ดร. ไมค์ แฟล็กซ์แมน VP of Product ที่ HEAVY.AI – สัมภาษณ์ซีรีส์

ดร. ไมค์ แฟล็กซ์แมน ปัจจุบันเป็น VP of Product ที่ HEAVY.AI โดยก่อนหน้านี้曾任 Product Manager และนำทีม Spatial Data Science practice ใน Professional Services เขาใช้เวลาทำงานด้าน spatial environmental planning มาเกิน 20 ปี ก่อนเข้าร่วม HEAVY.AI เขาได้ก่อตั้ง Geodesign Technologies, Inc และร่วมก่อตั้ง GeoAdaptive LLC สตาร์ทอัพสองแห่งที่ใช้เทคโนโลยีการวิเคราะห์เชิงพื้นที่ในการวางแผน ในช่วงก่อนที่จะเข้าสู่ชีวิตสตาร์ทอัพ เขา曾เป็นอาจารย์ในสาขาวิชาวางแผน tại MIT และ Industry Manager ที่ ESRI

HEAVY.AI เป็นแพลตฟอร์มที่ใช้การประมวลผลแบบเร่งด้วยฮาร์ดแวร์สำหรับการวิเคราะห์ข้อมูลแบบเรียลไทม์และมีผลกระทบสูง มันใช้ทั้งการประมวลผล GPU และ CPU เพื่อดึงข้อมูลจากเซตข้อมูลขนาดใหญ่เร็ว โดยมีการสนับสนุน SQL และข้อมูลเชิงพื้นที่ แพลตฟอร์มนี้รวมถึงเครื่องมือวิเคราะห์เชิงภาพสำหรับ داشบอร์ดแบบโต้ตอบ การกรองข้าม และการแสดงข้อมูลแบบปรับขนาด ทำให้สามารถวิเคราะห์ข้อมูลขนาดใหญ่ได้อย่างมีประสิทธิภาพในอุตสาหกรรมต่างๆ

คุณสามารถเล่าเรื่องราวอาชีพของคุณและอะไรที่นำคุณมาเข้าร่วม HEAVY.AI ได้ไหม?

ก่อนที่จะเข้าร่วม HEAVY.AI ฉันใช้เวลาทำงานในด้านวิชาการสอน spatial analytics ที่ MIT และยังร่วมงานกับลูกค้าในภาครัฐ ฉันเคยทำงานในโครงการ GIS ทั่ว 17 ประเทศ งานของฉันทำให้ฉันไปจากที่ให้คำปรึกษากับองค์กรอย่าง Inter American Development Bank ไปจนถึงการจัดการเทคโนโลยี GIS สำหรับการออกแบบ วิศวกรรม และการก่อสร้างที่ ESRI ผู้พัฒนา GIS ที่ใหญ่ที่สุดในโลก

ฉันจำได้ว่าครั้งแรกที่ฉันพบกับ HEAVY.AI คือเมื่อฉันเป็นที่ปรึกษาและรับผิดชอบในการวางแผนสำหรับโปรแกรมการอนุรักษ์ถิ่นที่อยู่อาศัยของหาดฟลอริดา ฉันและเพื่อนร่วมงานกำลังพยายามสร้างแบบจำลองถิ่นที่อยู่ของเต่าทะเลโดยใช้ข้อมูล Landsat 30m และเพื่อนของฉันแนะนำข้อมูล LiDAR 5cm ที่เพิ่งออกมา ซึ่งเป็นสิ่งที่เราต้องการทางวิทยาศาสตร์ แต่ขนาดของมันใหญ่กว่าที่เราวางแผนไว้ถึง 3600 เท่า ไม่มีใครจะเพิ่งงบประมาณให้ฉันแม้แต่น้อย ดังนั้นในวันนั้นฉันจึงหยุดใช้เครื่องมือที่ฉันใช้และ教มาหลายทศวรรษและออกไปหาสิ่งใหม่ HEAVY.AI สามารถประมวลผลและแสดงข้อมูลนั้นได้อย่างราบรื่นและไม่มีปัญหา จนฉันติดใจทันที

เมื่อข้ามไปอีกหลายปี ฉันยังคงคิดว่าสิ่งที่ HEAVY.AI ทำนั้นเป็นสิ่งที่ไม่เหมือนใคร และการเดิมพันในตอนต้นในการใช้ GPU-analytics นั้นเป็นที่ที่อุตสาหกรรมยังคงต้องการไป HEAVY.AI มุ่งเน้นไปที่การทำให้การเข้าถึงข้อมูลขนาดใหญ่民主化 ซึ่งรวมถึงการประมวลผลข้อมูลขนาดใหญ่และความเร็วในการประมวลผล ซึ่งโดยพื้นฐานแล้วให้ความสามารถเหมือนมีซูเปอร์คอมพิวเตอร์ส่วนตัวแก่ทุกคน แต่ด้วยการมาถึงของโมเดลภาษาขนาดใหญ่ สิ่งที่สำคัญคือการทำให้การสร้างแบบจำลองเชิงพื้นที่สามารถเข้าถึงได้โดยคนจำนวนมากมากขึ้น ในปัจจุบัน แทนที่จะใช้เวลาหลายปีในการเรียนรู้อินเทอร์เฟซที่ซับซ้อนพร้อมเครื่องมือหลายพันชิ้น คุณสามารถเริ่มการสนทนาได้โดยใช้ภาษาของคุณเองกับ HEAVY.AI โปรแกรมไม่เพียงแต่สร้างคำสั่งที่จำเป็น แต่ยังแสดงการแสดงภาพที่เกี่ยวข้องอีกด้วย

เบื้องหลังความพยายามในการทำให้ใช้งานง่ายนั้นยากมาก ในฐานะ VP of Product Management ที่ HEAVY.AI ฉันเกี่ยวข้องกับการตัดสินใจเกี่ยวกับฟีเจอร์และความสามารถที่เราจะจัดลำดับความสำคัญสำหรับผลิตภัณฑ์ของเรา ประสบการณ์ที่กว้างขวางของฉันใน GIS ช่วยให้ฉันเข้าใจความต้องการของลูกค้าและชี้แนะเส้นทางพัฒนาของเรา

ประสบการณ์ก่อนหน้านี้ของคุณในด้าน spatial environmental planning และสตาร์ทอัพได้影响งานของคุณที่ HEAVY.AI อย่างไร?

การวางแผนเชิงสิ่งแวดล้อมเป็นโดเมนที่ท้าทายอย่างยิ่งเพราะคุณต้องคำนึงถึงทั้งความต้องการของมนุษย์และธรรมชาติ วิธีแก้ปัญหาทั่วไปที่ฉันเรียนรู้คือการผสมผสานการวางแผนแบบมีส่วนร่วมกับเทคโนโลยีการสังเกตระยะไกลและ GIS ก่อนที่จะกำหนดแผนการดำเนินการ เราจะสร้างหลายๆ สzenario และจำลองผลกระทบเชิงบวกและเชิงลบในคอมพิวเตอร์โดยใช้การแสดงภาพ การใช้กระบวนการมีส่วนร่วมช่วยให้เราผสมผสานความเชี่ยวชาญต่างๆ และแก้ปัญหาที่ซับซ้อน

แม้ว่าเราจะไม่ทำการวางแผนเชิงสิ่งแวดล้อมที่ HEAVY.AI แต่รูปแบบนี้ยังคงใช้ได้ดีในสถานการณ์ทางธุรกิจ ดังนั้นเราจึงช่วยให้ลูกค้าสร้างแบบจำลองดิจิทัลของส่วนสำคัญของธุรกิจ และให้พวกเขาได้สร้างและประเมินสถานการณ์ทางธุรกิจได้อย่างรวดเร็ว

ฉันคิดว่าประสบการณ์การสอนของฉันทำให้ฉันมีความเห็นอกเห็นใจผู้ใช้ซอฟต์แวร์ โดยเฉพาะซอฟต์แวร์ระบบที่ซับซ้อน เมื่อนักเรียนคนหนึ่งสะดุดในจุดหนึ่งอาจเป็นเรื่องของความบังเอิญ แต่เมื่อหลายคนหรือหลายร้อยคนทำผิดพลาดในจุดที่คล้ายกัน คุณจะรู้ว่าคุณมีปัญหาในการออกแบบ ซึ่งอาจเป็นส่วนหนึ่งของการออกแบบซอฟต์แวร์ที่ฉันชอบที่สุด คือการนำสิ่งเหล่านี้ไปใช้ในการออกแบบระบบใหม่

คุณสามารถอธิบายได้ไหมว่า HeavyIQ ใช้การประมวลผลภาษาธรรมชาติเพื่ออำนวยความสะดวกในการสำรวจและแสดงข้อมูลอย่างไร?

ในขณะนี้ ดูเหมือนว่าทุกคนและพี่น้องของเขากำลังโฆษณาโมเดล AI รุ่นใหม่ ส่วนใหญ่เป็นการโคลนแบบลืมไม่ลงของกันและกัน เราได้เลือกเส้นทางที่แตกต่างออกไป เราเชื่อว่าความแม่นยำ ความน่าเชื่อถือ และความเป็นส่วนตัวเป็นคุณลักษณะที่จำเป็นสำหรับเครื่องมือวิเคราะห์ธุรกิจ รวมถึงโมเดลภาษาขนาดใหญ่ (LLM) ดังนั้นเราจึงสร้างสิ่งเหล่านี้เข้ากับผลิตภัณฑ์ของเราในระดับพื้นฐาน ตัวอย่างเช่น เรา限定ข้อมูลเข้าโมเดลอย่างเข้มงวดเพื่อให้ได้ข้อมูลจากฐานข้อมูลขององค์กรและเพื่อให้ได้เอกสารภายในขอบเขตความปลอดภัยขององค์กร เรา限定ผลลัพธ์ให้ได้เฉพาะ HeavySQL และ Charts最新เท่านั้น ซึ่งหมายความว่าไม่ว่าคุณจะถามคำถามอะไร เราจะพยายามตอบด้วยข้อมูลของคุณ และเราจะแสดงให้คุณเห็นอย่างไร

ด้วยการรับประกันเหล่านี้ คุณลูกค้าจะไม่สนใจว่าเรประมวลผลคำถามอย่างไร แต่เบื้องหลัง นี่คือความแตกต่างที่สำคัญเมื่อเทียบกับโมเดล AI ของผู้บริโภค คือเราปรับโมเดลให้เหมาะสมอย่างกว้างขวางกับประเภทคำถามที่ผู้ใช้ธุรกิจถามเกี่ยวกับข้อมูลธุรกิจ รวมถึงข้อมูลเชิงพื้นที่ ดังนั้นโมเดลของเราจึงมีความยอดเยี่ยมในการดำเนินการเชื่อมต่อเชิงพื้นที่และเชิงชุดเวลา ซึ่งไม่ได้อยู่ในมาตรฐาน SQL แบบคลาสสิก แต่ผู้ใช้ของเรานิยมใช้ทุกวัน

เราจัดแพ็คเกจความสามารถหลักเหล่านี้เข้าด้วยกันในอินเทอร์เฟซ Notebook ที่เรียกว่า HeavyIQ IQ คือการทำให้การสำรวจและแสดงข้อมูลเป็นเรื่องง่ายที่สุดโดยใช้การประมวลผลภาษาธรรมชาติ (NLP) คุณถามคำถามภาษาอังกฤษ เช่น “สภาพอากาศในแคลิฟอร์เนียเมื่อสัปดาห์ที่แล้วเป็นอย่างไร?” และ HeavyIQ แปลเป็นคำสั่ง SQL ที่ฐานข้อมูลเร่งด้วย GPU ของเราประมวลผลได้อย่างรวดเร็ว ผลลัพธ์จะแสดงไม่เพียงแต่ในรูปแบบข้อมูลเท่านั้น แต่ยังเป็นการแสดงภาพ – แผนที่ กราฟ หรือสิ่งที่เกี่ยวข้องมากที่สุด มันคือการทำให้การซักถามแบบโต้ตอบเร็วขึ้น โดยเฉพาะอย่างยิ่งเมื่อทำงานกับเซตข้อมูลขนาดใหญ่หรือเคลื่อนไหวเร็ว สิ่งที่สำคัญที่นี่คือมักจะไม่ใช่คำถามแรกที่คุณถาม แต่อาจเป็นคำถามที่สามที่ได้ข้อสรุปที่แท้จริง และ HeavyIQ ได้รับการออกแบบเพื่ออำนวยความสะดวกในการสำรวจที่ลึกซึ้งยิ่งขึ้น

ประโยชน์หลักๆ ของการใช้ HeavyIQ มากกว่าเครื่องมือ BI แบบดั้งเดิมสำหรับบริษัทโทรคมนาคม สาธารณูปโภค และหน่วยงานรัฐบาลคืออะไร?

HeavyIQ มีความโดดเด่นในสถานการณ์ที่คุณต้องจัดการกับข้อมูลขนาดใหญ่และเคลื่อนไหวเร็ว – ซึ่งเป็นข้อมูลที่บริษัทโทรคมนาคม สาธารณูปโภค และหน่วยงานรัฐบาลจัดการอยู่ เครื่องมือ BI แบบดั้งเดิมมักจะประสบปัญหากับขนาดและความเร็วของข้อมูลนี้ ตัวอย่างเช่น ในอุตสาหกรรมโทรคมนาคม คุณอาจมีประวัติการโทรหลายพันล้านครั้ง แต่มีเพียงเศษเสี้ยวเล็กๆ ของการโทรที่ถูกตัดขาดที่คุณต้องมุ่งเน้น HeavyIQ ช่วยให้คุณสามารถค้นหาและวิเคราะห์ข้อมูลนี้ได้เร็วขึ้น 10 ถึง 100 เท่า ขอบคุณโครงสร้างพื้นฐาน GPU ของเรา ความเร็วและความสามารถในการซักถามและแสดงข้อมูลแบบโต้ตอบนี้ทำให้ HeavyIQ มีคุณค่าอย่างยิ่งสำหรับการวิเคราะห์ความเสี่ยงในสาธารณูปโภคหรือการวางแผนสถานการณ์แบบเรียลไทม์สำหรับหน่วยงานรัฐบาล

อีกข้อได้เปรียบที่กล่าวถึงแล้วคือคำถาม SQL เชิงพื้นที่และเชิงเวลาเป็นเครื่องมือวิเคราะห์ที่มีประสิทธิภาพมาก แต่อาจช้าหรือยากที่จะเขียนด้วยมือ เมื่อระบบทำงานที่ “ความเร็วของความอยากรู้” ผู้ใช้สามารถถามคำถามได้มากขึ้นและซับซ้อนขึ้น ตัวอย่างเช่น วิศวกรโทรคมนาคมอาจสังเกตเห็นจุดสูงสุดของการล้มเหลวของอุปกรณ์จากระบบติดตาม และมีความคิดว่ามีปัญหาที่โรงงานใดโรงงานหนึ่ง และสามารถตรวจสอบสิ่งนี้ด้วยคำถามเชิงพื้นที่ที่ส่งกลับมาเป็นแผนที่

มีมาตรการใดบ้างที่ใช้เพื่อป้องกันการรั่วไหลของเมตาดาต้าเมื่อใช้ HeavyIQ?

ตามที่อธิบายไว้ข้างต้น เราได้สร้าง HeavyIQ โดยมีความเป็นส่วนตัวและความปลอดภัยเป็นหลัก ซึ่งรวมถึงไม่เพียงแต่ข้อมูลเท่านั้น แต่ยังรวมถึงเมตาดาต้าหลายประเภทด้วย เราใช้เมตาดาต้าระดับคอลัมน์และตารางอย่างกว้างขวางในการกำหนดตารางและคอลัมน์ที่มีข้อมูลที่จำเป็นในการตอบคำถาม เรายังใช้เอกสารภายในบริษัทที่ให้มาเพื่อช่วยในการสร้างแบบจำลองที่เรียกว่า retrieval-augmented generation (RAG) สุดท้าย โมเดลภาษาขนาดใหญ่เองก็สร้างเมตาดาต้าเพิ่มเติมได้ ซึ่งเมตาดาต้าเหล่านี้ แต่เฉพาะอย่างยิ่งสองรายการสุดท้าย อาจมีความสำคัญทางธุรกิจสูง

ไม่เหมือนกับโมเดลของบุคคลที่สามที่ส่งข้อมูลของคุณไปยังเซิร์ฟเวอร์ภายนอก HeavyIQ ทำงานบนโครงสร้างพื้นฐาน GPU เดียวกันกับแพลตฟอร์มของเรา ซึ่งหมายความว่าข้อมูลและเมตาดาต้าของคุณยังคงอยู่ภายใต้การควบคุมของคุณ โดยไม่มีความเสี่ยงต่อการรั่วไหล สำหรับองค์กรที่ต้องการความปลอดภัยสูงสุด HeavyIQ สามารถติดตั้งในสภาพแวดล้อมที่แยกออกจากส่วนอื่น ๆ โดยสมบูรณ์ เพื่อให้แน่ใจว่าข้อมูลที่ละเอียดอ่อนจะไม่หลุดออกไป

HEAVY.AI ประสบความสำเร็จในการให้ประสิทธิภาพสูงและความสามารถในการปรับขนาดกับเซตข้อมูลขนาดใหญ่โดยใช้โครงสร้างพื้นฐาน GPU อย่างไร?

สิ่งลับๆ คือหลีกเลี่ยงการเคลื่อนย้ายข้อมูลที่พบในระบบอื่นๆ ที่ HEAVY.AI เราได้พัฒนาฐานข้อมูลที่ออกแบบมาเพื่อทำงานบน GPU ของ NVIDIA โดยเฉพาะ เราทำงานนี้มานานกว่า 10 ปีแล้ว และเรามั่นใจว่าเรามีทางออกที่ดีที่สุดสำหรับการวิเคราะห์แบบเร่งด้วย GPU

แม้แต่ระบบที่ใช้ CPU ที่ดีที่สุดก็จะหมดกำลังเร็วมากเมื่อเทียบกับ GPU ระดับกลาง การใช้กลยุทธ์เมื่อเกิดเหตุการณ์นี้บน CPU ต้องกระจายข้อมูลไปทั่วหลายคอร์และหลายระบบ (การปรับขนาดแบบแนวนอน) ซึ่งทำงานได้ดีในบางบริบทที่ไม่จำเป็นต้องเร่งด่วน แต่โดยทั่วไปจะถูกขัดขวางโดยประสิทธิภาพของเครือข่าย

นอกจากการหลีกเลี่ยงการเคลื่อนย้ายข้อมูลบนคำถามแล้ว เรายังหลีกเลี่ยงการเคลื่อนย้ายข้อมูลบนงานทั่วไปอื่นๆ อันดับแรก เราสามารถแสดงกราฟิกได้โดยไม่ต้องย้ายข้อมูล ถ้าคุณต้องการแบบจำลอง ML เราก็ทำได้โดยไม่ต้องย้ายข้อมูล และถ้าคุณซักถามข้อมูลด้วยโมเดลภาษาขนาดใหญ่ เราก็ทำได้โดยไม่ต้องย้ายข้อมูล แม้ว่าคุณจะเป็นนักวิทยาศาสตร์ข้อมูลและต้องการซักถามข้อมูลจาก Python เราก็มีวิธีการให้คุณทำได้โดยไม่ต้องย้ายข้อมูล

สิ่งนี้หมายความว่าในทางปฏิบัติ เราสามารถดำเนินการไม่เพียงแต่การซักถาม แต่ยังรวมถึงการแสดงผลกราฟิกได้เร็วขึ้น 10 ถึง 100 เท่าเมื่อเทียบกับฐานข้อมูลและเซิร์ฟเวอร์แผนที่ที่ใช้ CPU เมื่อคุณจัดการกับเซตข้อมูลขนาดใหญ่และเคลื่อนไหวเร็วที่ลูกค้าของเราทำงานด้วย เช่น โมเดลสภาพอากาศ บันทึกการโทร หรือภาพถ่ายดาวเทียม การเพิ่มประสิทธิภาพนี้มีความสำคัญอย่างยิ่ง

HEAVY.AI รักษาความได้เปรียบในการแข่งขันในภูมิทัศน์ของการวิเคราะห์ข้อมูลขนาดใหญ่และ AI ที่เปลี่ยนแปลงอย่างรวดเร็วได้อย่างไร?

นี่คือคำถามที่ดี และเป็นสิ่งที่เราคิดอยู่เสมอ ภูมิทัศน์ของการวิเคราะห์ข้อมูลขนาดใหญ่และ AI กำลังพัฒนาอย่างรวดเร็ว โดยมีการพัฒนาอย่างต่อเนื่องเกิดขึ้นทุกเวลา ซึ่งไม่เสียเปรียบเลยที่เรามีหัวขบวนในการพัฒนาเทคโนโลยีฐานข้อมูล GPU มา 10 ปี

ฉันคิดว่าปัจจัยสำคัญสำหรับเรา คือการมุ่งเน้นไปที่ภารกิจหลัก – การทำให้การเข้าถึงข้อมูลขนาดใหญ่และเชิงพื้นที่เป็นประชาธิปไตย ซึ่งหมายความว่าเราต้องผลักดันขอบเขตของสิ่งที่เป็นไปได้กับเครื่องมือวิเคราะห์แบบเร่งด้วย GPU และรับประกันว่าผลิตภัณฑ์ของเรามีประสิทธิภาพและความสามารถที่ไม่เหมือนใครในโดเมนนี้ ส่วนสำคัญของสิ่งนี้คือการลงทุนอย่างต่อเนื่องในการพัฒนาโมเดลภาษาขนาดใหญ่ที่ปรับให้เหมาะสมซึ่งเข้าใจถึงความซับซ้อนของ SQL เชิงพื้นที่และวิเคราะห์เชิงพื้นที่

เราสร้างห้องสมุดข้อมูลฝึกอบรมที่กว้างขวาง ซึ่งไปไกลกว่ามาตรฐานทั่วไป เพื่อให้แน่ใจว่าเครื่องมือวิเคราะห์เชิงสนทนาของเราสามารถมีส่วนร่วมกับผู้ใช้ได้อย่างเป็นธรรมชาติและ直观 แต่เรายังรู้ด้วยว่าเทคโนโลยีเพียงอย่างเดียวไม่เพียงพอ เราต้องเชื่อมโยงกับลูกค้าและความต้องการที่เปลี่ยนแปลงของพวกเขาอย่างใกล้ชิด ที่สุดแล้ว ความได้เปรียบในการแข่งขันของเรานั้นมาจากการมุ่งเน้นที่จะส่งมอบคุณค่าที่เปลี่ยนแปลงให้กับผู้ใช้ของเรา เราไม่ได้เพียงแค่ตามทันตลาด – เรากำลังผลักดันขอบเขตของสิ่งที่เป็นไปได้กับข้อมูลขนาดใหญ่และ AI และเราจะทำเช่นนี้ต่อไป ไม่ว่าภูมิทัศน์จะเปลี่ยนแปลงอย่างไร

HEAVY.AI สนับสนุนความพยายามในการตอบสนองเหตุฉุกเฉินผ่าน HeavyEco อย่างไร?

เราสร้าง HeavyEco เมื่อเราพบว่าลูกค้าใหญ่ๆ ของเรามีความท้าทายในการดูดซับและแสดงข้อมูลแบบจำลองสภาพอากาศที่มีอยู่ในปัจจุบัน เช่น ข้อมูลจาก NOAA และ USGS มีลูกค้าคนหนึ่งที่ใช้เวลาถึง 4 ชั่วโมงในการโหลดข้อมูล และเมื่อคุณต้องเผชิญกับสภาพอากาศที่เปลี่ยนแปลงอย่างรวดเร็ว เช่น ไฟป่า… สิ่งนี้ไม่เพียงพอ

HeavyEco ได้รับการออกแบบเพื่อให้ข้อมูลเชิงลึกแบบเรียลไทม์ในสถานการณ์ที่มีผลกระทบสูง เช่น ไฟป่าหรือน้ำท่วม ในสถานการณ์ดังกล่าว คุณต้องตัดสินใจอย่างรวดเร็วและขึ้นอยู่กับข้อมูลที่ดีที่สุด HeavyEco จึงทำหน้าที่เป็นท่อข้อมูลที่จัดการอย่างมืออาชีพสำหรับแบบจำลองที่มีอำนาจ เช่น แบบจำลองจาก NOAA และ USGS นอกจากนี้ HeavyEco ยังช่วยให้คุณสามารถสร้างสถานการณ์แบบจำลองและแสดงข้อมูลได้แบบเรียลไทม์ สิ่งนี้ให้ข้อมูลสำคัญที่ผู้ตอบสนองต้องใช้เมื่อมันสำคัญที่สุด

สุดท้าย เป้าหมายของเราคือการให้ผู้ใช้สามารถสำรวจข้อมูลได้ด้วยความเร็วของความคิด ไม่ว่าพวกเขาจะกำลังสร้างแบบจำลองเชิงพื้นที่ที่ซับซ้อน เปรียบเทียบการพยากรณ์สภาพอากาศ หรือพยายามค้นหารูปแบบในซีรีส์เชิงพื้นที่และเวลา เราต้องการให้พวกเขาสามารถทำได้อย่างไม่มีภาระทางเทคนิคขัดขวาง

สิ่งใดที่ทำให้โมเดล LLM ที่เป็นกรรมสิทธิ์ของ HEAVY.AI แตกต่างจากโมเดล LLM ของบุคคลที่สามในแง่ของความแม่นยำและประสิทธิภาพ?

โมเดล LLM ที่เป็นกรรมสิทธิ์ของเราถูกปรับให้เหมาะสมสำหรับการวิเคราะห์ที่เราเน้น เช่น การแปลภาษาเป็น SQL และการแสดงภาพ เราเริ่มต้นด้วยการลองใช้โมเดลของบุคคลที่สาม แต่พบว่าไม่ตรงตามความต้องการความแม่นยำสูงของผู้ใช้ของเรา ดังนั้นเราจึงปรับโมเดลที่เปิดเผยให้กับสาธารณะและทดสอบกับมาตรฐานอุตสาหกรรม

โมเดล LLM ของเรามีความแม่นยำมากกว่าสำหรับแนวคิด SQL ที่ซับซ้อนที่ผู้ใช้ของเราต้องการ โดยเฉพาะในข้อมูลเชิงพื้นที่และเชิงเวลา นอกจากนี้ เนื่องจากมันทำงานบนโครงสร้างพื้นฐาน GPU ของเรา จึงมีความปลอดภัยมากกว่า

นอกเหนือจากความสามารถของโมเดลที่มีมาให้ เรายังให้อินเทอร์เฟซผู้ใช้ที่โต้ตอบได้เต็มรูปแบบสำหรับผู้ดูแลระบบและผู้ใช้เพื่อเพิ่มเมตาดาต้าหรือข้อมูลทางธุรกิจที่เกี่ยวข้องได้ ตัวอย่างเช่น หากโมเดลฐานไม่ทำงานตามที่คาดหวัง คุณสามารถนำเข้าหรือปรับเปลี่ยนเมตาดาต้าระดับคอลัมน์หรือเพิ่มคำแนะนำและได้รับผลลัพธ์ทันที

HEAVY.AI คิดว่าข้อมูลเชิงพื้นที่และเชิงเวลามีบทบาทอย่างไรในการกำหนดอนาคตของอุตสาหกรรมต่างๆ?

เราคิดว่าข้อมูลเชิงพื้นที่และเชิงเวลาจะมีความสำคัญอย่างยิ่งต่ออนาคตของหลายอุตสาหกรรม เรามุ่งเน้นไปที่การช่วยให้ลูกค้าทำการตัดสินใจที่ดีขึ้นและเร็วขึ้น ไม่ว่าคุณจะอยู่ในอุตสาหกรรมโทรคมนาคม สาธารณูปโภค รัฐบาล หรืออื่นๆ การมีความสามารถในการวิเคราะห์และแสดงข้อมูลเชิงพื้นที่และเวลาแบบเรียลไทม์สามารถเปลี่ยนแปลงได้

ภารกิจของเราคือการทำให้การวิเคราะห์เชิงพื้นที่และเวลาแบบทรงพลังนี้เข้าถึงได้สำหรับทุกคน ไม่ใช่แค่ผู้เล่นรายใหญ่ที่มีทรัพยากรมาก เราต้องการให้ลูกค้าของเราสามารถใช้ข้อมูลที่มีเพื่ออยู่ข้างหน้าและแก้ปัญหาเมื่อพวกเขาเกิดขึ้น เมื่อข้อมูลยังคงเติบโตและซับซ้อนขึ้น เราจะเห็นว่าเครื่องมือของเราพัฒนาไปพร้อมๆ กัน เพื่อให้ลูกค้าของเรามีความพร้อมสำหรับสิ่งที่จะเกิดขึ้นต่อไป

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม HEAVY.AI เพื่อเรียนรู้เพิ่มเติม