Dr. Devavrat Shah, medgrundare och VD för Ikigai Labs – Intervju-serie

Dr. Devavrat Shah är medgrundare och VD för Ikigai Labs och han är en professor och chef för Statistik och Data Science Center vid MIT. Han co-founded Celect, en prediktiv analysplattform för detaljhandlare, som han sålde till Nike. Devavrat har en kandidat- och doktorsexamen i datavetenskap från Indian Institute of Technology och Stanford University, respectively.

Ikigai Labs erbjuder en AI-driven plattform som är utformad för att omvandla företags tabell- och tidsseriedata till prediktiva och agerbara insikter. Genom att använda patenterade Large Graphical Models, möjliggör plattformen för affärsanvändare och utvecklare inom olika branscher att förbättra sin planering och beslutsprocess.

Kan du dela historien bakom grundandet av Ikigai Labs? Vad inspirerade dig att gå från akademin till entreprenörskap?

Jag har faktiskt varit mellan den akademiska och affärsvärlden under några år nu. Jag co-founded Ikigai Labs med min tidigare student på MIT, Vinayak Ramesh. Tidigare co-founded jag ett företag som heter Celect som hjälpte detaljhandlare att optimera lagerbeslut via AI-baserad efterfråganprognos. Celect förvärvades av Nike 2019.

Vad är Large Graphical Models (LGMs) och hur skiljer de sig från de mer kända Large Language Models (LLMs)?

LGMs eller Large Graphical Models är en sannolikhetsbaserad vy av data. De är i skarp kontrast till “Foundation model”-baserad AI som LLM.

Foundation Models antar att de kan “lära” alla relevanta “mönster” från en mycket stor mängd data. Och därför, när en ny bit data presenteras, kan den extrapoleras baserat på den relevanta delen från datamängden. LLMs har varit mycket effektiva för ostrukturerad data (text, bild).

LGMs identifierar istället de lämpliga “funktionella mönster” från en stor “universum” av sådana mönster, given en bit data. LGMs är utformade så att de har alla relevanta “funktionella mönster” tillgängliga för dem, relevanta för strukturerad data (tabell, tidsserie).

LGMs kan lära och ge precisa prognoser och förutsägelser med mycket begränsad data. Till exempel kan de användas för att utföra mycket precisa prognoser av kritiska, dynamiskt förändrade trender eller affärsresultat.

Kan du förklara hur LGMs är särskilt lämpliga för att analysera strukturerad, tabellformad data och vilka fördelar de erbjuder jämfört med andra AI-modeller inom detta område?

LGMs är utformade specifikt för att modellera strukturerad data (dvs tabell, tidsserie data). Som ett resultat ger de bättre precision och mer tillförlitliga prognoser.

I tillägg kräver LGMs mindre data än LLMs och har därför lägre beräknings- och lagringskrav, vilket sänker kostnaderna. Detta innebär att organisationer kan få precisa insikter från LGMs även med begränsad träningsdata.

LGMs stöder också bättre datasäkerhet och dataskydd. De tränar endast på ett företags egna data – med tillägg från utvalda externa datakällor (såsom väderdata och sociala medier) när det behövs. Det finns aldrig en risk att känslig data delas med en offentlig modell.

I vilka affärsscenarier ger LGMs mest värde? Kan du ge exempel på hur de har använts för att förbättra prognoser, planering eller beslutsfattande?

LGMs ger värde i alla scenarier där en organisation behöver förutsäga ett affärsresultat eller förutse trender för att vägleda sin strategi. Med andra ord, de hjälper över en bred range av användningsfall.

Föreställ dig ett företag som säljer Halloween-kostymer och artiklar och letar efter insikter för att fatta bättre beslut om sortiment. Med tanke på deras säsongsvariation, går de en tight linje: Å ena sidan behöver företaget undvika att överlagra och hamna med överbliven lager vid slutet av varje säsong (vilket innebär osålda varor och slösad CAPEX). Å andra sidan vill de inte heller rinna ut av lager för tidigt (vilket innebär att de missar försäljningsmöjligheter).

Med LGMs kan företaget hitta en perfekt balans och vägleda sin detaljhandelsverksamhet. LGMs kan besvara frågor som:

• Vilka kostymer ska jag lagra den här säsongen? Hur många ska vi lagra av varje SKU totalt?
• Hur väl kommer en viss SKU att sälja på en specifik plats?
• Hur väl kommer den här tillbehörsartikeln att sälja med den här kostymen?
• Hur kan vi undvika att kannibalisera försäljning i städer där vi har flera butiker?
• Hur kommer nya kostymer att prestera?

Hur hjälper LGMs i scenarier där data är knapp, inkonsekvent eller snabbt föränderlig?

LGMs använder AI-baserad datarekonciliierung för att leverera precisa insikter även när de analyserar små eller brusiga datamängder. Datarekonciliierung säkerställer att data är konsekvent, korrekt och fullständig. Det innebär att jämföra och validera datamängder för att identifiera diskrepanser, fel eller inkonsekvenser. Genom att kombinera den rumsliga och tidsmässiga strukturen i data, möjliggör LGMs goda prognoser med minimal och felaktig data. Prognoserna kommer med osäkerhetskvantifiering samt tolkning.

Hur överensstämmer Ikigais mission att demokratisera AI med utvecklingen av LGMs? Hur ser du att LGMs formar framtiden för AI i affärer?

AI förändrar sättet vi arbetar på, och företag måste vara beredda att AI-aktivera arbetare av alla slag. Ikigai-plattformen erbjuder en enkel low-code/no-code-upplevelse för affärsanvändare samt en fullständig AI-byggare och API-upplevelse för datavetare och utvecklare. Dessutom erbjuder vi gratis utbildning på vår Ikigai Academy så att vem som helst kan lära sig grunderna i AI samt bli utbildad och certifierad på Ikigai-plattformen.

LGMs kommer att ha en enorm inverkan på företag som vill använda genAI för användningsfall som kräver numerisk prediktiv och statistisk modellering, såsom sannolikhetsbaserad prognos och scenariosplanering. Men LLMs var inte byggda för dessa användningsfall, och många organisationer tror att LLMs är den enda formen av genAI. Så de försöker använda Large Language Models för prognos och planering, och de fungerar inte. De ger upp och antar att genAI inte är kapabelt att stödja dessa tillämpningar. När de upptäcker LGMs, kommer de att inse att de faktiskt kan använda generativ AI för att driva bättre prognoser och planering och hjälpa dem att fatta bättre affärsbeslut.

Ikigais plattform integrerar LGMs med en människocentrerad ansats genom er eXpert-in-the-loop-funktion. Kan du förklara hur denna kombination förbättrar precisionen och antagandet av AI-modeller i företag?

AI behöver skydd, eftersom organisationer naturligtvis är oroliga för att tekniken kommer att fungera korrekt och effektivt. En av dessa skydd är mänsklig tillsyn, som kan hjälpa till att införa kritisk domänkompetens och säkerställa att AI-modeller levererar prognoser och förutsägelser som är relevanta och användbara för deras affär. När organisationer kan sätta en mänsklig expert i en roll som övervakar AI, kan de lita på den och validera dess precision. Detta övervinner ett stort hinder för antagande.

Vilka är de viktigaste tekniska innovationerna i Ikigais plattform som gör den unik jämfört med andra AI-lösningar som finns tillgängliga på marknaden?

Vår kärnteknologi LGM är den största differentiatoren. Ikigai är en pionjär inom detta område utan like. Min medgrundare och jag uppfann LGMs under vår akademiska tid på MIT. Vi är innovatören inom stora grafiska modeller och användningen av genAI på strukturerad data.

Vilken inverkan tror du att LGMs kommer att ha på branscher som är beroende av precisa prognoser och planering, såsom detaljhandel, leverantörskedjeledning och finans?

LGMs kommer att vara helt omvälvande eftersom de är specifikt utformade för att användas på tabell- och tidsseriedata, som är livsnerven för varje företag. Virtuellt varje organisation inom varje bransch är beroende av strukturerad dataanalys för efterfråganprognos och affärsplanering för att fatta sunda beslut på kort och lång sikt – oavsett om besluten är relaterade till sortiment, rekrytering, investeringar, produktutveckling eller andra kategorier. LGMs erbjuder det närmaste man kan komma en kristallkula för att fatta de bästa besluten.

Looking forward, vad är de nästa stegen för Ikigai Labs i att utveckla LGMs? Finns det några nya funktioner eller utvecklingar i pipelinen som du är särskilt entusiastisk över?

Vår befintliga aiPlan-modell stöder vad-om och scenariosanalys. Looking ahead, vi siktar på att ytterligare utveckla den och möjliggöra fullt utvecklad förstärkt inlärning för driftsteam. Detta skulle möjliggöra för ett driftsteam att göra AI-drivet planering på både kort och lång sikt.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Ikigai Labs.