Brian Sathianathan, Chief Technology Officer & Co-Founder of Iterate.ai – Intervju-serie

Brian Sathianathan är Chief Technology Officer och medgrundare till Iterate.ai, skapare av den lågkodiga plattformen Interplay för att snabbt bygga AI-baserade applikationer inom olika branscher. Tidigare arbetade Sathianathan på Apple med olika projekt inom ny teknik, inklusive Mac-operativsystemet och den första iPhone.

Vad var det som initialt drog dig till att arbeta med AI-teknologier?

Jag har alltid varit intresserad av algoritmbaserat lärande, och jag började arbeta med AI-system under mina collegedagar. Dessutom tillbringade jag en hel del tid tidigt i min karriär med att bygga kryptering och andra säkerhetsteknologier för Apple, och videokomprimeringsteknologier för ett företag som jag tidigare var med och grundade. Både video- och kryptoteknologier är mycket algoritmbaserade, och det gjorde min lärkurva i AI/ML snabbare. Omkring 2016 började jag att experimentera med öppen källkod AI-ramverk/GPU:er, och insåg hur långt de hade kommit under de senaste fem åren – både från ett algoritmperspektiv och deras förmåga att göra en bredare range av klassificeringar. Då insåg jag ett behov av att göra detta lättare och enklare för alla att använda.

Du har starka åsikter om kognitiv bias och data bias i AI, kan du dela dessa bekymmer?

AI-bias uppstår när ingenjörer låter sina egna åsikter och förutfattade meningar forma deras AI-träningsdata. Detta undergräver snabbt vad de försöker uppnå med AI. Oftast är denna påverkan undermedveten, så de kanske inte ens är medvetna om att bias har letat sig in i deras data. Utan effektiva kontroller och balanser kan data begränsas till endast de punkter eller demografiska grupper som ingenjörerna är benägna att överväga. Även när ingenjörerna har en hög kvalitet och volym av data att arbeta med, kan bias i datauppsättningarna göra resultaten som levereras av AI-applikationer inkorrekta och, i många fall, i stort sett värdelösa.

En rapport från Gartner uppskattade att 85% av AI-projekt kommer att ge felaktiga resultat på grund av bias fram till 2030. Det är ett stort gap att övervinna. Företag som investerar i, litar på och fattar strategiska beslut baserat på AI – för att sedan bli vilseledda av felaktiga slutsatser som har sitt ursprung i bias – riskerar dyra misslyckanden och skador på deras rykte. Med AI som snabbt förändras från en ny teknik till en allomfattande hörnsten över både kundorienterade applikationer och interna processer, är det viktigt att avlägsna bias för att förverkliga AI:s verkliga potential.

Vilka är några sätt att förhindra dessa typer av bias?

AI-bias måste systematiskt och proaktivt upptäckas och avlägsnas. Bias kan vara inbyggt i algoritmer. Inexaktheter kan införas via kognitiva bias som helt enkelt utelämnar nödvändig data. Aggregeringsbias är ännu en risk här, där en serie små beslut adderar upp till snedvridna AI-resultat.

Att upptäcka och eliminera AI-bias i alla dess former kräver att organisationer använder ramverk, verktyg, processer och policys som är utformade för att effektivt mildra dessa problem. Till exempel kan AI-ramverk som Aletheia Framework från Rolls Royce och Deloittes AI-ramverk – kompletterat med automatiskt påtvingade benchmark – främja biasfria metoder över AI-applikationsutveckling och distribution. Verktyg som AI Fairness 360 och IBM Watson OpenScale kan känna igen och avlägsna bias och biasmönster i maskinlärningsmodeller och pipelines. Slutligen kan processer som testar data mot definierade bias-mått, kombinerat med policys som tillhandahåller styrning för att avskräcka bias genom påtvingade metoder, möjliggöra för organisationer att vara systematiska i att kontrollera sina blindfläckar och begränsa AI-bias.

Du är CTO och medgrundare till Iterate.ai – hur började det hela?

Den historien börjar 2013 när medgrundare Jon Nordmark (vår VD) och jag båda tjänstgjorde som styrelseledamöter i en östeuropeisk accelerator belägen i Ukraina, utformad för att hjälpa entreprenörer där att bygga och driva startups i Silicon Valley-stil. Dessa erfarenheter med fantastiskt innovativa nya företag ledde oss till idén att para ihop lovande (men kanske mindre kända) startups med stora företag som behövde innovationsstöd. Vi lanserade därefter vad som då kallades Iterate Studio, som erbjöd en specialiserad sökmotor för företag att hitta startup-partner baserat på de innovativa förmågor som dessa större organisationer sökte. 2015 bytte företaget namn till Iterate.ai för att betona vår AI-drivna startup-kurering. Idag indexerar vår Signals-databas mer än 15,7 miljoner startup-teknologier baserat på många faktorer (och med hjälp av proprietär AI för att göra det möjligt i den här skalan).

Vi utvidgade 2017 och lanserade den första versionen av vår Interplay-plattform för lågkodig applikationsutveckling. Interplay tillhandahåller ett AI-bränsleprogramvarulager som moderniserar företagens äldre teknikstackar genom att möjliggöra drag-and-drop-användning av innovativa teknologier samtidigt som det accelererar programvaruutvecklingen tiofaldigt. Den lågkodiga plattformen har 475 förbyggda komponenter, så användare kan blanda och matcha de teknologier de behöver för att snabbt skapa applikationer. AI-aktivering är kärnan i plattformen, samt andra lågkodskomponenter för IoT, dataintegrering och till och med blockchain.

Iterate är en lågkodplattform för utveckling av AI-bränsle-applikationer; vad är några av de AI-applikationer som kan byggas?

Vår lågkodplattform har möjliggjort AI-applikationer för en riktigt intressant variation av användningsfall – bredden på distributionen är något vi är riktigt stolta över. Ulta Beauty, den miljarddollar globala skönhetshandlaren, använde vår plattform för att bygga en smart AI-retail-gästchattbot på bara två veckor. I kontrast är primitiva chattbotar nyckelordscentrerade, och de flesta leverantörers chattbotapplikationer kan inte integreras smidigt med äldre system för att komma åt kundinformation eller tillåta smidiga övergångar till mänskligt stöd. Ulta:s smarta AI-chattbot eliminerade dessa problem med naturlig språkbehandling och förmågan att känna igen kund-“avsikter” för att ge riktigt precisa svar. Vår plattform gjorde det enkelt för Ulta att bygga chattbotens AI-motor på bara några timmar, och att konfigurera, finslipa och förbättra chattbotens utbildning och svar extremt snabbt.

I ett annat exempel använde Jockey vår plattform för att möjliggöra AI-styrda FAQ:er redo att automatiskt (och framgångsrikt) svara på ganska komplexa och subjektiva kundtjänstscenarier. Vår plattform möjliggjorde också ett globalt företag för bekvämlighet och gasnätverkets pandemisvar av beröringsfria bensinstationer, som bygger på AI-baserad bildigenkänning av kundens registreringsskyltar. Våra AI-förmågor tillämpas också för att ge kamera-centrerade säkerhetsstrategier på detaljhandelsplatser. Genom bildigenkänning kan tränade AI-applikationer identifiera hot och närvaron av vapen utanför butikslokaler, utlösa butiksstängning för att skydda kunder och kontakta myndigheter.

Hur små är de faktiska kodkraven? Hur mycket utvecklingskunskap behöver användare ha?

I min åsikt gäller 80/20-regeln. 80% av tillämpade AI-användningsfall är redan byggda och har etablerade modeller och träningsdata runt omkring dem. En traditionell organisation kan enkelt använda en lågkodplattform (vår, Interplay, är en sådan plattform) och implementera dessa fall. Här är några exempel:

• AI-drivna FAQ
• AI-styrda produktfyndare
• Produktrekommendationer och paketering
• OCR
• Visuell produktidentifiering
• Tabellanalys: saker som AOV, kundvagnsanalys, avhoppningsprognoser, etc
• Objektextraktion/identifiering
• Objektbeständighet

Ovanstående fall kan implementeras av en ingenjör med server-sidig programmeringskunskap och någon grundläggande förståelse för maskinlärnings-API:er. Det är mycket likt videoströmning, kryptering och nyckelhanteringstekniker som används i stor utsträckning via API:er idag. De flesta ingenjörer som använder dessa API:er känner ofta inte till hur de fungerar under ytan.

Varför är lågkod-AI viktigt för att skala AI-teknik?

Företag som strävar efter AI-förmågor i sin applikationsutveckling kan snabbt ställas inför stora utmaningar när de inte använder lågkod. I världen idag finns det bara 300 000 AI-investerare, och endast 60 000 av dessa är datavetare. På grund av detta är den talang som behövs för att utveckla och skala AI-lösningar dyr och ökar. I kontrast demokratiserar lågkodsutveckling tillgången till AI. Med lågkod kan vilken av världens 25 miljoner programvaruutvecklare och till och med de utan utbildning enkelt implementera AI-motorer, finslipa deras förmågor och producera och skala effektiva lösningar.

Tillbaka till Iterate.ai:s AI-aktiverade Signals-plattform, vad är några av de mer intressanta trenderna som dyker upp?

Vi ser en snabb tillväxt över fem krafter för innovation: AI, IoT, blockchain, data och nya startup-lösningar. Dessa är alla mycket stora marknader. Vi ser tusentals datapunkter om nyheter, patent och nya startup-produkter varje dag. Interplay är byggt för att utnyttja dessa krafter, genom att inkludera förbyggda komponenter för att dra nytta av dessa växande krafter.

Finns det något annat du vill dela om Iterate.ai?

Jag tror att det fortfarande finns missuppfattningar om lågkod och dess roll i att bygga AI-applikationer. Det är inte ovanligt att se IT-proffs ifrågasätta om en lågkodsstrategi kan möta deras krav på företagsklassens skalbarhet, utbyggnad och säkerhet. Jag tror att lågkodsalternativ som är avsedda för prototypering – men felaktigt används som verktyg för produktionsapplikationer – har bidragit till denna trötthet. Det sagt, de rätta lågkodsplattformarna är absolut kapabla att bygga och stödja produktionsklara AI-applikationer. Företag bör utföra sin due diligence vid valet av lågkodsverktyg, och se till att dessa verktyg har ett transparent och genomarbetat säkerhetslager, och en bevisad historia av att leverera applikationer i företagsklass.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka Iterate.ai.