Arya.ai'nin Kurucu Ortağı ve CEO'su Vinay Kumar Sankarapu - Röportaj Dizisi

Vinay Kumar Sankarapu, Kurucu Ortağı ve CEO'sudur. Arya.aiBankalar, Sigortacılar ve Finansal Hizmetler (BFSI) kurumlarının güvenilir ve kendi kendine öğrenen AI motorlarını devreye almak için gereken doğru AI API'lerini, Uzman AI Çözümlerini ve kapsamlı AI Yönetişim araçlarını bulmaları için "AI" bulutu sunan bir platform.

Geçmişiniz matematik, fizik, kimya ve makine mühendisliğinde, bilgisayar bilimi ve yapay zekaya geçiş yolculuğunuzu tartışabilir misiniz?

HTE Bombay'da, hem Teknoloji Lisanslarını hem de Teknoloji Yüksek Lisanslarını kapsayan 5 yıllık bir kurs sağlayan 'Çift Diploma Programımız' var. Bilgisayar Bilimi'nin müfredatımızın bir parçası olduğu 'Bilgisayar Destekli Tasarım ve İmalat' konusunda uzmanlaşarak Makine Mühendisliği yaptım. Mezuniyet sonrası araştırmamız için Derin Öğrenme üzerinde çalışmayı seçtim. Sürekli üretim için bir arıza tahmin çerçevesi oluşturmak üzere DL'yi kullanmaya başlarken, RUL tahmini için CNN'leri kullanma konusundaki araştırmamı bitirdim. Bu 2013/14 civarındaydı.

Arya.ai'yi henüz üniversitedeyken kurdunuz, bu girişimin doğuş hikayesini bizimle paylaşır mısınız?

Akademik araştırma kapsamında, ilgilenilen konu, şimdiye kadar yapılan çalışmaların kapsamı ve araştırmamız için olası bir odak alanı ne olabileceği hakkında ayrıntılı bir çalışma oluşturmak için bir literatür taramasına 3-4 ay harcamak zorunda kaldık. 2012/13 sezonunda kullandığımız araçlar oldukça basitti. Google bilgini ve Scopus gibi arama motorları sadece bir anahtar kelime araması yapıyordu. Mevcut bilgi hacmini anlamak gerçekten zordu. Bu sorunun daha da kötüye gideceğini düşündüm. 2013'te sanırım dakikada en az 30'dan fazla makale yayınlandı. Bugün, bundan en az 10x-20x.

Araştırmacıların bir araştırma konusu önermelerine, en güncel uygun makaleyi bulmalarına ve STEM araştırması ile ilgili her şeye yardımcı olmaları için bir "profesör" gibi bir "AI" asistanı oluşturmak istedik. Derin öğrenme deneyimimizle bu sorunu çözebileceğimizi düşündük. 2013 yılında 3 kişilik bir ekiple başladığımız Arya.ai'yi 7 yılında ben üniversitedeyken 2014'ye çıkardık.

Ürünün ilk versiyonu, 30 milyondan fazla kağıt ve özetin kazınmasıyla oluşturuldu. Bir AI STEM araştırma asistanı ve STEM için bağlamsal bir arama motoru oluşturmak için o zamanlar derin öğrenmede en son teknikleri kullandık. Ancak yapay zeka asistanını birkaç profesöre ve meslektaşlarımıza gösterdiğimizde çok erken davrandığımızı fark ettik. Konuşma akışları sınırlıydı ve kullanıcılar serbest akış ve sürekli dönüşüm bekliyordu. O zamanlar (2014/15), karmaşık soruları yanıtlıyor olsa da beklentiler çok gerçekçi değildi.

Bunu yayınladıktan sonra, derin öğrenmeyi demokratikleştirmek için bir çalışma tezgahı olarak araştırmamızı kullanmaya ve araştırmacılar ve işletmeler için makine öğrenimi araçlarına odaklanmaya yöneldik. Ancak yine de, 2016'da çok az sayıda veri bilimcisi DL kullanıyordu. Bu nedenle, bunu bir sektör için dikeyleştirmeye başladık ve bir sektör için, yani Finansal Hizmetler Kurumları (FSI'lar) için özel ürün katmanları oluşturmaya odaklandık. Bunun işe yarayacağını biliyorduk çünkü büyük oyuncular yatay oyunu kazanmayı hedeflerken, dikeyleşme yeni başlayanlar için büyük bir USP yaratabilir. Bu sefer haklı çıktık!

Ölçeklenebilir ve sorumlu yapay zeka çözümleri sunmak için en özel dikey katmanlarla Bankalar, Sigortacılar ve Finansal Hizmetler için yapay zeka bulutu oluşturuyoruz.

Finansta AI kara kutu sorunu ne kadar büyük bir sorun?

Son derece önemli! Finans kurumlarının yalnızca %30'u 'AI'yı tam potansiyeliyle kullanıyor. Sebeplerden biri erişilebilirlik olsa da, bir diğeri 'AI' güveni ve denetlenebilirliği eksikliğidir. Düşük, orta ve yüksek duyarlıklı kullanım durumları için AI kullanmanın yasallığıyla ilgili düzenlemeler artık birkaç coğrafyada nettir. AB yasalarına göre 'yüksek riskli' kullanım durumları için şeffaf modellerin kullanılması zorunludur. Finans kurumlarındaki birçok kullanım durumu, yüksek riskli kullanım durumlarıdır. Bu nedenle, beyaz kutu modellerini kullanmaları gerekmektedir.

Yapay zeka çözümleriyle ilgili erken deneyimler nedeniyle yutturmaca döngüleri de yerleşmektedir. Son zamanlarda kara kutu 'AI' kullanımının etkileri, izlenmediği için 'AI' başarısızlıkları ve sınırlı denetlenebilirlik nedeniyle hukuk ve risk yöneticileriyle yaşanan zorluklarla ilgili artan sayıda örnek var.

Makine öğrenimi izleme ve makine öğrenimi gözlemlenebilirliği arasındaki farkı tartışabilir misiniz?

 Bir izleme aracının işi, yalnızca izlemek ve uyarmaktır. Ve bir gözlemlenebilirlik aracının işi yalnızca izlemek ve raporlamak değil, en önemlisi, başarısızlığın nedenlerini bulmak veya bu başarısızlıkları zaman içinde tahmin etmek için yeterli kanıt sağlamaktır.

AI/ML'de bu araçlar kritik bir rol oynar. Bu araçlar, gerekli rolleri veya izlemeyi sağlayabilse de, ML gözlemlenebilirliğinin kapsamı

Genel amaçlı platformlara karşı makine öğrenimi gözlemlenebilirliği için sektöre özel platformlar neden gereklidir?

Genel amaçlı platformlar, sektörden bağımsız olarak herkes ve her kullanım durumu için tasarlanmıştır; herhangi bir kullanıcı gelip platformu kullanmaya başlayabilir. Bu platformların müşterileri genellikle geliştiriciler, veri bilimcileri vs.'dir. Ancak platformlar, karmaşık yapıları ve 'herkese uyan tek beden' yaklaşımı nedeniyle paydaşlar için çeşitli zorluklar yaratır.

Ne yazık ki günümüzde çoğu işletme, genel amaçlı platformları kullanmak için veri bilimi uzmanlarına ihtiyaç duyuyor ve bu modelleri herhangi bir dikeyde son kullanıcılar tarafından "kullanılabilir" hale getirmek için ek çözümlere/ürün katmanlarına ihtiyaç duyuyor. Buna açıklanabilirlik, denetim, segmentler/senaryolar, döngüdeki insan süreçleri, geri bildirim etiketleme, denetim, araca özel boru hatları vb. dahildir.

Sektöre özgü AI platformlarının bir avantaj olarak geldiği yer burasıdır. Sektöre özgü bir AI platformu, hedeflenen bir müşterinin ihtiyacını veya kullanım durumlarını çözmek için tüm iş akışının sahibidir ve iş ihtiyaçlarını anlamaktan ürün performansını izlemeye kadar uçtan uca eksiksiz bir ürün sağlamak için geliştirilmiştir. Mevzuat ve uyumluluk çerçeveleri, veri gizliliği gereksinimleri, denetim ve kontrol gereksinimleri vb. gibi sektöre özgü pek çok engel vardır. Sektöre özgü yapay zeka platformları ve teklifleri, yapay zekanın benimsenmesini hızlandırır ve geliştirme süresini ve ilgili riskleri azaltarak üretime giden yolu kısaltır. AI sunumunda. Ayrıca bu, sektördeki AI uzmanlığını, 'AI' kabulünü geliştirmeye, uyumluluk çabalarını artırmaya ve etik, güven ve itibarla ilgili endişelere yönelik ortak yaklaşımları belirlemeye yardımcı olan bir ürün katmanı olarak bir araya getirmeye de yardımcı olacaktır.

Arya.ai'nin sunduğu ML Observability platformu hakkında biraz bilgi verebilir misiniz?

6 yıldan fazla bir süredir finansal hizmetler kurumlarında çalışıyoruz. 2016'dan beri. Bu, FSI'larda karmaşık yapay zekayı devreye alma konusundaki benzersiz zorluklarla erken karşılaşmamızı sağladı. Önemli zorluklardan biri 'AI kabulü' idi. Diğer sektörlerden farklı olarak, herhangi bir yazılımın kullanımına ('AI' çözümleri için de geçerlidir), veri gizliliğine, etik değerlere ve en önemlisi işletme üzerindeki finansal etkiye ilişkin birçok düzenleme vardır. Bu zorlukları geniş ölçekte ele almak için sürekli olarak yeni açıklanabilirlik, denetim, kullanım riskleri ve hesap verebilirlik katmanları icat etmemiz ve çözümlerimizin üzerine (talep işleme, sigortalama, dolandırıcılık izleme vb.) eklememiz gerekiyordu. Zamanla, kabul edilebilir ve ölçeklenebilir bir makine öğrenimi yaptık. Finansal hizmetler endüstrisindeki çeşitli paydaşlar için gözlemlenebilirlik çerçevesi.

Şimdi çerçevenin kendin yap sürümünü AryaXAI (xai.arya.ai) olarak yayınlıyoruz. Herhangi bir makine öğrenimi veya iş ekibi, görev açısından kritik kullanım durumları için son derece kapsamlı bir AI Yönetişimi oluşturmak için AryaXAI'yi kullanabilir. Platform, AI Çözümlerinize her paydaş için kabul edilebilir şeffaflık ve denetlenebilirlik getirir. AryaXAI, güvenilir ve doğru bir açıklanabilirlik sağlayarak, düzenleyici titizliği destekleyebilecek kanıtlar sunarak, gelişmiş politika kontrolleri sağlayarak yapay zeka belirsizliğini yöneterek ve verileri veya model kaymasını izleyerek ve kullanıcıları uyararak üretimde tutarlılık sağlayarak yapay zekayı görev açısından kritik kullanım durumları için daha güvenli ve kabul edilebilir hale getirir. kök neden analizi ile.

AryaXAI ayrıca ortak bir iş akışı görevi görür ve tüm paydaşlar (Veri Bilimi, BT, Risk, Operasyonlar ve uyum ekipleri) tarafından kabul edilebilir içgörüler sağlayarak AI/ML modellerinin devreye alınmasını ve bakımını sorunsuz ve karmaşık hale getirir.

Sunulan bir diğer çözüm ise bağlamsal politika uygulaması ile ML modelinin uygulanabilirliğini artıran bir platformdur. Bunun tam olarak ne olduğunu açıklayabilir misiniz?

Çok sayıda özellik ve tahmin nedeniyle üretimdeki makine öğrenimi modellerini izlemek ve kontrol etmek zorlaşıyor. Ayrıca, model davranışının belirsizliği yönetişimi, riski ve uyumluluğu yönetmeyi ve standartlaştırmayı zorlaştırır. Modellerin bu tür başarısızlıkları, ağır itibar ve mali kayıplara neden olabilir.

AryaXAI, AI üzerinde politikalar uygulayarak ticari ve etik çıkarları koruyan kritik bir bileşen olan 'Politika/Risk kontrolleri' sunar. Kullanıcılar, politika kontrollerini yönetmek için kolayca politika ekleyebilir/düzenleyebilir/değiştirebilir. Bu, işlevler arası ekiplerin sürekli risk değerlendirmesi sağlamak için politika korkulukları tanımlamasına ve işletmeyi yapay zeka belirsizliğinden korumasına olanak tanır.

Bu ürünler için bazı kullanım örnekleri nelerdir?

AryaXAI, endüstriler genelinde çeşitli görev açısından kritik süreçler için uygulanabilir. En yaygın örnekler şunlardır:

-BFSI: Düzenleyici katılığın olduğu bir ortamda AryaXAI, BFSI endüstrisinin gereksinimler üzerinde uyum sağlamasını ve riski yönetmek ve uyumluluğu sağlamak için gereken kanıtları toplamasını kolaylaştırır.

• Güvenli/teminatsız krediler için Kredi Taahhüdü
• Dolandırıcılık/şüpheli işlemlerin belirlenmesi
• Denetim
• Müşteri yaşam döngüsü yönetimi
• Kredi kararları

Otonom arabalar: Otonom araçların, gerçek zamanlı kararlarda düzenleyici katılığa, operasyonel güvenliğe ve açıklanabilirliğe uyması gerekir. AryaXAI, AI sisteminin araçla nasıl etkileşime girdiğinin anlaşılmasını sağlar

• Karar analizi
• Otonom araç operasyonları
• Araç sağlık verileri
• AI sürüş sistemini izleme

Sağlık hizmeti: AryaXAI, tıbbi, teknolojik, yasal ve hasta bakış açılarından daha derin içgörüler sağlar. İlaç keşfinden üretime, satış ve pazarlamaya kadar Arya-xAI, çok disiplinli işbirliğini teşvik eder

• İlaç keşfi
• Klinik araştırma
• Klinik araştırma veri doğrulaması
• Daha kaliteli bakım

Finansta makine öğreniminin geleceğine ilişkin vizyonunuz nedir?

Son on yılda, 'AI' etrafında muazzam bir eğitim ve pazarlama yaşandı. Bu süre zarfında birden fazla yutturmaca döngüsü gördük. Muhtemelen şimdi 4. veya 6. hype döngüsünde olurduk. İlki, Deep Learning'in 2011/12'de ImageNet'i kazanması, ardından görüntü/metin sınıflandırması, konuşma tanıma, otonom arabalar, üretken yapay zeka ve şu anda büyük dil modelleri ile çalışma. Ürün, talep ve finansman etrafındaki yinelemeler nedeniyle, en yüksek yutturmaca ile kitlesel kullanım arasındaki boşluk her yutturmaca döngüsünde azalmaktadır.

Şu üç şey şimdi oldu:

1. En azından birkaç uzman tarafından yapay zeka çözümlerinin ölçek çerçevesini kırdığımızı düşünüyorum. Örneğin, Open AI şu anda gelir getirmeyen bir kuruluştur, ancak 1 yıl içinde 2 Milyar Dolar gelir elde etmeyi öngörüyorlar. Her yapay zeka şirketi benzer bir ölçeğe ulaşamayabilir ancak ölçeklenebilirlik şablonu daha nettir.
2.  İdeal AI çözümlerinin tanımı, tüm sektörler tarafından neredeyse açıktır: Ürünün her kullanım durumu ve her kuruluş için yinelemeli deneylerle oluşturulduğu öncekinden farklı olarak, paydaşlar yapay zeka çözümlerinden neye ihtiyaç duyduklarını anlamak için giderek daha fazla eğitiliyor.
3. Yönetmelikler şimdi yetişiyor: Veri gizliliği ve yapay zeka kullanımıyla ilgili net düzenlemelere duyulan ihtiyaç artık büyük ilgi görüyor. Yönetim organları ve düzenleyici kurumlar, AI'nın güvenli, etik ve sorumlu kullanımı için gerekli çerçeveleri yayınlayabilir veya yayınlama sürecindedir.

Sıradaki ne?

'Hizmet olarak model (MaaS)' patlaması:

'Hizmet olarak model' önermelerine yalnızca yatay değil dikey olarak da artan bir talep göreceğiz. 'OpenAI', 'Yatay MaaS'ın iyi bir örneğini temsil ederken, Arya.ai, dikey 'MaaS'ın bir örneğidir. Dağıtım ve veri kümeleri deneyimiyle Arya.ai, modelleri eğitmek ve bunları tak ve kullan veya önceden eğitilmiş modeller olarak sağlamak için kullanılan kritik dikey veri kümelerini topluyor.

Dikeyleştirme yeni yataydır: Bu eğilimi 'Bulut benimseme'de gördük. Yatay bulut oyuncuları 'herkes için platformlara' odaklanırken, dikey oyuncular son kullanıcının gereksinimlerine odaklanır ve bunları özel bir ürün katmanı olarak sunar. Bu, MaaS teklifleri için bile geçerlidir.

XAI ve AI yönetişimi, işletmelerde bir norm haline gelecek: Düzenlemelerin hassasiyetine bağlı olarak, her sektör, bir eklenti olarak ele alındığı günümüzün aksine, tasarımın bir parçası olarak uygulanacak kabul edilebilir bir XAI ve yönetişim çerçevesi elde edecektir.

Tablo verileri üzerindeki üretken yapay zeka, işletmelerde abartılı döngülerini görebilir: Sentetik veri kümeleri oluşturmanın, işletmelerde veriyle ilgili zorlukları çözmek için uygulanması kolay çözümlerden biri olduğu varsayılıyor. Veri bilimi ekipleri, sorun kendi kontrollerinde olduğundan, işe bağlı kalmaktan farklı olarak, zaman alabileceğinden, pahalı olabileceğinden ve veri toplarken tüm adımları izlemenin garanti edilemeyeceğinden dolayı bunu oldukça tercih edecektir. Sentetik veriler önyargı sorunlarını, veri dengesizliğini, veri gizliliğini ve yetersiz veriyi çözer. Elbette bu yaklaşımın etkinliği henüz kanıtlanmamıştır. Yine de, transformatörler gibi yeni tekniklerin daha olgun hale gelmesiyle, tablosal ve çok boyutlu veriler gibi geleneksel veri kümeleri üzerinde daha fazla deney görebiliriz. Başarı üzerine bu yaklaşımın işletmeler ve MaaS teklifleri üzerinde muazzam bir etkisi olabilir.

Arya.ai ile ilgili paylaşmak istediğiniz başka bir şey var mı?

Arya.ai'nin odak noktası, Bankalar, Sigortacılar ve Finansal Hizmetler için 'AI' çözümünü bulmaktır. Yaklaşımımız, teknolojinin son katmanına kadar dikeyleştirilmesi ve her kuruluş ve paydaş tarafından kullanılabilir ve kabul edilebilir hale getirilmesidir.

AryaXAI (xai.arya.ai), FSI dikeyindeki kitlelere ulaştırılmasında önemli bir rol oynayacaktır. Sentetik veriler üzerinde devam eden araştırmamız, bir avuç kullanım örneğinde başarılı oldu, ancak bunu daha geçerli ve kabul edilebilir bir seçenek haline getirmeyi amaçlıyoruz. Misyonumuza hizmet etmek için 'AI' bulutumuza daha fazla katman eklemeye devam edeceğiz.

Sadece FSI sektöründe değil, her sektörde Arya.ai gibi daha fazla girişim göreceğimizi düşünüyorum.

Harika röportaj için teşekkürler, daha fazla bilgi edinmek isteyen okuyucular ziyaret etmelidir. Arya.ai.