Интервјуи
Винаи Кумар Санкарапу, суоснивач и извршни директор Ариа.аи – серија интервјуа
Винаи Кумар Санкарапу, суоснивач је и извршни директор Ариа.аи, платформа која нуди 'АИ' облак за банке, осигураваче и финансијске услуге (БФСИ) институције да пронађу праве АИ АПИ-је, експертска АИ решења и свеобухватне алате за управљање вештачком интелигенцијом потребне за примену поузданих и самоучећих АИ мотора.
Ваше искуство је у математици, физици, хемији и машинству, да ли бисте могли да разговарате о свом путу ка преласку на рачунарство и вештачку интелигенцију?
У ИИТ Бомбају имамо 'Дуал Дегрее Програм' који обезбеђује 5-годишњи курс који покрива и дипломиране технологије и магистре технологије. Завршио сам машинство са специјализацијом из „Пројектовање и производња помоћу рачунара, где је рачунарство део нашег наставног плана и програма. За наше постдипломско истраживање, изабрао сам да радим на дубоком учењу. Док сам почео да користим ДЛ да бих направио оквир за предвиђање неуспеха за континуирану производњу, завршио сам своје истраживање о коришћењу ЦНН-а за предвиђање РУЛ-а. Било је то око 2013/14.
Покренули сте Ариа.аи док сте још били на колеџу, да ли бисте могли да поделите причу о настанку овог покретања?
У оквиру академског истраживања, морали смо да потрошимо 3-4 месеца на преглед литературе како бисмо направили детаљну студију о теми која нас занима, о обиму до сада обављеног посла и о томе шта би могло бити могуће подручје фокуса нашег истраживања. Током 2012/13, алати које смо користили били су прилично основни. Претраживачи као што су Гоогле сцхолар и Сцопус само су вршили претрагу по кључним речима. Било је заиста тешко схватити обим знања које је било доступно. Мислио сам да ће се овај проблем само погоршати. У 2013. години, мислим да је објављено најмање 30+ радова сваког минута. Данас је то најмање 10к-20к од тога.
Желели смо да направимо „АИ“ асистента као „професора“ за истраживаче који би им помогао да предложе тему истраживања, пронађу одговарајући рад који је најактуелнији и било шта у вези са СТЕМ истраживањем. Са нашим искуством у дубоком учењу, мислили смо да можемо да решимо овај проблем. 2013. смо покренули Ариа.аи са тимом од 3, а онда се проширио на 7 у 2014. док сам још био на колеџу.
Наша прва верзија производа направљена је стругањем више од 30 милиона радова и сажетака. Користили смо најсавременије технике дубоког учења у то време да бисмо направили помоћника за истраживање АИ СТЕМ и контекстуални претраживач за СТЕМ. Али када смо представили АИ асистента неколицини професора и колега, схватили смо да смо прерано. Токови разговора су били ограничени, а корисници су очекивали слободан ток и непрекидне конверзије. Очекивања су била веома нереална у то време (2014/15) иако је одговарало на сложена питања.
Након тога, окренули смо се да користимо наше истраживање и фокусирамо се на МЛ алате за истраживаче и предузећа као радну површину за демократизацију дубоког учења. Али опет, врло мало научника за податке је користило ДЛ у 2016. Дакле, почели смо да га вертикализирамо за једну вертикалу и фокусирали се на изградњу специјализованих слојева производа за једну вертикалу, тј., институције за финансијске услуге (ФСИ). Знали смо да ће ово функционисати јер док велики играчи имају за циљ да победе у хоризонталној игри, вертикизација може створити велики УСП за стартапове. Овај пут смо били у праву!
Градимо облак вештачке интелигенције за банке, осигураваче и финансијске услуге са најспецијализованијим вертикалним слојевима за испоруку скалабилних и одговорних АИ решења.
Колико је велики проблем проблем црне кутије вештачке интелигенције у финансијама?
Изузетно важно! Само 30% финансијских институција користи 'АИ' у свом пуном потенцијалу. Док је један од разлога доступност, други је недостатак поверења у 'АИ' и могућност ревизије. Прописи су сада јасни у неколико географских подручја о законитости употребе АИ за случајеве употребе ниске, средње и високе осетљивости. Закон у ЕУ захтева да се користе транспарентни модели за случајеве „високог ризика“. Многи случајеви употребе у финансијским институцијама су случајеви коришћења високог ризика. Дакле, од њих се захтева да користе моделе беле кутије.
Хипе циклуси се такође смирују због раног искуства са АИ решењима. Све је већи број примера у последње време о ефектима коришћења црне кутије 'АИ', неуспехима 'АИ' због ненадгледања и изазова са правним и менаџерима ризика због ограничене ревизијске способности.
Можете ли да разговарате о разлици између праћења МЛ и уочљивости МЛ?
Посао алата за праћење је једноставно да надгледа и упозорава. А посао алата за посматрање није само да надгледа и извештава, већ, што је најважније, да обезбеди довољно доказа да се пронађу разлози за неуспех или да се предвиди ове неуспехе током времена.
У АИ/МЛ, ови алати играју кључну улогу. Иако ови алати могу да испоруче потребне улоге или праћење, обим уочљивости МЛ
Зашто су потребне платформе специфичне за индустрију за уочљивост МЛ у односу на платформе опште намене?
Платформе опште намене су дизајниране за свакога и сваки случај употребе, без обзира на индустрију – сваки корисник може да се укључи и почне да користи платформу. Корисници ових платформи су обично програмери, научници података итд. Међутим, платформе стварају неколико изазова за заинтересоване стране због своје сложене природе и приступа „једна величина за све“.
Нажалост, већина предузећа данас захтева од стручњака за науку података да користе платформе опште намене и потребна су им додатна решења/слојеви производа како би ове моделе учинили „употребљивим“ крајњим корисницима у било којој вертикали. Ово укључује објашњивост, ревизију, сегменте/сценарије, процесе „људ у петљи“, означавање повратних информација, ревизију, цевоводе специфичне за алате итд.
Овде као предност долазе платформе за вештачку интелигенцију специфичне за индустрију. Платформа вештачке интелигенције специфична за индустрију поседује цео ток посла како би решила потребе или случајеве употребе циљаних купаца и развијена је да обезбеди комплетан производ од краја до краја, од разумевања пословних потреба до праћења перформанси производа. Постоје многе препреке специфичне за индустрију, као што су регулаторни оквири и оквири усклађености, захтеви за приватност података, захтеви ревизије и контроле, итд. Платформе и понуде АИ специфичне за индустрију убрзавају усвајање АИ и скраћују пут до производње смањујући време развоја и повезане ризике у АИ увођењу. Штавише, ово ће такође помоћи да се споји АИ експертиза у индустрији као слој производа који помаже у побољшању прихватања „АИ“, подстицању напора за усаглашеност и откривању заједничких приступа етици, поверењу и забринутости за репутацију.
Можете ли поделити неке детаље о платформи МЛ Обсервабилити коју нуди Ариа.аи?
Радимо у институцијама финансијских услуга више од 6+ година. Од 2016. Ово нам је омогућило рано излагање јединственим изазовима у примени сложене вештачке интелигенције у ФСИ. Један од важних изазова био је „прихватање АИ. За разлику од других вертикала, постоји много прописа о коришћењу било ког софтвера (примењиво и за 'АИ' решења), приватности података, етике и што је најважније, финансијског утицаја на пословање. Да бисмо решили ове изазове у великом обиму, морали смо да непрестано измишљамо и додајемо нове слојеве објашњења, ревизије, ризика коришћења и одговорности поврх наших решења – обрада захтева, преузимање осигурања, праћење превара итд. Временом смо направили прихватљив и скалабилан МЛ Оквир за посматрање за различите заинтересоване стране у индустрији финансијских услуга.
Сада објављујемо „уради сам“ верзију оквира као АриаКСАИ (каи.ариа.аи). Сваки МЛ или пословни тим може да користи АриаКСАИ за креирање веома свеобухватног управљања вештачком интелигенцијом за критичне случајеве употребе. Платформа доноси транспарентност и могућност ревизије вашим АИ решењима која су прихватљива за све заинтересоване стране. АриаКСАИ чини вештачку интелигенцију безбеднијом и прихватљивијом за случајеве критичне употребе пружајући поуздану и тачну објашњивост, нудећи доказе који могу да подрже регулаторну пажњу, управљање неизвесношћу вештачке интелигенције обезбеђивањем напредних контрола политике и обезбеђивање доследности у производњи праћењем података или померања модела и упозоравањем корисника са анализом основног узрока.
АриаКСАИ такође делује као заједнички радни ток и пружа увиде прихватљиве за све заинтересоване стране – за науку о подацима, ИТ, ризик, операције и усклађеност, чинећи увођење и одржавање АИ/МЛ модела беспрекорним и без нереда.
Друго решење које се нуди је платформа која побољшава применљивост модела МЛ применом контекстуалне политике. Можете ли описати шта је ово конкретно?
Постаје тешко пратити и контролисати МЛ моделе у производњи, због огромног броја функција и предвиђања. Штавише, несигурност понашања модела чини изазовом управљање и стандардизацију управљања, ризика и усклађености. Такви кварови модела могу довести до великих репутацијских и финансијских губитака.
АриаКСАИ нуди 'контролу политике/ризика', критичну компоненту која чува пословне и етичке интересе спровођењем политика на АИ. Корисници могу лако да додају/уређују/модификују смернице да би управљали контролама смерница. Ово омогућава вишефункционалним тимовима да дефинишу заштитне ограде како би се осигурала континуирана процена ризика, штитећи пословање од неизвесности вештачке интелигенције.
Који су неки примери случајева употребе ових производа?
АриаКСАИ се може имплементирати за различите процесе критичне за мисију у различитим индустријама. Најчешћи примери су:
БФСИ: У окружењу регулаторне строгости, АриаКСАИ олакшава индустрији БФСИ да се усклади са захтевима и прикупи доказе потребне за управљање ризиком и обезбеђивање усклађености.
- Осигурање кредита за сигурне/необезбеђене кредите
- Идентификовање преваре/сумњивих трансакција
- Ревизија
- Управљање животним циклусом купаца
- Одлучивање о кредиту
Аутономни аутомобили: Аутономна возила треба да се придржавају строгости прописа, оперативне безбедности и објашњивости у одлукама у реалном времену. АриаКСАИ омогућава разумевање начина на који АИ систем комуницира са возилом
- Анализа одлука
- Аутономне операције возила
- Подаци о здравственом стању возила
- Мониторинг АИ система вожње
Здравствена заштита: АриаКСАИ пружа дубљи увид из медицинске, технолошке, правне и перспективе пацијената. Од откривања лекова до производње, продаје и маркетинга, Ариа-кАИ негује мултидисциплинарну сарадњу
- Откривање дроге
- Клиничка истраживања
- Валидација података о клиничком испитивању
- Квалитетнија нега
Која је ваша визија будућности машинског учења у финансијама?
Током протекле деценије, дошло је до огромног образовања и маркетинга око 'АИ'. Видели смо више циклуса хипе током овог времена. Вероватно бисмо сада били у 4. или 6. циклусу хиперактивности. Први је када је Дееп Леарнинг освојио ИмагеНет 2011/12, након чега је уследио рад око класификације слика/текста, препознавања говора, аутономних аутомобила, генеративне вештачке интелигенције и тренутно са великим језичким моделима. Јаз између врхунца и масовне употребе смањује се са сваким циклусом хипе-а због итерација око производа, потражње и финансирања.
Ове три ствари су се сада десиле:
- Мислим да смо разбили оквир скале за АИ решења, барем од стране неколико стручњака. На пример, Опен АИ је тренутно организација која не ствара приходе, али се предвиђа да ће остварити приход од милијарду долара у року од 1 године. Иако свака компанија са вештачком интелигенцијом можда неће постићи сличну скалу, шаблон скалабилности је јаснији.
- Дефиниција идеалних АИ решења је скоро јасна за све вертикале: За разлику од раније, где је производ направљен кроз итеративне експерименте за сваки случај употребе и сваку организацију, заинтересоване стране су све више образоване да разумеју шта им је потребно од АИ решења.
- Прописи сада сустижу: Потреба за јасним прописима о приватности података и коришћењу вештачке интелигенције сада добија велику пажњу. Органи управљања и регулаторна тела могу да објаве или су у процесу објављивања оквира потребних за безбедну, етичку и одговорну употребу вештачке интелигенције.
Шта је следеће?
Експлозија 'Модел-ас-а-сервице(МааС)':
Видећемо све већу потражњу за пропозицијама 'Модел-као-услуга' не само хоризонтално већ и вертикално. Док „ОпенАИ“ представља добар пример „Хоризоналног МааС-а“, Ариа.аи је пример вертикалног „МааС-а“. Са искуством у примени и скуповима података, Ариа.аи прикупља критичне вертикалне скупове података који се користе за обуку модела и обезбеђују их као плуг-анд-усе или унапред обучене моделе.
Вертикализација је нова хоризонтала: Овај тренд смо видели у „усвајању у облаку“. Док се хоризонтални играчи у облаку фокусирају на 'платформе-за-све', вертикални играчи се фокусирају на захтеве крајњег корисника и пружају их као специјализовани слој производа. Ово важи чак и за МааС понуде.
КСАИ и АИ управљање ће постати норма у предузећима: У зависности од осетљивости прописа, свака вертикала ће постићи прихватљив КСАИ и оквир управљања који би се имплементирао као део дизајна, за разлику од данас, где се третира као додатак.
Генеративна АИ на табеларним подацима може да види своје циклусе узбуђења у предузећима: Креирање синтетичких скупова података је наводно једно од решења лаких за имплементацију за решавање изазова везаних за податке у предузећима. Тимови за науку о подацима би то више волели јер је проблем у њиховој контроли, за разлику од ослањања на посао јер може потрајати, бити скуп и није гарантовано да ће пратити све кораке током прикупљања података. Синтетички подаци решавају проблеме пристрасности, неравнотеже података, приватности података и недовољно података. Наравно, ефикасност овог приступа тек треба да се докаже. Ипак, са више зрелости у новим техникама као што су трансформатори, можда ћемо видети више експериментисања на традиционалним скуповима података као што су табеларни и вишедимензионални подаци. Након успеха, овај приступ може имати огроман утицај на предузећа и МааС понуде.
Постоји ли још нешто што бисте желели да поделите о Ариа.аи?
Фокус Ариа.аи је решавање „АИ“ за банке, осигураваче и финансијске услуге. Наш приступ је вертикализација технологије до последњег слоја и чињење употребљивом и прихватљивом за сваку организацију и заинтересовану страну.
АриаКСАИ (каи.ариа.аи) ће играти важну улогу у њеној испоруци масама унутар ФСИ вертикале. Наше текуће истраживање синтетичких података успело је у неколико случајева коришћења, али ми желимо да то учинимо одрживијом и прихватљивијом опцијом. Наставићемо да додајемо још слојева у наш „АИ“ облак да бисмо служили нашој мисији.
Мислим да ћемо видети више стартапова као што је Ариа.аи, не само у ФСИ вертикали већ у свакој вертикали.
Хвала вам на одличном интервјуу, читаоци који желе да сазнају више треба да посете Ариа.аи.
