Ahmed Elsamadisi, grundare och VD för Narrator.ai – Intervjuserie

Ahmed Elsamadisi är grundare och VD för Narrator.ai, ett företag som specialiserar sig på dataintelligens och som tillhandahåller beslutsfattare med personliga och handlingsbara insikter.

Ahmed inledde sin karriär vid Cornells Autonoma Systemlaboratorium, där han fokuserade på mänsklig-robotinteraktion och Bayesiansk datafusion, samt byggde algoritmer för autonoma fordon.

Vad var det som ursprungligen drog dig till AI och datavetenskap?

Jag blev förälskad i hur människor fattar beslut. Jag började med psykologi, sedan social ingenjörskonst och slutligen hur vi resonerar om osäkerhet. Detta ledde mig till att dyka ner i Bayesiansk matematik och världen började göra mer mening. Jag bestämde mig för att påbörja en resa för att replikera hur vi fattar beslut.

Du har haft en fenomenal karriär, inklusive att ha arbetat vid Cornells Autonoma Systemlaboratorium. Kan du dela några höjdpunkter från den tiden?

Cornells ASL var mycket roligt! Från vår autonoma bil till en flotta av mobila robotar, fick jag uppleva att bygga, programmera och testa algoritmer och hårdvara i verkliga miljöer. Min favoritögonblick var ett projekt som jag ledde för att se om vi kunde spela ett spel med 20 frågor med alla studenter vid Cornell. Spelet var enkelt, en robot letade efter ett föremål och kunde ställa ja/nej-frågor till Cornell-studenter för att hjälpa den att hitta föremålet. En liten twist, människor kunde ljuga.

I den här situationen fanns det ingen verklig information, ingenting som var absolut sant. Jag arbetade på en algoritm som kunde fusionera information från människor och sensorer för att fatta bättre beslut. Detta projekt togs senare upp av Business Insider och blev känt som “roboten som kan säga lögner”.

De här ögonblicken, där data och algoritmer kan göra något som du inte lätt kan föreställa dig, är det som gör dessa projekt fenomenala.

Idén till Narrator uppstod från din frustration med att arbeta med data på din tidigare arbetsplats WeWork (WE ). Vad var problemen du stötte på med stjärnschemamodellering?

Varje företag använder en stjärnschema för sina datamodeller. Det är logiskt! Du bygger tabeller som representerar en uppsättning frågor som du vill besvara och sedan ger du dem till människor för att plotta dem. Utmaningen är att frågorna ständigt växer och förändras, och därmed är de tabeller du bygger aldrig tillräckliga för att besvara alla möjliga frågor. Den enda lösningen är att bygga fler tabeller, vilket orsakar en avvikelse från sanningens ursprung.

Jag googlar alltid “luftflödesdatamodellering” för att visa människor vad den bästa modelleringsskiktet är, och det är komplext. Hundratals tabeller som är beroende av varandra.

Det var det enda alternativet. På WeWork pratade jag med många enhörningar och såg samma situation som vi stod inför. Vi spenderade miljoner dollar på dataverktyg. Vi byggde hundratals modeller. Data förlorade fortfarande förtroende och misslyckades med att besvara frågor i tid. Sedan byggde vi om systemet var 1-2 år med de senaste verktygen, men med samma tillvägagångssätt.

Om varje företag som implementerade en stjärnschema slutade med att behöva bygga om sitt system, då finns det ett problem med ramverket.

Hur kom du på en bättre lösning för att arbeta med data?

Initialt tog jag inspiration från databloggar. I en blogg kan ett företag berätta en historia om en kund och en analys utan att visa oss deras datamodell. De använder kunder som utför åtgärder i tid för att förklara någon analys av algoritmer. Effektivt är detta alla koncept som alla förstår (en användare visade webbplatsen, sedan bokade ett möte). Jag undrade varför den här strukturen inte användes i data om den verkar ha potentialen att representera allt. Det korta svaret är att den här datamodellen är mycket svår att fråga med BI-verktyg (det finns ingenting att koppla till).

Vår datamodell, som vi kallar en aktivitetsschema, tycktes ha potentialen att verkligen förändra världen. Den kunde tillåta varje företag att ha en enda datamodell som kan besvara vilken fråga som helst. Varje företag kunde ha samma datamodell – och därmed kunde analys och algoritmer delas mellan företag för första gången. Och slutligen kunde den skapa en gemensam metod för datafolk att arbeta tillsammans och prata om data.

Jag trodde att detta kunde revolutionera dataindustrin, så jag lämnade WeWork 2017 med målet att göra aktivitetsschemat frågbart.

Narrators utdata är formaterad på ett sätt som är ganska annorlunda än vad de flesta av oss har vant oss vid. Kan du förklara vad Narrativ är och hur de är formaterade som en berättelse?

Narrativ är handlingsbara analyser i en berättelseformat.

Vi, som datafolk, är så vana vid instrumentpaneler. Men instrumentpaneler är ett medel till ett mål. Instrumentpaneler visar dig data och du behöver tolka det själv:

1. Figurera ut hur du läser de hundratals olika visualiseringarna.
2. Kombinera data i ditt huvud för att figura ut vad som verkligen händer.
3. Skapa en berättelse i ditt huvud som gör mening av datapunkterna.
4. Besluta om en åtgärd att vidta.

Utmaningen med den här processen är att varje person som tittar på en instrumentpanel kommer att komma fram till en annan berättelse och en annan rekommendation. Detta är en naturlig bias.

Målet med Narrator var att driva åtgärder baserat på data. När vi itererade såg vi att våra kunder behövde berättelser och tolkningar för att fatta beslut, och det är vad vi gav dem.

Narrativ börjar med ett tydligt mål. De ger en rekommendation. Sedan visar de dig de viktigaste punkterna som du kommer att få. Slutligen går de igenom analysen. Varje sektion berättar en historia om något vi lär oss och data används som stöd för bevis.

Visa 100 personer samma Narrativ och de kommer alla tillbaka med samma rekommendation och tolkning.

Narrativ förstår också att ditt företag förändras, så de körs ständigt varje vecka för att se om rekommendationerna och tolkningarna fortfarande är giltiga och kommer att uppdatera sig själva enligt behov.

Efter att ha gått igenom allt detta lärande och skapat Narrativ till dessa otroliga handlingsdrivande verktyg, insåg vi att de flesta stora konsultföretag också hade lärt sig samma sak. McKinsey ger dig liknande presentationer och tillvägagångssätt istället för bara instrumentpaneler. Vi arbetar för att tillhandahålla den här nivån av kvalitet för en bråkdel av priset.

Vad är några av fördelarna med att använda Narrator för dataingenjörer?

Dataingenjörer är våra största förespråkare! Jag tror att det är för att jag började som dataingenjör att Narrator byggdes med dem i åtanke.

I Narrator är det väldigt enkelt att modellera data – du behöver bara mappa koncept från sanningens ursprung till vår datamodell. Vi kör en mängd tester för att säkerställa att det kommer att fungera och sedan trycker du på produktion. Narrator hanterar migrationen, synkroniserar data och säkerställer att allt är snabbt och enkelt.

Inom Narrator kan du snabbt montera vilken datamängd du vill på några minuter och ge den till vem som helst som begär det.

Vi tänkte också på alla små saker som du behöver och såg till att du fick dem:

• Fullständig transparens i all bearbetning och kontroll för att pausa, avbryta, kör nu, etc.
• Förmåga att lägga till varningar på rådata före och efter transformationen.
• Fullständig logg över alla ändringar av frågan.
• Fullständig synlighet för varje uppdatering som sker i tabellen.
• 1 klick för att materialisera valfri datamängd eller skicka den till Google -ark.
• Ställ in snabba webhooks för att skicka data till vilket system som helst.
• Kontakta support och du kommer att få en dataingenjör som hjälper dig.
• Varje fråga som Narrator genererar är LÄSLIG och transparent.
• Felsök vilken data som helst med snabba tidsaxlar för allt som har hänt med en specifik kund.
• Bygg en datamängd och skapa många aggregeringar ovanpå den (ingen behov av att kopiera samma fråga i en CTE).
• Om du byter ut någon av byggblocken, så försonar vi all din data åt dig.

Det finns så mycket mer som dataingenjörer kommer att älska!

Hur mycket tid sparas med att göra rapporter med Narrator jämfört med traditionell modellering?

Ärligt talat, att jämföra Narrator med traditionell modellering är orättvist. I Narrator är all din data modellerad på bara en dag, istället för månader av planering som i en stjärnschema. Förändringar i Narrator är lågrisk och enkelt. Att skapa vilken tabell som helst är omedelbart i Narrator, eftersom du inte behöver oroa dig för om det finns en utländsk nyckel för att koppla ihop saker.

När det gäller analyser har Narrator en bibliotek av expertskrivna analyser som du kan köra omedelbart. Dessa analyser är väl genomtänkta, testade på flera företag, uppdaterade baserat på dina affärsförändringar, utnyttjar algoritmer för att tolka data och presenteras vackert i en berättelseformat. Den här nivån av arbete görs ofta av team av datafolk under veckor (vilket är vad vi gör, men vi gör det en gång och sedan gör det omedelbart tillgängligt för alla).

Finns det något annat du vill dela om Narrator?

Narrator är annorlunda.

Det är lite svårt att förstå hur och varför det fungerar, men när du väl börjar med det, kommer det att klicka och du kommer aldrig att kunna gå tillbaka.

Jag är spänd av den värld som Narrator gör möjlig och välkomnar alla att kontakta mig för att lära sig mer! Tillsammans kan vi fatta bättre beslut som kommer att skapa en bättre värld.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Narrator.ai.