Omri Kohl, VD och medgrundare av Pyramid Analytics – Intervjuer

Omri Kohl är VD och medgrundare av Pyramid Analytics. Pyramid Decision Intelligence Platform levererar data-drivna insikter för att alla kan fatta snabbare och mer intelligenta beslut. Han leder företagets strategi och verksamhet genom en snabbt växande data- och analytics-marknad. Kohl har en djup förståelse för analytics och AI-teknologier, värdefull ledningsvana och en naturlig förmåga att utmana konventionellt tänkande. Kohl är en mycket erfaren entreprenör med en bevisad meritlista i utveckling och ledning av snabbt växande företag. Han studerade ekonomi, finans och företagsledning vid Bar-Ilan University och har en MBA i internationell företagsledning från New York University, Leonard N. Stern School of Business.

Kan du börja med att förklara vad GenBI är och hur det integrerar Generative AI med business intelligence för att förbättra beslutsprocesser?

GenBI är ramen och mekanismerna för att ta till vara på kraften i GenAI, LLM och allmän AI i analytics, business intelligence och beslutsfattande.

Just nu är det inte praktiskt att använda GenAI ensamt för att få tillgång till insikter i dataset. Det kan ta över en vecka att ladda upp tillräckligt med data till ditt GenAI-verktyg för att få meningsfulla resultat. Det är helt enkelt inte fungerande, eftersom affärsdata är för dynamisk och för känslig för att användas på det sättet. Med GenBI kan vem som helst extrahera värdefulla insikter från sina data, bara genom att ställa en fråga på naturligt språk och se resultaten i form av en BI-dashboard. Det tar så lite som 30 sekunder att få ett relevant och användbart svar.

Vilka är de viktigaste tekniska innovationerna bakom GenBI som möjliggör att det förstår och utför komplexa business intelligence-uppgifter genom naturligt språk?

Nja, utan att avslöja alla våra hemligheter, finns det i princip tre komponenter. Först ger GenBI LLM:er alla element de behöver för att producera de korrekta analytiska stegen som kommer att producera den begärda insikten. Det är vad som tillåter användaren att formulera frågor med hjälp av naturligt språk och även i otydliga termer, utan att veta exakt vilken typ av diagram, undersökning eller format som ska begäras.

Sedan tillämpar Pyramid Analytics GenBI-lösningen dessa steg på ditt företags data, oavsett specifikationerna för din situation. Vi pratar om de mest grundläggande dataseten och enkla frågorna, hela vägen upp till de mest sofistikerade användningsfallen och komplexa databaserna.

Tredje, kan Pyramid utföra dessa frågor på underliggande data och manipulera resultaten på flyget. En LLM ensam kan inte producera djup analys på en databas. Du behöver en robotkomponent för att hitta all nödvändig information, tolka användarbegäran för att producera insikter och skicka den vidare till BI-plattformen för att artikulera resultaten antingen i vanligt språk eller som en dynamisk visualisering som senare kan raffineras genom uppföljningsfrågor.

Hur demokratiserar GenBI dataanalys, särskilt för icke-tekniska användare?

Ganska enkelt, GenBI tillåter vem som helst att komma åt de insikter de behöver, oavsett deras nivå av expertis. Traditionella BI-verktyg kräver att användaren vet vilken datahanteringsmetod som är bäst för att få de nödvändiga resultaten. Men de flesta människor tänker inte i pajdiagram, spridningsdiagram eller tabeller. De vill inte behöva arbeta ut vilken visualisering som är mest effektiv för deras situation – de vill bara ha svar på sina frågor.

GenBI levererar dessa svar till vem som helst, oavsett deras expertis. Användaren behöver inte veta alla professionella termer eller arbeta ut om en spridningsgraf eller en pajgraf är det bästa alternativet, och de behöver inte veta hur man kodar databasfrågor. De kan utforska data genom att använda sitt eget språk i en naturlig konversation.

Vi tänker på det som skillnaden mellan att använda en papperskarta för att planera din rutt och att använda Google Maps eller annan navigeringsapp. Med en traditionell karta måste du arbeta ut vilka vägar du ska ta, tänka på möjliga trafikstockningar och jämföra olika ruttalternativ. Idag anger människor bara sin destination i appen och kör iväg – det finns så mycket förtroende för algoritmerna att ingen ifrågasätter den föreslagna rutten. Vi vill tro att GenBI bringar samma sorts automatiserad magi till företagsdata.

Vad har varit återkopplingen från tidiga användare om användarvänlighet och inlärningskurva?

Vi har fått överväldigande positiv återkoppling. Det bästa sättet vi kan sammanfatta det är “Wow!”. Användare och testare uppskattar starkt Pyramids användarvänlighet, kraftfulla funktioner och meningsfulla insikter.

Pyramid Analytics har i princip noll inlärningskurva, så det finns ingenting som hindrar människor från att anta det på fläcken. Ungefär tre fjärdedelar av alla företagsgrupper som har testat vår lösning har antagit den och använder den idag, eftersom den är så enkel och effektiv.

Kan du dela hur GenBI har förändrat beslutsprocesser inom organisationer som har implementerat det? Finns det några specifika fallstudier eller exempel?

Även om vi har utvecklat det under en lång tid, lanserade vi GenBI för bara några veckor sedan, så jag är säker på att du förstår att vi ännu inte har fullständiga fallstudier som vi kan dela, eller kundexempel som vi kan namnge. Men jag kan berätta att organisationer med tusentals användare nu blir verkligt data-drivna, eftersom alla kan komma åt insikter. Användare kan nu låsa upp den sanna värdet av all sin data.

GenBI har en transformerande effekt på branscher som försäkring, bank och finans, samt detaljhandel, tillverkning och många andra vertikaler. Plötsligt är det möjligt för finansiella rådgivare, till exempel, att komma åt omedelbara förslag om hur man kan optimera en kunds portfölj.

Vilka är några av de största utmaningarna du stött på vid utvecklingen av GenBI, och hur övervann du dem?

Pyramid Analytics har redan under många år använt AI för analytics innan vi lanserade den nya lösningen, så de flesta utmaningarna har redan lösts.

Det huvudsakliga nya elementet är tillägget av en sofistikerad frågegenereringsteknologi som fungerar med vilken LLM som helst för att producera precisa resultat, samtidigt som data hålls privat. Vi har uppnått detta genom att koppla loss data från frågan (mer om det strax).

En annan stor utmaning vi hade att hantera var hastighet. Vi pratar om Google-eran, där människor förväntar sig svar nu, inte om en timme eller ens en halvtimme. Vi har sett till att påskynda bearbetningen och optimera alla arbetsflöden för att minska friktionen.

Sedan finns det behovet av att förhindra hallucinationer. Chatbots är benägna att hallucinationer som snedvrider resultaten och undergräver tillförlitligheten. Vi har arbetat hårt för att undvika dem samtidigt som vi fortfarande upprätthåller dynamiska resultat.

Hur hanterar du frågor relaterade till datasäkerhet och integritet?

Det är en utmärkt fråga, eftersom datasäkerhet och integritet är det största hindret för framgångsrik GenAI-analys. Alla är – med all rätt – oroliga för tanken på att utsätta högt känsliga företagsdata för tredjeparts AI-motorer, men de vill också ha språktolkningsförmågorna och datainsikterna som dessa motorer kan leverera.

Det är därför vi aldrig delar faktisk data med de LLM:er vi arbetar med. Pyramid vänder hela premissen upp och ner genom att fungera som en mellanhand mellan ditt företags information och LLM. Vi låter dig skicka in begäran och sedan ger vi den till LLM tillsammans med beskrivningar av vad vi kallar “ingredienserna”, vilket i princip bara är metadata.

LLM returnerar sedan ett “recept” som förklarar hur man kan omvandla användarens fråga till en dataanalysprompt. Sedan kör Pyramid receptet på de data du redan har anslutit säkert på din egen installation, så att ingen data någonsin når LLM. Vi blandar ihop resultaten för att servera dem tillbaka till dig i ett lättförståeligt, visuellt format. I princip utsätts ingenting som kan äventyra din säkerhet och integritet för exponering eller lämnar företagets brandvägg.

För organisationer som vill integrera GenBI i sina befintliga data-infrastrukturer, vad ser implementeringsprocessen ut? Finns det några förkunskaper eller förberedelser som behövs?

Implementeringsprocessen för Pyramid Analytics kunde inte vara enklare eller snabbare. Användare behöver mycket få förkunskaper och förberedelser, och du kan få allt igång på under en timme. Du behöver inte flytta data till en ny ram eller förändra någonting om din datastrategi, eftersom Pyramid frågar din data direkt där den befinner sig.

Det finns också inget behov av att förklara din data för lösningen eller definiera kolumner. Det är så enkelt som att ladda upp ett CSV-dataset eller ansluta din SQL-databas. Samma sak gäller för vilken relationsdatabas som helst. Det tar bara några minuter att ansluta din data, och sedan kan du ställa din första fråga sekunder senare.

Det sagt kan du justera strukturen om du vill, som att ändra anslutningsmodellen eller omdefiniera kolumner. Det tar lite tid och ansträngning, men vi pratar minuter, inte månader långa utvecklingsprojekt. Våra kunder är ofta chockade över att Pyramid är igång på deras klassiska data-warehouse eller data-lake inom fem minuter eller så.

Du behöver inte heller komma på väldigt specifika, precisa eller ens intelligenta frågor för att få kraftfulla resultat. Du kan göra stavfel och använda felaktig formulering, och Pyramid kommer att lösa dem och producera ett meningsfullt och värdefullt svar. Vad du behöver är lite kunskap om de data du frågar om.

Vad är din strategiska vision för Pyramid Analytics under de kommande fem åren? Hur ser du att era lösningar utvecklas för att möta förändrade marknadsbehov?

Nästa stora frontier är att stödja skalbara, högt specifika frågor. Användare är angelägna om att kunna ställa väldigt precisa frågor, som frågor om personliga enheter, och LLM:er kan inte ännu producera intelligenta svar i dessa fall, eftersom de inte har den typen av detaljerad insikt i din databas.

Vi står inför utmaningen att använda språkmodeller för att fråga om specifikationerna i din data utan att omedelbart ansluta hela din enorma data-lake till LLM. Hur kan du finjustera din LLM om data som återfuktas varannan sekund? Vi kan hantera detta för fasta punkter som länder, platser och till och med datum, men inte för någonting som är idiosynkratiskt som namn, även om vi är väldigt nära idag.

En annan utmaning är för användare att kunna ställa sina egna matematiska tolkningar av data, genom att tillämpa sina egna formler. Det är svårt inte för att formlulan är svår att genomföra, utan för att förstå vad användaren vill och få rätt syntax är utmanande. Vi arbetar på att lösa båda dessa utmaningar, och när vi gör det, kommer vi att ha passerat nästa eureka-punkt.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Pyramid Analytics.