เปโดร อัลเวส ซีอีโอและผู้ก่อตั้ง Ople.ai – ซีรีส์สัมภาษณ์

เปโดร อัลเวส เป็นซีอีโอและผู้ก่อตั้ง Ople.ai แพลตฟอร์มที่ให้อำนาจแก่นักวิเคราะห์และผู้เชี่ยวชาญด้านเนื้อหาด้วยการวิเคราะห์เชิงพยากรณ์ที่ทรงพลัง แพลตฟอร์มนี้ได้รับการออกแบบด้วยความรู้และความเชี่ยวชาญของนักวิทยาศาสตร์ข้อมูลชั้นนำของโลก เพื่อให้ผู้ใช้สามารถมุ่งเน้นไปที่สิ่งที่พวกเขาเก่งที่สุด: การสร้างผลกระทบทางธุรกิจ

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิทยาศาสตร์ข้อมูล?

เมื่อปี 2001 ฉันเห็นศักยภาพที่ยิ่งใหญ่ในด้านการเรียนรู้ของเครื่องและปัญญาประดิษฐ์ ในขณะที่ฉันกำลังศึกษาวิทยาศาสตร์คอมพิวเตอร์ในระดับปริญญาตรี และตัดสินใจว่าจะศึกษาสาขาย่อยใดต่อไป ฉันคิดว่า: โอเค ปัญญาประดิษฐ์และการเรียนรู้ของเครื่องเป็นสาขาของวิทยาศาสตร์คอมพิวเตอร์ที่ฉันคิดว่าน่าสนใจ – คุณสามารถช่วยให้สามารถคาดการณ์เหตุการณ์ในทุกๆ ด้านได้ ไม่ว่าคุณจะอยู่ในด้านชีววิทยา การแพทย์ หรือการเงิน หากคุณมีปัญญาประดิษฐ์และการเรียนรู้ของเครื่อง คุณสามารถพัฒนาด้านเหล่านั้นได้อย่างมาก ฉันคิดว่าคณิตศาสตร์ที่อยู่เบื้องหลังเป็นเรื่องที่น่าสนใจ

เมื่อฉันเข้าเรียนในระดับบัณฑิตศึกษา ฉันตัดสินใจวิธีที่ดีที่สุดในการปรับปรุงความเชี่ยวชาญของฉันในด้านการเรียนรู้ของเครื่อง คือการเรียนรู้วิธีการนำไปใช้ ฉันไม่เคยต้องการที่จะเรียนรู้ทฤษฎีเพียงเพื่อที่จะเรียนรู้ทฤษฎี ฉันเลือกที่จะศึกษาการเรียนรู้ของเครื่องในด้านชีววิทยาและโปรตีน แต่เน้นไปที่การเรียนรู้ของเครื่อง

ไม่นานหลังจากนั้น ฉันเข้าสู่อุตสาหกรรมสุขภาพ ซึ่งฉันเห็นศักยภาพที่ยิ่งใหญ่สำหรับการนำปัญญาประดิษฐ์และการเรียนรู้ของเครื่องไปใช้ นั่นคือเมื่อฉันเริ่มเห็นปัญหาที่ปัญญาประดิษฐ์มีในทางปฏิบัติ นอกเหนือจากสภาพแวดล้อมทางวิชาการ ฉันสัมผัสกับความเป็นจริงของปัญญาประดิษฐ์และเรียนรู้ว่าปัญญาประดิษฐ์ไม่ได้ถูกนำไปใช้อย่างมีประสิทธิภาพในโลกแห่งความเป็นจริง และไม่ใช่เพราะปัญหาทางเทคนิค ฉันจึงเริ่มสนใจที่จะแก้ไขปัญหา

คุณเคยเป็นหัวหน้านักวิทยาศาสตร์ข้อมูลที่ Banjo ซึ่งคุณได้เผชิญกับความท้าทายในด้านเครือข่ายสังคม คุณสามารถพูดคุยเกี่ยวกับความท้าทายเหล่านั้นได้หรือไม่?

ในฐานะบริษัท เราจะตรวจจับเหตุการณ์ที่บันทึกไว้บนโซเชียลมีเดีย โดยเฉพาะเหตุการณ์ที่ต้องได้รับการเน้นย้ำว่าเป็นอันตรายที่อาจเกิดขึ้น เช่น อุบัติเหตุทางรถยนต์หรืออาคารที่กำลังเผาไหม้ เราจะช่วยให้เหตุการณ์เหล่านั้นได้รับการเน้นย้ำ เพื่อให้เราสามารถช่วยให้ผู้ตอบสนองฉุกเฉินเข้ามาได้ เรากำลังใช้โซเชียลมีเดียเพื่อประโยชน์ที่ดี

หลายเหตุการณ์เหล่านี้มีความหายากเมื่อเทียบกับข้อมูลโซเชียลมีเดีย ตัวอย่างเช่น มีอุบัติเหตุหลายครั้งที่เกิดขึ้นทุกวันในเมืองใดเมืองหนึ่ง แต่เมื่อคุณดูปริมาณข้อมูลโซเชียลมีเดีย รูปภาพของอุบัติเหตุทางรถยนต์จะกลายเป็นเรื่องเล็กน้อยเมื่อเทียบกับภาพอื่นๆ ที่มีหลายล้านภาพ เช่น ภาพสุนัข ภาพอาหาร อีกหลายล้านภาพของเซลฟี่ และภาพอุบัติเหตุทางรถยนต์หนึ่งภาพ ทั้งหมดนี้เกิดขึ้นในเวลาเพียงไม่กี่นาที ในที่สุด เราก็พบว่ามี “เข็ม” ใน “กระสอบขี้ผึ้ง” ที่ Banjo

หนึ่งในความท้าทายที่เกิดขึ้นคือการมองเห็นของเครื่องจักร แม้ว่าการมองเห็นของเครื่องจักรจะดีในขณะนั้น แต่เมื่อคุณพยายามค้นหา “เข็ม” ใน “กระสอบขี้ผึ้ง” ของหลายล้านอัน แม้แต่ความผิดพลาดเล็กๆ น้อยๆ ก็สามารถทำลายโอกาสในการตรวจจับเหตุการณ์เหล่านี้ได้

ตัวอย่างเช่น มีเซตข้อมูลสาธารณะที่เมื่อใช้ในการฝึกเครื่องจักรจะทำให้เครื่องจักรไม่สามารถระบุสีได้ แม้ว่าภาพในเซตข้อมูลจะมีสีและเครื่องจักรจะดูสี RGB ก็ตาม แต่เครื่องจักรไม่ได้ใช้สีเป็นตัวบ่งชี้ ตัวอย่างเช่น รถตำรวจและรถแท็กซี่ มีทั้งสองแบบเป็นรูปแบบรถยนต์แบบเดียวกัน แต่มีเครื่องมือเพิ่มเติมที่ด้านบน (เช่น ไซเรนบนรถตำรวจหรือสัญญาณว่าง/ยุ่งบนรถแท็กซี่) แต่ถ้าคุณดูสี ความแตกต่างระหว่างทั้งสองจะชัดเจน เนื่องจากเราสามารถเข้าใจว่าการสร้างเซตข้อมูลที่เหมาะสมเป็นสิ่งสำคัญ

ในปี 2017 คุณได้เริ่มสร้าง Ople ขึ้น มีเรื่องราวเบื้องหลังการก่อตั้งสตาร์ทอัพนี้หรือไม่?

ฉันต้องการให้บริษัทต่างๆ ได้รับผลตอบแทนที่ดีจากการนำปัญญาประดิษฐ์ไปใช้ ตามรายงานของ Gartner ระหว่าง 80 ถึง 90 เปอร์เซ็นต์ของโครงการปัญญาประดิษฐ์ไม่เคยเห็นแสงสว่างของวัน นี่ไม่เกี่ยวข้องกับด้านเทคนิค เช่น ความแม่นยำของแบบจำลอง แต่เกี่ยวข้องกับวัฒนธรรมของบริษัทหรือประเด็นทางขั้นตอนภายในบริษัท

สิ่งนี้อาจเกิดจากความไม่เพียงพอของการสื่อสารระหว่างทีมวิทยาศาสตร์ข้อมูลและผู้ใช้ธุรกิจ ซึ่งนำไปสู่แบบจำลองที่คาดการณาสิ่งที่ทีมธุรกิจไม่ต้องการ เนื่องจากทีมวิทยาศาสตร์ข้อมูลไม่เข้าใจว่าอะไรที่ต้องสร้าง หรือหากพวกเขาสร้างแบบจำลองที่ถูกต้อง ทีมธุรกิจจะไม่ใช้การคาดการณ์ของแบบจำลองเลย ในบริษัทส่วนใหญ่ ทีมขาย ทีมการตลาด และทีมลอจิสติกส์เป็นทีมที่ควรใช้ปัญญาประดิษฐ์ แต่ทีมวิทยาศาสตร์ข้อมูลคือทีมที่เข้าใจแบบจำลอง เมื่อทีมเหล่านี้ไม่เข้าใจแบบจำลองที่สร้างขึ้นสำหรับพวกเขา พวกเขาจะไม่เชื่อถือการคาดการณ์และไม่ใช้แบบจำลอง

ดังนั้น หากปัญญาประดิษฐ์ไม่เปลี่ยนแปลงวิธีการดำเนินธุรกิจของบริษัท จุดประสงค์ของมันคืออะไร?

เราต้องการสร้างแพลตฟอร์มที่จะแก้ปัญหานี้ – เราต้องการช่วยทีมวิทยาศาสตร์ข้อมูลหรือผู้วิเคราะห์ธุรกิจในการสร้างโครงการที่ถูกต้องและช่วยให้พนักงานเข้าใจและเชื่อถือแบบจำลอง หากเราสามารถแก้ปัญหานี้ได้ ฉันเชื่อว่าวิทยาศาสตร์ข้อมูลสามารถมีคุณค่าสำหรับบริษัทได้จริงๆ

คุณได้กล่าวว่านักวิทยาศาสตร์ข้อมูลกำลังเสียเวลาในการทำงานที่สามารถทำอัตโนมัติได้ด้วยปัญญาประดิษฐ์ ตัวอย่างของงานที่ควรทำอัตโนมัติคืออะไร?

นักวิทยาศาสตร์ข้อมูลโดยทั่วไปจะใช้เวลาหลายเดือนในการสร้างแบบจำลอง และเมื่อสร้างเสร็จ บริษัทจะนำแบบจำลองไปใช้ แต่แบบจำลองนั้นไม่ได้แม่นยำที่สุด นักวิทยาศาสตร์ข้อมูลจะใช้เวลาหลายเดือนในการปรับปรุงแบบจำลองเพื่อเพิ่มความแม่นยำของแบบจำลอง ซึ่งเป็นสิ่งที่นักวิทยาศาสตร์ข้อมูลหลายคนใช้เวลาในการทำงาน ซึ่งพวกเขาสามารถใช้เวลาในการทำงานอื่นๆ เช่น การรับรองว่าพนักงานเข้าใจและเชื่อถือแบบจำลองที่ใช้ปัญญาประดิษฐ์ ทั้งหมดนี้สามารถทำอัตโนมัติได้ด้วยปัญญาประดิษฐ์

คุณสามารถอธิบายสิ่งที่เรียกว่า การเรียนรู้ระดับเมต้า และวิธีการนำไปใช้กับ Ople ได้หรือไม่?

ก่อนที่ฉันจะพูดถึงการเรียนรู้ระดับเมต้า มันสำคัญที่จะเข้าใจชั้นแรกของการเรียนรู้ของเครื่อง สมมติว่าคุณมีเซตข้อมูลที่คาดการณ์ว่าเมื่อใดที่เครื่องจักรจะล้มเหลวบนพื้นโรงงาน เครื่องจักรจะแจ้งให้พนักงานทราบว่ามันกำลังจะล้มเหลว เพื่อให้พวกเขาสามารถทำการบำรุงรักษาเชิงป้องกันได้ นี่คือชั้นแรกของการเรียนรู้

การเรียนรู้ระดับเมต้า หรือที่เรียกว่า “การเรียนรู้เพื่อเรียนรู้” คือการเข้าใจกระบวนการเรียนรู้นั้น เมื่อคุณกำลังฝึกแบบจำลองเพื่อคาดการณ์ข้อผิดพลาดของเครื่องจักร คุณจะมีแบบจำลองอื่นที่สังเกตการเรียนรู้ของแบบจำลองแรก ตัวอย่างเช่น แบบจำลองที่สองสามารถช่วยให้ธุรกิจเข้าใจว่าแบบจำลองการบำรุงรักษาเชิงป้องกันเรียนรู้พารามิเตอร์ใดได้ดีและพารามิเตอร์ใดไม่ได้เรียนรู้ดี เมื่อคุณทำการเรียนรู้ระดับเมต้า คุณจะเรียนรู้ที่จะสร้างแบบจำลองที่มีประสิทธิภาพมากขึ้นได้เร็วขึ้น

คุณมีความคิดเห็นอย่างไรเกี่ยวกับ ข้อมูลสังเคราะห์?

ข้อมูลสังเคราะห์สามารถเป็นเรื่องที่ยากมากที่จะทำงานด้วย หากไม่ได้ทำอย่างถูกต้อง

สมมติว่าคุณมีข้อมูลบันทึกทางการแพทย์ – คุณมี 20 ผู้ป่วย และสำหรับผู้ป่วยเหล่านั้น คุณมีอายุ เพศ น้ำหนัก ส่วนสูง ความดันโลหิต รายการยาที่ใช้ ฯลฯ คุณสามารถสร้างข้อมูลสังเคราะห์ได้ด้วยการเรียนรู้ของเครื่องจากบันทึกทางการแพทย์เหล่านี้ แต่หากคุณพึ่งพาการเรียนรู้ของเครื่องหรือสถิติเพียงอย่างเดียว คุณอาจจะได้ข้อมูลสังเคราะห์ที่ไม่มีเหตุผล เช่น เด็กอายุ 3 ปีที่สูง 6 ฟุต หรือบุคคลสูง 4 ฟุตที่หนัก 1,000 ปอนด์ แม้ว่าการเรียนรู้ของเครื่องและสถิติจะเป็นที่น่าเชื่อถือในหลายกรณี แต่ข้อมูลสังเคราะห์ที่ใช้สำหรับบันทึกทางการแพทย์จะต้องมีการมีส่วนร่วมของแพทย์

ดังนั้น คุณจึงต้องมีแพทย์มีส่วนร่วมในการสร้างพารามิเตอร์ เช่น “หากบุคคลนี้มีอายุเท่านี้ ส่วนสูงและน้ำหนักที่สมเหตุสมผลคืออะไร” หรือ “หากพวกเขาใช้ยาตัวนี้ ยาที่พวกเขาไม่ควรใช้คืออะไร” กระบวนการนี้จะกลายเป็นงานที่ยิ่งใหญ่และซับซ้อนเกินกว่าที่จะจัดการกับพารามิเตอร์ทั้งหมดที่เกี่ยวข้องกับบันทึกทางการแพทย์ของผู้ป่วยแต่ละคน

ในด้านของภาพ ข้อมูลสังเคราะห์สามารถเข้าใจและสร้างได้ง่ายกว่า ตัวอย่างเช่น คุณมีรูปภาพของรถยนต์ และรถอยู่ที่มุมซ้ายบน คุณไม่ต้องเป็นผู้เชี่ยวชาญเพื่อรู้ว่ารถสามารถอยู่ที่มุมซ้ายล่าง มุมขวาบน หรือตรงกลางได้ ไม่เพียงแต่คุณสามารถชี้กล้องไปที่มุมต่างๆ ได้ แต่ยังสามารถจัดเรียงภาพใหม่ได้ การย้ายจุดสนใจของภาพเพื่อให้รถอยู่ที่มุมต่างๆ ก็เป็นวิธีการสร้างข้อมูลสังเคราะห์ – วิธีที่ง่ายอีกวิธีหนึ่งคือการใช้การหมุน

คุณสามารถให้ตัวอย่างของวิธีการที่ Ople ช่วยให้บริษัทต่างๆ ในด้านความต้องการข้อมูลของพวกเขาได้หรือไม่?

Ople.AI ให้บริษัทต่างๆ มีความสามารถในการใช้การวิเคราะห์ข้อมูลลึกที่ทุกๆ ระดับขององค์กร และให้พนักงานมีโอกาสปลดปล่อยคุณค่าของปัญญาประดิษฐ์ด้วยการคลิกเพียงไม่กี่ครั้ง ไม่เหมือนกับองค์กรที่พึ่งพาทีมนักวิทยาศาสตร์ข้อมูลขนาดเล็กเพื่อสร้างและนำปัญญาประดิษฐ์ไปใช้ แพลตฟอร์ม Ople.AI จัดเตรียมเครื่องมือให้กับพนักงานในหลายๆ หน่วยงานเพื่อเข้าถึงข้อมูลเชิงลึกจากข้อมูลของตนเอง และเพิ่มประสิทธิภาพการทำงานประจำวัน

นอกจากนี้ อุปสรรคที่สำคัญที่องค์กรต่างๆ มักจะเผชิญเมื่อนำปัญญาประดิษฐ์ไปใช้คือการอธิบายแบบจำลอง มันสำคัญสำหรับองค์กรที่จะนำเสนอปัญญาประดิษฐ์ที่พนักงานสามารถเข้าใจและเชื่อถือได้ การอธิบายแบบจำลองช่วยให้ได้ เป้าหมายของเรากับแพลตฟอร์ม Ople.AI คือการให้พนักงานที่ไม่ใช่นักวิทยาศาสตร์ข้อมูลหรือผู้เชี่ยวชาญด้านเทคโนโลยี มีโอกาสเข้าใจได้อย่างง่ายดายว่าแบบจำลองคาดการณ์ได้อย่างไรและทำไม การสร้างการอธิบายแบบจำลองจะสร้างผลลัพธ์ที่มีพลังสำหรับองค์กรในระยะยาว

นอกจากนี้ มีคุณค่าอื่นๆ ที่แบบจำลองสามารถนำมาสู่บริษัทได้ นอกเหนือจากการคาดการณ์ ปัญญาประดิษฐ์สามารถช่วยค้นหาปัญหาหรือพื้นที่ที่สามารถใช้ประโยชน์ได้ เรียกว่า การอธิบายข้อมูล – มันคือวิธีต่างๆ ที่แบบจำลองสามารถแบ่งปันข้อมูลเชิงลึกที่มีคุณค่าเกี่ยวกับข้อมูลให้กับบริษัทได้ นี่คือวิธีที่สำคัญที่ปัญญาประดิษฐ์สามารถช่วยธุรกิจได้ และเป็นพื้นที่ที่เรากำลังพัฒนาเมื่อเทียบกับคู่แข่งของเรา

ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม Ople.ai เพื่อเรียนรู้เพิ่มเติม