Ахмед Эльсамадиси, Основатель и Генеральный Директор Narrator.ai – Интервью

Ахмед Эльсамадиси – Основатель и Генеральный Директор Narrator.ai, компании по интеллекту данным, которая предоставляет лицам, принимающим решения, персонализированные и действенные идеи.

Ахмед начал свою карьеру в лаборатории автономных систем Корнеллского университета, где он занимался взаимодействием человека и робота и байесовским слиянием данных, а также разрабатывал алгоритмы для автономных автомобилей.

Что изначально привлекло вас к ИИ и науке о данных?

Я влюбился в то, как люди принимают решения. Начиная с психологии, социальной инженерии и того, как мы рассуждаем о неопределенности. Это привело меня к изучению байесовской математики, и мир стал более понятным. Я решил отправиться в путешествие, чтобы воспроизвести, как мы принимаем решения.

У вас была феноменальная карьера, включая работу в лаборатории автономных систем Корнеллского университета. Не могли бы вы рассказать о некоторых моментах из этого периода?

Лаборатория автономных систем Корнелла была очень интересной! От нашего автономного автомобиля до флота мобильных роботов я получил опыт построения, программирования и тестирования алгоритмов и оборудования в реальных условиях. Мой любимый момент – проект, который я возглавил, чтобы узнать, можем ли мы сыграть в игру “20 вопросов” со всеми студентами Корнелла. Игра была простой: робот искал объект и мог задавать студентам Корнелла вопросы “да” или “нет”, чтобы найти предмет. Одно небольшое изменение – люди могли лгать.

В этой ситуации нет реальной информации, ничего, что абсолютно верно. Я работал над алгоритмом, который мог объединить информацию от людей и датчиков, чтобы принимать лучшие решения. Этот проект позже был опубликован в Business Insider и стал известен как “робот, который может распознавать ложь”.

Такие моменты, когда данные и алгоритмы могут сделать что-то, что вы не легко могли представить, делают эти проекты феноменальными.

Идея Narrator возникла из вашего разочарования в работе с данными в вашем предыдущем месте работы WeWork (WE ). Какие проблемы вы столкнулись с моделями звездной схемы?

Каждая компания использует звездную схему для своих моделей данных. Это имеет смысл! Вы строите таблицы, которые представляют собой набор вопросов, на которые вы хотите ответить, и затем даете их людям для построения. Вызов заключается в том, что вопросы постоянно растут и меняются, и поэтому серия таблиц, которые вы строите, никогда не достаточно, чтобы ответить на все возможные вопросы. Единственное решение – построить больше таблиц, что приводит к отклонению от источника истины.

Я всегда ищу в Google “моделирование данных о воздушном потоке”, чтобы показать людям, как выглядит лучший вариант моделирования, и это сложно. Сотни таблиц, зависящих друг от друга.

Тем не менее, это был единственный вариант. В WeWork я говорил с многими единорогами и увидел ту же ситуацию, с которой мы столкнулись. Мы потратили миллионы долларов на инструменты для работы с данными. Мы построили сотни моделей. Данные все равно теряли доверие и не могли ответить на вопросы в срок. Затем каждые 1-2 года мы перестраивали систему, используя новые инструменты, но тот же подход.

Если каждая компания, которая реализовала звездную схему, в итоге нуждалась в перестройке своей системы, то есть проблема с самой основой.

Как вы нашли лучшее решение для работы с данными?

Первоначально я взял вдохновение из блогов о данных. В блоге компания может рассказать историю о клиенте и анализе без показа нам своей модели данных. Они используют клиентов, совершающих действия во времени, чтобы объяснить любой анализ алгоритмов. По сути, это все понятные концепции (пользователь просмотрел сайт, затем забронировал встречу). Я задумался, почему эта структура не используется в данных, если она, кажется, имеет потенциал представить все. Короткий ответ – эта структура данных на самом деле не запросима инструментами бизнес-интеллекта (нет ничего, на что можно JOIN).

Наша модель данных, которую мы называем схемой активности, казалась иметь потенциал действительно изменить мир. Она могла бы позволить каждой компании иметь одну единую модель данных, которая может ответить на любой вопрос. Каждая компания могла бы иметь одну и ту же модель данных – таким образом, анализ и алгоритмы могли бы быть обменены между компаниями впервые. И, наконец, она могла бы создать общий способ для специалистов по данным работать вместе и говорить о данных.

Я подумал, что это может революционизировать индустрию данных, поэтому я ушел из WeWork в 2017 году с целью сделать схему активности запросимой.

Выходные данные Narrator отформатированы довольно иначе, чем то, к чему мы привыкли, могли бы вы объяснить, что такое Нарративы и как они отформатированы как история?

Нарративы – это действенные анализы в формате истории.

Мы, как люди, работающие с данными, так привыкли к панелям управления. Однако панели управления – это средство для достижения цели. Панели управления показывают вам данные, и вам нужно интерпретировать их самостоятельно:

1. Разобраться, как читать сотни разных визуализаций.
2. Объединить данные в вашей голове, чтобы понять, что на самом деле происходит.
3. Создать историю в вашей голове, которая имеет смысл из кусков данных.
4. Решить, какое действие предпринять.

Проблема с этим процессом заключается в том, что каждый человек, который смотрит на панель управления, придумает разную историю и разные рекомендации. Это естественная предвзятость.

Цель Narrator была – стимулировать действие на основе данных. Когда мы итерировали, мы увидели, что наши клиенты нуждались в историях и интерпретациях, чтобы принимать решения, и это то, что мы дали им.

Нарративы начинаются с четкой цели. Они делают рекомендацию. Затем показывают вам ключевые выводы, которые вы получите. Наконец, они проходят через анализ. Каждый раздел рассказывает историю о чем-то, что мы учим, и данные используются как подтверждающие доказательства.

Покажите 100 людям один и тот же Нарратив, и все они вернутся с одной и той же рекомендацией и интерпретацией.

Нарративы также понимают, что ваш бизнес меняется, поэтому они постоянно запускаются каждую неделю, чтобы увидеть, являются ли рекомендации и интерпретации все еще действительными и будут обновлять себя соответственно.

После того, как мы прошли через все это обучение и сделали Нарративы этими невероятными инструментами для стимулирования действий, мы поняли, что большинство крупных консалтинговых фирм также узнали то же самое. McKinsey дает вам аналогичные презентации и подходы вместо простых панелей управления. Мы работаем над тем, чтобы предоставить этот уровень качества за долю цены.

Какие есть преимущества использования Narrator для инженеров по данным?

Инженеры по данным – наши самые большие сторонники! Я думаю, что это потому, что я начал как инженер по данным, и Narrator был построен с учетом их потребностей.

В Narrator моделирование данных действительно легко – вы просто сопоставляете концепции из источника истины с нашей моделью данных. Мы запускаем ряд тестов, чтобы убедиться, что это будет работать, и затем вы отправляете в производство. Narrator занимается миграцией, синхронизацией данных и обеспечивает, чтобы все было быстрое и простое.

В Narrator вы можете быстро собрать любой набор данных, который вам нужно, в течение минут и дать его любому, кто его запрашивает.

Мы также подумали обо всех маленьких вещах, которые вам нужны, и убедились, что вы их получите:

• Полная прозрачность во всех процессах и контроль над паузой, отменой, запуском и т. д..
• Возможность устанавливать оповещения на сырых данных до и после преобразования.
• Полный журнал всех изменений запроса.
• Полная видимость каждого обновления, которое происходит в таблице.
• 1 клик, чтобы материализовать любой набор данных или отправить его в Google таблицу.
• Настройка быстрых веб-хуков для отправки данных в любую систему.
• Обращение к поддержке, и вы получите инженера по данным, который поможет вам.
• Каждый запрос Narrator генерирует READABLE и прозрачный.
• Отладка любых данных с помощью быстрых временных шкал всего, что произошло с конкретным клиентом.
• Создание 1 набора данных и создание многих агрегаций на его основе (нет необходимости копировать один и тот же запрос в CTE).
• Если вы поменяете любые из строительных блоков, мы примирим все ваши данные для вас.

Есть так много больше, что инженеры по данным будут любить!

Сколько времени экономится на отчетах с Narrator по сравнению с традиционным моделированием?

Честно говоря, сравнение Narrator с традиционным моделированием – это нечестно. В Narrator все ваши данные моделируются всего за 1 день, а не за месяцы планирования, как в схеме звезды. Изменения в Narrator имеют низкий риск и легко реализуются. Создание любой таблицы мгновенное в Narrator, поскольку вам не нужно беспокоиться о том, есть ли внешний ключ, чтобы связать все вместе.

В плане анализа Narrator имеет библиотеку экспертно написанных анализов, которые вы можете мгновенно запустить. Эти анализы хорошо продуманы, протестированы на нескольких компаниях, обновляются на основе изменений вашего бизнеса, используют алгоритмы для интерпретации данных и представлены в красивом формате истории. Этот уровень работы часто выполняется командами специалистов по данным за недели (что мы делаем, но мы делаем это один раз и затем делаем его мгновенно доступным для всех).

Есть ли что-то еще, что вы хотели бы поделиться о Narrator?

Narrator отличается.

Это немного сложно понять, как и почему он работает, но как только вы начнете работать с ним, это станет понятно, и вы никогда не сможете вернуться назад.

Я взволнован миром, который Narrator делает возможным, и приглашаю всех связаться с нами, чтобы узнать больше!

Вместе мы можем принимать лучшие решения, которые создадут лучший мир.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Narrator.ai.