บทสัมภาษณ์
Vinay Kumar Sankarapu ผู้ร่วมก่อตั้งและ CEO ของ Arya.ai – ซีรีส์สัมภาษณ์
Vinay Kumar Sankarapu เป็นผู้ร่วมก่อตั้งและซีอีโอของ อาราย.aiซึ่งเป็นแพลตฟอร์มที่ให้บริการระบบคลาวด์ 'AI' สำหรับธนาคาร บริษัทประกัน และบริการทางการเงิน (BFSI) เพื่อค้นหา API ของ AI ที่เหมาะสม โซลูชัน Expert AI และเครื่องมือการกำกับดูแล AI ที่ครอบคลุมซึ่งจำเป็นสำหรับการปรับใช้เครื่องมือ AI ที่เชื่อถือได้และเรียนรู้ด้วยตนเอง
ภูมิหลังของคุณอยู่ในวิชาคณิตศาสตร์ ฟิสิกส์ เคมี และวิศวกรรมเครื่องกล คุณช่วยพูดคุยเกี่ยวกับเส้นทางสู่การเปลี่ยนผ่านสู่วิทยาการคอมพิวเตอร์และ AI ได้ไหม
ที่ IIT Bombay เรามี 'หลักสูตรสองปริญญา' ที่เปิดสอนหลักสูตร 5 ปี ครอบคลุมทั้งปริญญาตรีสาขาเทคโนโลยีและปริญญาโทสาขาเทคโนโลยี ฉันเรียนวิศวกรรมเครื่องกลด้วยความเชี่ยวชาญด้าน 'การออกแบบและการผลิตโดยใช้คอมพิวเตอร์ช่วย ซึ่งวิทยาการคอมพิวเตอร์เป็นส่วนหนึ่งของหลักสูตรของเรา สำหรับการวิจัยหลังจบการศึกษา ฉันเลือกที่จะทำงานเกี่ยวกับการเรียนรู้เชิงลึก ในขณะที่ฉันเริ่มใช้ DL เพื่อสร้างกรอบการทำนายความล้มเหลวสำหรับการผลิตแบบต่อเนื่อง ฉันก็เสร็จสิ้นการวิจัยเกี่ยวกับการใช้ CNN สำหรับการทำนาย RUL นี่คือประมาณปี 2013/14
คุณเปิดตัว Arya.ai ในขณะที่ยังเรียนอยู่ในวิทยาลัย คุณช่วยแชร์เรื่องราวต้นกำเนิดเบื้องหลังการเริ่มต้นนี้ได้ไหม
ในฐานะส่วนหนึ่งของการวิจัยเชิงวิชาการ เราต้องใช้เวลา 3-4 เดือนในการทบทวนวรรณกรรมเพื่อสร้างการศึกษาโดยละเอียดเกี่ยวกับหัวข้อที่สนใจ ขอบเขตของงานที่ทำจนถึงตอนนี้ และสิ่งใดที่อาจเป็นจุดสนใจสำหรับการวิจัยของเรา ในช่วงปี 2012/13 เครื่องมือที่เราใช้นั้นค่อนข้างพื้นฐาน เครื่องมือค้นหาเช่น Google scholar และ Scopus กำลังทำการค้นหาคำหลัก มันยากมากที่จะเข้าใจปริมาณความรู้ที่มีอยู่ ฉันคิดว่าปัญหานี้มีแต่จะเลวร้ายลง ในปี 2013 ฉันคิดว่ามีการเผยแพร่เอกสารอย่างน้อย 30 ฉบับทุกนาที วันนี้ อย่างน้อย 10x-20x มากกว่านั้น
เราต้องการสร้างผู้ช่วย 'AI' เช่น 'ศาสตราจารย์' สำหรับนักวิจัยเพื่อช่วยแนะนำหัวข้อการวิจัย ค้นหาเอกสารที่เหมาะสมและเป็นปัจจุบันที่สุด และทุกอย่างที่เกี่ยวข้องกับการวิจัย STEM ด้วยประสบการณ์ของเราในการเรียนรู้เชิงลึก เราคิดว่าเราสามารถแก้ปัญหานี้ได้ ในปี 2013 เราเริ่ม Arya.ai ด้วยทีม 3 คน จากนั้นขยายเป็น 7 คนในปี 2014 ในขณะที่ฉันยังเรียนอยู่ในวิทยาลัย
ผลิตภัณฑ์เวอร์ชันแรกของเราสร้างขึ้นจากการคัดแยกเอกสารและบทคัดย่อมากกว่า 30 ล้านฉบับ เราใช้เทคนิคล้ำสมัยในการเรียนรู้เชิงลึกในเวลานั้นเพื่อสร้างผู้ช่วยวิจัย AI STEM และเครื่องมือค้นหาตามบริบทสำหรับ STEM แต่เมื่อเราแสดงผู้ช่วย AI ให้กับอาจารย์และเพื่อนสองสามคน เราก็รู้ว่าเรายังเร็วเกินไป กระแสการสนทนาถูกจำกัด และผู้ใช้คาดหวังกระแสที่เป็นอิสระและการแปลงอย่างต่อเนื่อง ความคาดหวังนั้นไม่สมจริงมากในเวลานั้น (2014/15) แม้ว่าจะเป็นการตอบคำถามที่ซับซ้อนก็ตาม
หลังจากนั้น เราเปลี่ยนไปใช้การวิจัยของเราและมุ่งเน้นไปที่เครื่องมือ ML สำหรับนักวิจัยและองค์กรต่างๆ เพื่อเป็นโต๊ะทำงานเพื่อทำให้การเรียนรู้เชิงลึกเป็นประชาธิปไตย แต่อีกครั้ง มีนักวิทยาศาสตร์ข้อมูลเพียงไม่กี่รายที่ใช้ DL ในปี 2016 ดังนั้นเราจึงเริ่มปรับแนวตั้งสำหรับประเภทธุรกิจหนึ่งและมุ่งเน้นไปที่การสร้างชั้นผลิตภัณฑ์เฉพาะสำหรับประเภทธุรกิจเดียว เช่น Financial Services Institutions (FSI) เรารู้ว่าสิ่งนี้จะได้ผลเพราะในขณะที่ผู้เล่นรายใหญ่ตั้งเป้าที่จะชนะการเล่นในแนวนอน การวางแนวตั้งสามารถสร้าง USP ขนาดใหญ่สำหรับสตาร์ทอัพได้ ครั้งนี้เราคิดถูก!
เรากำลังสร้างระบบคลาวด์ AI สำหรับธนาคาร บริษัทประกัน และบริการทางการเงินด้วยเลเยอร์แนวตั้งที่เชี่ยวชาญที่สุดเพื่อมอบโซลูชัน AI ที่ปรับขนาดได้และมีความรับผิดชอบ
ปัญหากล่องดำของ AI ในด้านการเงินมีขนาดใหญ่แค่ไหน?
สำคัญมาก ๆ! มีสถาบันการเงินเพียง 30% เท่านั้นที่ใช้ 'AI' ได้อย่างเต็มประสิทธิภาพ ในขณะที่เหตุผลประการหนึ่งคือความสามารถในการเข้าถึง เหตุผลอีกประการหนึ่งคือการขาดความน่าเชื่อถือและความสามารถในการตรวจสอบของ 'AI' ขณะนี้กฎระเบียบมีความชัดเจนในบางพื้นที่เกี่ยวกับกฎหมายของการใช้ AI สำหรับกรณีการใช้งานที่มีความละเอียดอ่อนต่ำ ปานกลาง และสูง กฎหมายในสหภาพยุโรปกำหนดให้ใช้แบบจำลองโปร่งใสสำหรับกรณีการใช้งานที่ 'มีความเสี่ยงสูง' กรณีการใช้งานจำนวนมากในสถาบันการเงินเป็นกรณีการใช้งานที่มีความเสี่ยงสูง ดังนั้นจึงจำเป็นต้องใช้โมเดลกล่องขาว
วงจรโฆษณากำลังสงบลงเช่นกันเนื่องจากประสบการณ์ก่อนหน้านี้กับโซลูชัน AI เมื่อไม่นานมานี้มีตัวอย่างจำนวนมากขึ้นเกี่ยวกับผลกระทบของการใช้กล่องดำ 'AI' ความล้มเหลวของ 'AI' เนื่องจากการไม่ตรวจสอบ และความท้าทายกับผู้จัดการด้านกฎหมายและความเสี่ยงเนื่องจากความสามารถในการตรวจสอบที่จำกัด
คุณช่วยพูดถึงความแตกต่างระหว่างการตรวจสอบ ML และความสามารถในการสังเกต ML ได้ไหม
งานของเครื่องมือตรวจสอบเป็นเพียงการตรวจสอบและแจ้งเตือน และงานของเครื่องมือที่สังเกตได้นั้นไม่ได้เป็นเพียงการตรวจสอบและรายงานเท่านั้น แต่ที่สำคัญที่สุดคือต้องแสดงหลักฐานที่เพียงพอเพื่อค้นหาสาเหตุของความล้มเหลวหรือคาดการณ์ความล้มเหลวเหล่านี้เมื่อเวลาผ่านไป
ใน AI/ML เครื่องมือเหล่านี้มีบทบาทสำคัญ ในขณะที่เครื่องมือเหล่านี้สามารถส่งมอบบทบาทที่จำเป็นหรือการตรวจสอบได้ ขอบเขตของความสามารถในการสังเกต ML
เหตุใดแพลตฟอร์มเฉพาะอุตสาหกรรมจึงจำเป็นสำหรับความสามารถในการสังเกต ML เมื่อเทียบกับแพลตฟอร์มสำหรับวัตถุประสงค์ทั่วไป
แพลตฟอร์มสำหรับวัตถุประสงค์ทั่วไปได้รับการออกแบบมาสำหรับทุกคนและทุกกรณีการใช้งาน โดยไม่คำนึงถึงอุตสาหกรรม ผู้ใช้สามารถเข้าร่วมและเริ่มใช้แพลตฟอร์มได้ ลูกค้าของแพลตฟอร์มเหล่านี้มักจะเป็นนักพัฒนา นักวิทยาศาสตร์ข้อมูล ฯลฯ อย่างไรก็ตาม แพลตฟอร์มเหล่านี้สร้างความท้าทายหลายประการให้กับผู้มีส่วนได้ส่วนเสีย เนื่องจากลักษณะที่ซับซ้อนและวิธีการแบบ 'ขนาดเดียวเหมาะกับทุกคน'
น่าเสียดายที่ธุรกิจส่วนใหญ่ในปัจจุบันต้องการผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลเพื่อใช้แพลตฟอร์มที่ใช้งานทั่วไป และต้องการโซลูชัน/ชั้นผลิตภัณฑ์เพิ่มเติมเพื่อทำให้โมเดลเหล่านี้ 'ใช้งานได้' โดยผู้ใช้ปลายทางในประเภทธุรกิจใดก็ได้ ซึ่งรวมถึงความสามารถในการอธิบาย การตรวจสอบ เซ็กเมนต์/สถานการณ์จำลอง กระบวนการโดยมนุษย์ในลูป การติดฉลากป้อนกลับ การตรวจสอบ ไปป์ไลน์เฉพาะเครื่องมือ เป็นต้น
นี่คือจุดที่แพลตฟอร์ม AI เฉพาะอุตสาหกรรมเข้ามาเป็นข้อได้เปรียบ แพลตฟอร์ม AI เฉพาะอุตสาหกรรมเป็นเจ้าของเวิร์กโฟลว์ทั้งหมดเพื่อแก้ปัญหาความต้องการหรือกรณีการใช้งานของลูกค้าเป้าหมาย และได้รับการพัฒนาเพื่อจัดหาผลิตภัณฑ์ที่สมบูรณ์ตั้งแต่ต้นจนจบ ตั้งแต่การทำความเข้าใจความต้องการของธุรกิจไปจนถึงการตรวจสอบประสิทธิภาพของผลิตภัณฑ์ มีอุปสรรคเฉพาะอุตสาหกรรมมากมาย เช่น กรอบการกำกับดูแลและการปฏิบัติตามกฎระเบียบ ข้อกำหนดความเป็นส่วนตัวของข้อมูล ข้อกำหนดการตรวจสอบและการควบคุม ฯลฯ แพลตฟอร์มและข้อเสนอ AI เฉพาะอุตสาหกรรมช่วยเร่งการนำ AI ไปใช้ และทำให้เส้นทางสู่การผลิตสั้นลงโดยลดเวลาในการพัฒนาและความเสี่ยงที่เกี่ยวข้อง ในการเปิดตัว AI ยิ่งไปกว่านั้น สิ่งนี้จะช่วยรวบรวมความเชี่ยวชาญด้าน AI ในอุตสาหกรรมในฐานะชั้นผลิตภัณฑ์ที่ช่วยปรับปรุงการยอมรับของ 'AI' ผลักดันความพยายามในการปฏิบัติตามกฎระเบียบ และค้นหาแนวทางทั่วไปเกี่ยวกับจริยธรรม ความไว้วางใจ และข้อกังวลด้านชื่อเสียง
คุณช่วยแบ่งปันรายละเอียดบางอย่างเกี่ยวกับแพลตฟอร์ม ML Observability ที่นำเสนอโดย Arya.ai ได้ไหม
เราทำงานในสถาบันการเงินมากกว่า 6 ปี ตั้งแต่ปี 2016 สิ่งนี้ทำให้เราได้เผชิญกับความท้าทายที่ไม่เหมือนใครในการปรับใช้ AI ที่ซับซ้อนใน FSI หนึ่งในความท้าทายที่สำคัญคือ 'การยอมรับ AI มีข้อบังคับมากมายเกี่ยวกับการใช้ซอฟต์แวร์ใด ๆ (รวมถึงโซลูชัน 'AI') ความเป็นส่วนตัวของข้อมูล จริยธรรม และที่สำคัญที่สุดคือผลกระทบทางการเงินต่อธุรกิจ ซึ่งแตกต่างจากธุรกิจประเภทอื่น ๆ เพื่อจัดการกับความท้าทายเหล่านี้ในวงกว้าง เราต้องคิดค้นและเพิ่มเลเยอร์ใหม่ของความสามารถในการอธิบาย การตรวจสอบ ความเสี่ยงในการใช้งาน และความรับผิดชอบบนโซลูชันของเราอย่างต่อเนื่อง – การประมวลผลการอ้างสิทธิ์ การรับประกันภัย การตรวจสอบการฉ้อโกง ฯลฯ เมื่อเวลาผ่านไป เราสร้าง ML ที่ยอมรับได้และปรับขนาดได้ กรอบความสามารถในการสังเกตสำหรับผู้มีส่วนได้ส่วนเสียต่างๆ ในอุตสาหกรรมบริการทางการเงิน
ขณะนี้เรากำลังเปิดตัวเฟรมเวิร์กเวอร์ชัน DIY ในชื่อ AryaXAI (xai.arya.ai) ML หรือทีมธุรกิจสามารถใช้ AryaXAI เพื่อสร้างการกำกับดูแล AI ที่ครอบคลุมสูงสำหรับกรณีการใช้งานที่สำคัญต่อภารกิจ แพลตฟอร์มนี้นำความโปร่งใสและการตรวจสอบมาสู่โซลูชัน AI ของคุณ ซึ่งเป็นที่ยอมรับของผู้มีส่วนได้ส่วนเสียทุกราย AryaXAI ทำให้ AI ปลอดภัยขึ้นและเป็นที่ยอมรับสำหรับกรณีการใช้งานที่มีความสำคัญต่อภารกิจโดยให้ความสามารถในการอธิบายที่เชื่อถือได้และแม่นยำ นำเสนอหลักฐานที่สามารถรองรับความเข้มงวดด้านกฎระเบียบ จัดการความไม่แน่นอนของ AI โดยการควบคุมนโยบายขั้นสูง และรับประกันความสม่ำเสมอในการผลิตโดยการตรวจสอบข้อมูลหรือการเบี่ยงเบนของแบบจำลอง และแจ้งเตือนผู้ใช้ ด้วยการวิเคราะห์สาเหตุที่แท้จริง
AryaXAI ยังทำหน้าที่เป็นเวิร์กโฟลว์ทั่วไปและให้ข้อมูลเชิงลึกที่ผู้มีส่วนได้ส่วนเสียทั้งหมดยอมรับได้ – ทีมวิทยาศาสตร์ข้อมูล, ไอที, ความเสี่ยง, การดำเนินงานและการปฏิบัติตามกฎระเบียบ ทำให้การเปิดตัวและการบำรุงรักษาโมเดล AI/ML เป็นไปอย่างราบรื่นและไม่เกะกะ
โซลูชันอื่นที่มีให้คือแพลตฟอร์มที่ปรับปรุงการบังคับใช้โมเดล ML ด้วยการนำนโยบายตามบริบทไปใช้ คุณช่วยอธิบายได้ไหมว่าสิ่งนี้คืออะไรโดยเฉพาะ?
การตรวจสอบและควบคุมโมเดล ML ในการผลิตกลายเป็นเรื่องยาก เนื่องจากฟีเจอร์และการคาดการณ์จำนวนมาก ยิ่งไปกว่านั้น ความไม่แน่นอนของพฤติกรรมของตัวแบบทำให้การจัดการและสร้างมาตรฐานการกำกับดูแล ความเสี่ยง และการปฏิบัติตามกฎระเบียบเป็นเรื่องท้าทาย ความล้มเหลวของแบบจำลองดังกล่าวอาจส่งผลให้เกิดการสูญเสียชื่อเสียงและการเงินอย่างมาก
AryaXAI นำเสนอ 'การควบคุมนโยบาย/ความเสี่ยง' ซึ่งเป็นองค์ประกอบสำคัญที่รักษาผลประโยชน์ทางธุรกิจและจริยธรรมโดยการบังคับใช้นโยบายเกี่ยวกับ AI ผู้ใช้สามารถเพิ่ม/แก้ไข/ปรับเปลี่ยนนโยบายเพื่อจัดการการควบคุมนโยบายได้อย่างง่ายดาย ซึ่งช่วยให้ทีมงานข้ามสายงานสามารถกำหนดแนวป้องกันนโยบายเพื่อให้แน่ใจว่ามีการประเมินความเสี่ยงอย่างต่อเนื่อง ปกป้องธุรกิจจากความไม่แน่นอนของ AI
ตัวอย่างกรณีการใช้งานสำหรับผลิตภัณฑ์เหล่านี้มีอะไรบ้าง
AryaXAI สามารถนำไปใช้กับกระบวนการที่สำคัญต่อภารกิจต่างๆ ในอุตสาหกรรมต่างๆ ตัวอย่างที่พบบ่อยที่สุดคือ:
บีเอฟเอสไอ: ในสภาพแวดล้อมที่เข้มงวดด้านกฎระเบียบ AryaXAI ช่วยให้อุตสาหกรรม BFSI ปฏิบัติตามข้อกำหนดและรวบรวมหลักฐานที่จำเป็นในการจัดการความเสี่ยงและปฏิบัติตามข้อกำหนดได้อย่างง่ายดาย
- การพิจารณาสินเชื่อสำหรับสินเชื่อที่ปลอดภัย / ไม่มีหลักประกัน
- การระบุการฉ้อโกง/ธุรกรรมที่น่าสงสัย
- กรรมการตรวจสอบ
- การจัดการวงจรชีวิตลูกค้า
- การตัดสินใจสินเชื่อ
รถยนต์ไร้คนขับ: รถยนต์ไร้คนขับจำเป็นต้องปฏิบัติตามกฎระเบียบที่เข้มงวด ความปลอดภัยในการปฏิบัติงาน และความสามารถในการอธิบายในการตัดสินใจแบบเรียลไทม์ AryaXAI ช่วยให้เข้าใจว่าระบบ AI โต้ตอบกับยานพาหนะอย่างไร
- การวิเคราะห์การตัดสินใจ
- การทำงานของยานยนต์อัตโนมัติ
- ข้อมูลสุขภาพรถ
- ตรวจสอบระบบการขับขี่ AI
ดูแลสุขภาพ: AryaXAI ให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นจากมุมมองทางการแพทย์ เทคโนโลยี กฎหมาย และผู้ป่วย ตั้งแต่การค้นพบยาไปจนถึงการผลิต การขาย และการตลาด Arya-xAI ส่งเสริมความร่วมมือแบบสหสาขาวิชาชีพ
- การค้นพบยา
- การวิจัยทางคลินิก
- การตรวจสอบข้อมูลการทดลองทางคลินิก
- การดูแลที่มีคุณภาพสูงขึ้น
วิสัยทัศน์ของคุณสำหรับอนาคตของแมชชีนเลิร์นนิงในด้านการเงินคืออะไร
ในช่วงทศวรรษที่ผ่านมา มีการศึกษาและการตลาดมากมายเกี่ยวกับ 'AI' เราได้เห็นโฆษณาหลายรอบในช่วงเวลานี้ ตอนนี้เราน่าจะอยู่ที่รอบที่ 4 หรือ 6 แล้ว อย่างแรกคือเมื่อ Deep Learning ชนะ ImageNet ในปี 2011/12 ตามด้วยการแก้ไขการจัดหมวดหมู่รูปภาพ/ข้อความ การรู้จำเสียง รถยนต์ไร้คนขับ AI กำเนิด และปัจจุบันมีโมเดลภาษาขนาดใหญ่ ช่องว่างระหว่างโฆษณาสูงสุดและการใช้งานจำนวนมากจะลดลงในทุกรอบการโฆษณา เนื่องจากการวนซ้ำรอบผลิตภัณฑ์ อุปสงค์ และเงินทุน
สามสิ่งนี้เกิดขึ้นแล้ว:
- ฉันคิดว่าเราได้แตกกรอบของขนาดสำหรับโซลูชัน AI อย่างน้อยก็โดยผู้เชี่ยวชาญสองสามคน ตัวอย่างเช่น ปัจจุบัน Open AI เป็นองค์กรที่ไม่สร้างรายได้ แต่คาดว่าจะมีรายได้ 1 พันล้านดอลลาร์ภายใน 2 ปี แม้ว่าไม่ใช่ทุกบริษัท AI ที่อาจไม่ประสบความสำเร็จในขนาดที่ใกล้เคียงกัน แต่แม่แบบของความสามารถในการปรับขนาดนั้นชัดเจนกว่า
- คำจำกัดความของโซลูชัน AI ในอุดมคติเกือบจะชัดเจนในทุกกลุ่มธุรกิจ: ซึ่งแตกต่างจากก่อนหน้านี้ ที่ผลิตภัณฑ์ถูกสร้างขึ้นผ่านการทดลองซ้ำๆ สำหรับทุกกรณีการใช้งานและทุกองค์กร ผู้มีส่วนได้ส่วนเสียจะได้รับการศึกษามากขึ้นเพื่อทำความเข้าใจสิ่งที่พวกเขาต้องการจากโซลูชัน AI
- กฎระเบียบกำลังตามมา: ความต้องการกฎระเบียบที่ชัดเจนเกี่ยวกับความเป็นส่วนตัวของข้อมูลและการใช้ AI กำลังได้รับความสนใจอย่างมาก หน่วยงานกำกับดูแลและหน่วยงานกำกับดูแลสามารถเผยแพร่หรืออยู่ในกระบวนการเผยแพร่กรอบการทำงานที่จำเป็นสำหรับการใช้ AI อย่างปลอดภัย มีจริยธรรม และมีความรับผิดชอบ
ทำอะไรต่อไป
การระเบิดของ 'Model-as-a-service(MaaS)':
เรากำลังจะเห็นความต้องการที่เพิ่มขึ้นสำหรับข้อเสนอ 'Model-as-a-service' ไม่เพียงแต่ในแนวนอนแต่ในแนวตั้งด้วย ในขณะที่ 'OpenAI' เป็นตัวอย่างที่ดีของ 'MaaS แนวนอน' Arya.ai เป็นตัวอย่างของ 'MaaS' แนวตั้ง ด้วยประสบการณ์ในการปรับใช้และชุดข้อมูล Arya.ai ได้รวบรวมชุดข้อมูลแนวดิ่งที่สำคัญซึ่งนำไปใช้ในการฝึกโมเดลและจัดเตรียมเป็นโมเดลแบบเสียบแล้วใช้หรือแบบฝึกล่วงหน้า
แนวตั้งเป็นแนวนอนใหม่: เราได้เห็นแนวโน้มนี้ใน "การนำระบบคลาวด์มาใช้" ในขณะที่ผู้เล่นคลาวด์แนวนอนมุ่งเน้นไปที่ 'แพลตฟอร์มสำหรับทุกคน' ผู้เล่นแนวตั้งมุ่งเน้นไปที่ความต้องการของผู้ใช้ปลายทางและจัดให้เป็นชั้นผลิตภัณฑ์เฉพาะ สิ่งนี้เป็นจริงแม้กระทั่งกับข้อเสนอของ MaaS
การกำกับดูแล XAI และ AI จะกลายเป็นบรรทัดฐานในองค์กร: ขึ้นอยู่กับความอ่อนไหวของกฎระเบียบ แต่ละประเภทธุรกิจจะบรรลุกรอบ XAI และธรรมาภิบาลที่ยอมรับได้ซึ่งจะถูกนำไปใช้เป็นส่วนหนึ่งของการออกแบบ ซึ่งแตกต่างจากในปัจจุบันซึ่งถือเป็นส่วนเสริม
AI เชิงกำเนิดบนข้อมูลแบบตารางอาจเห็นวงจรโฆษณาในองค์กร: การสร้างชุดข้อมูลสังเคราะห์ถือเป็นหนึ่งในโซลูชันที่นำไปปฏิบัติได้ง่ายเพื่อแก้ปัญหาความท้าทายที่เกี่ยวข้องกับข้อมูลในองค์กร ทีมวิทยาการข้อมูลต้องการสิ่งนี้เป็นอย่างยิ่ง เนื่องจากปัญหาอยู่ในการควบคุมของพวกเขา ไม่เหมือนกับการพึ่งพาธุรกิจเนื่องจากอาจต้องใช้เวลา มีราคาแพง และไม่รับประกันว่าจะปฏิบัติตามขั้นตอนทั้งหมดในขณะที่รวบรวมข้อมูล ข้อมูลสังเคราะห์ช่วยแก้ปัญหาอคติ ความไม่สมดุลของข้อมูล ความเป็นส่วนตัวของข้อมูล และข้อมูลไม่เพียงพอ แน่นอนว่าประสิทธิภาพของแนวทางนี้ยังไม่ได้รับการพิสูจน์ ถึงกระนั้น ด้วยเทคนิคใหม่ ๆ เช่น หม้อแปลงไฟฟ้า ที่ได้รับการพัฒนามากขึ้น เราอาจเห็นการทดลองเพิ่มเติมกับชุดข้อมูลแบบเดิม เช่น ข้อมูลแบบตารางและข้อมูลหลายมิติ เมื่อประสบความสำเร็จ วิธีการนี้อาจส่งผลกระทบอย่างมากต่อองค์กรและข้อเสนอ MaaS
มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Arya.ai
จุดสนใจของ Arya.ai คือการแก้ปัญหา 'AI' สำหรับธนาคาร บริษัทประกัน และบริการทางการเงิน แนวทางของเราคือการทำให้เทคโนโลยีอยู่ในแนวตั้งจนถึงชั้นสุดท้ายและทำให้ทุกองค์กรและผู้มีส่วนได้ส่วนเสียทุกองค์กรสามารถใช้งานและยอมรับได้
AryaXAI (xai.arya.ai) จะมีบทบาทสำคัญในการส่งมอบให้กับมวลชนภายในแนวดิ่งของ FSI การวิจัยอย่างต่อเนื่องของเราเกี่ยวกับข้อมูลสังเคราะห์ประสบความสำเร็จในกรณีการใช้งานไม่กี่กรณี แต่เรามุ่งมั่นที่จะทำให้เป็นตัวเลือกที่เป็นไปได้มากขึ้นและเป็นที่ยอมรับ เราจะเพิ่มเลเยอร์เพิ่มเติมให้กับคลาวด์ 'AI' ของเราต่อไปเพื่อตอบสนองภารกิจของเรา
ฉันคิดว่าเรากำลังจะได้เห็นสตาร์ทอัพอย่าง Arya.ai มากขึ้น ไม่ใช่แค่ในแนวดิ่งของ FSI แต่ในทุกแนวดิ่ง
ขอบคุณสำหรับบทสัมภาษณ์ที่ดี ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม อาราย.ai.