Dr. Zohar Bronfman, medgrundare och VD för Pecan AI – Intervjuserie

Dr. Zohar Bronfman är medgrundare och VD för Pecan AI. Med djup kunskap inom beräkningspsykologi och datavetenskap tillämpade Zohar sin inneboende entreprenöriella anda för att medgrundande Pecan, direkt efter att ha avslutat sin forskarutbildning. Zohar har två doktorsexamen från Tel Aviv University – en i beräkningskognitiv neurovetenskap och en annan i historia och filosofi om vetenskap och teknik. Han har också en kandidatexamen i ekonomi från Open University of Israel.

Pecan AI, som grundades 2018, är en plattform för prediktiv analys som utnyttjar sin banbrytande Predictive GenAI för att ta bort hinder för AI-användning, och gör prediktiv modellering tillgänglig för alla data- och företagsteam. Med stöd av generativ AI kan företag få exakta förutsägelser inom olika affärsområden utan behov av specialiserad personal. Predictive GenAI möjliggör snabb modelldefinition och utbildning, medan automatiserade processer accelererar AI-implementering. Med Pecans sammanslagning av prediktiv och generativ AI är det nu mycket snabbare och enklare att förverkliga affekt av AI.

Vad var resan som medgrundare av Pecan AI och vilka är några av de viktigaste milstolparna som uppnåtts på vägen?

Att starta Pecan AI var en riktigt berg- och dalbana. Allt började när min medgrundare och jag deltog i en internationell data science-tävling. Vi skapade en automatiserad dataförberedning som blev Pecans prototyp, men vi missade deadline och förlorade. Istället för att ge upp bestämde vi oss för att förvandla vår prototyp till något som kunde ha en inverkan. Bara två månader efter att vi avslutat våra doktorsexamen 2018 hyrde vi ett litet rum på Tel Aviv University och började jobba hårt. Med begränsad affärserfarenhet pitchade vi vår idé till riskkapitalister. Tack och lov såg Haim Sadger och Aya Peterburg från S Capital potentialen och investerade 4 miljoner dollar, vilket gav oss den skjuts vi behövde.

En viktig milstolpe var att samla in 66 miljoner dollar i en serie C-runda ledd av Insight Partners, med stöd från GV (tidigare Google Ventures) och andra. Denna finansiering möjliggjorde att vi kunde expandera globalt och påskynda våra utvecklingsinsatser.

Hur påverkar din bakgrund inom beräkningskognitiv neurovetenskap din tillvägagångssätt för att utveckla AI-lösningar?

Min bakgrund inom beräkningskognitiv neurovetenskap, tillsammans med min doktorsexamen i historia och filosofi om vetenskap, spelar en stor roll i hur jag utvecklar AI-lösningar. Dessa områden hjälper mig att förstå både de tekniska och filosofiska aspekterna av tekniken. Denna dubbla perspektiv är otroligt värdefull i dagens snabbt föränderliga tekniska landskap. Det möjliggör att jag kan skapa AI-produkter som inte bara är tekniskt avancerade utan också etiskt sunda och användarvänliga.

Kan du förklara konceptet med Predictive GenAI och hur det integrerar generativ AI med prediktiv maskinlärande?

Självklart. Predictive GenAI handlar om att slå samman Generativ AI med Prediktiv Maskinlärande. Generativ AI låter användare interagera med data genom naturligt språk, vilket gör det enkelt att ställa frågor och guida AI. Men dess prediktiva förmågor är begränsade. Därför kommer Prediktiv Maskinlärande in, som bearbetar data för att göra exakta framtida förutsägelser. Genom att kombinera dessa två teknologier möjliggör Predictive GenAI att även de med liten erfarenhet av datavetenskap kan bygga prediktiva modeller och använda dem smidigt, likt att chatta med ChatGPT.

Hur förenklar Predictive GenAI processen för att skapa och distribuera prediktiva modeller för företag?

Predictive GenAI förenklar med funktioner som Predictive Chat och Predictive Notebook. Predictive Chat fungerar som en AI-medhjälpare, som guider användare genom modelleringsprocessen med hjälp av naturligt språk. Den formulerar prediktiva frågor baserat på användarens affärsbekymmer och genererar en Predictive Notebook med färdiga SQL-frågor och exempeldata. Detta innebär att användare inte behöver börja från scratch eller ha djup teknisk kunskap för att få exakta förutsägelser.

Kunde du utveckla fallet med CAA Club Group och hur Pecan AI optimerade deras vägassistans?

Absolut. CAA Club Group använde tidigare en vecka för att manuellt förutsäga vägassistans, vilket var tidskrävande och begränsat. Efter att ha implementerat Pecan AI utvecklade deras data science-team över 30 modeller för att generera korttidskrav förutsägelser två gånger i veckan. Dessa förutsägelser förutsäger samtal och servicetyper timme för timme, vilket säkerställer effektiv bemanning och snabba svar, särskilt under hårda vinterförhållanden. Pecans plattform möjliggör också kontinuerlig förbättring av dessa modeller, vilket förbättrar serviceeffektiviteten.

Hur fick Credit Pros nytta av att använda Pecan AI för kundavhoppningsförutsägelse och vilka specifika utmaningar löste det för dem?

Credit Pros stod inför betydande utmaningar med kundavhoppningsförutsägelse, som var en komplex och tidskrävande process. Genom att implementera Pecan AI minskade modellutvecklingstiden från tre månader till bara några veckor, vilket möjliggjorde proaktiva behållningsstrategier. Denna effektiviserade process möjliggjorde för TCP att exakt förutsäga kundavhoppning och utveckla effektiva strategier för att behålla kunder, vilket i slutändan ökade deras intäkter.

Hur förbättrar Predictive Chat och Predictive Notebook verktygen användarupplevelsen och gör prediktiv analys tillgänglig för icke-tekniska användare?

Predictive Chat använder GenAI för att skapa anpassade anteckningsböcker baserat på användarens affärsfrågor och data. Användare kan interagera med chatten på naturligt språk, besvara frågor och följa instruktioner, vilket förenklar modellskapandeprocessen. Predictive Notebook innehåller all nödvändig kod, vilket möjliggör för användare att visa frågor, skapa anpassade tabeller och förstå logiken bakom utbildningssättets dataset. Detta tillvägagångssätt gör prediktiv analys tillgänglig för icke-tekniska användare genom att effektivisera dataförberedelse och modellskapande.

På vilka sätt ser du att Predictive GenAI kommer att förvandla olika branscher och affärsfunktioner?

Predictive GenAI ger företag möjlighet att fatta datadrivna beslut med en aldrig tidigare skådad noggrannhet och effektivitet. Inom tillverkning och logistik optimerar det verksamheten genom att förutsäga efterfrågan och effektivisera leveranskedjor. Inom kundcentrerade branscher förbättrar det kundnöjdhet och lojalitet genom riktad marknadsföring och anpassade rekommendationer. Predictive GenAI driver också innovation genom att förutsäga marknadstrender, guida produktutveckling och påskynda tid till marknad. Dess tillämpningar sträcker sig till hälso- och sjukvård för sjukdomsdiagnos och anpassade behandlingsplaner, samt till hållbarhetsinsatser genom att optimera resursanvändning och minska miljöpåverkan.

Hur säkerställer Pecan AI att deras prediktiva modeller är precisa och tillförlitliga?

Vi säkerställer precision och tillförlitlighet genom rigoröst testning och kontinuerlig validering. Pecan AI använder separata utbildnings- och testdata för att utvärdera modellprestanda, liknande en skolprovsbetyg. Nyckelmetricer som precision, noggrannhet och återkallande används för att validera modeller under utveckling och i produktion. Vi främjar också transparens genom förklarbara förutsägelser, vilket hjälper användare att förstå de faktorer som påverkar varje förutsägelse och skapar förtroende för AI-drivna insikter.

Hur ser du att rollen för Predictive GenAI kommer att utvecklas under de närmaste åren?

När jag ser framåt är framtiden för AI inte bara att förutsäga händelser utan också att förskriva åtgärder baserat på dessa förutsägelser. Predictive GenAI syftar till att automatisera beslutsprocesser och optimera affärsverksamhet. Men det är viktigt att förstå de associerade riskerna och säkerställa ansvarsfull användning av AI. När tekniken utvecklas kommer den att spela en avgörande roll i att förbättra operativ effektivitet, driva innovation och underlätta strategiskt beslutsfattande inom olika branscher.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Pecan AI.