Vinay Kumar Sankarapu, Co-fondator și CEO al Arya.ai – Seria de interviuri

Vinay Kumar Sankarapu, este co-fondator și CEO al Arya.ai, o platformă care oferă cloud-ul „AI” pentru bănci, asigurători și instituții de servicii financiare (BFSI) pentru a găsi API-urile AI potrivite, soluțiile expert AI și instrumentele complete de guvernare AI necesare pentru a implementa motoare AI de încredere și auto-învățare.

Experiența dvs. este în matematică, fizică, chimie și inginerie mecanică, ați putea discuta despre călătoria dvs. către tranziția la informatică și AI?

La IIT Bombay, avem un „Program de diplomă dublă” care oferă un curs de 5 ani pentru a acoperi atât licența în tehnologie, cât și masteratul în tehnologie. Am făcut Inginerie Mecanică cu o specializare în „Proiectare și fabricație asistate de calculator, unde Informatica face parte din programa noastră. Pentru cercetarea noastră postuniversitară, am ales să lucrez la Deep Learning. În timp ce am început să folosesc DL pentru a construi un cadru de predicție a eșecurilor pentru producția continuă, mi-am terminat cercetările despre utilizarea CNN-urilor pentru predicția RUL. Asta a fost în jurul anului 2013/14.

Ai lansat Arya.ai în timp ce erai încă la facultate, ai putea să împărtășești povestea genezei din spatele acestui startup?

Ca parte a cercetării academice, a trebuit să petrecem 3-4 luni pentru o analiză a literaturii pentru a crea un studiu detaliat pe tema de interes, sfera muncii depuse până acum și ceea ce ar putea fi un posibil domeniu de interes pentru cercetarea noastră. În perioada 2012/13, instrumentele pe care le-am folosit au fost destul de simple. Motoarele de căutare precum Google scholar și Scopus făceau doar o căutare prin cuvinte cheie. A fost foarte greu să înțelegi volumul de cunoștințe disponibile. Credeam că această problemă se va agrava. În 2013, cred că au fost publicate cel puțin 30 de articole în fiecare minut. Astăzi, este de cel puțin 10x-20x decât atât.

Am vrut să construim un asistent „AI” ca un „profesor” pentru cercetători, care să-i ajute să sugereze un subiect de cercetare, să găsească o lucrare potrivită care este cea mai actualizată și orice în jurul cercetării STEM. Cu experiența noastră în deep learning, ne-am gândit că putem rezolva această problemă. În 2013, am început Arya.ai cu o echipă de 3, iar apoi sa extins la 7 în 2014, când eram încă la facultate.

Prima noastră versiune a produsului a fost construită prin răzuirea a peste 30 de milioane de lucrări și rezumate. Am folosit tehnici de ultimă oră în învățarea profundă la acel moment pentru a construi un asistent de cercetare AI STEM și un motor de căutare contextuală pentru STEM. Dar când am prezentat asistentul AI câtorva profesori și colegi, ne-am dat seama că eram prea devreme. Fluxurile conversaționale erau limitate, iar utilizatorii se așteptau la un flux liber și conversii continue. Așteptările erau foarte nerealiste la acel moment (2014/15), chiar dacă răspundea la întrebări complexe.

După aceea, ne-am orientat pentru a ne folosi cercetările și ne-am concentrat pe instrumentele ML pentru cercetători și întreprinderi ca un banc de lucru pentru a democratiza învățarea profundă. Dar, din nou, foarte puțini cercetători de date foloseau DL în 2016. Așadar, am început să-l verticalizăm pentru o singură verticală și ne-am concentrat pe construirea de straturi de produse specializate pentru o singură verticală, adică instituțiile de servicii financiare (FSI). Știam că acest lucru va funcționa deoarece, în timp ce jucătorii mari își propun să câștige jocul orizontal, verticalizarea poate crea un USP mare pentru startup-uri. De data asta am avut dreptate!

Construim cloud-ul AI pentru bănci, asigurători și servicii financiare cu cele mai specializate straturi verticale pentru a oferi soluții AI scalabile și responsabile.

Cât de mare este problema cutiei negre AI în finanțe?

Foarte important! Doar 30% dintre instituțiile financiare folosesc „AI” la întregul său potențial. În timp ce unul dintre motive este accesibilitatea, un altul este lipsa de încredere și auditabilitate în „AI”. Reglementările sunt acum clare în câteva zone geografice cu privire la legalitățile utilizării AI pentru cazuri de utilizare cu sensibilitate scăzută, medie și ridicată. Este obligatoriu prin lege în UE să se utilizeze modele transparente pentru cazurile de utilizare cu „risc ridicat”. Multe cazuri de utilizare în instituțiile financiare sunt cazuri de utilizare cu risc ridicat. Deci, li se cere să folosească modele cu casetă albă.

Ciclurile de hype se stabilesc și din cauza experienței timpurii cu soluțiile AI. Există un număr tot mai mare de exemple în ultima vreme cu privire la efectele utilizării cutiei negre a „AI”, eșecurile „AI” din cauza nemonitorizării acestora și provocări cu managerii juridici și de risc din cauza auditabilității limitate.

Ați putea discuta diferența dintre monitorizarea ML și observabilitatea ML?

 Sarcina unui instrument de monitorizare este pur și simplu să monitorizeze și să alerteze. Iar sarcina unui instrument de observabilitate nu este doar de a monitoriza și raporta, ci, cel mai important, de a oferi suficiente dovezi pentru a găsi motivele eșecului sau a prezice aceste defecțiuni în timp.

În AI/ML, aceste instrumente joacă un rol critic. În timp ce aceste instrumente pot oferi rolurile necesare sau monitorizarea, domeniul de aplicare al observabilității ML

De ce sunt necesare platforme specifice industriei pentru observabilitatea ML versus platformele de uz general?

Platformele de uz general sunt concepute pentru toată lumea și pentru orice caz de utilizare, indiferent de industrie – orice utilizator poate veni la bord și poate începe să folosească platforma. Clienții acestor platforme sunt de obicei dezvoltatori, oameni de știință ai datelor etc. Platformele, totuși, creează mai multe provocări pentru părțile interesate din cauza naturii lor complexe și a abordării „unică pentru toți”.

Din păcate, majoritatea companiilor de astăzi solicită experților în știința datelor să folosească platforme de uz general și au nevoie de soluții/straturi de produse suplimentare pentru a face aceste modele „utilizabile” de către utilizatorii finali în orice verticală. Aceasta include explicabilitatea, auditarea, segmentele/scenarii, procesele umane în buclă, etichetarea feedback-ului, auditarea, conductele specifice instrumentului etc.

Aici intervin platformele AI specifice industriei ca un avantaj. O platformă AI specifică industriei deține întregul flux de lucru pentru a rezolva nevoia sau cazurile de utilizare ale unui client vizat și este dezvoltată pentru a oferi un produs complet de la capăt la capăt, de la înțelegerea nevoilor afacerii până la monitorizarea performanței produsului. Există multe obstacole specifice industriei, cum ar fi cadrele de reglementare și de conformitate, cerințele privind confidențialitatea datelor, cerințele de audit și control etc. Platformele și ofertele AI specifice industriei accelerează adoptarea AI și scurtează calea către producție prin reducerea timpului de dezvoltare și a riscurilor asociate. în lansarea AI. În plus, acest lucru va contribui, de asemenea, la reunirea experienței AI în industrie ca strat de produs care ajută la îmbunătățirea acceptării „AI”, la intensificarea eforturilor de conformitate și la identificarea abordărilor comune ale problemelor de etică, încredere și reputație.

Ați putea împărtăși câteva detalii despre platforma ML Observability oferită de Arya.ai?

Lucrăm în instituții de servicii financiare de peste 6 ani. Din 2016. Acest lucru ne-a oferit o expunere timpurie la provocări unice în implementarea IA complexă în FSI. Una dintre provocările importante a fost „acceptarea AI. Spre deosebire de alte verticale, există multe reglementări privind utilizarea oricărui software (aplicabil și pentru soluțiile „AI”), confidențialitatea datelor, etică și, cel mai important, impactul financiar asupra afacerii. Pentru a aborda aceste provocări la scară, a trebuit să inventăm și să adăugăm în mod continuu noi straturi de explicabilitate, audit, riscuri de utilizare și responsabilitate pe lângă soluțiile noastre – procesarea daunelor, subscrierea, monitorizarea fraudei etc. De-a lungul timpului, am realizat un ML acceptabil și scalabil. Cadrul de observabilitate pentru diverse părți interesate din industria serviciilor financiare.

Acum lansăm o versiune DIY a cadrului ca AryaXAI (xai.arya.ai). Orice echipă de ML sau de afaceri poate folosi AryaXAI pentru a crea o guvernare AI cuprinzătoare pentru cazurile de utilizare critice. Platforma oferă transparență și auditabilitate soluțiilor tale AI care sunt acceptabile pentru fiecare parte interesată. AryaXAI face AI mai sigură și acceptabilă pentru cazurile de utilizare critică, oferind o explicabilitate fiabilă și precisă, oferind dovezi care pot sprijini diligența reglementărilor, gestionând incertitudinea AI prin furnizarea de controale avansate de politică și asigurând consecvența în producție prin monitorizarea datelor sau a derivei modelului și alertând utilizatorii cu analiza cauzei principale.

AryaXAI acționează, de asemenea, ca un flux de lucru comun și oferă informații acceptabile de toate părțile interesate – echipele de știință a datelor, IT, risc, operațiuni și conformitate, făcând lansarea și întreținerea modelelor AI/ML fără probleme și fără dezordine.

O altă soluție care este oferită este o platformă care îmbunătățește aplicabilitatea modelului ML cu implementarea politicii contextuale. Ați putea descrie ce este acesta în mod concret?

Devine dificil să monitorizezi și să controlezi modelele ML în producție, din cauza volumului mare de caracteristici și predicții. În plus, incertitudinea comportamentului modelului face dificilă gestionarea și standardizarea guvernanței, riscurilor și conformității. Astfel de eșecuri ale modelelor pot duce la pierderi mari reputaționale și financiare.

AryaXAI oferă „Controale de politică/risc”, o componentă critică care păstrează interesele de afaceri și etice prin aplicarea politicilor privind IA. Utilizatorii pot adăuga/edita/modifica cu ușurință politici pentru a administra controalele politicilor. Acest lucru permite echipelor interfuncționale să definească bare de protecție pentru a asigura o evaluare continuă a riscurilor, protejând afacerea de incertitudinea AI.

Care sunt câteva exemple de cazuri de utilizare pentru aceste produse?

AryaXAI poate fi implementat pentru diferite procese critice pentru misiune din industrii. Cele mai comune exemple sunt:

BFSI: Într-un mediu de reglementare strictă, AryaXAI facilitează alinierea industriei BFSI la cerințe și colectarea dovezilor necesare pentru a gestiona riscul și a asigura conformitatea.

• Subscriere de credit pentru împrumuturi securizate/negarantate
• Identificarea fraudelor/tranzacțiilor suspecte
• De audit
• Managementul ciclului de viață al clienților
• Decizia de creditare

Mașini autonome: Vehiculele autonome trebuie să respecte strictețea reglementărilor, siguranța operațională și explicabilitatea în decizii în timp real. AryaXAI permite înțelegerea modului în care sistemul AI interacționează cu vehiculul

• Analiza deciziilor
• Operațiuni cu vehicule autonome
• Date de sănătate a vehiculului
• Monitorizarea sistemului de conducere AI

Sănătate: AryaXAI oferă perspective mai profunde din perspective medicale, tehnologice, juridice și ale pacientului. Chiar de la descoperirea medicamentelor până la producție, vânzări și marketing, Arya-xAI promovează colaborarea multidisciplinară

• Descoperirea drogului
• Cercetare clinica
• Validarea datelor din studiile clinice
• Îngrijire de calitate superioară

Care este viziunea ta pentru viitorul învățării automate în finanțe?

În ultimul deceniu, a existat o educație și marketing enormă în jurul „AI”. Am văzut mai multe cicluri de hype în acest timp. Probabil că am fi la al 4-lea sau al 6-lea ciclu de hype acum. Primul este atunci când Deep Learning a câștigat ImageNet în 2011/12, urmat de munca în jurul clasificării imagini/text, recunoaștere a vorbirii, mașini autonome, AI generativă și în prezent cu modele de limbaj mari. Diferența dintre hype-ul de vârf și utilizarea în masă se reduce cu fiecare ciclu de hype din cauza iterațiilor în jurul produsului, cererii și finanțării.

Aceste trei lucruri s-au întâmplat acum:

1. Cred că am spart cadrul de scară pentru soluțiile AI, cel puțin de câțiva experți. De exemplu, Open AI este în prezent o organizație care nu generează venituri, dar se preconizează că va genera venituri de un miliard de dolari în decurs de 1 ani. Deși nu toate companiile de inteligență artificială ar putea să nu atingă o scară similară, șablonul de scalabilitate este mai clar.
2.  Definiția soluțiilor Ideal AI este aproape clară pentru toate verticalele: Spre deosebire de mai devreme, unde produsul a fost construit prin experimente iterative pentru fiecare caz de utilizare și fiecare organizație, părțile interesate sunt din ce în ce mai educate să înțeleagă de ce au nevoie de la soluțiile AI.
3. Reglementările ajung acum din urmă: Necesitatea unor reglementări clare în ceea ce privește confidențialitatea datelor și utilizarea AI câștigă acum o mare acțiune. Organismele de conducere și organismele de reglementare pot publica sau sunt în proces de publicare cadre necesare pentru utilizarea sigură, etică și responsabilă a IA.

Ce urmeaza?

Explozia „Model-as-a-service (MaaS)”:

Vom vedea o cerere din ce în ce mai mare pentru propuneri „Model ca serviciu” nu doar pe orizontală, ci și pe verticală. În timp ce „OpenAI” reprezintă un exemplu bun de „MaaS orizontal”, Arya.ai este un exemplu de „MaaS” vertical. Cu experiența în implementări și seturi de date, Arya.ai a colectat seturi de date verticale critice care sunt utilizate pentru a antrena modele și a le oferi ca modele plug-and-use sau pre-antrenate.

Verticalizarea este noua orizontală: Am văzut această tendință în „Adoptarea cloud”. În timp ce jucătorii orizontali din cloud se concentrează pe „platforme pentru toată lumea”, jucătorii verticali se concentrează pe cerințele utilizatorului final și le oferă ca un strat de produs specializat. Acest lucru este valabil chiar și pentru ofertele MaaS.

Guvernarea XAI și AI va deveni o normă în întreprinderi: În funcție de sensibilitatea reglementărilor, fiecare verticală va realiza un XAI acceptabil și un cadru de guvernare care ar fi implementat ca parte a designului, spre deosebire de astăzi, unde este tratat ca un supliment.

Inteligența artificială generativă pe datele tabelare își poate vedea ciclurile de hype în întreprinderi: Crearea de seturi de date sintetice este una dintre soluțiile ușor de implementat pentru a rezolva provocările legate de date în întreprinderi. Echipele de știință a datelor ar prefera acest lucru, deoarece problema este în controlul lor, spre deosebire de a se baza pe afacere, deoarece ar putea să dureze timp, să fie costisitoare și să nu fie garantat să urmeze toți pașii în timpul colectării datelor. Datele sintetice rezolvă problemele de părtinire, dezechilibrul datelor, confidențialitatea datelor și datele insuficiente. Desigur, eficacitatea acestei abordări nu a fost încă dovedită. Cu toate acestea, cu mai multă maturitate în tehnici noi, cum ar fi transformatoarele, este posibil să vedem mai multe experimente pe seturi de date tradiționale, cum ar fi datele tabulare și multidimensionale. După succes, această abordare poate avea un impact extraordinar asupra întreprinderilor și a ofertelor MaaS.

Mai există ceva pe care ați dori să împărtășiți despre Arya.ai?

Arya.ai se concentrează pe rezolvarea „AI” pentru bănci, asigurători și servicii financiare. Abordarea noastră este verticalizarea tehnologiei până la ultimul strat și să o facem utilizabilă și acceptabilă de către fiecare organizație și părți interesate.

AryaXAI (xai.arya.ai) va juca un rol important în furnizarea acestuia către masele din verticala FSI. Cercetările noastre în curs privind datele sintetice au reușit într-o mână de cazuri de utilizare, dar ne propunem să le transformăm într-o opțiune mai viabilă și mai acceptabilă. Vom continua să adăugăm mai multe straturi la norul nostru „AI” pentru a ne îndeplini misiunea.

Cred că vom vedea mai multe startup-uri precum Arya.ai, nu doar în verticala FSI, ci în fiecare verticală.

Mulțumim pentru interviul minunat, cititorii care doresc să afle mai multe ar trebui să viziteze Arya.ai.