ดร. เดวาวรัต ชาห์ ผู้ร่วมก่อตั้งและซีอีโอของ Ikigai Labs – สัมภาษณ์ซีรีส์

ดร. เดวาวรัต ชาห์ เป็นผู้ร่วมก่อตั้งและซีอีโอของ Ikigai Labs และเขายังเป็น ศาสตราจารย์และผู้อำนวยการศูนย์ข้อมูลและวิทยาศาสตร์ข้อมูลที่ MIT เขาเป็นผู้ร่วมก่อตั้ง Celect ซึ่งเป็นแพลตฟอร์มวิเคราะห์ข้อมูลเชิงคาดการณ์สำหรับร้านค้าปลีก ซึ่งเขาขายให้กับ Nike เดวาวรัตจบการศึกษาระดับบัณฑิตและปริญญาเอกสาขาวิทยาการคอมพิวเตอร์จาก Indian Institute of Technology และ Stanford University ตามลำดับ

Ikigai Labs มีแพลตฟอร์มที่ใช้ AI เพื่อเปลี่ยนแปลงข้อมูลตารางและข้อมูลชุดเวลาให้เป็นข้อมูลที่สามารถทำนายและใช้ได้จริง โดยใช้ Large Graphical Models ที่ได้รับอนุญาตสิทธิบัตร แพลตฟอร์มนี้ช่วยให้ผู้ใช้งานและนักพัฒนาทางธุรกิจในอุตสาหกรรมต่างๆ สามารถปรับปรุงกระบวนการวางแผนและตัดสินใจได้

คุณสามารถเล่าเรื่องราวเบื้องหลังการก่อตั้ง Ikigai Labs ได้หรือไม่? สิ่งไหนที่ทำให้คุณตัดสินใจเปลี่ยนจากโลกวิชาการไปสู่การเป็นผู้ประกอบการ?

จริงๆ แล้วฉันเดินไปมาระหว่างโลกวิชาการและธุรกิจมาหลายปีแล้ว ฉันร่วมก่อตั้ง Ikigai Labs กับ Vinayak Ramesh นักศึกษาเก่าของฉันที่ MIT ฉันเคยร่วมก่อตั้งบริษัทชื่อ Celect ซึ่งช่วยให้ร้านค้าปลีกสามารถตัดสินใจเกี่ยวกับการจัดหาสินค้าได้ดีขึ้นโดยใช้ AI ในการคาดการณ์ความต้องการ Celect ถูกซื้อโดย Nike ในปี 2019

Large Graphical Models (LGMs) คืออะไร และมันแตกต่างจาก Large Language Models (LLMs) อย่างไร?

LGMs หรือ Large Graphical Models เป็นมุมมองของข้อมูลที่เป็นไปได้ มันแตกต่างจาก AI “Foundation model” เช่น LLM

Foundation Models สมมติว่าสามารถ “เรียนรู้” รูปแบบที่เกี่ยวข้องทั้งหมดจากข้อมูลขนาดใหญ่ และเมื่อมีข้อมูลใหม่มา ก็สามารถทำนายได้โดยอาศัยส่วนของข้อมูลที่เกี่ยวข้อง LLMs มีประสิทธิภาพสูงสำหรับข้อมูลที่ไม่มีโครงสร้าง (ข้อความ, รูปภาพ)

LGMs แทนการค้นหารูปแบบ “การทำงาน” ที่เหมาะสมจาก “จักรวาล” ของรูปแบบดังกล่าว โดยพิจารณาจากข้อมูลที่ให้มา LGMs ได้รับการออกแบบมาเพื่อให้มีรูปแบบการทำงานที่เกี่ยวข้องทั้งหมดสำหรับข้อมูลที่มีโครงสร้าง (ตาราง, ชุดเวลา)

LGMs สามารถเรียนรู้และให้การทำนายที่แม่นยำได้โดยใช้ข้อมูลที่จำกัด ตัวอย่างเช่น สามารถใช้ในการทำนายแนวโน้มที่เปลี่ยนแปลงอย่างรวดเร็วหรือผลลัพธ์ทางธุรกิจที่สำคัญได้

LGMs เหมาะสมอย่างยิ่งสำหรับการวิเคราะห์ข้อมูลที่มีโครงสร้างและตาราง มันให้ประโยชน์ gìเหนือ AI อื่นๆ ในด้านนี้?

LGMs ได้รับการออกแบบมาโดยเฉพาะสำหรับข้อมูลที่มีโครงสร้าง (ตาราง, ชุดเวลา) ดังนั้นจึงให้ผลลัพธ์ที่แม่นยำและเชื่อถือได้มากกว่า

นอกจากนี้ LGMs ต้องการข้อมูลน้อยกว่า LLMs และมีการใช้ทรัพยากรการคำนวณและจัดเก็บข้อมูลที่ต่ำกว่า ทำให้ต้นทุนลดลง สิ่งนี้ทำให้องค์กรสามารถได้รับข้อมูลเชิงลึกที่แม่นยำจาก LGMs แม้ว่าจะมีข้อมูลฝึกอบรมที่จำกัดก็ตาม

LGMs ยังให้การรักษาความปลอดภัยและความเป็นส่วนตัวของข้อมูลที่ดีกว่า มันฝึกอบรมเฉพาะข้อมูลขององค์กรเท่านั้น โดยมีการเสริมจากแหล่งข้อมูลภายนอกที่เลือกเมื่อจำเป็น ไม่มีความเสี่ยงที่ข้อมูลที่ละเอียดอ่อนจะถูกแบ่งปันกับโมเดลสาธารณะ

ในสถานการณ์ธุรกิจแบบไหนที่ LGMs ให้คุณค่ามากที่สุด? คุณสามารถให้ตัวอย่างการใช้งาน LGMs ในการปรับปรุงการทำนาย การวางแผน หรือการตัดสินใจได้หรือไม่?

LGMs ให้คุณค่าในสถานการณ์ที่องค์กรต้องการทำนายผลลัพธ์ทางธุรกิจหรือคาดการณ์แนวโน้มเพื่อเป็นแนวทางในการวางแผนกลยุทธ์

ลองนึกถึงธุรกิจที่ขายชุดฮัลโลวีนและของเล่นที่เกี่ยวข้อง และต้องการข้อมูลเชิงลึกในการตัดสินใจเกี่ยวกับการจัดหาสินค้าให้ดีขึ้น โดยพิจารณาจากความเป็นฤดูกาลของธุรกิจนั้น

โดยใช้ LGMs ธุรกิจสามารถหาสมดุลที่สมบูรณ์แบบและชี้นำการวางแผนการขายสินค้าได้ LGMs สามารถตอบคำถามเช่น:

• ชุดฮัลโลวีนแบบไหนที่ควรจัดหาสำหรับฤดูกาลนี้? ควรจัดหาสินค้าแต่ละรายการจำนวนเท่าใด?
• สินค้าแต่ละรายการจะขายได้ดีแค่ไหนในสถานที่เฉพาะ?
• ของเล่นเสริมจะขายได้ดีแค่ไหนเมื่อจับคู่กับชุดฮัลโลวีน?
• 如何หลีกเลี่ยงการกินส่วนแบ่งการขายในเมืองที่มีร้านค้าหลายแห่ง?
• ชุดฮัลโลวีนใหม่จะขายได้ดีแค่ไหน?

LGMs ช่วยในสถานการณ์ที่ข้อมูลมีจำนวนเล็กน้อย ไม่สอดคล้องกัน หรือเปลี่ยนแปลงอย่างรวดเร็วได้อย่างไร?

LGMs ใช้การปรับข้อมูลโดยใช้ AI เพื่อให้ได้ข้อมูลเชิงลึกที่แม่นยำแม้ว่าจะวิเคราะห์ข้อมูลที่มีขนาดเล็กหรือมีเสียงรบกวน การปรับข้อมูลทำให้แน่ใจว่าข้อมูลมีความสอดคล้อง ถูกต้อง และสมบูรณ์ โดยการเปรียบเทียบและตรวจสอบชุดข้อมูลเพื่อระบุข้อผิดพลาดหรือความไม่สอดคล้อง

การเดินหน้าของ Ikigai ในการทำให้ AI เข้าถึงได้โดยทุกคนสอดคล้องกับการพัฒนาของ LGMs อย่างไร? คุณเห็น LGMs มีผลกระทบต่ออนาคตของ AI ในธุรกิจอย่างไร?

AI กำลังเปลี่ยนแปลงวิธีการทำงานของเรา และองค์กรต่างๆ ต้องเตรียมพร้อมที่จะนำ AI มาใช้ในการทำงาน Ikigai มีแพลตฟอร์มที่ให้ประสบการณ์ low code/no code สำหรับผู้ใช้งานทางธุรกิจ และมี AI Builder และ API สำหรับนักวิทยาศาสตร์ข้อมูลและนักพัฒนา นอกจากนี้ เรายังมีการศึกษาฟรีที่ Ikigai Academy เพื่อให้ทุกคนสามารถเรียนรู้พื้นฐานของ AI และได้รับการฝึกอบรมและรับรองบนแพลตฟอร์ม Ikigai

LGMs จะมีผลกระทบอย่างมากต่อธุรกิจที่ต้องการใช้ AI ในการทำนายและวางแผน Enterprises ต้องการใช้ AI ในกรณีการใช้งานที่ต้องการการสร้างแบบจำลองทางสถิติและคาดการณ์เชิงความน่าจะเป็น แต่ LLMs ไม่ได้ถูกออกแบบมาเพื่อกรณีการใช้งานเหล่านี้

Ikigai มีการรวม LGMs กับการเข้าถึงของมนุษย์ผ่านฟีเจอร์ eXpert-in-the-loop คุณสามารถอธิบายได้อย่างไรว่าสิ่งนี้ช่วยเพิ่มความแม่นยำและความน่าเชื่อถือของ AI ในองค์กร?

AI ต้องการการดูแลและควบคุม เนื่องจากองค์กรต่างๆ มีความกังวลว่าเทคโนโลยีนี้จะทำงานได้อย่างแม่นยำและ有效 หนึ่งในวิธีการดูแลและควบคุมคือการมีผู้เชี่ยวชาญด้านมนุษย์ในการตรวจสอบ AI ซึ่งช่วยให้สามารถวางใจและตรวจสอบความแม่นยำของ AI ได้

มีการพัฒนาทางเทคโนโลยีที่สำคัญๆ ในแพลตฟอร์มของ Ikigai ที่ทำให้มันแตกต่างจาก AI อื่นๆ ในตลาดปัจจุบัน?

เทคโนโลยี LGMs ของเราคือสิ่งที่แตกต่างที่สำคัญที่สุด Ikigai เป็นผู้บุกเบิกในด้านนี้โดยไม่มีคู่แข่ง เราและผู้ร่วมก่อตั้งได้คิดค้น LGMs ระหว่างการทำงานวิชาการที่ MIT

คุณเห็นว่า LGMs จะมีผลกระทบต่ออุตสาหกรรมที่พึ่งพาการทำนายและวางแผนอย่างแม่นยำ เช่น การค้าปลีก การจัดการห่วงโซ่อุปทาน และการเงิน?

LGMs จะเปลี่ยนแปลงอย่างมาก เนื่องจากได้รับการออกแบบมาโดยเฉพาะสำหรับข้อมูลที่มีโครงสร้าง (ตาราง, ชุดเวลา) ซึ่งเป็นเลือดหล่อเลี้ยงของทุกองค์กร องค์กรแทบทุกแห่งในอุตสาหกรรมต่างๆ พึ่งพาการวิเคราะห์ข้อมูลที่มีโครงสร้างสำหรับการทำนายความต้องการและวางแผนธุรกิจเพื่อตัดสินใจที่ดีทั้งในระยะสั้นและระยะยาว

มองไปข้างหน้า Ikigai Labs จะพัฒนา LGMs อย่างไรในอนาคต? มีการพัฒนาฟีเจอร์ใหม่ๆ หรือการปรับปรุงที่คุณตื่นเต้น?

โมเดล aiPlan ของเราสนับสนุนการวิเคราะห์สมมติฐานและสถานการณ์ การพัฒนาในอนาคตของเราคือการเพิ่มความสามารถในการเรียนรู้แบบเสริมเติม (Reinforcement Learning) สำหรับทีมปฏิบัติการ ซึ่งจะช่วยให้ทีมปฏิบัติการสามารถวางแผนโดยใช้ AI ทั้งในระยะสั้นและระยะยาว

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Ikigai Labs เพื่อเรียนรู้เพิ่มเติม