Ople.ai CEO'su ve Kurucusu Pedro Alves - Röportaj Dizisi

Pedro Alves, analistleri ve konu uzmanlarını güçlü tahmine dayalı analitikle güçlendiren bir platform olan Ople.ai'nin CEO'su ve Kurucusudur. Platform, dünyanın önde gelen veri bilimcilerinin bilgi ve uzmanlığıyla donatılmıştır, böylece kullanıcılar gerçekten iyi oldukları şeye, yani bir iş etkisi yaratmaya odaklanabilirler.

Başlangıçta sizi veri bilimine çeken neydi?

2001 yılında makine öğrenimi ve yapay zekada muazzam bir potansiyel gördüm. Lisans öğrencisi olarak bilgisayar bilimi okurken ve hangi alt alanda daha fazla ilerlemem gerektiğine karar verirken şöyle düşündüm: Tamam, yapay zeka/ML, bilgisayar biliminin ilginç olduğunu düşündüğüm bir alanı; herhangi bir alandaki olayları tahmin etmeye yardımcı olabilirsiniz. İster biyoloji, ister tıp ya da finans alanında olun, eğer makine öğrenimi ve yapay zekaya sahipseniz bu alanlarda önemli ölçüde ilerleyebilirsiniz. Her zaman arkasındaki matematiğin büyüleyici olduğunu düşünmüşümdür.

Lisansüstü okula başladığımda, makine öğrenimindeki uzmanlığımı geliştirmenin en iyi yolunun onu nasıl uygulayacağımı öğrenmek olduğuna karar verdim. Ben her zaman çok pratiktim; Sırf teori uğruna teori öğrenmek istemedim. Genomik ve proteomik alanına uygulandığı için makine öğrenimini incelemeyi seçtim. Tüm lisansüstü çalışmalarım hesaplamalı biyoloji üzerineydi, ancak odak noktası makine öğrenimiydi.

Kısa bir süre sonra, AI/ML uygulamaları için büyük bir potansiyel gördüğüm sağlık sektörüne girdim. İşte o zaman yapay zekanın akademi dışında pratikte yaşadığı sorunları görmeye başladım. Yapay zekanın gerçekliğini deneyimledim ve teknik sorunları nedeniyle değil, gerçek dünyada ne kadar etkisiz uygulandığını öğrendim. Böylece, sorunu çözmeye çekildim.

Eskiden, sosyal ağ alanındaki zorlukların üstesinden geldiğiniz Banjo'da baş veri bilimcisiydiniz. Bu zorluklardan bazılarını tartışabilir misiniz?

Bir şirket olarak, sosyal medyada kaydedilen olayları, özellikle de yakındaki bir araba kazası veya yanan bir bina gibi potansiyel bir tehlike olarak vurgulanması gereken olayları tespit ederdik. Bu olayların işaretlenmesine yardımcı oluruz, böylece ilk müdahale ekiplerini harekete geçirmeye daha fazla yardımcı olabiliriz. Sosyal medyayı iyilik için kullanıyorduk.

Sosyal medya verilerine göre bu olayların çoğu nadirdir. Örneğin, herhangi bir şehirde her gün meydana gelen çok sayıda kaza vardır, ancak sosyal medya verilerinin hacmine baktığınızda, bir araba kazasının resmi oldukça küçük hale gelir. Milyonlarca köpek yavrusu resmini, yemek resimlerini, bir milyon başka özçekim resmini ve ardından bir araba kazası resmini düşünün, hepsi birkaç dakika içinde. Esasen Banjo'da samanlıkta iğne arıyorduk.

Dolayısıyla ortaya çıkacak zorluklardan biri bilgisayarlı görmeyle ilgiliydi. Her ne kadar bilgisayar görüşü o zamanlar iyi olsa da, birkaç milyonda bir tane bulmaya çalıştığınızda, küçük bir hata oranı olasılığı bile bu nadir olayları tespit etme şansınızı tamamen azaltabilir.

Örneğin, sinir ağlarını eğitmek için kullanıldığında renkleri tanımlayamamalarına neden olacak bir genel veri seti vardı. Bir veri kümesindeki bir resim renkli olsa ve sinir ağı tamamen RGB'ye baksa bile rengi bir belirteç olarak kullanmıyordu. Geleneksel bir polis arabası ve geleneksel bir taksi alın - her ikisi de aynı temel araba modelidir ve üst kısımda fazladan bir mekanizmadır (örneğin, bir polis arabasındaki sirenler veya bir taksideki serbest/meşgul sinyali). Ancak, renge bakarsanız, ikisi arasındaki fark açıktır. Bu örnek sayesinde, uygun bir veri kümesi oluşturmanın hayati önem taşıdığını anladık.

2017'de Ople'ı piyasaya sürmeye devam ettiniz. Bu girişimin arkasındaki oluşum hikayesi neydi?

Şirketlerin yapay zeka uygulamalarından sağlam bir yatırım getirisi almasını istedim. Gartner'a göre, AI projelerinin yüzde 80 ila 90'ı asla gün ışığını görmüyor. Bunun modelin doğruluğu gibi teknik yönlerle hiçbir ilgisi yoktur. Genellikle şirket kültürü veya şirket içindeki prosedürel yönlerdir.

Bunun nedeni, veri bilimi ekibi ile iş kullanıcısı arasında yeterli iletişim eksikliği olabilir ve veri bilimi ekibinin neyin oluşturulması gerektiğini anlamadığı için iş ekibinin ihtiyaç duymadığı bir şeyi tahmin eden modellere yol açabilir. Veya doğru modeli oluştururlarsa, veri bilimi ekibi işini bitirdiğinde iş ekibi tahminlerden hiç faydalanmaz. Çoğu şirkette satış, pazarlama ve lojistik gibi departmanlar yapay zekayı gerçekten kullanması gereken departmanlardır, ancak modelleri anlayan veri bilimi ekibidir. Bu ekipler, kendileri için oluşturulan modelleri anlamadıklarında, tahminlerine güvenmeme eğilimindedirler ve bu nedenle onları kullanmazlar.

Öyleyse, AI şirketin iş yapma şeklini değiştirmiyorsa, ne anlamı var?

Bunu çözen bir platform oluşturmak istedik - veri bilimi ekibine veya iş analistlerine, veri analistlerine, bu süreçte şirketle kim ilgileniyorsa ona yardım etmek istiyoruz - doğru projeleri oluşturmalarına ve çalışanların modelleri anlamasına ve güvenmesine yardımcı olmak istiyoruz. Bunu düzeltirsek, veri biliminin sonunda şirketler için gerçek anlamda değerli olabileceğine inanıyorum.

Veri bilimcilerin yapay zeka ile otomatikleştirilebilecek görevleri yerine getirirken değerli zamanlarını kaybettiğini belirttiniz. Otomatikleştirilmesi gereken bazı görev örnekleri nelerdir?

Bir veri bilimcinin bir modeli tamamlaması genellikle birkaç ay sürer ve tamamlandıktan sonra şirket söz konusu modeli uygular, ancak bu muhtemelen mümkün olduğu kadar doğru olmayacaktır. Modelin uygulanmasını takip eden aylarda, veri bilimcisi, modelin doğruluğunu küçük artımlı miktarlarda artırmak amacıyla model üzerinde çalışmaya devam edecektir. Çoğu veri bilimcinin, çalışanların yapay zeka modellerini anlamasını, güvenmesini ve yerinde kullanmasını sağlamak gibi başka görevleri yerine getirmek için zaman harcayabileceği yer genellikle burasıdır. Bir modelin doğruluğunu artırmaya çalışan özellik mühendisliği, eğitim modelleri, parametre ayarlama ve algoritma seçimi gibi görevler için harcanan tüm bu süre yapay zeka ile kolayca otomatikleştirilebilir.

ne tarif edermisin meta öğrenme Ople bunu nasıl uygular?

Meta öğrenmeye geçmeden önce, makine öğreniminin ilk katmanını anlamak önemlidir. Diyelim ki, bir fabrika katında makinelerin ne zaman bozulacağını tahmin eden bir veri kümeniz var. Makine, çalışanlara arızalanmak üzere olduğunu bildirecek ve böylece önleyici bakım gerçekleştirebileceklerdir. Bu, öğrenmenin ilk katmanı olarak kabul edilir.

Genellikle "öğrenmeyi öğrenme" olarak bilinen meta-öğrenme, bu öğrenme sürecini daha iyi anlamaktır. Dolayısıyla, makine hatalarını tahmin etmek için modelinizi eğitirken, gözlemleyen başka bir modeliniz olur. Örneğin, ikinci model işletmelerin kestirimci bakım modelinin hangi parametreleri iyi öğrendiğini ve hangi parametrelerin iyi çalışmadığını anlamasına yardımcı olabilir. Meta-öğrenme yaptığınızda, daha verimli modelleri daha hızlı oluşturma konusunda daha iyi olursunuz.

Hakkında ne düşünüyorsun sentetik veri?

Doğru şekilde yürütülmezse sentetik verilerle çalışmak inanılmaz derecede zor olabilir.

Diyelim ki tıbbi kayıt verileriniz var – 20 hastanız var ve bu hastaların yaşları, cinsiyetleri, kiloları, boyları, tansiyonları, ilaç listeleri vb. bu tıbbi kayıtlarda. Ancak, yalnızca makine öğrenimine veya istatistiklere güvenirseniz, saçma sapan sentetik veriler elde edebilirsiniz. 3 yaşındaki 4 boyundaki bir çocuk veya XNUMX fit boyunda bin pound ağırlığındaki bir insan gibi değerlerin rastgele bir karışımını ve eşleşmesini yaratabilir. AI/ML birçok durumda güvenilir olsa da, tıbbi kayıtlar için kullanılan sentetik verilerin bir doktor girdisine sahip olması gerekir.

Yani, "kişi bu yaştaysa, gerçekçi bir boy aralığı ve kilo nedir" veya "bu ilacı alıyorsa hangi ilaçları almamalı?" gibi parametreler oluşturmak için bir tıp uzmanını dahil edersiniz. Bu süreç, kaçınılmaz olarak, her hastanın tıbbi kayıtlarıyla ilgili olduğundan, tüm olasılıkları ortaya çıkarmak için çok büyük bir çaba ve çok karmaşık hale gelecektir.

Bununla birlikte, görüntüler alanında, sentetik verilerin anlaşılması ve oluşturulması çok daha kolay olabilir. Bir araba resminiz olduğunu ve arabanın sol üst köşede olduğunu varsayalım. Aynı arabanın sol alt köşede, sağ üst köşede veya merkezde olabileceğini bilmek için uzman olmanıza gerek yok. Kişi kamerayı birçok şekilde doğrultmakla kalmaz, aynı zamanda resmi yeniden hizalayabilir. Araba tüm farklı köşelerde olacak şekilde resmin odağını hareket ettirmek, sentetik veriler oluşturmaktır - başka bir basit yöntem de döndürmeyi kullanmaktır.

Ople'ın işletmelere veri ihtiyaçları konusunda nasıl yardımcı olabileceğine dair bazı örnekler verebilir misiniz?

Ople.AI, kuruluşlara bir organizasyonun tüm seviyelerinde kapsamlı veri analitiği kullanma yeteneği verir ve çalışanlarına yalnızca birkaç tıklamayla yapay zekanın değerini ortaya çıkarma fırsatı verir. Yapay zekayı ifade etmek ve uygulamak için küçük bir veri bilimci ekibine güvenen kuruluşların aksine, Ople.AI Platformu, çeşitli departmanlardaki çalışanları verilerinden içgörülere erişmeleri için araçlarla donatır ve karşılığında günlük verimliliklerini artırır. .

Bununla birlikte, kuruluşların yapay zekayı uygularken sıklıkla karşılaştıkları büyük bir engel, modelin açıklanabilirliğidir. Kuruluşların, çalışanlarının anlayabileceği ve daha da önemlisi güvenebileceği bir yapay zeka sunması çok önemlidir. Model açıklanabilirliği buna yardımcı olur. Ople.AI Platformu ile amacımız, yapay zeka veya teknoloji meraklısı olmayan çalışanlara, modellerin nasıl ve neden tahmin yaptığını kolayca anlama şansı vermek. Model açıklanabilirliği oluşturmak, uzun vadede işletmeler için güçlü sonuçlar doğuracaktır.

Ek olarak, bir modelin şirketlere tahmin yapmanın yanı sıra katabileceği çok daha fazla değer vardır. AI, potansiyel sorunları veya yararlanılabilecek alanları ortaya çıkarabilir. Biz buna veri açıklanabilirliği diyoruz - bu, bir modelin bir şirket için değerli olan veriler hakkında akıllı içgörüleri paylaşabilmesinin çeşitli yollarıdır. Bu, AI'nın işletmelere ve rekabetimiz açısından ilerlemekte olduğumuz bir alana yardımcı olabileceği büyük bir yoldur.

Röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular Ople.ai'yi ziyaret etmelidir.