วินัย คุมาร์ สังการปู ผู้ร่วมก่อตั้งและซีอีโอของ Arya.ai – สัมภาษณ์ซีรีส์

วินัย คุมาร์ สังการปู เป็นผู้ร่วมก่อตั้งและซีอีโอของ Arya.ai ซึ่งเป็นแพลตฟอร์มที่ให้บริการ ‘AI’ คลาวด์สำหรับธนาคาร ผู้ให้บริการประกัน และสถาบันการเงิน (BFSI) เพื่อค้นหา AI API ที่เหมาะสม วิธีแก้ปัญหา AI จากผู้เชี่ยวชาญ และเครื่องมือ AI Governance ที่ครอบคลุมเพื่อนำไปใช้กับเครื่องยนต์ AI ที่เชื่อถือได้และเรียนรู้ด้วยตนเอง

คุณมีพื้นฐานมาจากคณิตศาสตร์ ฟิสิกส์ เคมี และวิศวกรรมเครื่องจักร คุณสามารถพูดถึงการเดินทางของคุณในการเปลี่ยนมาเป็นคอมพิวเตอร์ไซนซ์และ AI ได้หรือไม่?

ที่ IIT Bombay เรามี ‘Dual Degree Program’ ซึ่งเป็นหลักสูตร 5 ปีที่ครอบคลุมทั้ง Bachelor of Technology และ Master of Technology ฉันเรียนวิศวกรรมเครื่องจักรพร้อมกับการเชี่ยวชาญด้าน ‘Computer Aided Design and Manufacturing’ ซึ่งวิชาคอมพิวเตอร์ไซนซ์เป็นส่วนหนึ่งของหลักสูตร สำหรับการวิจัยหลังปริญญา ฉันเลือกที่จะทำงานเกี่ยวกับ Deep Learning ในขณะที่ฉันเริ่มใช้ DL ในการสร้างเฟรมเวิร์กการทำนายความล้มเหลวสำหรับการผลิตอย่างต่อเนื่อง ฉันจบการวิจัยเกี่ยวกับการใช้ CNN สำหรับการทำนาย RUL ซึ่งเกิดขึ้นเมื่อประมาณปี 2013/14

คุณเปิดตัว Arya.ai ในขณะที่คุณยังอยู่ในวิทยาลัย คุณสามารถแบ่งปันเรื่องราวเกี่ยวกับการก่อตั้งสตาร์ทอัพนี้ได้หรือไม่?

ในฐานะส่วนหนึ่งของการวิจัยทางวิชาการ เราต้องใช้เวลา 3-4 เดือนในการทบทวนเอกสารเพื่อสร้างการศึกษาที่มีรายละเอียดเกี่ยวกับหัวข้อที่สนใจ พิสัยของงานที่ทำไปแล้ว และสิ่งที่อาจเป็นจุดเน้นของการวิจัยของเรา ในช่วงปี 2012/13 เครื่องมือที่เราใช้นั้นเป็นเครื่องมือพื้นฐานมาก เช่น Search Engines อย่าง Google Scholar และ Scopus ที่ทำการค้นหาด้วยคำค้นหาเท่านั้น ซึ่งยากที่จะเข้าใจปริมาณความรู้ที่มีอยู่ ฉันคิดว่าปัญหานี้จะยิ่งเลวร้ายมากขึ้น ในปี 2013 ฉันคิดว่ามีเอกสารวิจัยอย่างน้อย 30+ ฉบับที่ตีพิมพ์ทุกๆ นาที และปัจจุบันคือ 10-20 เท่าของจำนวนนั้น

เราต้องการสร้าง ‘AI’ แอสซิสตันท์เหมือน ‘ศาสตราจารย์’ สำหรับนักวิจัยเพื่อช่วยให้พวกเขาค้นหาหัวข้อการวิจัย ค้นหาเอกสารที่เหมาะสมที่สุดและทันสมัยที่สุด และสิ่งอื่นๆ ที่เกี่ยวข้องกับการวิจัย STEM ด้วยประสบการณ์ของเราในด้าน Deep Learning เราคิดว่าเราสามารถแก้ปัญหานี้ได้ ในปี 2013 ฉันคิดว่าเริ่ม Arya.ai ด้วยทีม 3 คน และขยายเป็น 7 คนในปี 2014 ในขณะที่ฉันยังอยู่ในวิทยาลัย

รุ่นแรกของผลิตภัณฑ์ถูกสร้างขึ้นโดยการเก็บข้อมูลจากเอกสารและบทคัดย่อมากกว่า 30 ล้านรายการ เราใช้เทคนิค Deep Learning ที่ทันสมัยในขณะนั้นเพื่อสร้าง AI STEM แอสซิสตันท์ และเครื่องมือค้นหาที่มีบริบทสำหรับ STEM แต่เมื่อเรานำเสนอ AI แอสซิสตันที่ให้บางส่วนของศาสตราจารย์และเพื่อนร่วมงาน เราได้รับทราบว่าเรากำลังเร็วเกินไป การไหลของการสนทนาเป็นแบบจำกัด และผู้ใช้คาดหวังการไหลและการสนทนาที่ต่อเนื่อง คาดหวังที่ไม่สมจริงในขณะนั้น (2014/15) แม้ว่าจะตอบคำถามที่ซับซ้อน

หลังจากนั้น เราเปลี่ยนไปใช้การวิจัยและเน้นไปที่เครื่องมือ ML สำหรับนักวิจัยและองค์กรเป็นเวิร์กเบนช์ในการทำให้ Deep Learning เป็นที่นิยม แต่ในขณะนั้น นักวิทยาศาสตร์ข้อมูลเพียงไม่กี่คนใช้ DL ในปี 2016 ดังนั้นเราจึงเริ่มสร้างผลิตภัณฑ์ระดับแนวตั้งและเน้นไปที่การสร้างชั้นผลิตภัณฑ์ระดับแนวตั้งสำหรับแนวตั้งเดียว เช่น สถาบันการเงิน (FSIs) เรารู้ว่านี่จะทำงานได้เพราะในขณะที่ผู้เล่นรายใหญ่พยายามชนะในระดับแนวตั้ง องค์กรระดับแนวตั้งสามารถสร้าง USP ที่สำคัญได้ ครั้งนี้เราถูกต้อง!

เรากำลังสร้าง AI คลาวด์สำหรับธนาคาร ผู้ให้บริการประกัน และสถาบันการเงินพร้อมชั้นแนวตั้งที่มีเฉพาะจุดเพื่อนำเสนอโซลูชัน AI ที่มีความรับผิดชอบและสามารถปรับขนาดได้

ปัญหาของ ‘AI’ กล่องดำในด้านการเงินมีขนาดใหญ่แค่ไหน?

สำคัญมาก! เพียง 30% ของสถาบันการเงินใช้ ‘AI’ ในศักยภาพสูงสุด สาเหตุหนึ่งคือความเข้าถึงอีกสาเหตุหนึ่งคือการขาดความไว้วางใจและความสามารถในการตรวจสอบ ‘AI’ กฎระเบียบในขณะนี้ชัดเจนในบางภูมิภาคเกี่ยวกับกฎหมายในการใช้ AI สำหรับการใช้งานที่มีความเสี่ยงต่ำ กลาง และสูง ต้องใช้แบบจำลองที่โปร่งใสสำหรับการใช้งานที่มีความเสี่ยงสูงหลายกรณีในสถาบันการเงินเป็นกรณีที่มีความเสี่ยงสูง ดังนั้นจึงจำเป็นต้องใช้แบบจำลองกล่องขาว

การเกิดฮิปไซเคิลกำลังลดลงเนื่องจากประสบการณ์ในช่วงแรกๆ กับโซลูชัน AI มีตัวอย่างที่เพิ่มขึ้นในสมัยใหม่เกี่ยวกับผลกระทบของการใช้ ‘AI’ กล่องดำ ความล้มเหลวของ ‘AI’ เนื่องจากการไม่ตรวจสอบ และความท้าทายกับเจ้าหน้าที่กฎหมายและความเสี่ยงเนื่องจากการตรวจสอบที่จำกัด

คุณสามารถอธิบายความแตกต่างระหว่าง ML Monitoring และ ML Observability ได้หรือไม่?

 งานของเครื่องมือติดตามคือเพียงติดตามและเตือน และงานของเครื่องมือที่สามารถสังเกตได้คือไม่เพียงแต่ติดตามและรายงาน แต่ยังให้หลักฐานเพียงพอที่จะหาสาเหตุของความล้มเหลวหรือทำนายความล้มเหลวเหล่านั้นในระยะเวลานาน

ใน AI/ML เครื่องมือเหล่านี้มีบทบาทสำคัญ ในขณะที่เครื่องมือเหล่านี้สามารถส่งมอบบทบาทหรือการตรวจสอบที่ต้องการ การตรวจสอบ ML มี…

ทำไมจึงต้องการแพลตฟอร์มเฉพาะอุตสาหกรรมสำหรับ ML Observability แทนที่จะเป็นแพลตฟอร์มทั่วไป?

แพลตฟอร์มทั่วไปได้รับการออกแบบสำหรับทุกคนและทุกกรณีการใช้งาน โดยไม่คำนึงถึงอุตสาหกรรม – ผู้ใช้ใดๆ สามารถเข้าร่วมและเริ่มใช้แพลตฟอร์มได้ ลูกค้าของแพลตฟอร์มเหล่านี้มักจะเป็นนักพัฒนา นักวิทยาศาสตร์ข้อมูล ฯลฯ แพลตฟอร์มเหล่านี้สร้างความท้าทายหลายอย่างสำหรับผู้มีส่วนได้ส่วนเสียเนื่องจากธรรมชาติที่ซับซ้อนและแนวทาง ‘ขนาดเดียวใช้ได้กับทุกคน’

ไม่幸ด้วยว่าธุรกิจส่วนใหญ่ต้องการผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลเพื่อใช้แพลตฟอร์มทั่วไป และต้องการโซลูชันหรือชั้นผลิตภัณฑ์เพิ่มเติมเพื่อให้แบบจำลองเหล่านี้ ‘ใช้งานได้’ สำหรับผู้ใช้สุดท้ายในแนวตั้งใดๆ ซึ่งรวมถึงการอธิบาย การตรวจสอบ การแบ่งส่วน/สถานการณ์ การมีส่วนร่วมของมนุษย์ การให้ข้อมูลย้อนกลับ การตรวจสอบ เครื่องมือเฉพาะจุด ฯลฯ

นี่คือที่ที่แพลตฟอร์ม AI ที่เฉพาะเจาะจงสำหรับอุตสาหกรรมเข้ามาเป็นข้อได้เปรียบ แพลตฟอร์ม AI ที่เฉพาะเจาะจงสำหรับอุตสาหกรรมเป็นเจ้าของกระบวนการทั้งหมดเพื่อแก้ปัญหาหรือกรณีการใช้งานที่มุ่งเป้าไปที่ลูกค้าและพัฒนาเพื่อนำเสนอผลิตภัณฑ์ที่สมบูรณ์จากจุดเริ่มต้นจนจบ จากการทำความเข้าใจความต้องการทางธุรกิจไปจนถึงการตรวจสอบประสิทธิภาพผลิตภัณฑ์ มีหลายอุปสรรคในอุตสาหกรรม เช่น โครงสร้างกฎระเบียบและความเป็นส่วนตัวของข้อมูล ที่ต้องการการตรวจสอบและควบคุม ฯลฯ แพลตฟอร์ม AI ที่เฉพาะเจาะจงสำหรับอุตสาหกรรมและผลิตภัณฑ์เหล่านี้ช่วยเร่งการนำ AI ไปใช้และลดระยะเวลาการพัฒนาและความเสี่ยงที่เกี่ยวข้องในการเปิดตัว AI นอกจากนี้ยังช่วยรวมความเชี่ยวชาญ AI ในอุตสาหกรรมเป็นชั้นผลิตภัณฑ์ที่ช่วยปรับปรุงการยอมรับ ‘AI’ การสนับสนุนความพยายามในการปฏิบัติตามกฎระเบียบ และการค้นหาวิธีการทั่วไปในการแก้ไขปัญหาเกี่ยวกับจริยธรรม ความน่าเชื่อถือ และความกังวลเกี่ยวกับชื่อเสียง

คุณสามารถแบ่งปันรายละเอียดเกี่ยวกับแพลตฟอร์ม ML Observability ที่ Arya.ai เสนอได้หรือไม่?

เราทำงานในสถาบันการเงินมาเป็นเวลา 6 ปีแล้ว ตั้งแต่ปี 2016 ซึ่งทำให้เราได้รับการเปิดเผยต่อความท้าทายที่ไม่เหมือนใครในการนำ AI ที่ซับซ้อนไปใช้ใน FSIs หนึ่งในความท้าทายที่สำคัญคือ ‘การยอมรับ AI’ ไม่เหมือนกับในแนวตั้งอื่นๆ มีกฎระเบียบมากมายเกี่ยวกับการใช้ซอฟต์แวร์ (รวมถึงโซลูชัน ‘AI’) การรักษาความเป็นส่วนตัวของข้อมูล จริยธรรม และสิ่งที่สำคัญที่สุดคือผลกระทบทางการเงินต่อธุรกิจ เพื่อแก้ไขความท้าทายเหล่านี้ในระดับใหญ่ เราต้องคิดค้นและเพิ่มชั้นใหม่ๆ ของการอธิบาย การตรวจสอบ ความเสี่ยง และความรับผิดชอบบนโซลูชันของเรา – การประมวลผลคำร้อง การประกันภัย การตรวจจับการฉ้อโกง ฯลฯ เมื่อเวลาผ่านไป เราได้สร้างเฟรมเวิร์ก ML Observability ที่ยอมรับได้และสามารถปรับขนาดได้สำหรับผู้มีส่วนได้ส่วนเสียต่างๆ ในอุตสาหกรรมการเงิน

เรากำลังเปิดตัวเวอร์ชัน DIY ของเฟรมเวิร์กเป็น AryaXAI (xai.arya.ai) ทีม ML หรือธุรกิจใดๆ สามารถใช้ AryaXAI เพื่อสร้างการกำกับดูแล AI ที่ครอบคลุมสำหรับการใช้งานที่สำคัญต่อภารกิจ แพลตฟอร์มนี้นำความโปร่งใสและความสามารถในการตรวจสอบมาให้กับโซลูชัน AI ที่ยอมรับได้สำหรับผู้มีส่วนได้ส่วนเสียทุกคน AryaXAI ทำให้ AI มีความปลอดภัยและยอมรับได้สำหรับการใช้งานที่สำคัญต่อภารกิจโดยการให้การอธิบายที่น่าเชื่อถือและแม่นยำ การให้หลักฐานที่สามารถสนับสนุนการตรวจสอบด้านกฎระเบียบ การจัดการความไม่แน่นอนของ AI โดยการให้การควบคุมนโยบายที่ทันสมัย และการรับรองความสอดคล้องในการผลิตโดยการตรวจสอบการเปลี่ยนแปลงของข้อมูลหรือแบบจำลองและเตือนผู้ใช้ด้วยการวิเคราะห์สาเหตุ

AryaXAI ยังทำหน้าที่เป็นเวิร์กโฟลว์ที่ใช้ร่วมกันและให้ข้อมูลเชิงลึกที่ยอมรับได้สำหรับผู้มีส่วนได้ส่วนเสียทุกคน – ทีมวิทยาศาสตร์ข้อมูล ทีม IT ทีมความเสี่ยง ทีมปฏิบัติการ และทีมการปฏิบัติตามกฎระเบียบ ทำให้การเปิดตัวและการบำรุงรักษาแบบจำลอง AI/ML เป็นไปอย่างราบรื่นและไม่ซับซ้อน

โซลูชันอื่นที่มีให้คือแพลตฟอร์มที่เพิ่มความสามารถในการใช้งานของแบบจำลอง ML ด้วยการนำนโยบายไปใช้ตามบริบท คุณสามารถอธิบายสิ่งนี้ได้หรือไม่?

การตรวจสอบและควบคุมแบบจำลอง ML ในการผลิตเป็นเรื่องที่ท้าทายเนื่องจากปริมาณคุณลักษณะและผลการทำนายที่มาก ความไม่แน่นอนของพฤติกรรมของแบบจำลองทำให้ยากที่จะจัดการและมาตรฐานการกำกับดูแล ความเสี่ยง และการปฏิบัติตามกฎระเบียบ ความล้มเหลวของแบบจำลองเหล่านี้สามารถส่งผลให้เกิดความสูญเสียทั้งในด้านชื่อเสียงและทางการเงิน

AryaXAI เสนอ ‘การควบคุมนโยบาย/ความเสี่ยง’ ซึ่งเป็นส่วนประกอบที่สำคัญที่รักษาผลประโยชน์ทางธุรกิจและจริยธรรมโดยการบังคับใช้นโยบายบน AI ผู้ใช้สามารถเพิ่ม/แก้ไข/ปรับเปลี่ยนนโยบายเพื่อจัดการการควบคุมนโยบายได้อย่างง่ายดาย ซึ่งช่วยให้ทีมข้ามฟังก์ชันสามารถกำหนดรางนโยบายเพื่อให้สามารถประเมินความเสี่ยงอย่างต่อเนื่องและปกป้องธุรกิจจากความไม่แน่นอนของ AI

มีตัวอย่างการใช้งานสำหรับผลิตภัณฑ์เหล่านี้หรือไม่?

AryaXAI สามารถใช้ได้กับกระบวนการสำคัญต่อภารกิจหลายอย่างทั่วอุตสาหกรรม ตัวอย่างที่พบบ่อยที่สุดคือ:

BFSI: ในบรรยากาศที่มีกฎระเบียบที่เข้มงวด AryaXAI ช่วยให้อุตสาหกรรม BFSI จัดตำแหน่งความต้องการและรวบรวมหลักฐานที่จำเป็นในการจัดการความเสี่ยงและรับรองการปฏิบัติตามกฎระเบียบ

• การอนุมัติสินเชื่อสำหรับสินเชื่อที่มีการรับประกัน/ไม่มีการรับประกัน
• การระบุการฉ้อโกง/ธุรกรรมที่น่าสงสัย
• การตรวจสอบ
• การบริหารจัดการชีวิตลูกค้า
• การตัดสินใจสินเชื่อ

รถยนต์ไร้คนขับ: รถยนต์ไร้คนขับต้องปฏิบัติตามกฎระเบียบที่เข้มงวด ความปลอดภัยในการปฏิบัติงาน และการอธิบายได้ในการตัดสินใจแบบเรียลไทม์ AryaXAI ช่วยให้เข้าใจว่าระบบ AI สื่อสารกับยานพาหนะอย่างไร

• การวิเคราะห์การตัดสินใจ
• การปฏิบัติงานของรถยนต์ไร้คนขับ
• ข้อมูลสุขภาพของยานพาหนะ
• การตรวจสอบระบบขับเคลื่อน AI

สุขภาพ: AryaXAI ให้ข้อมูลเชิงลึกที่ลึกซึ้งยิ่งขึ้นจากมุมมองทางการแพทย์ เทคโนโลยี กฎหมาย และผู้ป่วย ตั้งแต่การค้นพบยาไปจนถึงการผลิต การขายและการตลาด Arya-xAI ส่งเสริมการทำงานร่วมกันระหว่างสาขาวิชาต่างๆ

• การค้นพบยา
• การวิจัยทางคลินิก
• การตรวจสอบข้อมูลการวิจัยทางคลินิก
• การดูแลที่มีคุณภาพสูง

วิสัยทัศน์ของคุณสำหรับอนาคตของการเรียนรู้ของเครื่องในด้านการเงินคืออะไร?

ในช่วงสิบปีที่ผ่านมา มีการศึกษาและการตลาดอย่างมากเกี่ยวกับ ‘AI’ เราได้เห็นฮิปไซเคิลหลายครั้งในช่วงเวลานี้ เราอาจจะอยู่ในช่วงฮิปไซเคิลที่ 4 หรือ 6 แล้ว ฮิปไซเคิลแรกคือเมื่อ Deep Learning ชนะ ImageNet ในปี 2011/12 ตามด้วยงานเกี่ยวกับการจำแนกภาพ/ข้อความ การรู้จำเสียง รถยนต์ไร้คนขับ AI ที่สร้างสรรค์ และปัจจุบันคือโมเดลภาษาขนาดใหญ่ ช่องว่างระหว่างจุดสูงสุดของฮิปไซเคิลและการใช้งานจริงกำลังลดลงเนื่องจากการวนซ้ำของผลิตภัณฑ์ ความต้องการ และการให้ทุน

สิ่งเหล่านี้เกิดขึ้นแล้ว:

1. ฉันคิดว่าเราได้สร้างเฟรมเวิร์กของการปรับขนาดสำหรับโซลูชัน AI แล้วอย่างน้อยสำหรับผู้เชี่ยวชาญบางคน ตัวอย่างเช่น Open AI เป็นองค์กรที่ไม่สร้างรายได้ แต่พวกเขาคาดว่าจะมีรายได้ 1 พันล้านดอลลาร์ภายใน 2 ปี แม้ว่าไม่ใช่ทุกบริษัท AI จะบรรลุการเติบโตขนาดเดียวกัน แต่แบบจำลองการเติบโตนั้นชัดเจนขึ้น
2. คำจำกัดความของโซลูชัน AI ที่เหมาะสมเกือบจะชัดเจนสำหรับแนวตั้งทั้งหมด: ไม่เหมือนกับในสมัยก่อนที่ผลิตภัณฑ์ถูกสร้างขึ้นผ่านการทดลองเชิงตัวเลขสำหรับการใช้งานทุกอย่างและทุกองค์กร ผู้มีส่วนได้ส่วนเสียได้รับการศึกษาเพิ่มขึ้นในการเข้าใจสิ่งที่พวกเขาต้องการจากโซลูชัน AI
3. กฎระเบียบกำลังตามมา: ความต้องการกฎระเบียบที่ชัดเจนเกี่ยวกับความเป็นส่วนตัวของข้อมูลและการใช้ AI กำลังได้รับการยอมรับอย่างมาก รัฐบาลและหน่วยงานกำกับดูแลสามารถเผยแพร่หรือกำลังเผยแพร่เฟรมเวิร์กที่จำเป็นสำหรับการใช้ AI อย่างปลอดภัย จริยธรรม และรับผิดชอบ

สิ่งที่จะเกิดขึ้นต่อไป?

การระเบิดของ ‘Model-as-a-service(MaaS)’:

เราจะเห็นความต้องการที่เพิ่มขึ้นสำหรับ ‘Model-as-a-service’ ทั้งในแนวนอนและแนวตั้ง ในขณะที่ ‘OpenAI’ แสดงถึงตัวอย่างที่ดีของ ‘MaaS’ แนวนอน Arya.ai เป็นตัวอย่างของ ‘MaaS’ แนวตั้ง ด้วยประสบการณ์ในการใช้งานและการรวบรวมชุดข้อมูลที่สำคัญ Arya.ai ได้ฝึกอบรมแบบจำลองและนำเสนอแบบจำลองที่พร้อมใช้งานหรือแบบจำลองที่ฝึกอบรมไว้แล้ว

การแนวตั้งเป็นแนวนอนใหม่: เราได้เห็นแนวโน้มนี้ใน ‘การนำคลาวด์ไปใช้’ ในขณะที่ผู้เล่นแนวตั้งขนาดใหญ่มุ่งเน้นไปที่ ‘แพลตฟอร์มสำหรับทุกคน’ ผู้เล่นแนวตั้งมุ่งเน้นไปที่ความต้องการของผู้ใช้สุดท้ายและนำเสนอผลิตภัณฑ์ระดับแนวตั้งเป็นชั้นผลิตภัณฑ์เฉพาะ นี่เป็นจริงสำหรับการนำเสนอ MaaS เช่นกัน

XAI และการกำกับดูแล AI จะกลายเป็นบรรทัดฐานในองค์กร: ขึ้นอยู่กับความเสี่ยงของกฎระเบียบ แต่ละแนวตั้งจะบรรลุเฟรมเวิร์ก XAI และการกำกับดูแลที่ยอมรับได้ ซึ่งจะถูกนำไปใช้เป็นส่วนหนึ่งของการออกแบบ ไม่เหมือนกับปัจจุบันที่ถือเป็นส่วนเสริม

AI ที่สร้างสรรค์บนข้อมูลแบบแท็บูลาร์อาจเห็นฮิปไซเคิลในองค์กร: การสร้างชุดข้อมูลสังเคราะห์เป็นหนึ่งในวิธีแก้ปัญหาที่ง่ายต่อการนำไปใช้เพื่อแก้ไขปัญหาที่เกี่ยวข้องกับข้อมูลในองค์กร ทีมวิทยาศาสตร์ข้อมูลน่าจะต้องการสิ่งนี้เพราะปัญหาอยู่ภายใต้การควบคุมของพวกเขา ไม่เหมือนกับการพึ่งพาธุรกิจซึ่งอาจใช้เวลาและไม่ได้รับประกันว่าจะปฏิบัติตามขั้นตอนในการรวบรวมข้อมูล ข้อมูลสังเคราะห์แก้ปัญหาความลำเอียง ความไม่สมดุลของข้อมูล ความเป็นส่วนตัวของข้อมูล และข้อมูลที่ไม่เพียงพอ แน่นอนว่าประสิทธิผลของแนวทางนี้ยังคงต้องได้รับการพิสูจน์ แต่ด้วยเทคนิคใหม่ๆ เช่น Transformer เราอาจเห็นการลองใช้มากขึ้นบนชุดข้อมูลแบบดั้งเดิม เช่น ข้อมูลแบบแท็บูลาร์และข้อมูลหลายมิติ เมื่อประสบความสำเร็จ แนวทางนี้สามารถมีผลกระทบอย่างมากต่อองค์กรและบริการ MaaS

คุณต้องการแบ่งปันอะไรเกี่ยวกับ Arya.ai อีกหรือไม่?

จุดสนใจของ Arya.ai คือการแก้ปัญหา ‘AI’ สำหรับธนาคาร ผู้ให้บริการประกัน และสถาบันการเงิน วิธีการของเราคือการแนวตั้งเทคโนโลยีไปจนถึงชั้นสุดท้ายและทำให้สามารถใช้งานได้และยอมรับได้สำหรับทุกองค์กรและผู้มีส่วนได้ส่วนเสีย

AryaXAI (xai.arya.ai) จะมีบทบาทสำคัญในการส่งมอบสิ่งนี้ให้กับคนจำนวนมากในแนวตั้ง FSI การวิจัยที่กำลังดำเนินอยู่ของเราทางด้านข้อมูลสังเคราะห์ประสบความสำเร็จในกรณีการใช้งานไม่กี่กรณี แต่เราตั้งเป้าที่จะทำให้เป็นตัวเลือกที่ใช้ได้จริงมากขึ้น เราจะดำเนินการต่อเพื่อเพิ่มชั้นเพิ่มเติมให้กับ ‘AI’ คลาวด์ของเราเพื่อสนองภารกิจของเรา

ฉันคิดว่าเราจะเห็นสตาร์ทอัพมากขึ้นเช่น Arya.ai ไม่เพียงแต่ในแนวตั้ง FSI แต่ในแนวตั้งทุกแนวตั้ง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Arya.ai เพื่อเรียนรู้เพิ่มเติม