Педро Альвес, генеральный директор и основатель Ople.ai – Интервью

Педро Альвес – генеральный директор и основатель Ople.ai, платформы, которая наделяет аналитиков и экспертов мощными прогностическими возможностями. Платформа оснащена знаниями и опытом ведущих мировых специалистов в области данных, чтобы пользователи могли сосредоточиться на том, что они делают действительно хорошо: создании бизнес-эффекта.

Что изначально привлекло вас к науке о данных?

В 2001 году я увидел огромный потенциал в машинном обучении и искусственном интеллекте. Изучая компьютерные науки как студент, и решая, какую специальность выбрать, я подумал: «Хорошо, ИИ/МО – это область компьютерных наук, которая, как мне кажется, интересна – вы можете помочь предсказать события в любой области. Будете ли вы в биологии, медицине или финансах, если у вас есть машинное обучение и ИИ, вы можете существенно продвинуть эти области». Мне всегда казалось, что математика, лежащая в основе этого, fascinates.

Когда я поступил в аспирантуру, я решил, что лучший способ улучшить свои знания в машинном обучении будет заключаться в том, чтобы научиться применять его. Я всегда был очень практичен; я не хотел учиться теории ради теории. Я выбрал изучать машинное обучение, применяемое к области геномики и протеомики. Все мои исследования в аспирантуре были в области вычислительной биологии, но фокус был на машинном обучении.

Скоро после этого я вступил в отрасль здравоохранения, где увидел большой потенциал для применения ИИ/МО. Тогда я начал видеть проблемы, которые ИИ имел в практике, вне академии. Я испытал реальность ИИ и узнал, как неэффективно он был применен в реальном мире, и не из-за технических проблем. Итак, я тогда стал привлечен к решению этой проблемы.

Вы ранее были главным ученым-данным в Banjo, где вы решали проблемы в области социальных сетей. Можете ли вы рассказать о некоторых из этих проблем?

Как компания, мы обнаруживали события, записанные в социальных сетях, в частности события, которые нужно было выделить как потенциальную опасность, например, ближайшую автомобильную аварию или горящее здание. Мы помогали поднять эти события, чтобы мы могли помочь мобилизовать первых респондентов. Мы использовали социальные сети во благо.

Многие из этих событий редки по отношению к данным социальных сетей. Например, происходит множество аварий каждый день в любом городе, но когда вы смотрите на объем данных социальных сетей, картинка автомобильной аварии становится довольно незначительной. Рассмотрите миллионы картинок щенков, картинок еды, еще миллион картинок селфи, и затем одну картинку автомобильной аварии, все в течение нескольких минут. По сути, в Banjo мы находили иголку в стоге сена.

Итак, одна из проблем, которая возникала, касалась компьютерного зрения. Хотя компьютерное зрение было приличным в то время, когда вы пытаетесь найти один из миллионов, даже небольшая ошибка вероятности может полностью уничтожить ваши шансы обнаружения этих редких событий.

Например, существовал публичный набор данных, который, когда использовался для обучения нейронных сетей, вызывал у них неспособность идентифицировать цвет. Даже если картинка в наборе данных была цветной, и нейронная сеть смотрела на все RGB, она не использовала цвет как указатель. Возьмите традиционную полицейскую машину и традиционный такси – оба являются одной и той же базовой моделью автомобиля и дополнительным оборудованием сверху (например, сиренами на полицейской машине или сигналом «свободно/занято» на такси). Но если вы посмотрите на цвет, разница между ними очевидна. Благодаря этому случаю мы смогли понять, что создание правильного набора данных имеет решающее значение.

В 2017 году вы затем запустили Ople. Какова история создания этой стартап-компании?

Я хотел, чтобы компании получали солидную отдачу от вложений от реализации ИИ. Согласно Gartner, между 80 и 90 процентами проектов ИИ никогда не видят свет. Это не имеет отношения к техническим аспектам, таким как точность модели. Это обычно культура компании или процедурные аспекты внутри компании.

Это может быть связано с отсутствием достаточной коммуникации между командой ученых-данных и бизнес-пользователями, что приводит к моделям, которые предсказывают что-то, что команда бизнеса не нуждается, потому что команда ученых-данных не понимала, что нужно построить. Или, если они строят правильную модель, то когда команда ученых-данных закончила, команда бизнеса не использует прогнозы вообще. В большинстве компаний отделы, такие как продажи, маркетинг и логистика, являются теми, кто действительно должен использовать ИИ, но это команда ученых-данных, которая понимает модели. Когда эти команды не понимают модели, построенные для них, они склонны не доверять их прогнозам и, следовательно, не используют их.

Итак, если ИИ не меняет, как компания ведет бизнес, какой смысл?

Мы хотели создать платформу, которая решит эту проблему – мы хотим помочь команде ученых-данных или бизнес-аналитиков, аналитикам данных, кому-либо, кто участвует в этом процессе, – построить правильные проекты и помочь сотрудникам понять и доверять моделям. Если мы решим эту проблему, то я считаю, что наука о данных может наконец стать ценной для компаний в реальном смысле.

Вы заявили, что ученые-данные тратят ценное время на выполнение задач, которые можно автоматизировать с помощью ИИ. Какие примеры задач, которые следует автоматизировать?

Ученый-данные обычно тратят несколько месяцев на создание модели, и когда она завершена, компания реализует эту модель, хотя она, вероятно, не будет такой точной, как возможно. В течение месяцев после реализации модели ученый-данных продолжит работать над ней, чтобы попытаться увеличить точность модели на небольшие инкременты. Это обычно то, где многие ученые-данные тратят свое время, когда они могли бы тратить время на другие задачи, такие как обеспечение того, чтобы сотрудники понимали, доверяли и использовали модели ИИ, реализованные в компании. Все время, потраченное на задачи, такие как инженерия функций, обучение моделей, настройка параметров и выбор алгоритма, пытаясь увеличить точность модели, можно легко автоматизировать с помощью ИИ.

Можете ли вы описать, что такое метаобучение и как Ople применяет это?

Прежде чем я перейду к метаобучению, важно понять первый слой машинного обучения. Допустим, у вас есть набор данных, который предсказывает, когда машины ломаются на заводском полу. Машина уведомляет сотрудников, что она собирается сломаться, чтобы они могли выполнить профилактическое обслуживание. Это считается первым слоем обучения.

Метаобучение, часто называемое «обучением, чтобы учиться», – это дальнейшее понимание этого процесса обучения. Итак, когда вы обучаете свою модель предсказывать ошибки машин, у вас есть другая модель, которая наблюдает. Например, вторая модель могла бы помочь бизнесу понять, какие параметры модель предсказания ошибок учит хорошо, а какие параметры не работают хорошо. Когда вы делаете метаобучение, вы становитесь лучше в построении более эффективных моделей, быстрее.

Каково ваше мнение о синтетических данных?

Синтетические данные могут быть невероятно трудными для работы, если они не выполнены правильно.

Допустим, у вас есть медицинские записи – у вас есть 20 пациентов, и для этих пациентов у вас есть их возраст, пол, вес, рост, кровяное давление, список лекарств и т. д. Возможно создать синтетические данные с помощью машинного обучения на основе этих медицинских записей. Однако, если вы полагаетесь только на машинное обучение или статистику, вы можете получить бессмысленные синтетические данные. Это может создать случайную смесь и сопоставление значений, таких как трехлетний ребенок, который ростом шесть футов, или человек ростом четыре фута, который весит тысячу фунтов. Хотя ИИ/МО надежны во многих случаях, синтетические данные, используемые для медицинских записей, потребуют участия врача.

Итак, вы привлекаете медицинского специалиста для создания параметров, таких как «если человек этого возраста, какой реалистичный диапазон роста и веса» или «если они принимают это лекарство, какие лекарства они не должны принимать». Этот процесс стал бы огромным и слишком сложным, чтобы сопоставить все возможности, поскольку они относятся к каждой медицинской записи пациента.

В области изображений, однако, синтетические данные могут быть намного проще для понимания и создания. Допустим, у вас есть картинка машины, и машина находится в верхнем левом углу. Вам не нужно быть экспертом, чтобы знать, что эта же машина может быть в нижнем левом углу, верхнем правом углу или в центре. Не только человек может указать камеру во многих направлениях, но также может реорганизовать картинку. Перемещение фокуса картинки, чтобы машина была во всех разных углах, – это создание синтетических данных – еще один простой метод – это использование вращения.

Можете ли вы дать некоторые примеры того, как Ople помогла предприятиям с их потребностями в данных?

Ople.AI дает предприятиям возможность использовать глубокий анализ данных на всех уровнях организации и дает их сотрудникам возможность разблокировать ценность ИИ всего за несколько кликов. В отличие от организаций, которые полагаются на небольшую команду ученых-данных, чтобы артикулировать и реализовать ИИ, платформа Ople.AI оснащает сотрудников в различных отделах инструментами для доступа к информации из их данных и, таким образом, увеличивает их повседневную эффективность.

Сказав это, большой препятствие, с которым сталкиваются организации при реализации ИИ, – это объяснимость модели. Это важно для предприятий предложить ИИ, который их сотрудники могут понять, и что более важно, доверять. Объяснимость модели помогает с этим. Наша цель с платформой Ople.AI – дать сотрудникам, которые могут не быть знакомы с ИИ или технологиями, возможность легко понять, как модели делают прогнозы и почему. Создание объяснимости модели принесет мощные результаты для предприятий в долгосрочной перспективе.

Кроме того, есть много больше ценности, которую модель может принести компаниям, кроме того, что она делает прогнозы. ИИ может обнаружить потенциальные проблемы или области, которые можно использовать. Мы называем это объяснимостью данных – это различные способы, которыми модель может делиться умными идеями о данных, которые ценны для компании. Это большой способ, которым ИИ может помочь бизнесу, и область, в которой мы продвигаемся по сравнению с нашей конкуренцией.

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