Pedro Alves, CEO и основатель Ople.ai – Интервью

Pedro Alves является CEO и основателем Ople.ai, платформы, которая наделяет аналитиков и экспертов предметной области мощными прогностическими аналитиками. Платформа оснащена знаниями и опытом ведущих мировых специалистов в области данных, чтобы пользователи могли сосредоточиться на том, в чем они действительно хороши: 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 подобласть продолжить, я подумал: ладно, ИИ/МО – это область компьютерных наук, которая, по моему мнению, 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 значительно продвинуть эти области. Я всегда считал, что математика, лежащая в его основе, fascinates.

Когда я поступил в аспирантуру, я решил, что лучший способ улучшить свою экспертизу в машинном обучении будет заключаться в том, чтобы научиться применять его. Я всегда был очень практичным; я не хотел учиться теории ради теории. Я выбрал изучать машинное обучение, поскольку оно применяется к области геномики и протеомики. Вся моя аспирантская работа была 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. Вот 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, затем я стал привлечен к решению этой проблемы.

Вы ранее были главным ученым-данным в Banjo, где вы решали проблемы в области социальных сетей. Не могли бы вы обсудить некоторые из этих проблем?

Как компания, мы обнаруживали события, записанные в социальных сетях, в частности события, которые необходимо было выделить как потенциальную опасность, например, ближайшую автомобильную аварию или горящее здание. Мы помогали поднять эти события, чтобы мы могли进一步 помочь мобилизовать первых респондентов. Мы использовали социальные сети во благо.

Многие из этих событий редки по отношению к данным социальных сетей. Например, есть много аварий, которые происходят 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, одной из проблем, которые возникали, была связана с компьютерным зрением. Хотя компьютерное зрение было приличным в то время, когда вы пытаетесь найти одну из нескольких миллионов, даже небольшая ошибка вероятности может полностью уничтожить ваши шансы на обнаружение этих редких событий.

Например, был публичный набор данных, который, когда использовался для обучения нейронных сетей, вызывал у них невозможность идентифицировать цвет. Даже если картинка в наборе данных была цветной, и нейронная сеть смотрела на все RGB, она не использовала цвет как указание. Возьмите традиционный полицейский автомобиль и традиционный такси – оба являются одним и тем же базовым автомобильным моделью и дополнительным механизмом сверху (т.е. сиренами на полицейском автомобиле 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 была история создания этого стартапа?

Я хотел, чтобы компании получали солидную отдачу от инвестиций 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 специалистов по данным и бизнес-пользователями, что приводит к моделям, которые предсказывают что-то, что бизнес-команда не нуждается, потому что команда специалистов по данным не понимала, что нужно построить. Или, если они построили правильную модель, то, когда команда специалистов по данным закончила, бизнес-команда не воспользовалась прогнозами вообще. В большинстве компаний отделы, такие как продажи, маркетинг и логистика, являются теми, кто действительно должен использовать ИИ, но это команда специалистов по данным, 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 разберется с этим – мы хотим помочь команде специалистов по данным или бизнес-аналитикам, аналитикам данных, кому-либо, кто участвует в компании в этом процессе, – построить правильные проекты и помочь сотрудникам понять и доверять моделям. Если мы исправим это, то я считаю, что наука о данных может наконец быть 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 завершение модели, и когда она завершена, компания реализует указанную модель, хотя она, вероятно, не будет такой точной, как возможно. В течение месяцев после реализации модели ученый-данные продолжат работать над ней, пытаясь увеличить точность модели на небольшие инкрементные суммы. 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, установленные на месте. Все это 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.

Не могли бы вы описать, что такое meta-обучение и как Ople применяет это?

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

Meta-обучение, часто известное как “обучение, чтобы учиться”, – это дальнейшее понимание этого процесса обучения. Итак, когда вы обучаете свою модель, чтобы предсказать ошибки машин, у вас есть другая модель, которая наблюдает. Например, вторая модель могла бы помочь бизнесу понять, какие параметры модель прогностического обслуживания учит хорошо, а какие параметры не работают хорошо. Когда вы делаете meta-обучение, 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 сочетание 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 ввода медицинского специалиста.

Итак, вы вовлекаете медицинского специалиста, чтобы создать параметры, такие 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 неизбежно станет огромным начинанием и слишком сложным, чтобы составить все возможности, поскольку они относятся к медицинским записям каждого пациента.

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

Не могли бы вы дать некоторые примеры того, как Ople смог помочь предприятиям с их потребностями в данных?

Ople.AI дает предприятиям возможность использовать глубокие аналитические данные на всех уровнях организации и дает их сотрудникам возможность разблокировать ценность ИИ, всего лишь в 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, увеличения их ежедневной эффективности.

Сказав это, большим препятствием, с которым часто сталкиваются организации при реализации ИИ, является объяснимость модели. Это важно для предприятий предложить ИИ, который их сотрудники могут понять, и более важно, доверять. Объяснимость модели помогает с этим. Наша цель с платформой Ople.AI – дать сотрудникам, которые могут не быть грамотными в ИИ или технологиях, 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 поделиться 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, читатели, которые хотят узнать больше, должны посетить Ople.ai.