สัมภาษณ์
เปดรู อัลเวส ซีอีโอและผู้ก่อตั้ง Ople.ai – สัมภาษณ์ซีรีส์
เปดรู อัลเวส เป็นซีอีโอและผู้ก่อตั้ง Ople.ai ซึ่งเป็นแพลตฟอร์มที่ให้อำนาจแก่นักวิเคราะห์และผู้เชี่ยวชาญด้านเนื้อหา ด้วยการวิเคราะห์แบบคาดการณ์ที่ทรงพลัง แพลตฟอร์มนี้ได้รับการออกแบบด้วยความรู้และความเชี่ยวชาญของนักวิทยาศาสตร์ข้อมูลชั้นนำของโลก เพื่อให้ผู้ใช้สามารถมุ่งเน้นไปที่สิ่งที่พวกเขาเก่งที่สุด: การสร้างผลกระทบทางธุรกิจ
สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิทยาศาสตร์ข้อมูล?
เมื่อปี 2001 ฉันเห็นศักยภาพที่ยิ่งใหญ่ในเรื่องของการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ ในขณะที่กำลังศึกษาวิชาวิทยาการคอมพิวเตอร์เป็นนักศึกษาปีที่ 1 และตัดสินใจว่าจะศึกษาสาขาย่อยใดต่อ ฉันคิดว่า: โอเค ปัญญาประดิษฐ์/การเรียนรู้ของเครื่องจักรเป็นสาขาหนึ่งของวิทยาการคอมพิวเตอร์ที่ฉันคิดว่าน่าสนใจ – คุณสามารถช่วยคาดการณ์เหตุการณ์ในทุกสาขา ไม่ว่าคุณจะอยู่ในสาขาชีววิทยา การแพทย์ หรือการเงิน หากคุณมีการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ คุณสามารถพัฒนาสาขาเหล่านั้นได้อย่างมาก ฉันคิดว่าคณิตศาสตร์เบื้องหลังเป็นเรื่องที่น่าสนใจ
เมื่อฉันเข้าเรียนในระดับบัณฑิตศึกษา ฉันตัดสินใจว่าวิธีที่ดีที่สุดในการพัฒนาความเชี่ยวชาญในการเรียนรู้ของเครื่องจักรคือการเรียนรู้วิธีการนำไปใช้ ฉันชอบการปฏิบัติ ฉันไม่ต้องการเรียนรู้ทฤษฎีเพียงเพื่อทฤษฎี ฉันเลือกที่จะศึกษาการเรียนรู้ของเครื่องจักรเชิงใช้งานในด้านจีโนมิกส์และโปรตีโอมิกส์ งานบัณฑิตศึกษาของฉันทั้งหมดอยู่ในด้านชีววิทยาคอมพิวเตอร์ แต่มุ่งเน้นไปที่การเรียนรู้ของเครื่องจักร
ไม่นานหลังจากนั้น ฉันเข้าสู่อุตสาหกรรมสุขภาพ ซึ่งฉันเห็นศักยภาพที่ยิ่งใหญ่สำหรับการใช้งานปัญญาประดิษฐ์/การเรียนรู้ของเครื่องจักร นั่นคือเมื่อฉันเริ่มเห็นปัญหาในการใช้งานปัญญาประดิษฐ์ในทางปฏิบัตินอกเหนือจากสภาพแวดล้อมทางวิชาการ ฉันสัมผัสกับความเป็นจริงของปัญญาประดิษฐ์และเรียนรู้ว่ามันถูกนำไปใช้อย่างไม่มีประสิทธิภาพในโลกแห่งความเป็นจริง และไม่ใช่เนื่องจากปัญหาทางเทคนิค ดังนั้น ฉันจึงเริ่มสนใจในการแก้ปัญหา
คุณเคยเป็นหัวหน้านักวิทยาศาสตร์ข้อมูลที่ Banjo ซึ่งคุณได้เผชิญกับความท้าทายในด้านเครือข่ายสังคม คุณสามารถพูดคุยเกี่ยวกับความท้าทายเหล่านั้นได้หรือไม่?
ในฐานะบริษัท เราจะตรวจจับเหตุการณ์ที่บันทึกไว้บนโซเชียลมีเดีย โดยเฉพาะเหตุการณ์ที่ต้องได้รับการเน้นย้ำว่าเป็นอันตราย เช่น อุบัติเหตุรถยนต์หรืออาคารที่กำลังเผาไหม้ เราจะช่วยให้เหตุการณ์เหล่านั้นได้รับการเน้นย้ำ เพื่อให้เราสามารถช่วยให้ผู้ตอบสนองฉุกเฉินเข้าไปมีส่วนร่วมได้ เราใช้โซเชียลมีเดียเพื่อประโยชน์ที่ดี
เหตุการณ์เหล่านั้นเป็นเหตุการณ์ที่หายากเมื่อเทียบกับข้อมูลโซเชียลมีเดีย ตัวอย่างเช่น มีอุบัติเหตุหลายครั้งที่เกิดขึ้นทุกวันในเมืองใดเมืองหนึ่ง แต่เมื่อคุณดูปริมาณข้อมูลโซเชียลมีเดีย รูปภาพของอุบัติเหตุรถยนต์จะกลายเป็นเรื่องเล็กน้อยเมื่อเทียบกับภาพอื่นๆ ที่มีหลายล้านภาพ เช่น ภาพสุนัข ภาพอาหาร อีกหลายล้านภาพของเซลฟี่ และอีกหนึ่งภาพของอุบัติเหตุรถยนต์ ทั้งหมดนี้เกิดขึ้นในเวลาเพียงไม่กี่นาที โดยทั่วไปแล้วที่ Banjo เรากำลังค้นหาตัวเข็มในกองฟาง
ดังนั้น หนึ่งในความท้าทายที่จะเกิดขึ้นคือการมองเห็นของเครื่องจักร แม้ว่าการมองเห็นของเครื่องจักรจะดีในขณะนั้น แต่เมื่อคุณพยายามค้นหาสิ่งหนึ่งในหลายล้านสิ่ง แม้แต่อัตราความผิดพลาดที่เล็กน้อยก็สามารถทำลายโอกาสในการตรวจจับเหตุการณ์ที่หายากเหล่านั้นได้
ตัวอย่างเช่น มีเซตข้อมูลสาธารณะที่เมื่อใช้ในการฝึกเครือข่ายประสาทเทียม จะทำให้เครือข่ายไม่สามารถระบุสีได้ แม้ว่าภาพในเซตข้อมูลจะมีสีและเครือข่ายประสาทเทียมจะดูสี RGB ก็ตาม แต่ก็ไม่ได้ใช้สีเป็นตัวบ่งชี้ ตัวอย่างเช่น รถตำรวจและรถแท็กซี่ทั่วไปมีรูปแบบเดียวกัน แต่สิ่งที่แตกต่างกันคือสี เนื่องจากเรามีประสบการณ์เช่นนี้ เราจึงสามารถเข้าใจได้ว่าการสร้างเซตข้อมูลที่เหมาะสมเป็นสิ่งสำคัญ
ในปี 2017 คุณได้ก่อตั้ง Ople ขึ้น มีเรื่องราวเบื้องหลังการก่อตั้งสตาร์ทอัพนี้หรือไม่?
ฉันต้องการให้บริษัทต่างๆ ได้รับผลตอบแทนจากการลงทุนจากปัญญาประดิษฐ์ ตามรายงานของ Gartner ระหว่าง 80 ถึง 90 เปอร์เซ็นต์ของโครงการปัญญาประดิษฐ์ไม่เคยเห็นแสงสว่างของวัน นี่ไม่เกี่ยวข้องกับด้านเทคนิค เช่น ความแม่นยำของแบบจำลอง แต่เกี่ยวข้องกับวัฒนธรรมของบริษัทหรือประเด็นทางขั้นตอนภายในบริษัท
สิ่งนี้อาจเกิดจากความไม่เพียงพอของการสื่อสารระหว่างทีมวิทยาศาสตร์ข้อมูลและผู้ใช้งานทางธุรกิจ ซึ่งนำไปสู่แบบจำลองที่คาดการณ์สิ่งที่ทีมธุรกิจไม่ต้องการ เนื่องจากทีมวิทยาศาสตร์ข้อมูลไม่เข้าใจว่าอะไรต้องได้รับการสร้าง หรือหากพวกเขาสร้างแบบจำลองที่ถูกต้อง เมื่อทีมวิทยาศาสตร์ข้อมูลเสร็จสิ้นแล้ว ทีมธุรกิจจะไม่ได้ใช้การคาดการณ์เหล่านั้น ในบริษัทส่วนใหญ่ หน่วยงานด้านการขาย การตลาด และลอจิสติกส์เป็นหน่วยงานที่ควรใช้ปัญญาประดิษฐ์ แต่กลับเป็นทีมวิทยาศาสตร์ข้อมูลที่เข้าใจแบบจำลอง เมื่อทีมเหล่านั้นไม่เข้าใจแบบจำลองที่สร้างขึ้นสำหรับพวกเขา พวกเขามักจะไม่เชื่อถือการคาดการณ์และดังนั้นจึงไม่ใช้งาน
ถ้าปัญญาประดิษฐ์ไม่ได้เปลี่ยนแปลงวิธีการดำเนินธุรกิจของบริษัท จุดประสงค์คืออะไร?
เราต้องการสร้างแพลตฟอร์มที่จะแก้ไขปัญหานี้ – เราต้องการช่วยทีมวิทยาศาสตร์ข้อมูลหรือนักวิเคราะห์ธุรกิจ นักวิเคราะห์ข้อมูล หรือใครก็ตามที่เกี่ยวข้องกับกระบวนการนี้ในบริษัท – ในการสร้างโครงการที่ถูกต้องและช่วยให้พนักงานเข้าใจและเชื่อถือแบบจำลอง หากเราสามารถแก้ไขปัญหานี้ได้ ฉันเชื่อว่าวิทยาศาสตร์ข้อมูลสามารถมีคุณค่าจริงสำหรับบริษัทได้
คุณได้กล่าวว่านักวิทยาศาสตร์ข้อมูลกำลังสูญเสียเวลาในการทำงานที่สามารถทำอัตโนมัติได้ด้วยปัญญาประดิษฐ์ ตัวอย่างของงานที่ควรทำอัตโนมัติคืออะไร?
นักวิทยาศาสตร์ข้อมูลโดยทั่วไปจะใช้เวลาหลายเดือนในการสร้างแบบจำลอง และเมื่อเสร็จสิ้นแล้ว บริษัทจะนำแบบจำลองไปใช้ แต่แบบจำลองนั้นจะไม่แม่นยำที่สุดเท่าที่จะเป็นไปได้ ในช่วงหลายเดือนหลังจากการนำแบบจำลองไปใช้ นักวิทยาศาสตร์ข้อมูลจะยังคงทำงานบนแบบจำลองนั้นเพื่อเพิ่มความแม่นยำของแบบจำลองให้มากขึ้นโดยการเพิ่มขึ้นเล็กน้อย สิ่งนี้โดยทั่วไปคือสิ่งที่นักวิทยาศาสตร์ข้อมูลหลายคนใช้เวลาของพวกเขาเมื่อพวกเขาสามารถใช้เวลาทำสิ่งอื่น เช่น การรับรองว่าพนักงานเข้าใจ เชื่อถือ และใช้แบบจำลองปัญญาประดิษฐ์ที่มีอยู่ ทั้งหมดที่ใช้เวลาทำงาน เช่น การสร้างคุณลักษณะ การฝึกแบบจำลอง การปรับพารามิเตอร์ และการเลือกอัลกอริทึม เพื่อเพิ่มความแม่นยำของแบบจำลอง สามารถทำอัตโนมัติได้ด้วยปัญญาประดิษฐ์
คุณสามารถอธิบาย การเรียนรู้แบบเมต้า ได้หรือไม่ และ Ople ใช้เทคนิคนี้อย่างไร?
ก่อนที่ฉันจะพูดถึงการเรียนรู้แบบเมต้า มันสำคัญที่จะเข้าใจชั้นแรกของการเรียนรู้ของเครื่องจักร สมมติว่าคุณมีเซตข้อมูลที่คาดการณ์ว่าเมื่อใดที่เครื่องจักรจะชำรุดบนพื้นโรงงาน เครื่องจักรจะแจ้งให้พนักงานทราบว่ามันกำลังจะชำรุด เพื่อที่พวกเขาจะสามารถทำการบำรุงรักษาเชิงป้องกันได้ นี่ถือเป็นชั้นแรกของการเรียนรู้
การเรียนรู้แบบเมต้า หรือที่เรียกว่า “การเรียนรู้เพื่อเรียนรู้” คือการเข้าใจกระบวนการเรียนรู้นั้นอย่างลึกซึ้งยิ่งขึ้น ดังนั้น ในขณะที่คุณกำลังฝึกแบบจำลองเพื่อคาดการณ์ข้อผิดพลาดของเครื่องจักร คุณจะมีแบบจำลองอีกแบบหนึ่งที่กำลังดูการเรียนรู้นั้น ตัวอย่างเช่น แบบจำลองที่สองสามารถช่วยให้ธุรกิจเข้าใจว่าแบบจำลองการบำรุงรักษาเชิงป้องกันเรียนรู้พารามิเตอร์ใดได้ดีและพารามิเตอร์ใดไม่ได้ผลดี เมื่อคุณทำการเรียนรู้แบบเมต้า คุณจะดีขึ้นในการสร้างแบบจำลองที่มีประสิทธิภาพมากขึ้นและเร็วขึ้น
คุณมีความคิดเห็นอย่างไรเกี่ยวกับ ข้อมูลสังเคราะห์?
ข้อมูลสังเคราะห์สามารถเป็นเรื่องที่ยากมากที่จะทำงานด้วย หากไม่ได้ทำอย่างถูกต้อง
สมมติว่าคุณมีข้อมูลบันทึกทางการแพทย์ – คุณมี 20 ผู้ป่วย และสำหรับผู้ป่วยเหล่านั้น คุณมีอายุ เพศ น้ำหนัก ส่วนสูง ความดันโลหิต รายการยาที่ใช้ ฯลฯ เป็นไปได้ที่จะสร้างข้อมูลสังเคราะห์ด้วยการเรียนรู้ของเครื่องจักรโดยอาศัยบันทึกทางการแพทย์เหล่านั้น อย่างไรก็ตาม หากคุณพึ่งพาการเรียนรู้ของเครื่องจักรหรือสถิติเพียงอย่างเดียว คุณอาจสิ้นเปลืองไปกับข้อมูลสังเคราะห์ที่ไม่มีเหตุผล เช่น เด็กอายุ 3 ขวบที่สูง 6 ฟุต หรือบุคคลที่สูง 4 ฟุตและหนัก 1,000 ปอนด์ ในขณะที่ปัญญาประดิษฐ์/การเรียนรู้ของเครื่องจักรน่าเชื่อถือในหลายกรณี ข้อมูลสังเคราะห์ที่ใช้สำหรับบันทึกทางการแพทย์จะต้องมีการมีส่วนร่วมของแพทย์
ดังนั้น คุณจึงต้องมีแพทย์มีส่วนร่วมในการสร้างพารามิเตอร์ เช่น “หากบุคคลนั้นมีอายุเท่านี้ อะไรคือช่วงส่วนสูงและน้ำหนักที่สมเหตุสมผล” หรือ “หากพวกเขาใช้ยานี้ ยาใดที่พวกเขาไม่ควรใช้” กระบวนการนี้จะกลายเป็นงานที่ยิ่งใหญ่และซับซ้อนเกินไปที่จะจัดทำพารามิเตอร์ทั้งหมดที่เกี่ยวข้องกับบันทึกทางการแพทย์ของผู้ป่วยแต่ละคน
ในด้านของภาพ ข้อมูลสังเคราะห์สามารถเข้าใจและสร้างได้ง่ายกว่า ตัวอย่างเช่น สมมติว่าคุณมีรูปภาพของรถยนต์ และรถยนต์นั้นอยู่ที่มุมซ้ายบน คุณไม่จำเป็นต้องเป็นผู้เชี่ยวชาญเพื่อรู้ว่ารถยนต์เดียวกันนั้นสามารถอยู่ที่มุมซ้ายล่าง มุมขวาบน หรือตรงกลางได้ ไม่เพียงแต่คุณสามารถชี้กล้องไปในหลายมุมเท่านั้น แต่ยังสามารถจัดเรียงภาพใหม่ได้ การย้ายจุดสนใจของภาพเพื่อให้รถอยู่ที่มุมต่างๆ ก็เป็นการสร้างข้อมูลสังเคราะห์ – วิธีที่ง่ายอีกวิธีหนึ่งคือการใช้การหมุน
คุณสามารถให้ตัวอย่างของวิธีที่ Ople ช่วยให้ธุรกิจต่างๆ มีประสิทธิภาพในการจัดการข้อมูลได้หรือไม่?
Ople.AI ให้ความสามารถแก่ธุรกิจในการใช้การวิเคราะห์ข้อมูลลึกที่ทุกๆ ระดับขององค์กร และให้พนักงานมีโอกาสปลดปล่อยคุณค่าของปัญญาประดิษฐ์ ด้วยการคลิกเพียงไม่กี่ครั้ง แทนที่จะพึ่งพาทีมนักวิทยาศาสตร์ข้อมูลขนาดเล็กเพื่อสร้างและนำแบบจำลองปัญญาประดิษฐ์ไปใช้ แพลตฟอร์ม Ople.AI จัดเตรียมเครื่องมือให้กับพนักงานในหลายๆ หน่วยงานเพื่อเข้าถึงข้อมูลเชิงลึกจากข้อมูลของตน และเพิ่มประสิทธิภาพการทำงานประจำวัน
ด้วยการกล่าวถึงสิ่งนี้ อุปสรรคที่สำคัญที่องค์กรต่างๆ มักจะเผชิญเมื่อนำปัญญาประดิษฐ์ไปใช้คือการอธิบายแบบจำลอง มันสำคัญสำหรับองค์กรที่จะนำเสนอปัญญาประดิษฐ์ที่พนักงานสามารถเข้าใจและเชื่อถือได้ การอธิบายแบบจำลองช่วยให้กระบวนการนี้ง่ายขึ้น เป้าหมายของเรากับแพลตฟอร์ม Ople.AI คือการให้พนักงานที่อาจไม่เชี่ยวชาญด้านปัญญาประดิษฐ์หรือเทคโนโลยี มีโอกาสเข้าใจได้ง่ายว่าแบบจำลองคาดการณ์อย่างไรและทำไม การสร้างการอธิบายแบบจำลองจะสร้างผลลัพธ์ที่มีประสิทธิภาพสำหรับธุรกิจในระยะยาว
นอกจากนี้ ยังมีคุณค่ามากกว่าที่แบบจำลองสามารถนำมาสู่ธุรกิจได้ นอกเหนือจากการคาดการณ์ ปัญญาประดิษฐ์สามารถช่วยค้นหาปัญหาหรือพื้นที่ที่สามารถใช้ประโยชน์ได้ เรียกว่าการอธิบายข้อมูล – มันคือวิธีต่างๆ ที่แบบจำลองสามารถแบ่งปันข้อมูลเชิงลึกที่มีคุณค่าสำหรับธุรกิจได้ นี่คือวิธีที่ปัญญาประดิษฐ์สามารถช่วยธุรกิจได้ และเป็นพื้นที่ที่เรากำลังพัฒนาต่อไปเมื่อเทียบกับคู่แข่ง
ขอขอบคุณสำหรับการสัมภาษณ์ ผู้อ่านสามารถเยี่ยมชม Ople.ai เพื่อเรียนรู้เพิ่มเติม
