Vinay Kumar Sankarapu, soustanovitelj in izvršni direktor Arya.ai – serija intervjujev

Vinay Kumar Sankarapu, je soustanovitelj in izvršni direktor podjetja Arya.ai, platforma, ki ponuja oblak 'AI' za institucije bank, zavarovalnic in finančnih storitev (BFSI), da najdejo prave API-je za umetno inteligenco, strokovne rešitve za umetno inteligenco in obsežna orodja za upravljanje z umetno inteligenco, ki so potrebna za uvajanje zaupanja vrednih in samoučečih se motorjev umetne inteligence.

Vaše ozadje je matematika, fizika, kemija in strojništvo. Ali lahko razpravljate o svoji poti do prehoda na računalništvo in umetno inteligenco?

Na IIT Bombay imamo 'program dvojne diplome', ki zagotavlja 5-letni tečaj, ki zajema tako diplomirane in magistre tehnologije. Študiral sem strojništvo s specializacijo iz 'Računalniško podprto načrtovanje in proizvodnja', kjer je računalništvo del našega učnega načrta. Za našo podiplomsko raziskavo sem se odločil za delo na področju globokega učenja. Medtem ko sem začel uporabljati DL za izdelavo ogrodja za napovedovanje napak za neprekinjeno proizvodnjo, sem končal raziskavo o uporabi CNN za napovedovanje RUL. To je bilo okoli leta 2013/14.

Arya.ai ste lansirali, ko ste bili še na fakulteti, ali lahko delite zgodbo o nastanku tega startupa?

V okviru akademskega raziskovanja smo morali porabiti 3-4 mesece za pregled literature, da smo izdelali podrobno študijo o temi, ki nas zanima, o obsegu dosedanjega dela in o tem, kaj bi lahko bilo možno področje osredotočanja naše raziskave. V letu 2012/13 so bila orodja, ki smo jih uporabljali, precej osnovna. Iskalniki, kot sta Google Scholar in Scopus, so samo iskali po ključnih besedah. Res je bilo težko razumeti količino znanja, ki je bilo na voljo. Mislil sem, da se bo ta težava le še poslabšala. Leta 2013 mislim, da je bilo vsako minuto objavljenih vsaj 30+ člankov. Danes je to vsaj 10x-20x več kot to.

Želeli smo zgraditi pomočnika z umetno inteligenco, kot je "profesor" za raziskovalce, ki bi jim pomagal predlagati temo raziskave, najti ustrezen članek, ki je najbolj posodobljen, in kar koli v zvezi z raziskavami STEM. Z našimi izkušnjami pri poglobljenem učenju smo mislili, da lahko rešimo ta problem. Leta 2013 smo začeli Arya.ai z ekipo 3 članov, nato pa se je razširil na 7 leta 2014, ko sem bil še na fakulteti.

Naša prva različica izdelka je bila zgrajena s strganjem več kot 30 milijonov dokumentov in izvlečkov. Uporabili smo najsodobnejše tehnike poglobljenega učenja v tistem času, da smo zgradili raziskovalnega asistenta STEM z umetno inteligenco in kontekstualni iskalnik za STEM. Ko pa smo asistenta za umetno inteligenco predstavili nekaj profesorjem in vrstnikom, smo ugotovili, da smo bili prezgodnji. Tokovi pogovorov so bili omejeni, uporabniki pa so pričakovali prost pretok in neprekinjene konverzije. Pričakovanja so bila takrat (2014/15) zelo nerealna, čeprav je odgovarjal na kompleksna vprašanja.

Po tem smo se usmerili k uporabi naših raziskav in se osredotočili na orodja ML za raziskovalce in podjetja kot delovno mizo za demokratizacijo globokega učenja. Toda ponovno, zelo malo podatkovnih znanstvenikov je leta 2016 uporabljalo DL. Zato smo ga začeli vertikalizirati za eno vertikalo in se osredotočili na gradnjo specializiranih slojev izdelkov za eno vertikalo, tj. Institucije za finančne storitve (FSI). Vedeli smo, da bo to delovalo, ker medtem ko si veliki igralci prizadevajo osvojiti horizontalno igro, lahko vertikalizacija ustvari velik USP za zagonska podjetja. Tokrat smo imeli prav!

Gradimo oblak AI za banke, zavarovalnice in finančne storitve z najbolj specializiranimi navpičnimi plastmi za zagotavljanje razširljivih in odgovornih rešitev AI.

Kako velik problem je problem črne skrinjice AI v financah?

Izredno pomembno! Samo 30 % finančnih institucij uporablja 'AI' v celoti. Medtem ko je eden od razlogov dostopnost, je drugi pomanjkanje zaupanja in revizijske sposobnosti 'AI'. Na nekaterih območjih so zdaj jasni predpisi glede zakonitosti uporabe umetne inteligence za primere nizke, srednje in visoko občutljive uporabe. Zakonodaja EU zahteva uporabo preglednih modelov za primere uporabe z visokim tveganjem. Številni primeri uporabe v finančnih institucijah so primeri uporabe z visokim tveganjem. Zato morajo uporabljati modele bele škatle.

Cikli navdušenja se umirjajo tudi zaradi zgodnjih izkušenj z rešitvami umetne inteligence. V zadnjem času je čedalje več primerov o učinkih uporabe "umetne inteligence" črne skrinjice, napakah "umetne inteligence", ker jih ne spremljajo, in izzivih s pravnimi osebami in upravitelji tveganja zaradi omejene revizijske sposobnosti.

Ali lahko razpravljate o razliki med spremljanjem ML in opazljivostjo ML?

 Naloga nadzornega orodja je preprosto spremljanje in opozarjanje. In naloga orodja za opazovanje ni samo spremljanje in poročanje, ampak, kar je najpomembneje, zagotavljanje dovolj dokazov za iskanje razlogov za neuspeh ali napovedovanje teh neuspehov skozi čas.

V AI/ML imajo ta orodja ključno vlogo. Medtem ko lahko ta orodja zagotovijo zahtevane vloge ali spremljanje, je obseg opazovanja ML

Zakaj so za opazovanje ML potrebne posebne platforme v primerjavi s platformami za splošne namene?

Platforme za splošne namene so zasnovane za vsakogar in vsak primer uporabe, ne glede na panogo – vsak uporabnik se lahko vključi in začne uporabljati platformo. Stranke teh platform so običajno razvijalci, podatkovni znanstveniki itd. Platforme pa povzročajo številne izzive za deležnike zaradi svoje kompleksne narave in pristopa, ki ustreza vsem.

Na žalost večina podjetij danes od strokovnjakov za podatkovno znanost zahteva, da uporabljajo platforme za splošne namene in potrebujejo dodatne rešitve/plasti izdelkov, da bi te modele lahko uporabili končni uporabniki v kateri koli vertikali. To vključuje razložljivost, revizijo, segmente/scenarije, postopke človeka v zanki, označevanje povratnih informacij, revizijo, cevovode, specifične za orodje itd.

Tu nastopijo kot prednost panožno specifične platforme AI. Platforma umetne inteligence, specifična za panogo, ima v lasti celoten potek dela za reševanje potreb ciljne stranke ali primerov uporabe in je razvita za zagotavljanje popolnega izdelka od konca do konca, od razumevanja poslovnih potreb do spremljanja učinkovitosti izdelka. Obstaja veliko ovir, specifičnih za panogo, kot so regulativni okviri in okviri skladnosti, zahteve glede zasebnosti podatkov, zahteve za revizijo in nadzor itd. Platforme in ponudbe umetne inteligence, specifične za panogo, pospešijo uvedbo umetne inteligence in skrajšajo pot do proizvodnje z zmanjšanjem časa razvoja in s tem povezanih tveganj pri uvedbi AI. Poleg tega bo to tudi pomagalo združiti strokovno znanje o umetni inteligenci v panogi kot produktni sloj, ki pomaga izboljšati sprejemanje „umetne inteligence“, spodbuditi prizadevanja za skladnost in ugotoviti skupne pristope k pomislekom glede etike, zaupanja in ugleda.

Ali lahko delite nekaj podrobnosti o platformi ML Observability, ki jo ponuja Arya.ai?

V finančnih institucijah delamo že več kot 6 let. Od leta 2016. To nam je omogočilo zgodnjo izpostavljenost edinstvenim izzivom pri uvajanju kompleksne umetne inteligence v FSI. Eden od pomembnih izzivov je bil »sprejemanje AI«. Za razliko od drugih vertikal, obstaja veliko predpisov o uporabi kakršne koli programske opreme (velja tudi za rešitve 'AI'), zasebnosti podatkov, etiki in kar je najpomembneje, finančnem vplivu na poslovanje. Za reševanje teh izzivov v velikem obsegu smo morali nenehno izumljati in dodajati nove plasti razložljivosti, revizije, tveganj uporabe in odgovornosti poleg naših rešitev – obdelava zahtevkov, prevzemanje zavarovanj, spremljanje goljufij itd. Sčasoma smo naredili sprejemljivo in razširljivo ML Okvir opazovanja za različne deležnike v industriji finančnih storitev.

Zdaj izdajamo DIY različico ogrodja kot AryaXAI (xai.arya.ai). Vsaka ML ali poslovna ekipa lahko uporabi AryaXAI za ustvarjanje zelo celovitega upravljanja AI za kritične primere uporabe. Platforma prinaša preglednost in možnost revizije za vaše rešitve AI, ki so sprejemljive za vse deležnike. AryaXAI naredi umetno inteligenco varnejšo in sprejemljivejšo za primere kritičnih uporab z zagotavljanjem zanesljive in natančne razložljivosti, ponujanjem dokazov, ki lahko podpirajo regulativno skrbnost, obvladovanjem negotovosti umetne inteligence z zagotavljanjem nadzora naprednih politik in zagotavljanjem doslednosti v proizvodnji s spremljanjem podatkov ali premika modela in opozarjanjem uporabnikov z analizo vzroka.

AryaXAI deluje tudi kot skupni potek dela in zagotavlja vpoglede, ki so sprejemljivi za vse zainteresirane strani – ekipe za podatkovno znanost, IT, skupine za tveganja, operacije in skladnost, zaradi česar sta uvajanje in vzdrževanje modelov AI/ML brezhibno in brez nereda.

Druga ponujena rešitev je platforma, ki izboljša uporabnost modela ML s kontekstualno implementacijo politike. Lahko opišete, kaj je to konkretno?

Težko je spremljati in nadzirati modele ML v proizvodnji zaradi ogromne količine funkcij in napovedi. Poleg tega je zaradi negotovosti vedenja modela izziv za upravljanje in standardizacijo upravljanja, tveganja in skladnosti. Takšne napake modelov lahko povzročijo velike izgube ugleda in finančne izgube.

AryaXAI ponuja 'Nadzor politike/tveganja', kritično komponento, ki ohranja poslovne in etične interese z uveljavljanjem politik o AI. Uporabniki lahko preprosto dodajajo/urejajo/spremenijo pravilnike za upravljanje kontrol pravilnika. To medfunkcionalnim ekipam omogoča, da določijo zaščitne ograje politike za zagotovitev stalne ocene tveganja in zaščito podjetja pred negotovostjo umetne inteligence.

Kateri so primeri uporabe teh izdelkov?

AryaXAI je mogoče implementirati za različne kritične procese v različnih panogah. Najpogostejši primeri so:

BFSI: V okolju zakonodajne strogosti AryaXAI industriji BFSI olajša uskladitev z zahtevami in zbiranje dokazov, potrebnih za obvladovanje tveganja in zagotavljanje skladnosti.

• Kreditno zavarovanje za zavarovana/nezavarovana posojila
• Prepoznavanje goljufij/sumljivih transakcij
• Revizija
• Upravljanje življenjskega cikla stranke
• Kreditna odločitev

Avtonomni avtomobili: Avtonomna vozila morajo upoštevati regulativno strogost, operativno varnost in razložljivost pri odločitvah v realnem času. AryaXAI omogoča razumevanje interakcije sistema AI z vozilom

• Analiza odločitve
• Avtonomno delovanje vozil
• Podatki o zdravstvenem stanju vozila
• Spremljanje voznega sistema AI

Skrb za zdravje: AryaXAI zagotavlja globlje vpoglede z medicinskega, tehnološkega, pravnega in pacientovega vidika. Vse od odkrivanja zdravil do proizvodnje, prodaje in trženja Arya-xAI spodbuja multidisciplinarno sodelovanje

• Odkrivanje drog
• Klinične raziskave
• Validacija podatkov kliničnih preskušanj
• Višja kakovost oskrbe

Kakšna je vaša vizija prihodnosti strojnega učenja v financah?

V zadnjem desetletju je prišlo do ogromnega izobraževanja in trženja v zvezi z AI. V tem času smo videli več ciklov navdušenja. Verjetno bi bili zdaj v 4. ali 6. ciklu hype. Prvi je, ko je Deep Learning osvojil ImageNet v letih 2011/12, čemur je sledilo delo v zvezi s klasifikacijo slik/besedila, prepoznavanjem govora, avtonomnimi avtomobili, generativnim AI in trenutno z velikimi jezikovnimi modeli. Vrzel med največjim navdušenjem in množično uporabo se zmanjšuje z vsakim ciklom navdušenja zaradi ponovitev izdelka, povpraševanja in financiranja.

Zdaj so se zgodile te tri stvari:

1. Mislim, da smo prebili okvir obsega za rešitve AI, vsaj s strani nekaj strokovnjakov. Open AI je na primer trenutno organizacija, ki ne ustvarja prihodkov, vendar predvidevajo, da bodo v 1 letih ustvarili 2 milijardo dolarjev prihodkov. Čeprav vsako podjetje z umetno inteligenco morda ne bo doseglo podobnega obsega, je predloga razširljivosti jasnejša.
2.  Opredelitev idealnih rešitev AI je skoraj jasna v vseh vertikalah: Za razliko od prejšnjih časov, ko je bil izdelek zgrajen s ponavljajočimi se poskusi za vsak primer uporabe in vsako organizacijo, so zainteresirane strani vedno bolj izobražene, da razumejo, kaj potrebujejo od rešitev AI.
3. Predpisi zdaj dohitevajo: Potreba po jasnih predpisih v zvezi z zasebnostjo podatkov in uporabo umetne inteligence je zdaj vse bolj priljubljena. Vodstveni in regulativni organi lahko objavijo ali so v postopku objave okvirov, potrebnih za varno, etično in odgovorno uporabo umetne inteligence.

Kaj je naslednje?

Eksplozija 'Model-as-a-service (MaaS)':

Videli bomo vse večje povpraševanje po predlogih "model kot storitev" ne samo horizontalno, ampak tudi vertikalno. Medtem ko 'OpenAI' predstavlja dober primer 'horitzonal MaaS', je Arya.ai primer vertikalnega 'MaaS'. Z izkušnjami uvajanja in naborov podatkov Arya.ai zbira kritične navpične nabore podatkov, ki se uporabljajo za usposabljanje modelov in jih zagotavlja kot modele plug-and-use ali vnaprej pripravljene modele.

Vertikalizacija je nova horizontala: Ta trend smo opazili pri „uvajanju oblaka“. Medtem ko se horizontalni igralci v oblaku osredotočajo na „platforme za vsakogar“, se vertikalni akterji osredotočajo na zahteve končnega uporabnika in jih zagotavljajo kot specializirano plast izdelka. To velja celo za ponudbe MaaS.

XAI in upravljanje z umetno inteligenco bosta postala norma v podjetjih: Odvisno od občutljivosti predpisov bo vsaka vertikala dosegla sprejemljiv XAI in okvir upravljanja, ki bi bil implementiran kot del zasnove, za razliko od danes, kjer se obravnava kot dodatek.

Generativni AI na tabelarnih podatkih lahko opazi svoje cikle navdušenja v podjetjih: Ustvarjanje sintetičnih naborov podatkov je domnevno ena izmed enostavno implementiranih rešitev za reševanje izzivov, povezanih s podatki v podjetjih. Skupine za podatkovne znanosti bi imele to prednost, saj je težava v njihovem nadzoru, v nasprotju s tem, da bi se zanašali na podjetje, saj lahko vzamejo čas, so dragi in ni zagotovljeno, da bodo sledili vsem korakom med zbiranjem podatkov. Sintetični podatki rešujejo težave s pristranskostjo, neravnovesjem podatkov, zasebnostjo podatkov in nezadostnimi podatki. Seveda je treba učinkovitost tega pristopa še dokazati. Kljub temu bomo z večjo zrelostjo novih tehnik, kot so transformatorji, morda videli več eksperimentiranja s tradicionalnimi nizi podatkov, kot so tabelarni in večdimenzionalni podatki. Po uspehu ima lahko ta pristop izjemen vpliv na podjetja in ponudbe MaaS.

Ali želite še kaj povedati o Arya.ai?

Arya.ai se osredotoča na reševanje 'AI' za banke, zavarovalnice in finančne storitve. Naš pristop je vertikalizacija tehnologije do zadnjega sloja in njena uporabnost ter sprejemljivost za vse organizacije in deležnike.

AryaXAI (xai.arya.ai) bo imel pomembno vlogo pri njegovem posredovanju množicam znotraj vertikale FSI. Naše tekoče raziskave o sintetičnih podatkih so bile uspešne v peščici primerov uporabe, vendar želimo narediti bolj izvedljivo in sprejemljivo možnost. Še naprej bomo dodajali več slojev našemu 'AI' oblaku, da bomo služili našemu poslanstvu.

Mislim, da bomo videli več startupov, kot je Arya.ai, ne samo v vertikali FSI, ampak v vsaki vertikali.

Hvala za odličen intervju, bralci, ki želite izvedeti več, naj ga obiščejo Arya.ai.