Vinay Kumar Sankarapu, Arya.ai’nin Kurucu Ortağı ve CEO’su – Röportaj Serisi

Vinay Kumar Sankarapu, Arya.ai‘nin Kurucu Ortağı ve CEO’sudur. Arya.ai, Bankalar, Sigorta Şirketleri ve Finansal Hizmetler Kurumları (BFSI) için ‘AI’ bulutunu sunan bir platformdur. Bu platform, güvenilirdir ve kendi kendini öğrenen AI motorlarını dağıtmak için gereken doğru AI API’lerini, uzman AI çözümlerini ve kapsamlı AI yönetim araçlarını bulmalarına yardımcı olur.

Matematik, fizik, kimya ve makine mühendisliği alanlarında geçmişiniz var. Bilgisayar bilimi ve AI’ye geçiş yolculuğunuz hakkında konuşabilir misiniz?

IIT Bombay’de, hem Bachelor of Technology hem de Master of Technology’yi kapsayan 5 yıllık bir ‘Çift Diploma Programı’ vardır. Ben, bilgisayar destekli tasarım ve imalat uzmanlığıyla makine mühendisliği yaptım ve bilgisayar bilimi bizim müfredatımızın bir parçasıydı. Yüksek lisans araştırma çalışması için derin öğrenme üzerine çalışmaya karar verdim. İlk olarak, sürekli imalat için bir arızayı tahmin etmek için DL kullanmaya başladım, ancak araştırmanı CNN’leri kullanarak RUL tahmini için tamamladım. Bu khoảng 2013/14 yıllarına denk geliyordu.

Arya.ai’yi üniversitedeyken kurduğunuz doğru mu? Bu startup’ın köken hikayesini paylaşabilir misiniz?

Akademik araştırma kapsamında, ilgi alanınızın literatürünü 3-4 ay boyunca incelemek ve bir literatür araştırması yapmak zorundaydınız. 2012/13 yıllarında kullandığımız araçlar oldukça temel düzeydeydi. Google Scholar ve Scopus gibi arama motorları sadece anahtar kelime araması yapıyordu. Mevcut bilgi hacmini anlamak gerçekten zordu. Bu sorunun daha da kötüye gideceğini düşündüm. 2013 yılında, her dakika en az 30’dan fazla makale yayınlanıyordu. Bugün bu sayı en az 10-20 katına çıktı.

Araştırmacılar için bir ‘AI’ asistanı gibi bir ‘profesör’ inşa etmek istedik. Bu asistan, bir araştırma konusu önermeli, en güncel makaleyi bulmalı ve STEM araştırmaları etrafında her şeyi yapabilmeliydi. Derin öğrenme deneyimimizle bu sorunu çözebileceğimizi düşündük. 2013 yılında, üniversitedeyken, 3 kişilik bir ekiple Arya.ai’yi kurduk ve 2014 yılında bu ekip 7 kişiye çıktı.

Ürünün ilk sürümünü, 30 milyondan fazla makale ve özetleri tarayarak inşa ettik. O zamanın state-of-art derin öğrenme tekniklerini kullanarak bir AI STEM araştırma asistanı ve bir bağlamsal arama motoru inşa ettik. Ancak, AI asistanını birkaç profesöre ve akranlara gösterdiğimizde, çok erken olduğumuzu fark ettik. Konuşma akışları sınırlıydı ve kullanıcılar serbest ve sürekli sohbetler bekliyordu. O zamanın beklentileri (2014/15) çok gerçekçi değildi,尽管 o kompleks sorulara cevap veriyordu.

Bunun ardından, araştırmamızı kullanarak ve araştırmacılar ve işletmeler için ML araçlarına odaklanarak, derin öğrenmeyi demokratize etmek için bir çalışma masası olarak konumlandırdık. Ancak, 2016 yılında, çok az sayıda veri bilimcisi DL kullanıyordu. Bu nedenle, dikey bir yaklaşım benimseyerek, Finansal Hizmetler Kurumları (FSI) gibi belirli bir dikey için uzmanlaşmış ürün katmanları inşa etmeye başladık. Bunu yapmamızın nedeni, büyük oyuncuların dikey oynamaya çalışırken, dikeyleşmeın bir startup için büyük bir USP oluşturabileceğini bilmemizdi. Bu kez haklı çıktık!

Şimdi, Bankalar, Sigorta Şirketleri ve Finansal Hizmetler için en uzmanlaşmış dikey katmanlarla ölçeklenebilir ve sorumlu AI çözümleri sunan AI bulutunu inşa ediyoruz.

Finans sektöründe AI kara kutu problemi ne kadar büyük bir sorun?

Çok önemli! Sadece %30’luk finansal kurumlar ‘AI’yi tam potansiyeline ulaştırmaktadır. Bunun nedenlerinden biri erişilebilirlik, diğeri ise ‘AI’ güveni ve denetlenebilirliğinin eksikliğidir. Bazı coğrafyalarda, ‘AI’yi düşük, orta ve yüksek duyarlılık kullanım örnekleri için kullanmanın yasal düzenlemeleri artık nettir. Yüksek riskli kullanım örnekleri için şeffaf modellerin kullanılması AB’de yasal bir zorunluluktur. Finansal kurumların birçok kullanım örneği yüksek riskli kullanım örnekleridir. Bu nedenle, beyaz kutu modellerini kullanmaları gerekmektedir.

Hype döngüleri de, AI çözümleriyle erken deneyimler nedeniyle düşüşte. Son zamanlarda, ‘AI’ kullanmanın sonuçları, ‘AI’ başarısızlıkları ve sınırlı denetlenebilirlik nedeniyle yasal ve risk yöneticileriyle yaşanan zorluklar hakkında artan sayıda örnek var.

ML izleme ve ML gözlemlenebilirliği arasındaki farkı tartışabilir misiniz?

 İzleme araçlarının görevi sadece izlemek ve uyarı vermek. Gözlemlenebilirlik araçlarının görevi ise sadece izlemek ve raporlamak değil, aynı zamanda başarısızlık nedenlerini bulmak veya bu başarısızlıkları zaman içinde tahmin etmek için yeterli kanıtları sunmak.

AI/ML’de bu araçlar kritik bir rol oynar. Bu araçlar gerekli rolleri veya izlemeyi sunabilir, ancak ML gözlemlenebilirliğinin kapsamı

Genel amaçlı platformlar yerine endüstriye özgü platformların ML gözlemlenebilirliği için neden gerekli olduğu hakkında konuşabilir misiniz?

Genel amaçlı platformlar herkes ve her kullanım örneği için tasarlanmıştır. Bu platformların müşterileri genellikle geliştiriciler, veri bilimcileri vb. Ancak bu platformlar, karmaşık doğaları ve ‘herkese uyacak’ yaklaşımı nedeniyle paydaşlar için çeşitli zorluklar yaratır.

Maalesef, günümüzde birçok işletme, genel amaçlı platformları kullanmak için veri bilimcisi uzmanlarına ihtiyaç duyar ve bu modelleri son kullanıcılar tarafından herhangi bir dikeyde ‘kullanılabilir’ hale getirmek için ek çözümlere veya ürün katmanlarına ihtiyaç duyar. Bu, açıklanabilirlik, denetim, segmentler/senaryolar, insan-etkinlik süreçleri, geri bildirim etiketleme, denetim, araç özgü araçlar vb. içerir.

İşte burada endüstriye özgü AI platformları devreye giriyor. Bir endüstriye özgü AI platformu, hedeflenen müşteri ihtiyaçlarını veya kullanım örneklerini çözmek için tüm iş akışını sahiplenir ve son kullanıcılara tam bir ürün olarak sunulur. Endüstriye özgü AI platformları ve teklifleri, AI benimsemesini hızlandırır ve AI dağıtımındaki riskleri azaltır. Ayrıca, AI uzmanlığını endüstri içinde bir ürün katmanı olarak bir araya getirmeye yardımcı olur, böylece ‘AI’ kabulünü artırır, uyum çabalarını destekler ve etik, güven ve itibar endişelerine yönelik ortak yaklaşımlar bulmaya yardımcı olur.

Arya.ai tarafından sunulan ML Gözlemlenebilirlik platformu hakkında bazı detaylar paylaşabilir misiniz?

Finansal hizmetler kurumlarında 6+ yıldan fazla süredir çalışıyoruz. 2016’dan beri. Bu, finansal hizmetler kurumlarında kompleks AI dağıtımı konusunda benzersiz zorluklara erken erişim sağladı. Bu zorluklardan biri ‘AI’ kabulüydü. Diğer dikeylerdekinden farklı olarak, finansal hizmetler kurumlarında, herhangi bir yazılımı (ve ‘AI’ çözümlerini) kullanmadan önce, veri gizliliği, etik ve özellikle finansal etki konularında düzenlemeler vardır. Bu zorlukları ölçeklenebilir bir şekilde ele almak için, sürekli olarak açıklanabilirlik, denetim, kullanım riskleri ve hesaplama gibi yeni katmanlar inşa etmek zorunda kaldık. – claim işleme, underwriting, fraud monitoring vb. için.

Şimdi, bu çerçeveyi AryaXAI (xai.arya.ai) olarak DIY bir sürüm olarak yayınlıyoruz. Herhangi bir ML veya iş ekibi, AryaXAI’yi kullanarak, kritik kullanım örnekleri için kapsamlı bir AI Yönetim sistemi oluşturabilir. Platform, AI Çözümlerinize şeffaflık ve denetlenebilirlik getirir ve her paydaş için kabul edilebilirdir. AryaXAI, AI’yi kritik kullanım örnekleri için daha güvenli ve kabul edilebilir hale getirir, güvenilir ve doğru açıklanabilirlik sağlar, düzenleyici titizlik için kanıtlar sunar, AI belirsizliğini politik kontrollerle yönetir ve üretimdeki tutarlılığı veri veya model kayması izleyerek ve kök neden analizi ile uyarılar sağlayarak sağlar.

AryaXAI ayrıca, tüm paydaşlar – Veri Bilim, BT, Risk, Operasyonlar ve uyum ekipleri – tarafından kabul edilebilecek bir ortak iş akışı ve içgörüler sağlar, böylece AI/ML modellerinin dağıtımı ve bakımı sorunsuz ve engelsiz hale gelir.

Diğer bir çözüm, ML modelinin uygulanabilirliğini bağlamsal politika uygulamasıyla geliştiren bir platformdur. Bu, özellikle nedir?

Üretimdeki ML modellerini izlemek ve kontrol etmek, özelliklerin ve tahminlerin巨大 hacmi nedeniyle zordur. Ayrıca, model davranışının belirsizliği, yönetim ve standartlaştırma açısından governance, risk ve uyum konusunda zorluklar yaratır. Bu tür model başarısızlıkları, ağır itibar ve finansal kayıplara neden olabilir.

AryaXAI, ‘Politika/Risk Kontrolleri’ adlı kritik bir bileşen sunar, bu da iş ve etik çıkarlarını AI’de politika uygulayarak korur. Kullanıcılar, politika kontrollerini yönetmek için kolayca politika ekleyebilir, düzenleyebilir veya değiştirebilir. Bu, çapraz fonksiyonel ekiplerin, sürekli risk değerlendirmesi yaparak işleri AI belirsizliğinden korumak için politika sınırlarını tanımlamasına olanak tanır.

Bu ürünlerin kullanım örnekleri nelerdir?

AryaXAI, çeşitli kritik süreçler için uygulanabilir. En yaygın örnekler:

BFSI: AryaXAI, finansal hizmetler sektörünün, riski yönetmek ve uyumu sağlamak için gerekenleri kolayca halledebilmesini sağlar.

• Guaranteed/unsecured krediler için kredi underwriting
• Sahtecilik/süpheli işlemlerin belirlenmesi
• Denetim
• Müşteri yaşam döngüsü yönetimi
• Kredi kararlaştırması

Otonom Araçlar: AryaXAI, otonom araçların, düzenleyici nghiêmlik, operasyonel güvenlik ve açıklanabilirlik gereksinimlerini gerçek zamanlı kararlar alırken karşılamalarına olanak tanır.

• Karar Analizi
• Otonom Araç Operasyonları
• Araç Sağlık Verileri
• AI Sürüş Sistemini İzleme

Sağlık Hizmetleri: AryaXAI, tıbbi, teknolojik, yasal ve hasta bakış açılarından daha derin içgörüler sağlar. İlaç keşfinden üretim, satış ve pazarlamaya kadar, Arya-xAI, disiplinler arası işbirliğini teşvik eder.

• İlaç Keşfi
• Klinik Araştırma
• Klinik Deney Veri Doğrulama
• Yüksek Kalite Bakım

Finans sektöründe makine öğreniminin geleceği hakkında vizyonunuz nedir?

Son on yılda, ‘AI’ hakkında büyük bir eğitim ve pazarlama oldu. Bu süre zarfında birçok hype döngüsü gördük. probably şimdi 4. veya 6. hype döngüsündeyiz. İlk hype döngüsü, Deep Learning’in 2011/12’de ImageNet’i kazanmasıyla başladı, ardından görüntü/metin sınıflandırma, konuşma tanıma, otonom araçlar, üretken AI ve şu anda büyük dil modelleriyle ilgili çalışmalar geldi. Zirve hype ve toplu kullanım arasındaki fark, her hype döngüsüyle birlikte ürün, talep ve fonksiyon etrafındaki iterasyonlar nedeniyle azaltılıyor.

Üç şey oldu:

1. Sanırım AI çözümleri için ölçekleme çerçevesini çözdük, en azından birkaç uzman tarafından. Örneğin, Open AI şu anda gelir getirmeyen bir organizasyon, ancak 2 yıl içinde 1 Milyar dolar gelir elde etmeyi öngörüyor. Her AI şirketi benzer bir ölçekleme başarısını elde etmeyebilir, ancak ölçekleme şablonu daha nettir.
2. İdeal AI çözümlerinin tanımı几乎 her dikey tarafından nettir: Önceki yıllarda olduğu gibi, her kullanım örneği ve her organizasyon için iteratif deneylerle ürünlerin inşa edildiği yerde, paydaşlar artık AI çözümlerinden neler beklediklerini anlamaya yönelik olarak eğitiliyorlar.
3. Düzenlemeler şimdi yetişiyor: Veri gizliliği ve AI kullanımına ilişkin net düzenlemeler ihtiyacı artık büyük bir ivme kazanıyor. Yönetim kurulu ve düzenleyici kurumlar, AI’nin güvenli, etik ve sorumlu kullanımına ilişkin gerekli çerçeveleri yayınlamakta veya yayınlamaya yakınlar.

Sonraki nedir?

‘Model-as-a-Service (MaaS)’ patlaması:

Yatay ve dikey olarak ‘Model-as-a-Service’ talebinin artacağını göreceğiz. ‘OpenAI’, yatay ‘MaaS’ için iyi bir örnekken, Arya.ai dikey ‘MaaS’ için bir örnektir. Dağıtımlar ve veri kümeleri deneyimiyle, Arya.ai kritik dikey veri kümelerini topladı ve bunları modelleri eğitmek ve bunları kullanıma hazır veya önceden eğitilmiş modeller olarak sunmak için kullanıyor.

Dikeyleşme, yeni yataydır: Bulut benimsemesinde bu trendi gördük. Yatay bulut oyuncuları ‘herkese açık platformlar’ üzerinde odaklanırken, dikey oyuncular son kullanıcıların gereksinimlerine odaklanarak uzmanlaşmış ürün katmanları sunarlar. Bu, MaaS teklifleri için de geçerlidir.

XAI ve AI yönetim sistemi, işletmelerde norm haline gelecektir: Düzenlemelerin duyarlılığına bağlı olarak, her dikey kendi kabul edilebilir XAI ve yönetim çerçevesini geliştirecek ve bunu tasarımının bir parçası olarak uygulayacaktır, bugün olduğu gibi bir eklenti olarak değil.

Tablo verisi上的生成 AI, işletmelerde hype döngüleri görebilir: Sentetik veri kümeleri oluşturmak, işletmelerdeki veri ile ilgili zorlukları çözmek için uygulanabilir bir çözümdür. Veri bilimcileri, bu sorunu kendi kontrollerinde çözebilecekleri için bu çözümü tercih edeceklerdir, iş birimleriyle veri toplamak için zaman harcama, masraf ve garantisi olmayan adımlar atmaktan daha çok. Sentetik veri, önyargı, veri dengesizliği, veri gizliliği ve yetersiz veri sorunlarını çözer. Elbette, bu yaklaşımın etkinliği henüz kanıtlanmamıştır. Ancak, yeni teknikler gibi transformerlerin daha da olgunlaşmasıyla, geleneksel veri kümeleri gibi tablo ve çok boyutlu verilere daha fazla deney yapabiliriz. Başarılı olunduğunda, bu yaklaşım işletmeler ve MaaS teklifleri üzerinde büyük bir etkiye sahip olabilir.

Arya.ai hakkında paylaşmak istediğiniz başka bir şey var mı?

Arya.ai’nin odağı, Bankalar, Sigorta Şirketleri ve Finansal Hizmetler için ‘AI’ çözümlerini çözmektir. Yaklaşımımız, teknolojiyi son katmana dikeyleştirmek ve her organizasyon ve paydaş tarafından kullanılabilir ve kabul edilebilir hale getirmektir.

AryaXAI (xai.arya.ai), FSI dikeyinde kitlelere ulaşılmasında önemli bir rol oynayacak. Sentetik veri araştırması, birkaç kullanım örneğinde başarılı oldu, ancak bunu daha uygulanabilir ve kabul edilebilir bir seçenek haline getirmeyi amaçlıyoruz. ‘AI’ bulutumuza daha fazla katman eklemeye devam edeceğiz, böylece misyonumuza hizmet edeceğiz.

Sanırım Arya.ai gibi daha fazla startup göreceğiz, sadece FSI dikeyinde değil, her dikeyde.

Harika röportaj için teşekkür ederiz. Daha fazla bilgi edinmek isteyen okuyucular Arya.ai‘yi ziyaret edebilir.