Интервью
Винай Кумар Санкарапу, сооснователь и генеральный директор Arya.ai – Интервью
Винай Кумар Санкарапу – сооснователь и генеральный директор Arya.ai, платформы, которая предлагает ‘AI’ облако для банков, страховых компаний и финансовых учреждений (БФСУ) для поиска правильных AI API, экспертных AI решений и комплексных инструментов управления AI, необходимых для развертывания надежных и самообучающихся AI систем.
Ваш опыт в математике, физике, химии и машиностроении, можете ли вы рассказать о вашем пути к переходу к информатике и ИИ?
В ИИТ Бомбей мы имеем ‘Программу двойного образования’, которая предоставляет 5-летний курс для изучения как бакалавриата, так и магистратуры. Я изучал машиностроение со специализацией в ‘Компьютерном проектировании и производстве’, где информатика является частью нашей программы. Для нашего постдипломного исследования я выбрал работу над глубоким обучением. Хотя я начал использовать ГЛ для создания системы прогнозирования отказов для непрерывного производства, я закончил свое исследование по использованию СНН для прогнозирования срока службы. Это было около 2013/14 года.
Вы запустили Arya.ai, еще находясь в колледже, можете ли вы рассказать о истории создания этой компании?
В рамках академических исследований нам приходилось тратить 3-4 месяца на литературный обзор, чтобы создать подробное исследование на тему интереса, объем работы, уже проделанной, и что могло бы быть возможной областью фокуса для наших исследований. В 2012/13 годах инструменты, которые мы использовали, были довольно базовыми. Поисковые системы, такие как Google Scholar и Scopus, выполняли только поиск по ключевым словам. Было очень трудно понять объем знаний, доступных в то время. Я подумал, что эта проблема только ухудшится. В 2013 году, я думаю, что не менее 30+ статей публиковались каждую минуту. Сегодня это не менее 10-20 раз больше.
Мы хотели создать ‘AI’ помощника, похожего на ‘профессора’ для исследователей, чтобы помочь им найти тему исследования, найти подходящую статью, которая является самой актуальной, и все, что связано с исследованиями в области STEM. С нашим опытом в глубоком обучении, мы подумали, что мы можем решить эту проблему. В 2013 году мы начали Arya.ai с командой из 3 человек, и затем она расширилась до 7 человек в 2014 году, пока я еще был в колледже.
Наша первая версия продукта была построена путем сбора более 30 миллионов статей и абстрактов. Мы использовали передовые методы глубокого обучения в то время, чтобы создать AI помощника для STEM исследований и контекстный поисковый движок для STEM. Но когда мы продемонстрировали AI помощника нескольким профессорам и коллегам, мы поняли, что мы были слишком рано. Конверсационные потоки были ограничены, и пользователи ожидали свободного и непрерывного общения. Ожидания были очень нереалистичными в то время (2014/15 года), даже хотя он отвечал на сложные вопросы.
После этого мы изменили направление и начали использовать наши исследования и сосредоточились на инструментах ML для исследователей и предприятий как на рабочей площадке для демократизации глубокого обучения. Но снова, очень немногие данные ученые использовали ГЛ в 2016 году. Итак, мы начали вертикализацию для одной вертикали и сосредоточились на создании специализированных продуктов для одной вертикали, т.е. финансовых услуг (ФС). Мы знали, что это сработает, потому что, хотя крупные игроки стремятся выиграть горизонтальную игру, вертикализация может создать большое уникальное торговое предложение для стартапов. На этот раз мы были правы!
Мы строим AI облако для банков, страховых компаний и финансовых услуг с самыми специализированными вертикальными слоями для предоставления масштабируемых и ответственных AI решений.
Насколько серьезной проблемой является проблема ‘черного ящика’ ИИ в финансах?
Очень важной! Только 30% финансовых учреждений используют ‘AI’ в полной мере. Хотя одной из причин является доступность, другой причиной является отсутствие доверия и аудитности ‘AI’. Регуляции теперь ясны в некоторых географиях относительно законности использования ИИ для низко-, средне- и высокочувствительных случаев использования. Это требуется законом в ЕС для использования прозрачных моделей для ‘высокорисковых’ случаев использования. Многие случаи использования в финансовых учреждениях являются высокорисковыми случаями использования. Итак, они обязаны использовать белые коробочные модели.
Гипциклы также утихают из-за раннего опыта с ИИ решениями. Есть растущее количество примеров в последнее время об эффектах использования ‘черного ящика’ ИИ, неудачах ИИ из-за отсутствия мониторинга и проблем с юридическими и риск-менеджерами из-за ограниченной аудитности.
Можете ли вы обсудить разницу между мониторингом ML и наблюдаемостью ML?
Задача мониторингового инструмента заключается просто в мониторинге и оповещении. А задача инструмента наблюдаемости заключается не только в мониторинге и отчетности, но, самое главное, в предоставлении достаточных доказательств для поиска причин неудач или прогнозирования этих неудач во времени.
В ИИ/МЛ эти инструменты играют критическую роль. Хотя эти инструменты могут выполнять необходимые роли или мониторинг, объем МЛ наблюдаемости
Почему для МЛ наблюдаемости необходимы отраслевые платформы, а не общие платформы?
Общие платформы предназначены для всех и любого случая использования, независимо от отрасли – любой пользователь может присоединиться и начать использовать платформу. Клиентами этих платформ обычно являются разработчики, данные ученые и т. д. Платформы, однако, создают несколько проблем для заинтересованных сторон из-за их сложной природы и подхода ‘один размер подходит всем’.
К сожалению, большинство бизнесов сегодня требуют экспертов в области науки о данных, чтобы использовать общие платформы, и нуждаются в дополнительных решениях/продуктовых слоях, чтобы сделать эти модели ‘пригодными’ для конечных пользователей в любой вертикали. Это включает в себя объяснимость, аудит, сегменты/сценарии, процессы ‘человек в цикле’, метки обратной связи, аудит, специфические для инструмента конвейеры и т. д.
Именно здесь отраслевые ИИ платформы входят как преимущество. Отраслевая ИИ платформа владеет整个 рабочим процессом для решения целевого потребности клиента или случая использования и разрабатывается для предоставления полного продукта от начала до конца, от понимания бизнес-потребностей до мониторинга производительности продукта. Есть много отраслевых препятствий, таких как нормативные и комплаенс-фреймворки, требования к защите данных, требования к аудиту и контролю и т. д. Отраслевые ИИ платформы и предложения ускоряют принятие ИИ и сокращают путь к производству, снижая время разработки и связанные с этим риски в развертывании ИИ. Кроме того, это также поможет объединить экспертизу ИИ в отрасли как продукт слоя, который помогает улучшить принятие ‘ИИ’, стимулировать усилия по комплаенсу и выработать общие подходы к этике, доверию и репутационным проблемам.
Можете ли вы поделиться некоторыми подробностями о платформе МЛ наблюдаемости, предлагаемой Arya.ai?
Мы работали в финансовых услугах более 6 лет. С 2016 года. Это дало нам ранний опыт уникальных проблем при развертывании сложного ИИ в ФСУ. Одной из важных проблем была ‘принятие ИИ’. В отличие от других вертикалей, есть много регуляций на использование любого программного обеспечения (также применимо для решений ИИ), защиты данных, этики и, самое главное, финансового воздействия на бизнес. Чтобы решить эти проблемы в масштабе, нам приходилось постоянно изобретать и добавлять новые слои объяснимости, аудита, рисков и подотчетности на顶 наших решений – обработки претензий, страхования, мониторинга мошенничества и т. д. Со временем мы создали приемлемую и масштабируемую МЛ наблюдаемость для различных заинтересованных сторон в финансовых услугах.
Теперь мы выпускаем DIY версию фреймворка как AryaXAI (xai.arya.ai). Любая команда МЛ или бизнес может использовать AryaXAI для создания высококомплексной ИИ управления для критически важных случаев использования. Платформа приносит прозрачность и аудитность вашим ИИ решениям, которые приемлемы для каждого заинтересованного лица. AryaXAI делает ИИ более безопасным и приемлемым для критически важных случаев использования, предоставляя надежную и точную объяснимость, предлагая доказательства, которые могут поддержать нормативную проверку, управляя неопределенностью ИИ, предоставляя передовые политики контроля и обеспечивая последовательность в производстве, мониторинг дрейфа данных или модели и оповещение пользователей с анализом коренной причины.
AryaXAI также действует как общий рабочий процесс и предоставляет информацию, приемлемую для всех заинтересованных сторон – команд науки о данных, ИТ, риска, операций и комплаенса, что делает развертывание и обслуживание ИИ/МЛ моделей бесшовным и свободным от мусора.
Другое решение, которое предлагается, – это платформа, которая повышает применимость модели МЛ с контекстной реализацией политики. Можете ли вы описать, что это конкретно?
Бывает трудно контролировать и управлять МЛ моделями в производстве из-за огромного количества функций и прогнозов. Кроме того, неопределенность поведения модели делает ее сложной для управления и стандартизации управления, риска и комплаенса. Такие неудачи моделей могут привести к тяжелым репутационным и финансовым потерям.
AryaXAI предлагает ‘Политики/контроли риска’, важнейший компонент, который сохраняет бизнес и этические интересы, обеспечивая политики на ИИ. Пользователи могут легко добавлять/редактировать/изменять политики для управления политикой контроля. Это позволяет командам, работающим в разных функциях, определять политики-ограничители для обеспечения непрерывной оценки риска, защищая бизнес от неопределенности ИИ.
Какие есть примеры случаев использования этих продуктов?
AryaXAI может быть реализован для различных критически важных процессов в разных отраслях. Наиболее распространенные примеры:
БФСУ: В среде регуляторной строгости AryaXAI делает его легко для отрасли БФСУ выровнять требования и собрать доказательства, необходимые для управления риском и обеспечения комплаенса.
- Кредитное страхование для защищенных/незащищенных кредитов
- Определение мошеннических/подозрительных транзакций
- Аудит
- Управление жизненным циклом клиента
- Принятие кредитных решений
Автономные автомобили: Автономные транспортные средства должны соответствовать регуляторной строгости, операционной безопасности и объяснимости в реальных решениях. AryaXAI позволяет понять, как система ИИ взаимодействует с транспортным средством
- Анализ решений
- Операции автономного транспортного средства
- Данные о здоровье транспортного средства
- Мониторинг системы ИИ управления
Здравоохранение: AryaXAI предоставляет более глубокие знания с медицинской, технологической, юридической и пациентской точки зрения. От открытия лекарств до производства, продаж и маркетинга, Arya-xAI способствует междисциплинарному сотрудничеству
- Открытие лекарств
- Клинические исследования
- Валидация данных клинических испытаний
- Высококачественная помощь
Каково ваше видение будущего машинного обучения в финансах?
За последнее десятилетие было огромное образование и маркетинг вокруг ‘ИИ’. Мы видели множество гипциклов в это время. Мы, вероятно, находимся на 4-м или 6-м гипцикле сейчас. Первый – это когда глубокое обучение выиграло ImageNet в 2011/12 году, за которым последовали работы по классификации изображений/текста, распознаванию речи, автономным автомобилям, генеративному ИИ и в настоящее время с большими языковыми моделями. Разрыв между пиком гипа и массовым использованием уменьшается с каждым гипциклом из-за итераций вокруг продукта, спроса и финансирования.
Эти три вещи произошли сейчас:
- Я думаю, мы разгадали схему масштабирования для ИИ решений, по крайней мере, для нескольких экспертов. Например, Open AI в настоящее время является некоммерческой организацией, но они прогнозируют доход в размере 1 миллиарда долларов в течение 2 лет. Хотя не каждая ИИ компания может достичь подобного масштаба, но шаблон масштабируемости яснее.
- Определение идеальных ИИ решений почти ясно для всех вертикалей: В отличие от ранее, когда продукт строился через итеративные эксперименты для каждого случая использования и каждой организации, заинтересованные стороны все больше образованы, чтобы понять, что им нужно от ИИ решений.
- Регуляции теперь догоняют: Необходимость ясных регуляций вокруг защиты данных и использования ИИ сейчас набирает большую популярность. Правящие органы и регулирующие органы способны публиковать или находятся в процессе публикации фреймворков, необходимых для безопасного, этичного и ответственного использования ИИ.
Что дальше?
Взрыв ‘Модели как услуги (МaaS)’:
Мы будем видеть растущий спрос на ‘Модель как услугу’ предложения не только горизонтально, но и вертикально. Хотя ‘OpenAI’ представляет собой хороший пример ‘горизонтальной МaaS’, Arya.ai является примером вертикальной ‘МaaS’. С опытом развертываний и наборов данных Arya.ai собирал критические вертикальные наборы данных, которые используются для обучения моделей и предоставления их как готовые к использованию или предварительно обученные модели.
Вертикализация – это новая горизонталь: Мы видели эту тенденцию в ‘адопции облака’. Хотя горизонтальные игроки облака фокусируются на ‘платформах для всех’, вертикальные игроки фокусируются на требованиях конечного пользователя и предоставляют их как специализированный продукт слой. Это верно даже для предложений МaaS.
XAI и управление ИИ станут нормой в предприятиях: В зависимости от чувствительности регуляций каждая вертикаль достигнет приемлемого фреймворка XAI и управления, который будет реализован как часть конструкции, в отличие от того, что это сейчас рассматривается как добавление.
Генеративный ИИ на табличных данных может увидеть свои гипциклы в предприятиях: Создание синтетических наборов данных, якобы, является одним из простых в реализации решений для решения проблем, связанных с данными, в предприятиях. Команды науки о данных будут сильно предпочитать это, поскольку проблема находится под их контролем, в отличие от того, чтобы полагаться на бизнес, как они могут занять время, быть дорогими и не гарантировать, что они будут следовать всем шагам при сборе данных. Синтетические данные решают проблемы предвзятости, дисбаланса данных, защиты данных и недостатка данных. Конечно, эффективность этого подхода еще предстоит доказать. Однако с большей зрелостью новых методов, таких как трансформеры, мы можем увидеть больше экспериментов на традиционных наборах данных, таких как табличные и многомерные данные. После успеха этот подход может иметь огромное влияние на предприятия и предложения МaaS.
Есть ли что-то еще, что вы хотели бы поделиться об Arya.ai?
Фокус Arya.ai – решение ‘ИИ’ для банков, страховых компаний и финансовых услуг. Наш подход – вертикализация технологии до последнего слоя и сделать ее приемлемой для каждой организации и заинтересованного лица.
AryaXAI (xai.arya.ai) сыграет важную роль в доставке этого массам в вертикали ФСУ. Наше продолжающееся исследование синтетических данных удалось в нескольких случаях использования, но мы стремимся сделать его более жизнеспособным и приемлемым вариантом. Мы будем продолжать добавлять больше слоев к нашему ‘ИИ’ облаку, чтобы служить нашей миссии.
Я думаю, мы будем видеть больше стартапов, подобных Arya.ai, не только в вертикали ФСУ, но и в каждой вертикали.
Спасибо за великое интервью, читателям, которые хотят узнать больше, следует посетить Arya.ai.
