Sarah Nagy, grundare och VD för Seek AI – Intervjuserie

Sarah Nagy är grundare och VD för Seek AI, en plattform som möjliggör för företagsanvändare att ställa Seek samma frågor som de för närvarande ställer till datateamet, direkt i Slack, Teams och e-post. Inga “finesser” av hur de skriver sin fråga, och inget behov av att lära sig en ny plattform.

Du började ursprungligen som forskare med data från rymdteleskopet Hubble. Vad arbetade du med?

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

Sedan arbetade du som data scientist på olika startup-företag. Vilka var några av de mer intressanta projekten?

Ett projekt som sticker ut var att använda naturlig språkbehandling (NLP) för att klassificera ostrukturerad text relaterad till detaljhandelsartiklar. Till exempel, ta raw text (t.ex. “air jordans gröna”) och märka den som den uppskattade varumärket (“Nike”). Jag hade en kollega som specialiserade sig på NLP som var upptagen med ett annat projekt, så jag fick faktiskt inte arbeta med detta projekt från början. Det slutade med att det blev överlämnat till mig eftersom de var upptagna. Jag visste inte ens någonting om NLP vid den tiden, så jag gick igenom några gratis kurser från Stanford och Fast.ai för att öka min kunskap. Jag njöt verkligen av att lära mig om NLP och började förstå varför det är så viktigt, och varför artificiell intelligens (AI) som kan förstå språk är ett stort steg mot så kallad “allmän AI”. Denna erfarenhet gjorde mig definitivt redo att snabbt förstå vikten av GPT-3 när det först kom ut.

Kan du dela med dig av ursprunget till Seek AI?

När OpenAI:s GPT-3-modell kom ut, erkände jag omedelbart vad en otrolig framsteg det var och blev särskilt upphetsad över tillämpningar som involverade GPT-3 som skriver kod. Efter allt, jag skrev kod hela dagen som data scientist, och att se AI göra detta – och generera koden perfekt – var häpnadsväckande. Jag skulle jämföra min reaktion på GPT-3 med att första gången lära mig om VR år 2013, som var en annan häpnadsväckande upplevelse för mig. Jag bestämde mig för att jag behövde bilda ett startup-företag för att satsa på denna teknik. Jag visste inte exakt vad jag skulle bygga, men jag hade en magkänsla av att om jag lärde mig mer om dessa modeller, skulle något värdefullt falla på plats.

När jag väl hade lärt mig om modellerna, var det då jag insåg att jag kunde lösa ett smärtproblem som jag stött på överallt där jag hade arbetat som kvant eller som data scientist. Smärtproblemet i fråga var att affärsfolk inte hade rätt verktyg för att svara på sina egna datafrågor. Som data scientist, arbetade jag ofta med problem som krävde mycket fokus, men jag blev ofta avbruten av kollegor på affärssidan som hade frågor om data, vilket tvingade mig att sluta vad jag gjorde. Processen verkade föråldrad och ineffektiv. Jag insåg att om jag fokuserade på denna nya tekniken för att lösa problemet, skulle det vara en kategoribestämmande lösning på detta mycket viktiga och allmänna problem.

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

“Generativ AI” är ett mycket hypat buzzword, men till skillnad från andra buzzwords, tror jag inte att hypen är obefogad. Begreppet hänvisar till stora maskinlärningsmodeller med hundratals miljarder parametrar, såsom Open AI:s DALL-E och GPT-3. Innovationen i dessa modeller är att de kan förstå naturligt språk och generera text, bilder, kod och mer. Om du någonsin leker med DALL-E eller Stable Diffusion, till exempel, kommer du snabbt att förstå varför dessa modeller är så hypade; de har en otroligt mänsklig förmåga att förstå naturliga språkkommandon och kan generera konst som kan mäta sig med de bästa mänskliga konstnärerna.

Kodgenerering är en av de mest nischade, men viktigaste, tillämpningarna av generativ AI. Data blir större och mer komplex, och därmed 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, utan kan också leda till otroliga vetenskapliga genombrott på den akademiska sidan. Att bygga AI för att extrahera värde från data kommer att låsa upp otroligt värde i form av användbar information.

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

Vilka andra typer av maskinlärning används på Seek AI?

Medan generativ AI är en del av vår maskinlärningsarkitektur, innehåller vår arkitektur också flera grenar av öppen källkods djupinlärningsmodeller. Transformermodeller (varav “generativ AI” är en variant) utgör många (men inte alla) av de modeller som Seek använder.

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

Vad är data bra för om den inte genererar en avkastning, och hur kan ett företag få denna avkastning om affärsinriktade användare inte ens kan komma åt den? Detta är varför det är absolut nödvändigt att ge tillgång till så många människor som möjligt, utan att kompromissa med noggrannhet.

När jag var data scientist, fick jag ibland förfrågningar från VD att analysera vissa data för att hjälpa till med vårt företags produkt eller marknadsstrategi. Dessa projekt kunde ta veckor eller längre. Som VD nu, förstår jag definitivt vikten av dessa projekt på ett djupare plan än jag gjorde när jag var på datasidan. Jag önskar ofta att jag kunde få datan på mina fingrar så att jag kan fatta beslut snabbare. Detta är ett exempel på vad vi löser på Seek.

Hur gör Seek AI det så lätt att hämta datan?

Det är något som är intressant att tänka på att data bara kan analyseras med kod. Det är sant att det finns plattformar som är abstraktioner över denna kod (t.ex. datainstrumentpaneler), men under huven finns det kod som manuellt skrivits av dataanalytiker som möjliggör att datan presenteras för affärsanvändarna.

De flesta kunskapsarbetare vet inte hur man kodar, vill inte koda eller kan inte ens komma åt datan ens om de vill skriva kod för att analysera den. Därför, när de behöver data, måste de antingen hitta den i en instrumentpanel eller be datateamet om de inte kan hitta den. Ju större datamängderna blir, desto mer kommer detta att hända.

Datateam behöver därför vara “översättare” av naturliga språkfrågor riktade till dem, och datan själv, som de frågar med kod. Att ta bort denna “översättar”-mellanhand är hjärtat av vad Seek gör.

Hur säkerställer företagen att datan de använder är korrekt?

Att hantera avvägningen mellan data noggrannhet och tillgänglighet är en enorm utmaning. Som jag sa i en nylig intervju, å ena sidan, möjliggör tillgänglighet att mindre tekniska personer kan börja interagera med kunskapskällan som är företagets data. Å andra sidan, vad är en källa av förorenat vatten (dvs. dålig data) bra för?

De bästa datateamen är de som hanterar denna avvägning på det mest optimala sättet, 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 inom B2B SaaS, Fintech, Consumer Product Goods (CPG) och B2C e-handelsvertikala marknader.

Battlefin är till exempel den ledande marknadsplatsen för alternativa finansiella datauppsättningar. De tror 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 vår företagsstrategi 2023 på grund av den fördel det ger oss i att komma åt och analysera våra 2 400+ datauppsättningar som svar på kundfrågor. Jag skulle uppskatta att vår avkastning på Seek AI är cirka 10 gånger baserat på vad vi skulle ha spenderat för att uppnå denna nivå av effektivitet utan plattformen.”

Finns det något annat du vill dela om Seek AI?

Detta kan vara rätt plats för en skamlös reklam. Seek erbjuder för närvarande gratis provversioner av vår plattform, som kan nås på seek.ai. Vi är glada över att vara en pionjär inom att bringa generativ AI till datateam, och jag ser fram emot att gå på denna resa med våra kunder.

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