Доктор Деваврат Шах, сооснователь и генеральный директор Ikigai Labs – Интервью

Доктор Деваврат Шах является сооснователем и генеральным директором Ikigai Labs и является профессором и директором Центра статистики и данных в MIT. Он соосновал Celect, платформу прогностической аналитики для ритейлеров, которую он продал компании Nike. Деваврат имеет степень бакалавра и доктора философии в области компьютерных наук в Индийском технологическом институте и Стэнфордском университете соответственно.

Ikigai Labs предоставляет платформу, работающую на основе искусственного интеллекта, предназначенную для преобразования табличных и временных рядов данных предприятий в прогностические и действенные идеи. Используя запатентованные Большие графические модели, платформа позволяет бизнес-пользователям и разработчикам из различных отраслей улучшить процессы планирования и принятия решений.

Можете ли вы рассказать историю создания Ikigai Labs? Что вдохновило вас перейти от академии к предпринимательству?

На самом деле, я уже несколько лет переключался между академическим и деловым мирами. Я соосновал Ikigai Labs со своим бывшим студентом в MIT, Винайаком Рамешем. Ранее я соосновал компанию Celect, которая помогала ритейлерам оптимизировать решения по запасам с помощью прогнозирования спроса на основе искусственного интеллекта. Celect была приобретена компанией Nike в 2019 году.

Что такое Большие графические модели (БГМ), и чем они отличаются от более известных Больших языковых моделей (БЯМ)?

БГМ или Большие графические модели представляют собой вероятностный взгляд на данные. Они находятся в резком контрасте с “фундаментальными моделями”, основанными на искусственном интеллекте, такими как БЯМ.

Фундаментальные модели предполагают, что они могут “выучить” все соответствующие “шаблоны” из очень большого корпуса данных. И поэтому, когда представлен новый фрагмент данных, он может быть экстраполирован на основе соответствующей части корпуса данных. БЯМ были очень эффективными для неструктурированных данных (текст, изображение).

БГМ, с другой стороны, определяют соответствующие “функциональные шаблоны” из большого “универса” таких шаблонов, учитывая фрагмент данных. БГМ разработаны так, чтобы у них были все соответствующие “функциональные шаблоны”, имеющие отношение к структурированным (табличным, временным рядам) данным.

БГМ могут учиться и предоставлять точные прогнозы и прогнозы, используя очень ограниченные данные. Например, они могут быть использованы для выполнения высокоточных прогнозов критически важных, динамически меняющихся тенденций или бизнес-результатов.

Можете ли вы объяснить, как БГМ особенно подходят для анализа структурированных, табличных данных, и какие преимущества они предлагают по сравнению с другими моделями искусственного интеллекта в этой области?

БГМ разработаны специально для моделирования структурированных данных (т. е. табличных, временных рядов данных). В результате они обеспечивают лучшую точность и более надежные прогнозы.

Кроме того, БГМ требуют меньше данных, чем БЯМ, и поэтому имеют более низкие требования к вычислениям и хранению, что снижает затраты. Это также означает, что организации могут получить точные идеи из БГМ даже с ограниченными данными для обучения.

БГМ также обеспечивают лучшую защиту данных и безопасность. Они обучаются только на собственных данных предприятия – с дополнением из выбранных внешних источников данных (таких как погодные данные и социальные сети), когда это необходимо. Нет риска того, что конфиденциальные данные будут共享ны с публичной моделью.

В каких бизнес-сценариях БГМ обеспечивают наибольшую ценность? Можете ли вы предоставить примеры того, как они были использованы для улучшения прогнозирования, планирования или принятия решений?

БГМ обеспечивают ценность в любом сценарии, когда организация должна предсказать бизнес-результат или предвидеть тенденции, чтобы руководить своей стратегией. Другими словами, они помогают во всём спектре вариантов использования.

Представьте себе бизнес, который продает костюмы и товары на Хэллоуин и ищет идеи, чтобы принимать лучшие решения по мерчандайзингу. Учитывая их сезонность, они идут по тонкой грани: с одной стороны, компания должна избегать перепроизводства и не иметь избыточных запасов в конце каждого сезона (что означает непроданные товары и потраченный капитал). С другой стороны, они также не хотят заканчиваться запасами слишком рано (что означает, что они упускают продажи).

Используя БГМ, бизнес может найти идеальный баланс и руководить своими усилиями по мерчандайзингу. БГМ могут ответить на вопросы, такие как:

• Какие костюмы следует закупить в этом сезоне? Сколько следует закупить каждого SKU в целом?
• Как хорошо будет продаваться один SKU в конкретном месте?
• Как хорошо будет продаваться этот аксессуар с этим костюмом?
• Как мы можем избежать каннибализации продаж в городах, где у нас есть несколько магазинов?
• Как будут продаваться новые костюмы?

Как БГМ помогают в сценариях, когда данные скудны, несовместимы или быстро меняются?

БГМ используют искусственный интеллект для согласования данных, чтобы обеспечить точные идеи, даже когда они анализируют небольшие или шумные наборы данных. Согласование данных гарантирует, что данные являются последовательными, точными и полными. Оно включает в себя сравнение и проверку наборов данных для выявления несоответствий, ошибок или несоответствий. Объединяя пространственную и временную структуру данных, БГМ обеспечивают хорошие прогнозы с минимальными и ошибочными данными. Прогнозы поставляются с квантификацией неопределенности, а также с интерпретацией.

Как миссия Ikigai по демократизации искусственного интеллекта соответствует разработке БГМ? Как вы видите влияние БГМ на будущее искусственного интеллекта в бизнесе?

Искусственный интеллект меняет способ, которым мы работаем, и предприятиям необходимо быть готовыми к тому, чтобы AI-обеспечить работников всех типов. Платформа Ikigai предлагает простой опыт с низким кодом/без кода для бизнес-пользователей, а также полный опыт AI Builder и API для данных ученых и разработчиков. Кроме того, мы предлагаем бесплатное образование в нашей Академии Ikigai, чтобы любой мог выучить основы искусственного интеллекта, а также получить обучение и сертификацию на платформе Ikigai.

БГМ будут иметь огромное влияние на бизнес, стремящиеся использовать искусственный интеллект. Предприятия хотят использовать генеративный искусственный интеллект для вариантов использования, которые требуют числового прогнозирования и статистического моделирования, таких как вероятностное прогнозирование и планирование сценариев. Но БЯМ не были разработаны для этих вариантов использования, и многие организации думают, что БЯМ – это единственная форма генеративного искусственного интеллекта. Итак, они пытаются использовать Большие языковые модели для прогнозирования и планирования, и они не обеспечивают желаемого результата. Они отказываются и предполагают, что генеративный искусственный интеллект просто не способен поддерживать эти применения. Когда они обнаруживают БГМ, они осознают, что они действительно могут использовать генеративный искусственный интеллект для улучшения прогнозирования и планирования и помощи в принятии лучших бизнес-решений.

Платформа Ikigai интегрирует БГМ с человеко-ориентированным подходом через вашу функцию eXpert-in-the-loop. Можете ли вы объяснить, как это сочетание повышает точность и принятие моделей искусственного интеллекта в предприятиях?

Искусственному интеллекту необходимы ограничители, поскольку организации естественно осторожны, что технология будет работать точно и эффективно. Одним из этих ограничителей является человеческий надзор, который может помочь внедрить критически важный опыт домена и обеспечить, что модели искусственного интеллекта обеспечивают прогнозы и прогнозы, которые имеют отношение и полезны для их бизнеса. Когда организации могут поставить человеческого эксперта в роли мониторинга искусственного интеллекта, они могут ему доверять и проверять его точность. Это преодолевает значительный барьер для принятия.

Какие ключевые технологические инновации в платформе Ikigai отличают ее от других решений искусственного интеллекта, доступных на рынке?

Наша основная технология БГМ является самым большим дифференциатором. Ikigai является пионером в этой области без равных. Мой сооснователь и я изобрели БГМ во время нашей академической работы в MIT. Мы являемся инноваторами в области больших графических моделей и использования генеративного искусственного интеллекта для структурированных данных.

Какое влияние, по вашему мнению, окажут БГМ на отрасли, которые сильно полагаются на точное прогнозирование и планирование, такие как розничная торговля, управление цепочками поставок и финансы?

БГМ будут полностью трансформационными, поскольку они специально разработаны для использования на табличных и временных рядах данных, которые являются жизненной кровью каждой компании. Почти каждая организация в каждой отрасли сильно зависит от структурированного анализа данных для прогнозирования спроса и бизнес-планирования, чтобы принимать обоснованные решения в краткосрочной и долгосрочной перспективе – будь то решения, связанные с мерчандайзингом, наймом, инвестициями, разработкой продукта или другими категориями. БГМ обеспечивают нечто близкое к хрустальному шару для принятия лучших решений.

Какие следующие шаги для Ikigai Labs в развитии возможностей БГМ? Есть ли новые функции или разработки в процессе, которые вы особенно рады?

Наша существующая модель aiPlan поддерживает анализ “что, если” и сценариев. В будущем мы планируем дальнейшее развитие и обеспечение полнофункционального обучения с подкреплением для операционных команд. Это позволит команде операций выполнять планирование, управляемое искусственным интеллектом, как в краткосрочной, так и в долгосрочной перспективе.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Ikigai Labs.