Pedro Alves, VD och grundare av Ople.ai – Intervjuserie

Pedro Alves är VD och grundare av Ople.ai, en plattform som ger analytiker och experter kraftfulla prediktiva analyser. Plattformen är utrustad med världens ledande dataexperter, så att användare kan fokusera på vad de är bra på: att skapa affärsverksamhet.

Vad var det som initialt drog dig till data science?

År 2001 såg jag ett enormt potential i maskinlärning och artificiell intelligens. Medan jag studerade datavetenskap som undergraduate och bestämde mig för vilket område jag skulle fortsätta med, tänkte jag: OK, AI/ML är ett område inom datavetenskap som jag tycker är intressant – du kan hjälpa till att förutsäga händelser inom vilket område som helst. Oavsett om du är inom biologi, medicin eller finans, om du har maskinlärning och AI, kan du avancera dessa områden betydligt. Jag tyckte alltid att matematiken bakom det var fascinerande.

När jag började min masterutbildning bestämde jag mig för att den bästa vägen att förbättra mina kunskaper inom maskinlärning var att lära mig hur man tillämpar det. Jag var alltid mycket praktisk; jag ville inte lära mig teori bara för teoriens skull. Jag valde att studera maskinlärning som tillämpas inom området genetik och proteomik. All min forskning var inom beräkningsbiologi, men fokuset var på maskinlärning.

Snart därefter gick jag in i vården, där jag såg ett stort potential för AI/ML-tillämpningar. Då började jag se de problem som AI hade i praktiken, utanför akademin. Jag upplevde verkligheten av AI och lärde mig hur ineffektivt det hade tillämpats i den verkliga världen, och inte på grund av tekniska problem. Så jag blev då intresserad av att lösa problemet.

Du var tidigare chefsdata scientist på Banjo, där du hanterade utmaningar inom sociala nätverksområdet. Kan du diskutera några av dessa utmaningar?

Som företag kunde vi upptäcka händelser som registrerades på sociala medier, specifikt händelser som behövde belysas som en potentiell fara, som en bilolycka eller en byggnad som brann. Vi hjälpte till att flagga dessa händelser, så att vi kunde hjälpa till att mobilisera räddningstjänsten. Vi använde sociala medier för att göra gott.

Många av dessa händelser är sällsynta i förhållande till sociala medier. Till exempel händer det många olyckor varje dag i en given stad, men när du tittar på volymen av sociala medier, blir en bild av en bilolycka ganska liten. Tänk på de miljontals bilder av valpar, bilder av mat, en miljon bilder av selfies och sedan en bild av en bilolycka, allt inom loppet av några minuter. I princip letade vi efter en nål i en höstack på Banjo.

Så en av de utmaningar som uppstod var relaterad till datorseende. Även om datorseende var ganska bra vid den tiden, när du försöker hitta en i några miljoner, kan även en liten felprocent helt förstöra dina chanser att upptäcka dessa sällsynta händelser.

Till exempel fanns det en offentlig dataset som, när den användes för att träna neuronnät, gjorde att de inte kunde identifiera färger. Även om en bild i dataset var färgglad och neuronnätet tittade på alla RGB, använde det inte färg som en indikator. Ta en traditionell polisbil och en traditionell taxi – båda är samma grundläggande bilmodell och en extra maskin på toppen (t.ex. sirener på en polisbil eller en ledig/upptagen-signal på en taxi). Men om du tittar på färgen är skillnaden uppenbar. På grund av detta förstod vi att skapandet av en ordentlig dataset är avgörande.

2017 lanserade du sedan Ople. Vad var ursprungsberättelsen bakom detta startup?

Jag ville att företag skulle få en solid avkastning på investeringen när de implementerade AI. Enligt Gartner är det mellan 80 och 90 procent av AI-projekt som aldrig ser dagens ljus. Detta har ingenting att göra med tekniska aspekter, som modellens noggrannhet. Det är vanligtvis företagskultur eller procedurella aspekter inom företaget.

Detta kan bero på brist på tillräcklig kommunikation mellan data science-teamet och affärsanvändaren, vilket leder till modeller som förutsäger något som affärsteamet inte behöver, eftersom data science-teamet inte förstod vad som behövde byggas. Eller, om de bygger den rätta modellen, men när data science-teamet är färdigt, använder affärsteamet inte förutsägelserna alls. I de flesta företag är det avdelningar som försäljning, marknadsföring och logistik som verkligen borde använda AI, men det är data science-teamet som förstår modellerna. När dessa team inte förstår modellerna som byggs för dem, tenderar de inte att lita på förutsägelserna och använder dem därför inte.

Så, om AI inte förändrar hur företaget bedriver verksamhet, vad är meningen?

Vi ville skapa en plattform som löser detta problem – vi vill hjälpa data science-teamet eller affärsanalytiker, dataanalytiker, vem som helst som är involverad i processen – att bygga rätt projekt och hjälpa anställda att förstå och lita på modellerna. Om vi löser det, tror jag att data science kan bli värdefullt för företag på riktigt.

Du har sagt att data scientists förlorar värdefull tid med att utföra uppgifter som kan automatiseras med AI. Vilka är några exempel på uppgifter som bör automatiseras?

En data scientist tar vanligtvis flera månader på sig att slutföra en modell, och när den är färdig, kommer företaget att implementera modellen, men den kommer troligen inte att vara så exakt som möjligt. Under de månader som följer efter modellens implementering kommer data scientisten att fortsätta arbeta med den för att öka modellens noggrannhet med små inkrementella förbättringar. Det är vanligtvis där många data scientists spenderar sin tid, när de kunde spendera tid på att se till att anställda förstår, litar på och använder AI-modellerna. All den tid som spenderas på uppgifter som funktionell utveckling, modellträning, parametertuning och algoritmväljning, för att öka en modells noggrannhet, kan lätt automatiseras med AI.

Kan du beskriva vad meta-lärande är och hur Ople tillämpar detta?

Innan jag kommer till meta-lärande är det viktigt att förstå den första nivån av maskinlärning. Låt oss säga att du har en dataset som förutsäger när maskiner kommer att gå sönder på en fabriksgolvyta. Maskinen meddelar anställda att den är på väg att gå sönder, så att de kan utföra förebyggande underhåll. Detta kallas den första nivån av lärande.

Meta-lärande, också känt som “lärande att lära”, är att ytterligare förstå lärandeprocessen. Så, när du tränar din modell för att förutsäga maskinfel, har du en annan modell som observerar. Till exempel kunde den andra modellen hjälpa företag att förstå vilka parametrar den prediktiva underhållsmodellen lär sig bra, och vilka parametrar som inte fungerar bra. När du gör meta-lärande, blir du bättre på att bygga mer effektiva modeller, snabbare.

Vad är dina åsikter om syntetisk data?

Syntetisk data kan vara extremt svår att arbeta med, om den inte utförs korrekt.

Låt oss säga att du har medicinska journaldata – du har 20 patienter, och för dessa patienter har du deras ålder, kön, vikt, längd, blodtryck, lista över mediciner, etc. Det är möjligt att skapa syntetisk data med maskinlärning baserat på dessa medicinska journaler. Men, om du förlitar dig på maskinlärning eller statistik ensam, kan du hamna med meningslös syntetisk data. Det kan skapa en slumpmässig kombination av värdena, som en 3-åring som är 1,8 meter lång eller en 1,2 meter lång person som väger 450 kilo. Medan AI/ML är tillförlitliga i många fall, skulle syntetisk data som används för medicinska journaler behöva ha en läkares input.

Så, du får en medicinsk professionell att skapa parametrar, som “om personen är den här åldern, vad är ett realistiskt höjdintervall och vikt”, eller “om de tar den här medicinen, vilka mediciner bör de inte ta?” Detta företag skulle oundvikligen bli ett massivt företag och för komplicerat att kartlägga alla möjligheter, eftersom de gäller varje patients medicinska journaler.

I området bilder kan syntetisk data dock vara mycket lättare att förstå och skapa. Säg att du har en bild av en bil, och bilen är placerad i det övre vänstra hörnet. Du behöver inte vara en expert för att veta att samma bil kunde vara i det nedre vänstra hörnet, övre högra hörnet eller i mitten. Inte bara kan personen peka en kamera på många sätt, utan de kan också justera bilden. Att flytta fokus för bilden så att bilen är i alla olika hörn är att skapa syntetisk data – en annan enkel metod är att använda rotation.

Kan du ge några exempel på hur Ople hjälpte företag med deras databehov?

Ople.AI ger företag möjligheten att använda djupgående dataanalys på alla nivåer i organisationen och ge anställda möjligheten att låsa upp värdet av AI, med bara några klick. Till skillnad från att företag förlitar sig på ett litet team av data scientists för att formulera och implementera AI, utrustar Ople.AI-plattformen anställda i olika avdelningar med verktyg för att komma åt insikter från deras data, och därmed öka deras dagliga effektivitet.

Med det sagt är en stor utmaning som företag ofta står inför när de implementerar AI modellförklarbarhet. Det är viktigt för företag att erbjuda AI som anställda kan förstå, och ännu viktigare, lita på. Modellförklarbarhet hjälper till med det. Vårt mål med Ople.AI-plattformen är att ge anställda, som kanske inte är AI- eller teknikexperter, möjligheten att enkelt förstå hur modellerna gör förutsägelser och varför. Att skapa modellförklarbarhet kommer att generera kraftfulla resultat för företag på lång sikt.

Utöver detta finns det mycket mer värde som en modell kan bringa till företag utöver att göra förutsägelser. AI kan avslöja potentiella problem eller områden som kan kapitaliseras. Vi kallar det dataförklarbarhet – det är de olika sätten som en modell kan dela intelligenta insikter om data som är värdefulla för ett företag. Detta är ett stort sätt som AI kan hjälpa företag, och ett område som vi förbättrar i förhållande till vår konkurrens. Tack för intervjun, läsare som vill lära sig mer kan besöka Ople.ai.