Vinay Kumar Sankarapu, medgrundare och VD för Arya.ai – Intervjuserie

Vinay Kumar Sankarapu är medgrundare och VD för Arya.ai, en plattform som erbjuder “AI”-molnet för banker, försäkringsbolag och finansiella institutioner (BFSI) för att hitta rätt AI-API:er, expertlösningar och omfattande AI-styrningsverktyg som krävs för att distribuera tillförlitliga och självlärande AI-motorer.

Er bakgrund är i matematik, fysik, kemi och maskinteknik. Kan du diskutera din resa till att gå över till datavetenskap och AI?

På IIT Bombay har vi ett “Dual Degree Program” som ger en 5-årig kurs för att täcka både kandidatexamen i teknik och masterexamen i teknik. Jag läste maskinteknik med specialisering i “datorstödd design och tillverkning”, där datavetenskap är en del av vår kurs. För vår postgraduerade forskning valde jag att arbeta med djupinlärning. Medan jag började använda DL för att bygga ett ramverk för felprognos för kontinuerlig tillverkning, avslutade jag min forskning om att använda CNN för RUL-prognos. Detta var runt 2013/14.

Du lanserade Arya.ai medan du fortfarande var i college. Kan du dela berättelsen om hur det här startup-företaget började?

Som en del av den akademiska forskningen var vi tvungna att tillbringa 3-4 månader på en litteraturöversikt för att skapa en detaljerad studie om ämnet, omfattningen av det arbete som hittills hade gjorts och vad som kunde vara ett möjligt område för fokus för vår forskning. Under 2012/13 var de verktyg vi använde ganska grundläggande. Sökmotorer som Google Scholar och Scopus gjorde bara en nyckelordsökning. Det var väldigt svårt att förstå volymen av kunskap som fanns tillgänglig. Jag trodde att det här problemet bara skulle bli värre. 2013 trodde jag att minst 30+ artiklar publicerades varje minut. Idag är det minst 10-20 gånger mer än så.

Vi ville bygga en “AI”-assistent som en “professor” för forskare för att hjälpa dem att föreslå ett ämne för forskning, hitta en lämplig artikel som är mest uppdaterad och allt runt STEM-forskning. Med vår erfarenhet av djupinlärning trodde vi att vi kunde lösa det här problemet. 2013 startade vi Arya.ai med ett team på 3, och sedan utvidgades det till 7 under 2014 medan jag fortfarande var i college.

Vår första version av produkten byggdes genom att skrapa mer än 30 miljoner artiklar och sammanfattningar. Vi använde den senaste tekniken inom djupinlärning vid den tiden för att bygga en AI-STEM-forskningsassistent och en kontextuell sökmotor för STEM. Men när vi visade AI-assistenten för några professorer och kamrater, insåg vi att vi var för tidiga. Konversationsflöden var begränsade, och användarna förväntade sig en fri flöde och kontinuerliga konversationer. Förväntningarna var mycket orealistiska vid den tiden (2014/15), även om det svarade på komplexa frågor.

Efter det pivoterade vi för att använda vår forskning och fokusera på ML-verktyg för forskare och företag som en arbetsbänk för att demokratisera djupinlärning. Men igen, mycket få dataforskare använde DL 2016. Så vi började vertikalisera det för en vertikal och fokusera på att bygga specialiserade produktlager för en vertikal, dvs. finansiella tjänsteinstitutioner (FSI). Vi visste att det här skulle fungera eftersom stora spelare syftar till att vinna den horisontella spelplanen, medan vertikala spelare fokuserar på slutanvändarens behov och tillhandahåller dem som ett specialiserat produktlager. Det här var rätt!

Vi bygger AI-molnet för banker, försäkringsbolag och finansiella institutioner med de mest specialiserade vertikala lagren för att leverera skalbara och ansvarsfulla AI-lösningar.

Hur stor är problemet med “AI”-svarta lådor i finans?

Extremt viktigt! Bara 30% av finansiella institutioner använder “AI” till sin fulla potential. Medan en av anledningarna är tillgänglighet, är en annan bristen på “AI”-förtroende och granskning. Regleringar är nu tydliga i vissa geografiska områden om lagligheten i att använda AI för låg-, medel- och högkänsliga användningsfall. Det krävs enligt lag i EU att använda transparenta modeller för “högrisk”-användningsfall. Många användningsfall i finansiella institutioner är högriskanvändningsfall. Så de kräver att använda vita lådor-modeller.

Hype-cykler är också på väg att stabiliseras på grund av tidig erfarenhet med AI-lösningar. Det finns ett växande antal exempel på effekterna av att använda svarta lådor “AI”, misslyckanden med “AI” på grund av att de inte övervakas och utmaningar med juridiska och riskhanteringschefer på grund av begränsad granskning.

Kan du diskutera skillnaden mellan ML-övervakning och ML-observerbarhet?

 Övervakningsverktygets uppgift är enbart att övervaka och varna. Och övervakningsverktygets uppgift är inte bara att övervaka och rapportera, utan framför allt att tillhandahålla tillräckliga bevis för att hitta orsakerna till fel eller förutsäga dessa fel över tid.

I AI/ML spelar dessa verktyg en avgörande roll. Medan dessa verktyg kan leverera de krävda rollerna eller övervakningen, är omfattningen av ML-observerbarhet

Varför behövs branschspecifika plattformar för ML-observerbarhet istället för allmänna plattformar?

Allmänna plattformar är utformade för alla och alla användningsfall, oavsett bransch–alla användare kan gå med på plattformen och börja använda den. Plattformens kunder är vanligtvis utvecklare, dataforskare etc. Plattformarna skapar dock flera utmaningar för intressenterna på grund av deras komplexa natur och “en storlek passar alla”-tillvägagångssätt.

Tyvärr kräver de flesta företag idag data science-experter för att använda allmänna plattformar och behöver ytterligare lösningar/produktlager för att göra modellerna “användbara” för slutanvändarna i alla vertikaler. Detta inkluderar förklarbarhet, granskning, segment/scenarier, mänsklig-in-i-loopen-processer, feedback-etikettering, granskning, verktygsspecifika pipelines etc.

Det är här branschspecifika AI-plattformar kommer in som en fördel. En branschspecifik AI-plattform äger hela arbetsflödet för att lösa en målinriktad kunds behov eller användningsfall och utvecklas för att tillhandahålla en komplett produkt från slut till slut, från att förstå affärsbehoven till att övervaka produktens prestanda. Det finns många branschspecifika hinder, såsom reglerings- och regelefterlevnadsramar, dataskyddskrav, gransknings- och kontrollkrav etc. Branschspecifika AI-plattformar och erbjudanden accelererar AI-antagande och förkortar vägen till produktion genom att minska utvecklingstiden och associerade risker i AI-utrullning. Dessutom kommer det också att hjälpa till att samla AI-experter inom branschen som ett produktlager som hjälper till att förbättra acceptansen av “AI”, driva regelefterlevnadsinsatser och hitta gemensamma tillvägagångssätt för etik, förtroende och anseendefrågor.

Kan du dela några detaljer om ML-observerbarhetsplattformen som erbjuds av Arya.ai?

Vi har arbetat i finansiella institutioner i mer än 6+ år. Sedan 2016. Detta gav oss tidig exponering för unika utmaningar i att distribuera komplex AI i FSI. En av de viktiga utmaningarna var “AI”-acceptans. Till skillnad från i andra vertikaler, finns det många regleringar om att använda programvara (även tillämplig för “AI”-lösningar), dataskydd, etik och framför allt den finansiella påverkan på affärsverksamheten. För att hantera dessa utmaningar i skala var vi tvungna att kontinuerligt uppfinna och lägga till nya lager av förklarbarhet, granskning, användningsrisker och ansvar på toppen av våra lösningar – skadehantering, underwriting, bedrägeriövervakning etc. Över tid skapade vi ett acceptabelt och skalbart ML-observerbarhetsramverk för olika intressenter i den finansiella tjänstesektorn.

Vi släpper nu en DIY-version av ramverket som AryaXAI (xai.arya.ai). Alla ML- eller affärsteam kan använda AryaXAI för att skapa en högt omfattande AI-styrning för uppdragskritiska användningsfall. Plattformen tillför transparens och granskning till era AI-lösningar som accepteras av alla intressenter. AryaXAI gör AI säkrare och acceptabelt för uppdragskritiska användningsfall genom att tillhandahålla en tillförlitlig och exakt förklarbarhet, erbjuda bevis som kan stödja regelefterlevnad, hantera AI-osäkerhet genom att tillhandahålla avancerade policykontroller och säkerställa konsekvens i produktion genom att övervaka data- eller modellglid och varna användare med rotorsaksanalys.

AryaXAI fungerar också som ett gemensamt arbetsflöde och tillhandahåller insikter som accepteras av alla intressenter – data science, IT, risk, verksamhet och regelefterlevnadsteam, vilket gör utrullningen och underhållet av AI/ML-modeller smidiga och fria från hinder.

En annan lösning som erbjuds är en plattform som förbättrar tillämpbarheten av ML-modellen med kontextuell policyimplementering. Kan du beskriva vad det är specifikt?

Det blir svårt att övervaka och kontrollera ML-modeller i produktion på grund av de enorma volymerna av funktioner och förutsägelser. Dessutom gör osäkerheten i modellbeteendet det svårt att hantera och standardisera styrning, risk och regelefterlevnad. Sådana modellmisslyckanden kan resultera i tunga ryktes- och finansiella förluster.

AryaXAI erbjuder “Policy/Risk-kontroller”, en kritisk komponent som bevarar affärs- och etiska intressen genom att verkställa policys på AI. Användare kan enkelt lägga till/redigera/ändra policys för att administrera policykontroller. Detta möjliggör för cross-funktionella team att definiera policyräcken för att säkerställa kontinuerlig riskbedömning, skyddar affärsverksamheten från AI-osäkerhet.

Vilka är några exempel på användningsfall för dessa produkter?

AryaXAI kan implementeras för olika uppdragskritiska processer över branscher. De vanligaste exemplen är:

BFSI: I en miljö med regleringsstränghet, gör AryaXAI det lätt för BFSI-branschen att anpassa sig till kraven och samla in bevisen som behövs för att hantera risk och säkerställa regelefterlevnad.

• Kreditprövning för säker/osäker lån
• Identifiering av bedrägeri/misstänkta transaktioner
• Granskning
• Kundlivscykelhantering
• Kreditbeslut

Självkörande bilar: Självkörande fordon måste följa regleringsstränghet, operativ säkerhet och förklarbarhet i realtidsbeslut. AryaXAI möjliggör en förståelse för hur AI-systemet interagerar med fordonet

• Beslutsanalys
• Självkörande fordonshantering
• Fordonshälsoinformation
• Övervakning av AI-körningssystem

Hälso- och sjukvård: AryaXAI erbjuder djupare insikter från medicinska, tekniska, juridiska och patientperspektiv. Från läkemedelsupptäckt till tillverkning, försäljning och marknadsföring, Arya-xAI främjar tvärvetenskapligt samarbete

• Läkemedelsupptäckt
• Klinisk forskning
• Klinisk prövning av data
• Högre kvalitetsvård

Vad är din vision för framtiden för maskinlärning i finans?

Under det senaste decenniet har det funnits en enorm utbildning och marknadsföring runt “AI”. Vi har sett flera hype-cykler under den här tiden. Vi skulle förmodligen vara på den 4:e eller 6:e hype-cykeln nu. Den första är när djupinlärning vann ImageNet 2011/12 följt av arbete runt bild/textklassificering, taligenkänning, självkörande bilar, generativ AI och nu med stora språkmodeller. Gapet mellan topphype och massanvändning minskar med varje hype-cykel på grund av iterationer runt produkten, efterfrågan och finansiering.

Dessa tre saker har hänt nu:

1. Jag tror att vi har knäckt ramverket för skalbarhet för AI-lösningar, åtminstone för några experter. Till exempel är Open AI för närvarande en icke-intäktsgenererande organisation, men de förutspår att de kommer att göra 1 miljard dollar i intäkter inom 2 år. Medan inte alla AI-företag kanske inte uppnår en liknande skalbarhet, är mallen för skalbarhet tydligare.
2. Definitionen av idealiska AI-lösningar är nästan klar för alla vertikaler: Till skillnad från tidigare, där produkten byggdes genom iterativa experiment för varje användningsfall och varje organisation, är intressenterna alltmer utbildade för att förstå vad de behöver från AI-lösningar.
3. Regleringar är nu på väg att komma ikapp: Behovet av tydliga regleringar runt dataskydd och AI-användning får nu stor dragkraft. Styrande organ och regleringsorgan kan publicera eller är på väg att publicera ramverk som krävs för det säkra, etiska och ansvarsfulla användandet av AI.

Vad är nästa?

Explosionen av “Model-as-a-service (MaaS)”:

Vi kommer att se en ökande efterfrågan på “Model-as-a-service”-erbjudanden inte bara horisontellt utan också vertikalt. Medan “OpenAI” representerar ett bra exempel på “horisontell MaaS”, är Arya.ai ett exempel på vertikal “MaaS”. Med erfarenheten av distributioner och dataset har Arya.ai samlat in kritiska vertikala dataset som används för att träna modeller och tillhandahålla dem som plug-and-use eller förtränade modeller.

Vertikalisering är det nya horisontella: Vi har sett den här trenden i “molnantagande”. Medan horisontella molnspelare fokuserar på “plattformar för alla”, fokuserar vertikala spelare på slutanvändarens behov och tillhandahåller dem som ett specialiserat produktlager. Detta är sant även för MaaS-erbjudanden.

XAI och AI-styrning kommer att bli en norm i företag: Beroende på känsligheten i regleringarna, kommer varje vertikal att uppnå en acceptabel XAI- och styrningsram som kommer att implementeras som en del av designen, till skillnad från idag, då det behandlas som ett tillägg.

Generativ AI på tabellformade data kan se sina hype-cykler i företag: Att skapa syntetiska dataset är förmodligen en av de enkla lösningarna för att lösa datarelaterade utmaningar i företag. Data science-team kommer att föredra detta, eftersom problemet är under deras kontroll, till skillnad från att lita på affärsverksamheten, som kan ta tid, vara dyrt och inte garanterat följa alla steg medan de samlar in data. Syntetiska data löser biasproblem, dataobalans, dataskydd och otillräcklig data. Naturligtvis är effektiviteten i detta tillvägagångssätt fortfarande ännu inte bevisad. Men med mer mognad i nya tekniker som transformers, kan vi se mer experiment på traditionella dataset som tabellformade och multidimensionella data. Vid framgång kan detta tillvägagångssätt ha en enorm inverkan på företag och MaaS-erbjudanden.

Finns det något annat du vill dela om Arya.ai?

Fokus för Arya.ai är att lösa “AI” för banker, försäkringsbolag och finansiella institutioner. Vår tillvägagångssätt är vertikalisering av tekniken till det sista lagret och gör det användbart och acceptabelt för varje organisation och intressent.

AryaXAI (xai.arya.ai) kommer att spela en viktig roll i att leverera det till massorna inom FSI-vertikalen. Vår pågående forskning om syntetiska data lyckades i ett fåtal användningsfall, men vi syftar till att göra det till ett mer livskraftigt och acceptabelt alternativ. Vi kommer att fortsätta lägga till fler lager till vårt “AI”-moln för att tjäna vår mission.

Jag tror att vi kommer att se fler startups som Arya.ai, inte bara i FSI-vertikalen utan i varje vertikal.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Arya.ai.