Pedro Alves, CEO și Fondator al Ople.ai – Seria de Interviuri

Pedro Alves este CEO și fondator al Ople.ai, o platformă care împuternicește analiștii și experții în domeniu cu analize predictive puternice. Platforma este echipată cu cunoștințele și expertiza celor mai buni oameni de știință din lume, astfel încât utilizatorii se pot concentra pe ceea ce sunt cu adevărat buni: crearea unui impact de afaceri.

Ce v-a atras inițial către știința datelor?

În 2001, am văzut un potențial enorm în învățarea automată și inteligența artificială. În timp ce studiam informatica ca student, și hotărâm ce subdomeniu să urmez, am gândit: OK, IA/ÎA este un domeniu al informaticii care cred că este interesant – puteți ajuta la prezicerea evenimentelor în orice domeniu. Indiferent dacă sunteți în biologie, medicină sau finanțe, dacă aveți învățare automată și IA, puteți avansa semnificativ aceste domenii. Am considerat întotdeauna că matematica din spatele acestora este fascinantă.

În timp ce am intrat în școala de master, am decis că cel mai bun mod de a-mi îmbunătăți expertiza în învățarea automată ar fi să învăț să o aplic. Am fost întotdeauna foarte practic; nu voiam să învăț teoria doar pentru sake-ul teoriei. Am ales să studiez învățarea automată în domeniul geneticii și proteomicii. Toată lucrarea mea de master a fost în biologie computațională, dar accentul a fost pe învățarea automată.

Curând după, am intrat în industria sănătății, unde am văzut un potențial major pentru aplicațiile IA/ÎA. Acolo am început să văd problemele pe care le avea IA în practică, în afara academiei. Am experimentat realitatea IA și am învățat cum a fost aplicată ineficient în lumea reală, și nu din cauza problemelor tehnice. Așa că, apoi, am devenit atras de rezolvarea acestei probleme.

Ați fost anterior șef de știință a datelor la Banjo, unde ați abordat provocări în domeniul rețelelor sociale. Puteți discuta despre unele dintre aceste provocări?

Ca companie, am detectat evenimente înregistrate pe rețelele sociale, în special evenimente care trebuiau evidențiate ca potențial periculoase, cum ar fi un accident de mașină sau un incendiu. Am ajutat la semnalizarea acestor evenimente, astfel încât să putem mobiliza mai bine echipele de intervenție. Am folosit rețelele sociale în scopuri bune.

Mulți dintre acești evenimente sunt rari, în raport cu datele de pe rețelele sociale. De exemplu, există numeroase accidente care se întâmplă în fiecare zi în orice oraș, dar atunci când căutați volumul de date de pe rețelele sociale, o imagine a unui accident de mașină devine destul de mică. Luați în considerare milioanele de poze cu căței, poze cu mâncare, alte milioane de poze cu selfie-uri și apoi o poză cu un accident de mașină, toate într-un interval de câteva minute. În esență, la Banjo, am găsit acul în carul cu fân.

Una dintre provocările care apăreau era legată de viziunea computerizată. Deși viziunea computerizată era decentă la acea vreme, atunci când încercați să găsiți unul dintr-un milion, chiar și o mică rată de eroare poate decima complet șansele de detectare a acestor evenimente rare.

De exemplu, a existat un set de date public care, atunci când se folosea pentru a antrena rețele neuronale, le făcea să nu poată identifica culorile. Chiar și atunci când o poză din setul de date era colorată, și rețeaua neuronală se uita la toate valorile RGB, nu folosea culoarea ca indicator. Luați un polițist tradițional și un taxi tradițional – ambele sunt același model de bază de mașină și o piesă suplimentară de mașinărie deasupra (de exemplu, sirene pe o mașină de poliție sau un semnal de liber/ocupat pe un taxi). Dar, dacă vă uitați la culoare, diferența dintre ele este evidentă. Din cauza acestui exemplu, am putut înțelege că crearea unui set de date corespunzător este vitală.

În 2017, ați lansat apoi Ople. Care a fost povestea de origine a acestei startup-uri?

Voiam ca companiile să primească un randament solid din implementarea IA. Conform Gartner, între 80 și 90 la sută din proiectele de IA nu văd niciodată lumina zilei. Acest lucru nu are nimic de-a face cu aspectele tehnice, cum ar fi acuratețea modelului. Este, de obicei, cultura companiei sau aspectele procedurale din cadrul companiei.

Acest lucru poate fi cauzat de lipsa unei comunicări suficiente între echipa de știință a datelor și utilizatorii de afaceri, ceea ce duce la modele care prezic ceva ce echipa de afaceri nu are nevoie, pentru că echipa de știință a datelor nu a înțeles ce trebuie construit. Sau, dacă construiesc modelul corect, atunci când echipa de știință a datelor este gata, echipa de afaceri nu profită de previziunile la fel de bine. În majoritatea companiilor, departamentele cum ar fi vânzări, marketing și logistică sunt cele care ar trebui să utilizeze IA, dar echipa de știință a datelor este cea care înțelege modelele. Când aceste echipe nu înțeleg modelele create pentru ele, ele nu au încredere în previziunile lor și, prin urmare, nu le utilizează.

Deci, dacă IA nu schimbă modul în care compania face afaceri, care este scopul?

Am vrut să creăm o platformă care să rezolve această problemă – să ajutăm echipa de știință a datelor sau analiștii de afaceri, analiștii de date, oricine este implicat în acest proces – să construiască proiectele corecte și să ajute angajații să înțeleagă și să aibă încredere în modele. Dacă rezolvăm această problemă, atunci cred că știința datelor poate fi, în sfârșit, valoroasă pentru companii într-un mod real.

Ați declarat că oamenii de știință a datelor pierd timp valoros efectuând sarcini care pot fi automate cu IA. Care sunt exemple de sarcini care ar trebui să fie automate?

Un om de știință a datelor va petrece, de obicei, câteva luni pentru a finaliza un model, și odată ce modelul este implementat, compania va continua să lucreze la el pentru a crește acuratețea. În lunile care urmează, omul de știință a datelor va continua să lucreze la model pentru a crește acuratețea lui, dar ar putea petrece timpul în sarcini cum ar fi ingineria caracteristicilor, antrenarea modelelor, reglarea parametrilor și selectarea algoritmilor, încercând să crească acuratețea modelului. Toate aceste sarcini pot fi ușor automate cu IA.

Puteți descrie ce este învățarea meta și cum Ople aplică acest concept?

Înainte de a ajunge la învățarea meta, este important să înțelegeți primul strat de învățare automată. Să zicem că aveți un set de date care prezice când mașinile vor fi defecte pe o linie de producție. Mașina va notifica angajații că urmează să se defecteze, astfel încât ei pot efectua întreținerea preventivă. Acesta este considerat primul strat de învățare.

Învățarea meta, cunoscută și sub numele de “învățare a învățării”, este o înțelegere mai profundă a procesului de învățare. Deci, în timp ce antrenați modelul pentru a prezice erorile mașinilor, aveți un alt model care observă. De exemplu, al doilea model ar putea ajuta companiile să înțeleagă care parametri ai modelului de întreținere predictivă sunt învățați bine și care nu funcționează bine. Când faceți învățare meta, deveniți mai buni la construirea unor modele mai eficiente, mai rapide.

Care sunt punctele dvs. de vedere asupra datelor sintetice?

Datele sintetice pot fi incredibil de greu de lucrat, dacă nu sunt executate corect.

Să zicem că aveți date medicale – aveți 20 de pacienți, și pentru acești pacienți, aveți vârsta, sexul, greutatea, înălțimea, tensiunea arterială, lista de medicamente, etc. Este posibil să creați date sintetice cu învățare automată pe baza acestor înregistrări medicale. Cu toate acestea, dacă vă bazați doar pe învățarea automată sau statistică, puteți ajunge la date sintetice fără sens. Puteți crea o combinație aleatoare de valori, cum ar fi un copil de 3 ani care are 1,80 metri sau o persoană de 1,20 metri care cântărește 450 de kilograme. Deși IA/ÎA sunt de încredere în multe cazuri, datele sintetice utilizate pentru înregistrări medicale ar trebui să aibă input de la un medic.

Așa că, obțineți implicarea unui profesionist medical pentru a crea parametri, cum ar fi “dacă persoana are această vârstă, ce este un interval realist de înălțime și greutate” sau “dacă iau acest medicament, ce medicamente nu ar trebui să ia”. Acest proces ar deveni inevitabil o întreprindere masivă și prea complicată pentru a cartografia toate posibilitățile, așa cum se referă la fiecare înregistrare medicală a pacientului.

În domeniul imaginilor, cu toate acestea, datele sintetice pot fi mult mai ușor de înțeles și create. Să zicem că aveți o poză a unei mașini, și mașina este situată în colțul din stânga sus. Nu trebuie să fiți expert pentru a ști că aceeași mașină ar putea fi în colțul din dreapta jos sau în centru. Nu numai că o persoană poate îndrepta camera în multe moduri, dar poate și realinia poza. Mutarea focalizării pozei, astfel încât mașina să fie în toate colțurile, este crearea de date sintetice – o altă metodă simplă este utilizarea rotației.

Puteți oferi exemple de moduri în care Ople a fost capabil să ajute întreprinderile cu nevoile lor de date?

Ople.AI oferă întreprinderilor capacitatea de a utiliza analize de date profunde la toate nivelurile organizației și oferă angajaților oportunitatea de a debloca valoarea IA, cu doar câteva clicuri. În contrast cu organizațiile care se bazează pe o echipă mică de oameni de știință a datelor pentru a articula și implementa IA, platforma Ople.AI echipă angajații din diverse departamente cu uneltele necesare pentru a accesa informații din datele lor și, astfel, pentru a-și crește eficiența zilnică.

Cu toate acestea, o piedică majoră cu care se confruntă adesea organizațiile atunci când implementează IA este explicabilitatea modelului. Este esențial pentru întreprinderi să ofere IA pe care angajații lor o pot înțelege și, mai important, o pot avea încredere. Explicabilitatea modelului ajută la acest lucru. Scopul nostru cu platforma Ople.AI este de a oferi angajaților, care nu sunt neapărat familiarizați cu IA sau tehnologia, șansa de a înțelege ușor cum modelele fac previziuni și de ce. Crearea explicabilității modelului va genera rezultate puternice pentru întreprinderi pe termen lung.

În plus, există mult mai multă valoare pe care un model o poate aduce companiilor, în afara faptului de a face previziuni. IA poate descoperi potențiale probleme sau domenii care pot fi capitalizate. Noi numim acest lucru explicabilitate a datelor – acestea sunt diversele moduri în care un model poate împărtăși insight-uri inteligente despre date care sunt valoroase pentru o companie. Acesta este un mod mare în care IA poate ajuta afacerile, și o zonă în care ne îmbunătățim, în raport cu concurența noastră.

Mulțumim pentru interviu, cititorii care doresc să afle mai multe despre Ople.ai.