de bază LGM este cel mai mare diferențiator. Ikigai este un pionier în acest spațiu, fără egal. Co-fondatorul meu și eu am inventat LGM-urile în timpul muncii noastre academice la MIT. Suntem inovatorii în modele grafice mari și utilizarea inteligenței artificiale generative pe date structurate.

Care este impactul pe care îl prevedeți pentru LGM-urile asupra industriilor care depind puternic de previziuni și planificări precise, cum ar fi retail, managementul lanțului de aprovizionare și finanțe?

LGM-urile vor fi complet transformatoare, deoarece sunt special concepute pentru a fi utilizate pe date tabulare și de serie temporală, care sunt esențiale pentru orice companie. Practic, fiecare organizație din fiecare industrie depinde puternic de analiza datelor structurate pentru previziuni și planificare de afaceri pentru a lua decizii solide pe termen scurt și lung – indiferent dacă aceste decizii sunt legate de merchandising, angajări, investiții, dezvoltare de produse sau alte categorii. LGM-urile oferă cea mai bună aproximare a unei “crystal ball” posibile pentru a lua cele mai bune decizii.

Privind spre viitor, care sunt următorii pași pentru Ikigai Labs în dezvoltarea capacităților LGM-urilor? Există noi funcții sau dezvoltări în curs de desfășurare pe care sunteți deosebit de entuziasmat?

Modelul nostru actual aiPlan sprijină analiza “ce se întâmplă dacă” și a scenariilor. În viitor, ne propunem să dezvoltăm în continuare și să activăm învățarea prin întărire completă pentru echipele de operațiuni. Acest lucru va permite echipelor de operațiuni să efectueze planificarea condusă de inteligență artificială atât pe termen scurt, cât și pe termen lung.

Mulțumim pentru acest interviu minunat; cititorii care doresc să afle mai multe despre Ikigai Labs ar trebui să viziteze Ikigai Labs.