สัมภาษณ์
วินัย คูมา สังการปู, ผู้ร่วมก่อตั้งและซีอีโอของ Arya.ai – ซีรีส์สัมภาษณ์
วินัย คูมา สังการปู เป็นผู้ร่วมก่อตั้งและซีอีโอของ Arya.ai ซึ่งเป็นแพลตฟอร์มที่ให้บริการ ‘AI’ คลาวด์สำหรับธนาคาร บริษัทประกัน และสถาบันการเงิน (BFSI) เพื่อค้นหา AI API ที่เหมาะสม วิธีแก้ปัญหา AI จากผู้เชี่ยวชาญ และเครื่องมือกำกับดูแล AI ที่ครอบคลุมซึ่งจำเป็นสำหรับการใช้งาน AI ที่เชื่อถือได้และสามารถเรียนรู้ได้ด้วยตนเอง
ภูมิหลังของคุณอยู่ในด้านคณิตศาสตร์ ฟิสิกส์ เคมี และวิศวกรรมเครื่องกล สามารถอธิบายได้หรือไม่ว่าคุณได้เปลี่ยนมาใช้คอมพิวเตอร์ศาสตร์และ AI ได้อย่างไร?
ที่ IIT Bombay เรามี ‘Dual Degree Program’ ซึ่งเป็นหลักสูตร 5 ปีที่ครอบคลุมทั้ง Bachelor of Technology และ Master of Technology ฉันเรียนวิศวกรรมเครื่องกลพร้อมด้วยการเชี่ยวชาญใน ‘Computer Aided Design and Manufacturing’ ซึ่งคอมพิวเตอร์ศาสตร์เป็นส่วนหนึ่งของหลักสูตร สำหรับการวิจัยหลังปริญญา ฉันเลือกที่จะทำงานเกี่ยวกับ Deep Learning ในขณะที่ฉันเริ่มใช้ DL เพื่อสร้างเฟรมเวิร์กการคาดการณ์ความล้มเหลวสำหรับการผลิตอย่างต่อเนื่อง ฉันจบการวิจัยเกี่ยวกับการใช้ CNN สำหรับการคาดการณ์ RUL ซึ่งเป็นช่วงปี 2013/14
คุณเปิดตัว Arya.ai ในขณะที่คุณยังอยู่ในวิทยาลัย คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับการก่อตั้งบริษัทนี้ได้หรือไม่?
ในฐานะส่วนหนึ่งของการวิจัยทางวิชาการ เราต้องใช้เวลา 3-4 เดือนในการทบทวนวรรณกรรมเพื่อสร้างการวิจัยที่มีรายละเอียดเกี่ยวกับหัวข้อที่สนใจ พิสัยของงานที่ทำไปแล้ว และสิ่งที่อาจเป็นพื้นที่โฟกัสสำหรับการวิจัยของเรา ในช่วงปี 2012/13 เครื่องมือที่เราใช้นั้นเป็นเรื่องพื้นฐาน มีเครื่องมือค้นหาสำนักวิชาการอย่าง Google Scholar และ Scopus ที่ทำการค้นหาด้วยคำค้นหาเท่านั้น ซึ่งเป็นเรื่องที่ยากมากที่จะเข้าใจปริมาณความรู้ที่มีอยู่ ฉันคิดว่าปัญหานี้จะยิ่งเลวร้ายมากขึ้น ในปี 2013 ฉันคิดว่ามี_paper ที่ตีพิมพ์ทุกนาทีไม่ต่ำกว่า 30+ ฉัน และวันนี้มีมากกว่า 10-20 เท่า
เราต้องการสร้าง ‘AI’ ที่ช่วยให้นักวิจัยสามารถค้นหาหัวข้อการวิจัยที่เหมาะสม ค้นหาวิทยานิพนธ์ที่ทันสมัย และสิ่งอื่นๆ ที่เกี่ยวข้องกับการวิจัย STEM ด้วยประสบการณ์ของเราในด้าน Deep Learning เราคิดว่าเราสามารถแก้ปัญหานี้ได้ ในปี 2013 เราเริ่มต้น Arya.ai ด้วยทีม 3 คน และขยายเป็น 7 คนในปี 2014 ในขณะที่ฉันยังอยู่ในวิทยาลัย
รุ่นแรกของผลิตภัณฑ์ถูกสร้างขึ้นโดยการเก็บข้อมูลจากวิทยานิพนธ์และบทคัดย่อมากกว่า 30 ล้านรายการ เราใช้เทคนิคที่ทันสมัยใน Deep Learning ในขณะนั้นเพื่อสร้าง AI STEM research assistant และเครื่องมือค้นหาที่มีบริบทสำหรับ STEM แต่เมื่อเรานำ AI assistant ไปแสดงให้บางส่วนของอาจารย์และเพื่อนๆ เราได้รับทราบว่าเรากำลังเร็วเกินไป การไหลของการสนทนาเป็นเรื่องที่จำกัด และผู้ใช้คาดหวังการเปลี่ยนแปลงที่ราบรื่นและไม่หยุดยั้ง (2014/15) แม้ว่ามันจะตอบคำถามที่ซับซ้อน
หลังจากนั้น เราเปลี่ยนไปใช้การวิจัยและโฟกัสไปที่เครื่องมือ ML สำหรับนักวิจัยและองค์กรเป็นเวิร์กเบนช์ในการทำให้ Deep Learning เป็นที่ยอมรับ แต่ไม่นานมีนักวิทยาศาสตร์ข้อมูลไม่มากที่ใช้ DL ในปี 2016 ดังนั้นเราจึงเริ่มสร้างผลิตภัณฑ์สำหรับแนวตั้งและโฟกัสไปที่การสร้างผลิตภัณฑ์ระดับแนวตั้งสำหรับแนวตั้งหนึ่งๆ เช่น สถาบันการเงิน (FSIs) เรารู้ว่ามันจะทำงานเพราะในขณะที่ผู้เล่นรายใหญ่พยายามที่จะชนะในระดับแนวตั้ง การสร้างผลิตภัณฑ์แนวตั้งสามารถสร้าง USP ที่สำคัญให้กับสตาร์ทอัพได้ ครั้งนี้เราถูกต้อง!
เรากำลังสร้าง AI คลาวด์สำหรับธนาคาร บริษัทประกัน และสถาบันการเงินพร้อมด้วยชั้นแนวตั้งที่มีเอกลักษณ์มากที่สุดเพื่อนำเสนอโซลูชัน AI ที่มีประสิทธิภาพและรับผิดชอบ
ปัญหา ‘AI’ ที่เป็นกล่องดำในด้านการเงินมีขนาดใหญ่แค่ไหน?
สำคัญมาก! มีเพียง 30% ของสถาบันการเงินที่ใช้ ‘AI’ อย่างเต็มที่ ในขณะที่หนึ่งในสาเหตุคือการเข้าถึงได้ อีกสาเหตุหนึ่งคือการขาด ‘AI’ ที่เชื่อถือได้และสามารถตรวจสอบได้ กฎระเบียบในขณะนี้ชัดเจนในบางภูมิภาคเกี่ยวกับกฎหมายในการใช้ AI สำหรับการใช้งานที่มีความเสี่ยงต่ำ ปานกลาง และสูง ต้องใช้แบบจำลองที่โปร่งใสสำหรับการใช้งานที่มีความเสี่ยงสูง มีการใช้งานหลายอย่างในธนาคารที่มีความเสี่ยงสูง ดังนั้นจึงจำเป็นต้องใช้แบบจำลองที่โปร่งใส
การสร้างฮิปสайเคิลกำลังลดลงเนื่องจากประสบการณ์ในช่วงแรกๆ กับโซลูชัน AI มีตัวอย่างที่เพิ่มขึ้นในสมัย gần đâyเกี่ยวกับผลกระทบของการใช้ ‘AI’ ที่เป็นกล่องดำ ความล้มเหลวของ ‘AI’ เนื่องจากการไม่ตรวจสอบ และความท้าทายกับเจ้าหน้าที่กฎหมายและผู้จัดการความเสี่ยงเนื่องจากการตรวจสอบที่จำกัด
คุณสามารถอธิบายความแตกต่างระหว่างการตรวจสอบ ML และการตรวจสอบ ML ได้หรือไม่?
งานของเครื่องมือตรวจสอบคือเพียงการตรวจสอบและเตือน และงานของเครื่องมือตรวจสอบคือไม่เพียงแต่การตรวจสอบและรายงาน แต่ยังให้หลักฐานเพียงพอที่จะหาสาเหตุของความล้มเหลวหรือคาดการณ์ความล้มเหลวในระยะยาว
ใน AI/ML เครื่องมือเหล่านี้มีบทบาทสำคัญ ในขณะที่เครื่องมือเหล่านี้สามารถให้บทบาทที่ต้องการหรือการตรวจสอบ ML ความกว้างของ ML
ทำไมจึงจำเป็นต้องมีแพลตฟอร์มเฉพาะอุตสาหกรรมสำหรับการตรวจสอบ ML แทนที่จะใช้แพลตฟอร์มทั่วไป?
แพลตฟอร์มทั่วไปถูกออกแบบมาสำหรับทุกคนและทุกกรณีการใช้งาน โดยไม่คำนึงถึงอุตสาหกรรม– ผู้ใช้ใดๆ ก็สามารถเข้ามาและเริ่มใช้แพลตฟอร์มได้ ลูกค้าของแพลตฟอร์มเหล่านี้มักจะเป็นนักพัฒนา นักวิทยาศาสตร์ข้อมูล ฯลฯ แพลตฟอร์มเหล่านี้สร้างความท้าทายหลายอย่างสำหรับผู้มีส่วนได้ส่วนเสียเนื่องจากธรรมชาติที่ซับซ้อนและแนวทาง ‘ขนาดเดียวเหมาะกับทุกคน’
ไม่幸ด้วย วงการธุรกิจส่วนใหญ่ต้องการผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลเพื่อใช้แพลตฟอร์มทั่วไปและต้องการโซลูชัน/ชั้นผลิตภัณฑ์เพิ่มเติมเพื่อให้โมเดลเหล่านี้ ‘ใช้งานได้’ โดยผู้ใช้ปลายทางในแนวตั้งใดๆ ซึ่งรวมถึงการอธิบาย การตรวจสอบ ส่วน/สถานการณ์ การมีส่วนร่วมของมนุษย์ การให้ข้อมูลย้อนกลับ การตรวจสอบ ช่องทางเฉพาะ ฯลฯ
นี่คือจุดที่แพลตฟอร์ม AI เฉพาะอุตสาหกรรมเข้ามาเป็นข้อได้เปรียบ แพลตฟอร์ม AI เฉพาะอุตสาหกรรมเป็นเจ้าของกระบวนการทั้งหมดเพื่อแก้ปัญหาความต้องการของลูกค้าเป้าหมายหรือกรณีการใช้งาน และถูกพัฒนามาเพื่อให้ผลิตภัณฑ์ที่สมบูรณ์จากจุดเริ่มต้นจนถึงการตรวจสอบประสิทธิภาพผลิตภัณฑ์ มีหลายอุปสรรคเฉพาะอุตสาหกรรม เช่น โครงสร้างกฎระเบียบและความเป็นไปตามข้อกำหนด การรักษาความปลอดภัยของข้อมูล การตรวจสอบและควบคุม ฯลฯ แพลตฟอร์ม AI เฉพาะอุตสาหกรรมและผลิตภัณฑ์เร่งการนำ AI ไปใช้และลดระยะเวลาการพัฒนาและความเสี่ยงที่เกี่ยวข้องในการเปิดตัว AI นอกจากนี้ยังช่วยให้ AI มาเป็นชั้นผลิตภัณฑ์ที่ช่วยให้การยอมรับ ‘AI’ ดีขึ้น ขับเคลื่อนความพยายามในการปฏิบัติตามข้อกำหนด และหาวิธีการทั่วไปสำหรับจริยธรรม ความเชื่อถือ และความกังวลเกี่ยวกับชื่อเสียง
คุณสามารถแบ่งปันรายละเอียดเกี่ยวกับแพลตฟอร์มการตรวจสอบ ML ที่นำเสนอโดย Arya.ai ได้หรือไม่?
เราทำงานในองค์กรการเงินมาแล้วกว่า 6 ปี ตั้งแต่ปี 2016 ซึ่งทำให้เราได้รับการเปิดเผยต่อความท้าทายที่ไม่เหมือนใครในการใช้งาน AI ที่ซับซ้อนใน FSIs หนึ่งในความท้าทายที่สำคัญคือ ‘การยอมรับ AI’ ไม่เหมือนกับในแนวตั้งอื่นๆ มีกฎระเบียบมากมายเกี่ยวกับการใช้ซอฟต์แวร์ (รวมถึง ‘AI’ ด้วย) การรักษาความปลอดภัยของข้อมูล จริยธรรม และสิ่งที่สำคัญที่สุดคือผลกระทบทางการเงินต่อธุรกิจ เพื่อแก้ไขความท้าทายเหล่านี้ในระดับใหญ่ เราต้องคิดค้นและเพิ่มชั้นใหม่ๆ ของการอธิบาย การตรวจสอบ ความเสี่ยงในการใช้งาน และความรับผิดชอบบนโซลูชันของเรา – การประมวลผลการเรียกร้อง การประกันภัย การตรวจสอบการฉ้อโกง ฯลฯ เมื่อเวลาผ่านไป เราได้สร้างเฟรมเวิร์กการตรวจสอบ ML ที่ยอมรับได้และสามารถขยายได้สำหรับผู้มีส่วนได้ส่วนเสียต่างๆ ในอุตสาหกรรมการเงิน
เรากำลังเปิดตัวเวอร์ชัน DIY ของเฟรมเวิร์กนี้เป็น AryaXAI (xai.arya.ai) ทีม ML หรือทีมธุรกิจใดๆ ก็สามารถใช้ AryaXAI เพื่อสร้างการกำกับดูแล AI ที่ครอบคลุมสำหรับการใช้งานที่สำคัญที่สุด แพลตฟอร์มนี้นำความโปร่งใสและความสามารถในการตรวจสอบมาให้กับโซลูชัน AI ของคุณที่ยอมรับได้สำหรับผู้มีส่วนได้ส่วนเสียทุกคน AryaXAI ทำให้ AI มีความปลอดภัยและยอมรับได้สำหรับการใช้งานที่สำคัญที่สุดโดยการให้การอธิบายที่เชื่อถือได้และแม่นยำ ซึ่งสามารถสนับสนุนการตรวจสอบตามกฎระเบียบ จัดการความไม่แน่นอนของ AI โดยการให้การควบคุมนโยบายที่ทันสมัย และรับประกันความสม่ำเสมอในการผลิตโดยการตรวจสอบการเปลี่ยนแปลงของข้อมูลหรือโมเดลและเตือนผู้ใช้ด้วยการวิเคราะห์สาเหตุ
AryaXAI ยังทำหน้าที่เป็นกระบวนการทำงานร่วมกันและให้ข้อมูลเชิงลึกที่ยอมรับได้สำหรับผู้มีส่วนได้ส่วนเสียทุกคน – ทีมวิทยาศาสตร์ข้อมูล ทีม IT ทีมความเสี่ยง ทีมปฏิบัติการ และทีมการปฏิบัติตามข้อกำหนด ทำให้การเปิดตัวและบำรุงรักษาโมเดล AI/ML เป็นไปอย่างราบรื่นและไม่ซับซ้อน
โซลูชันอื่นที่นำเสนอคือแพลตฟอร์มที่เพิ่มความสามารถในการใช้งานของโมเดล ML ด้วยการนำนโยบายที่มีบริบทไปใช้ คุณสามารถอธิบายได้หรือไม่ว่าสิ่งนี้คืออะไรโดยเฉพาะ?
การตรวจสอบและควบคุมโมเดล ML ในการผลิตเป็นเรื่องที่ยากเนื่องจากปริมาณคุณลักษณะและผลการคาดการณ์ที่มาก การไม่แน่นอนของพฤติกรรมของโมเดลทำให้ยากที่จะจัดการและมาตรฐานการกำกับดูแล ความเสี่ยง และการปฏิบัติตามข้อกำหนด ความล้มเหลวของโมเดลเหล่านี้สามารถส่งผลให้เกิดความสูญเสียที่หนักหน่วงในด้านชื่อเสียงและทางการเงิน
AryaXAI นำเสนอ ‘การควบคุมนโยบาย/ความเสี่ยง’ ซึ่งเป็นส่วนสำคัญที่รักษาผลประโยชน์ของธุรกิจและจริยธรรมโดยการบังคับใช้นโยบายบน AI ผู้ใช้สามารถเพิ่ม/แก้ไข/ปรับเปลี่ยนนโยบายเพื่อควบคุมนโยบายได้ ทำให้ทีมงานข้ามฟังก์ชันสามารถกำหนดรางนโยบายเพื่อให้แน่ใจว่ามีการประเมินความเสี่ยงอย่างต่อเนื่อง เพื่อป้องกันธุรกิจจากความไม่แน่นอนของ AI
มีตัวอย่างการใช้งานสำหรับผลิตภัณฑ์เหล่านี้หรือไม่?
AryaXAI สามารถนำไปใช้กับกระบวนการสำคัญต่างๆ ทั่วทั้งอุตสาหกรรม ตัวอย่างที่พบบ่อยที่สุดคือ:
BFSI: ในบรรยากาศที่มีกฎระเบียบที่เข้มงวด AryaXAI ช่วยให้อุตสาหกรรม BFSI สามารถจัดตำแหน่งตามความต้องการและรวบรวมหลักฐานที่จำเป็นเพื่อจัดการความเสี่ยงและรับประกันการปฏิบัติตามข้อกำหนด
- การให้กู้ยืมเงินสำหรับการให้กู้ยืมที่มีการรับประกัน/ไม่มีการรับประกัน
- การระบุการฉ้อโกง/การทำธุรกรรมที่น่าสงสัย
- การตรวจสอบ
- การบริหารชีวิตลูกค้า
- การตัดสินใจเครดิต
รถยนต์ไร้คนขับ: รถยนต์ไร้คนขับต้องปฏิบัติตามกฎระเบียบที่เข้มงวด ความปลอดภัยในการปฏิบัติงาน และการอธิบายได้ในการตัดสินใจในเวลาจริง AryaXAI ช่วยให้เข้าใจว่าระบบ AI สื่อสารกับยานพาหนะอย่างไร
- การวิเคราะห์การตัดสินใจ
- การปฏิบัติการรถยนต์ไร้คนขับ
- ข้อมูลสุขภาพของยานพาหนะ
- การตรวจสอบระบบขับรถยนต์ AI
การดูแลสุขภาพ: AryaXAI ให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นจากมุมมองทางการแพทย์ เทคโนโลยี กฎหมาย และผู้ป่วย ตั้งแต่การค้นคว้ายาไปจนถึงการผลิต การขาย และการตลาด Arya-xAI ส่งเสริมการทำงานร่วมกันระหว่างสาขาต่างๆ
- การค้นคว้ายา
- การวิจัยทางคลินิก
- การตรวจสอบข้อมูลการวิจัยทางคลินิก
- การดูแลที่มีคุณภาพสูง
วิสัยทัศน์ของคุณสำหรับอนาคตของการเรียนรู้ของเครื่องในด้านการเงินคืออะไร?
ในช่วงสิบปีที่ผ่านมา มีการศึกษาและการตลาดอย่างมากเกี่ยวกับ ‘AI’ เราได้เห็นฮิปสайเคิลหลายครั้งในช่วงเวลานี้ เราอาจจะอยู่ในช่วงฮิปสайเคิลที่ 4 หรือ 6 แล้ว ฮิปสайเคิลแรกคือเมื่อ Deep Learning ชนะ ImageNet ในปี 2011/12 ตามด้วยงานเกี่ยวกับการจำแนกภาพและข้อความ การรู้จำเสียง รถยนต์ไร้คนขับ และ AI ที่สร้างข้อมูลใหม่ และปัจจุบันกับโมเดลภาษาขนาดใหญ่ ช่องว่างระหว่างจุดสูงสุดของฮิปสайเคิลและใช้งานจริงกำลังลดลงเนื่องจากการวนซ้ำของผลิตภัณฑ์ ความต้องการ และการให้ทุน
สามสิ่งนี้เกิดขึ้นแล้ว:
- ฉันคิดว่าเราได้สร้างเฟรมเวิร์กของการขยายขนาดสำหรับโซลูชัน AI แล้ว ตัวอย่างเช่น Open AI เป็นองค์กรที่ไม่สร้างรายได้ แต่คาดว่าจะมีรายได้ 1 พันล้านดอลลาร์ภายใน 2 ปี แม้ว่าไม่ใช่ทุกบริษัท AI จะบรรลุระดับการขยายขนาดที่คล้ายกัน แต่เทมเพลตของการขยายขนาดก็ชัดเจนขึ้น
- คำจำกัดความของโซลูชัน AI ที่เหมาะสม几乎ชัดเจนแล้วสำหรับแนวตั้งทั้งหมด: ไม่เหมือนกับในอดีตที่ผลิตภัณฑ์ถูกสร้างขึ้นผ่านการทดลองเชิงตัวเลขสำหรับการใช้งานและองค์กรทุกแห่ง ผู้มีส่วนได้ส่วนเสียได้รับการศึกษาเพื่อเข้าใจสิ่งที่ต้องการจากโซลูชัน AI
- กฎระเบียบกำลังตามมา: ความจำเป็นในการมีกฎระเบียบที่ชัดเจนเกี่ยวกับความเป็นส่วนตัวของข้อมูลและการใช้ AI กำลังได้รับการยอมรับอย่างมาก องค์กรที่กำกับดูแลและหน่วยงานกำกับดูแลกำลังสามารถตีพิมพ์หรือกำลังอยู่ในกระบวนการของการเผยแพร่เฟรมเวิร์กที่จำเป็นสำหรับการใช้ AI ที่ปลอดภัย จริยธรรม และรับผิดชอบ
สิ่งถัดไปคืออะไร?
การระเบิดของ ‘Model-as-a-Service(MaaS)’:
เราจะเห็นการเติบโตของความต้องการ ‘Model-as-a-Service’ ทั้งแนวตั้งและแนวนอน ในขณะที่ ‘OpenAI’ เป็นตัวอย่างที่ดีของ ‘MaaS’ แนวนอน Arya.ai เป็นตัวอย่างของ ‘MaaS’ แนวตั้ง ด้วยประสบการณ์ในการใช้งานและชุดข้อมูลที่สำคัญ Arya.ai ได้สะสมชุดข้อมูลแนวตั้งที่สำคัญซึ่งถูกใช้ในการฝึกโมเดลและนำเสนอเป็นโมเดลที่พร้อมใช้งานหรือโมเดลที่ได้รับการฝึกอบรมแล้ว
การสร้างแนวตั้งเป็นแนวใหม่: เราจะเห็นแนวโน้มนี้ใน ‘การนำคลาวด์มาใช้’ ในขณะที่ผู้เล่นแนวตั้งขนาดใหญ่มุ่งเน้นไปที่ ‘แพลตฟอร์มสำหรับทุกคน’ ผู้เล่นแนวตั้งจะเน้นไปที่ความต้องการของผู้ใช้ปลายทางและนำเสนอเป็นชั้นผลิตภัณฑ์ที่เฉพาะเจาะจง ซึ่งเป็นจริงสำหรับการนำเสนอ MaaS เช่นกัน
XAI และการกำกับดูแล AI จะกลายเป็นมาตรฐานในองค์กร: ขึ้นอยู่กับความเข้มงวดของกฎระเบียบ แต่ละแนวตั้งจะบรรลุเฟรมเวิร์ก XAI และการกำกับดูแลที่ยอมรับได้ ซึ่งจะถูกนำไปใช้เป็นส่วนหนึ่งของการออกแบบ ไม่เหมือนกับในปัจจุบันที่ถือเป็นสิ่งเสริม
AI ที่สร้างข้อมูลใหม่บนข้อมูลแบบแท็บูลาร์อาจเห็นฮิปสайเคิลในองค์กร: การสร้างชุดข้อมูลสังเคราะห์เป็นหนึ่งในวิธีแก้ปัญหาที่ง่ายต่อการนำไปใช้เพื่อแก้ไขปัญหาที่เกี่ยวข้องกับข้อมูลในองค์กร ทีมวิทยาศาสตร์ข้อมูลน่าจะต้องการสิ่งนี้เพราะปัญหาอยู่ในการควบคุมของพวกเขา ไม่เหมือนกับการพึ่งพาธุรกิจที่อาจใช้เวลา ค่าใช้จ่าย และไม่ได้รับการรับประกันว่าจะปฏิบัติตามขั้นตอนในการรวบรวมข้อมูล ชุดข้อมูลสังเคราะห์แก้ปัญหาความลำเอียง ข้อมูลไม่สมดุล การรักษาความปลอดภัยของข้อมูล และข้อมูลที่ไม่เพียงพอ แน่นอนว่าประสิทธิผลของแนวทางนี้ยังคงต้องได้รับการพิสูจน์ แต่ด้วยเทคนิคใหม่ที่มีความสามารถมากขึ้น เช่น ทรานส์ฟอร์เมอร์ เราอาจเห็นการลองใช้มากขึ้นบนชุดข้อมูลแบบดั้งเดิม เช่น แบบแท็บูลาร์และข้อมูลหลายมิติ เมื่อประสบความสำเร็จ แนวทางนี้สามารถส่งผลกระทบอย่างมากต่อองค์กรและผลิตภัณฑ์ MaaS
มีสิ่งอื่นที่คุณต้องการแบ่งปันเกี่ยวกับ Arya.ai หรือไม่?
จุดมุ่งเน้นของ Arya.ai คือการแก้ปัญหา ‘AI’ สำหรับธนาคาร บริษัทประกัน และสถาบันการเงิน แนวทางของเราคือการสร้างแนวตั้งเทคโนโลยีไปจนถึงชั้นสุดท้ายและทำให้มันใช้งานได้และยอมรับได้สำหรับองค์กรและผู้มีส่วนได้ส่วนเสียทุกคน
AryaXAI (xai.arya.ai) จะมีบทบาทสำคัญในการส่งมอบสิ่งนี้ให้กับคนจำนวนมากในแนวตั้ง FSI การวิจัยที่กำลังดำเนินอยู่เกี่ยวกับข้อมูลสังเคราะห์ประสบความสำเร็จในกรณีการใช้งานไม่กี่กรณี แต่เราตั้งเป้าที่จะทำให้มันเป็นตัวเลือกที่ใช้ได้และยอมรับได้ เราจะต่อเนื่องเพิ่มชั้นใหม่ๆ ให้กับ ‘AI’ คลาวด์ของเราเพื่อปฏิบัติภารกิจของเรา
ฉันคิดว่าเราจะเห็นสตาร์ทอัพเพิ่มเติม เช่น Arya.ai ไม่เพียงแต่ในแนวตั้ง FSI เท่านั้น แต่ยังในแนวตั้งอื่นๆ ด้วย
ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Arya.ai เพื่อเรียนรู้เพิ่มเติม
