Sarah Nagy, grundare och VD för Seek AI – Interview Series

Sarah Nagy är grundare och VD för Sök AI, en plattform som gör det möjligt för affärsslutanvändare att ställa Sök exakt samma frågor som de för närvarande ställer till datateamet, direkt i Slack, Teams och e-post. Ingen "finishing" av hur de skriver sin fråga, och ingen lära sig en ny plattform.

Du började till en början som forskare med data från rymdteleskopet Hubble. Vad arbetade du med?

Jag forskade vid UCLA och Caltech, tittade på några av de mest avlägsna galaxerna som kunde observeras med ett teleskop, och arbetade med att analysera några av deras egenskaper som deras massa och storlek. Syftet med denna forskning var att hjälpa oss att förstå skillnaden mellan mycket avlägsna galaxer och galaxer som är närmare våra egna, och utveckla modeller för hur dessa galaxer bildas över tid.

Du arbetade sedan som data scientist på olika startups. Vilka var några av de mer intressanta projekten?

Ett projekt som sticker ut var att använda naturlig språkbehandling (NLP) för att klassificera ostrukturerad text som rör detaljhandelsartiklar. Till exempel tar råtext (t.ex. "air jordans green") och märkning som det uppskattade varumärket ("Nike"). Jag hade en kollega som specialiserade sig på NLP som var upptagen med ett annat projekt, så jag var faktiskt inte tänkt att jobba med det här. Det slutade med att de överlämnades till mig eftersom de var upptagna. Jag kunde inte ens något om NLP vid den tiden, så jag gick igenom några gratiskurser från Stanford och Fast.ai för att öka mina kunskaper. Jag gillade verkligen att lära mig om NLP och började förstå varför det är så viktigt, och varför artificiell intelligens (AI) att kunna förstå språk är ett stort steg mot så kallad "allmän AI." Den här upplevelsen fick mig definitivt att vara snabb att förstå vikten av GPT-3 när den först kom ut.

Kan du dela med dig av historien bakom Seek AI?

När OpenAI:s GPT-3-modell kom ut insåg jag omedelbart vilket otroligt framsteg det var och blev särskilt upphetsad över applikationer som involverade GPT-3-skrivning av kod. När allt kommer omkring skrev jag kod hela dagen som dataforskare, och att se AI göra detta – och generera koden perfekt – var häpnadsväckande. Jag skulle jämföra min reaktion på GPT-3 med att jag först lärde mig om VR 2013, vilket var ännu en häpnadsväckande upplevelse för mig. Det slutade med att jag bestämde mig för att jag behövde bilda en startup för att göra en satsning på den här tekniken. Jag visste inte exakt vad jag skulle bygga, men jag hade en magkänsla av att om jag lärde mig mer om dessa modeller så skulle något värdefullt falla på plats.

När jag väl hade lärt mig om modellerna, det var då jag insåg att jag kunde lösa en smärtpunkt som jag stötte på överallt där jag hade arbetat som kvant eller datavetare. Smärtpunkten i fråga var att affärsmän inte hade rätt verktyg för att svara på sina egna datafrågor. Som datavetare arbetade jag ofta med problem som krävde mycket fokus, men jag blev ofta avbruten av kollegor på affärssidan som hade frågor om datan, vilket tvingade mig att sluta med det jag gjorde. Processen verkade ålderdomlig och ineffektiv. Jag insåg att om jag fokuserade på att denna nya teknik skulle lösa problemet, skulle det vara en kategoridefinierande lösning på detta mycket viktiga och allestädes närvarande problem.

Seek AI använder generativ AI. Kan du förklara för våra läsare vad detta är?

"Generativ AI" är ett väldigt hajpat modeord, men till skillnad från andra modeord tror jag inte att hajpen är obefogad. Termen syftar på stora maskininlärningsmodeller med hundratals miljarder parametrar, såsom Open AI:s DALL-E och GPT-3. Innovationen med dessa modeller är att de kan förstå naturligt språk och generera text, bilder, kod med mera. Om du någonsin leker med DALL-E eller Stable Diffusion, till exempel, kommer du snabbt att förstå varför dessa modeller är så hajpade; de har en otroligt människoliknande förmåga att förstå naturliga språkkommandon och kan skapa konst som konkurrerar med de bästa mänskliga konstnärerna.

Kodgenerering är en av de mest nischade, men viktigaste, tillämpningarna av generativ AI. Data blir större och mer komplexa och därför svårare att manuellt analysera och organisera av människor. Ändå finns det så mycket information kodad i denna data. Denna information är inte bara kraftfull för organisationer, den kan också leda till otroliga vetenskapliga genombrott på den akademiska sidan. Att bygga AI för att extrahera värde från data kommer att låsa upp ett otroligt värde i form av användbar information.

Seek AI bygger ett gränssnitt som gör det möjligt för användare att interagera med data med naturligt språk. Kunskapsarbetare kan komma åt Seek AI:s naturliga språkgränssnitt med hjälp av e-post, Slack, text och en rad kundrelationshanteringssystem (CRM).

Vilka andra typer av maskininlärning används på Seek AI?

Även om generativ AI är en del av vår maskininlärningsarkitektur, innehåller vår arkitektur också flera olika modeller för djupinlärning med öppen källkod. Transformatormodeller (av vilka "generativ AI" är en variant) omfattar många (men inte alla) modeller som Seek använder.

Varför är det så viktigt för icke-tekniska användare att snabbt kunna komma åt data?

Vad hjälper data om det inte genererar en ROI, och hur kan ett företag få denna ROI om företagsinriktade användare inte ens kan komma åt det? Det är därför det är absolut nödvändigt att ge tillgång till så många människor som möjligt, utan att kompromissa med precisionen.

När jag var datavetare fick jag ibland förfrågningar från VD:n om att analysera vissa data för att hjälpa vårt företags produkt- eller go-to-market-strategi. Dessa projekt kan ta veckor eller längre. Som VD nu förstår jag definitivt vikten av de projekten på en djupare nivå än vad jag gjorde när jag var på datasidan. Jag kommer ofta på mig själv med att önska att jag helt enkelt kunde få data till hands så att jag kan fatta mina beslut snabbare. Det här är ett exempel på vad vi löser på Seek.

Hur gör Seek AI denna data så lätt att hämta?

Något som är intressant att tänka på är att data egentligen bara kan analyseras med kod. Det är sant att det finns plattformar som är abstrakta över denna kod (t.ex. datapaneler), men under huven finns kod manuellt skriven av dataanalytiker som gör att data kan presenteras för affärsslutanvändarna.

De flesta kunskapsarbetare vet inte hur man kodar, vill inte koda eller kan helt enkelt inte ens få tillgång till data även om de vill skriva kod för att analysera den. När de behöver data måste de därför antingen hitta den i en instrumentpanel eller fråga datateamet om de inte kan hitta den. Ju större datauppsättningar blir, desto mer kommer detta att hända.

Datateam måste därför vara "översättare" av naturliga språkfrågor som riktas till dem och själva data som de frågar med hjälp av kod. Att ta bort denna "översättare"-förmedlare är hjärtat i vad Seek gör.

Hur säkerställer företag att de uppgifter de använder är korrekta?

Att hantera avvägningen mellan datanoggrannhet och tillgänglighet är en enorm utmaning. Som jag sa i en intervju nyligen tillåter tillgängligheten å ena sidan mindre tekniska människor att börja interagera med kunskapskällan som är ett företags data. Å andra sidan, vad hjälper en källa med förorenat vatten (dvs dåliga data)?

De bästa datateamen är de som hanterar denna kompromiss på det mest optimala sättet som möjligt, och en stor del av det är att noggrant kalibrera och granska alla verktyg som icke-tekniska användare kan interagera med.

Vilka är några exempel på användningsfall för Seek AI-plattformen?

Vi levererar redan värde till kunder och designpartners på B2B SaaS, Fintech, Consumer Product Goods (CPG) och B2C e-handel vertikala marknader.

Battlefin, till exempel, är den ledande marknadsplatsen för alternativa finansiella datauppsättningar. De tror att att ge snabba, högkvalitativa svar på sina egna kunders frågor är skillnaden mellan att vinna och förlora mot sina konkurrenter. Företagets VD, Tim Harrington, noterade: "Seek AI spelade en avgörande roll i vårt företags strategi för 2023 på grund av den fördel som den ger oss när det gäller att komma åt och analysera våra 2,400 10+ datauppsättningar som svar på kundfrågor. Jag skulle uppskatta att vår ROI på Seek AI är cirka XNUMX gånger baserat på vad vi skulle ha spenderat för att uppnå denna effektivitetsnivå utan plattformen.”

Finns det något mer du skulle vilja dela med dig av om Seek AI?

Det här kan vara rätt plats för en skamlös plugg. Seek erbjuder för närvarande gratis provperioder av vår plattform, som kan nås på seek.ai. Vi är glada över att vara en pionjär när det gäller att föra generativ AI till datateam, och jag ser fram emot att gå på den här resan med våra kunder.

Tack för den fina intervjun, läsare som vill veta mer bör besöka Sök AI.