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’ bulutu sunan bir platformdur. Bu platform, güvenilir ve 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 geçişiniz hakkında konuşabilir misiniz?

IIT Bombay’da, hem Lisans hem de Yüksek Lisans eğitimini kapsayan 5 yıllık bir programımız vardı. Ben Makine Mühendisliği bölümünde, bilgisayar destekli tasarım ve imalat alanında uzmanlaştım. Bilgisayar bilimi de bizim müfredatımızın bir parçasıydı. Yüksek Lisans tezimi derin öğrenme üzerine yazdım. Sürekli üretim için bir arızayı tahmin etme çerçevesi oluşturmak için derin öğrenmeyi kullanmaya başladım, ancak araştırمامı CNN’leri kullanarak kalan kullanım ömrü (RUL) tahmini üzerine tamamladım. Bu yaklaşık 2013/14 yıllarına denk geliyordu.

Arya.ai’yi üniversite yıllarında kurduğunuz doğru mu? Bu startup’ın arkasındaki hikayeyi paylaşabilir misiniz?

Akademik araştırma kapsamında, ilgi alanımız上的 bir konuda ayrıntılı bir inceleme yapmak için 3-4 ay süreyle literatür taraması yapmamız gerekiyordu. 2012/13 yıllarında kullandığımız araçlar oldukça temel düzeydeydi. Google Scholar ve Scopus gibi arama motorları sadece anahtar kelime aramaları yapıyordu. Bilgilerin hacmini kavramak gerçekten zordu. Bu sorunun zamanla daha da kötüleşeceğine düşünüyordum. 2013 yılında, her dakika en az 30’dan fazla makale yayımlanıyordu. Bugün bu sayı en az 10-20 katına çıktı.

Biz, araştırmacılar için bir ‘AI’ asistanı gibi bir ‘profesör’ oluşturmak istedik. Bu asistan, araştırma konusu önerileri sunabilecek, en güncel makaleleri bulabilecek ve STEM araştırmaları çevresinde her şeyi yapabilecek bir sistem olmalıydı. Derin öğrenme deneyimlerimizle bu sorunu çözebileceğimizi düşündük. 2013 yılında, 3 kişilik bir ekip olarak Arya.ai’yi kurduk, ardından 2014 yılında ekibimiz 7 kişiye çıktı.

Ürünün ilk sürümünü, 30 milyondan fazla makale ve özetleri tarayarak oluşturduk. O zamanın state-of-art derin öğrenme tekniklerini kullanarak, bir AI STEM araştırma asistanı ve STEM için bir bağlamsal arama motoru geliştirdik. Ancak, AI asistanını birkaç profesöre ve arkadaşlara gösterdiğimizde, çok erken olduğumuzu fark ettik. Konuşma akışları sınırlıydı ve kullanıcılar serbest akışlı ve sürekli sohbetler bekliyordu. O zamanlar (2014/15) beklentiler çok gerçekçi değildi, hatta karmaşık sorulara cevap verebilmesine rağmen.

Bunun ardından, araştırmamızı ve odakımızı researcher’lar ve şirketler için ML araçları olarak kullanmaya karar verdik. Ancak, 2016 yılında çok az sayıda veri bilimcisi DL kullanıyordu. Bu nedenle, dikey bir şekilde odaklanmaya ve Finansal Hizmetler Kurumları (FSI) gibi belirli bir dikey için uzmanlaşmış ürün katmanları oluşturmaya başladık. Bunu yapmamızın sebebi, büyük oyuncuların genel oyunu kazanmaya çalışırken, dikey oyuncuların büyük bir USP (Ürün Satın Alma Noktası) oluşturabileceğinin farkındaydı.

Şimdi, Bankalar, Sigorta Şirketleri ve Finansal Hizmetler için en uzmanlaşmış dikey katmanlarla ölçeklenebilir ve sorumlu AI çözümleri sunan bir AI bulutu oluşturuyoruz.

Finans sektöründe AI karasızlık problemi ne kadar büyük bir sorun?

Çok önemli! Sadece %30’luk bir finans kurumu, AI’ı tam potansiyelinde kullanıyor. Bunun nedenlerinden biri erişilebilirlik, diğeri ise AI’ın güvenilmezliği ve denetlenemezliğidir. Bazı coğrafyalarda, düşük, orta ve yüksek duyarlılıkta kullanım örnekleri için AI kullanımının yasal zorunlulukları netleşmeye başladı. Yüksek riskli kullanım örnekleri için şeffaf modellerin kullanılması yasayla zorunlu. Finans kurumlarında birçok kullanım örneği yüksek riskli. Bu nedenle, beyaz kutu modellerini kullanmaları gerekiyor.

Hype döngüleri de erken AI deneyimlerinden dolayı düşüşte. Geçen zaman içinde, AI çözümlerinin etkileri, AI’ın başarısızlıkları ve AI’ı izlememekten kaynaklanan sorunlar về yasal ve risk yöneticileri konusunda birçok örnek var.

ML izleme ve ML gözlemlenebilirlik arasındaki farkı açıklar mısınız?

İzleme araçlarının görevi sadece izlemek ve uyarı vermek. Gözlemlenebilirlik araçlarının görevi ise, sadece izlemek ve raporlamak değil, aynı zamanda başarısızlıkların nedenlerini bulmaya yeterli kanıtları sağlamaktır.

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

Endüstriye özel platformların genel amaçlı platformlardan farkı nedir?

Genel amaçlı platformlar herkes ve her kullanım örneği için tasarlanır. Müşterileri genellikle geliştiriciler, veri bilimciler vb. gibi kişilerdir. Ancak bu platformlar, karmaşık doğaları ve ‘her şeyi kapsayan’ yaklaşımından dolayı paydaşlar için çeşitli zorluklar yaratır.

Maalesef, çoğu işletme bugün, bu genel amaçlı platformları kullanmak için veri bilimcisi uzmanlarına ihtiyaç duyar ve modelleri son kullanıcılar tarafından kullanılabilir hale getirmek için ek çözümler veya ürün katmanlarına ihtiyaç duyar. Bunlar, açıklanabilirlik, denetim, segmentler/senaryolar, insan-etkinlikli süreçler, geri bildirim etiketleme, denetim, araçlara özgü boru hatları vb. gibi şeyler içerir.

Burada endüstriye özel AI platformları devreye giriyor. Bir endüstriye özel AI platformu, hedeflenen müşteri ihtiyaçlarını veya kullanım örneklerini çözmek için tüm iş akışını sahiplenir ve uçtan uca bir ürün olarak geliştirilir. Regülasyon ve uyum çerçeveleri, veri gizliliği gereksinimleri, denetim ve kontrol gereksinimleri gibi birçok endüstriye özgü engel vardır. Endüstriye özel AI platformları ve teklifleri, AI benimsemesini hızlandırır ve AI dağıtımına ilişkin riskleri azaltır. Ayrıca, endüstri içinde AI uzmanlığını bir ürün katmanı olarak bir araya getirmeye yardımcı olur, böylece ‘AI’ kabulünü geliştirmeye, uyum çabalarını hızlandırmaya ve etik, güven ve itibar endişelerine yönelik ortak yaklaşımlar bulmaya yardımcı olur.

Arya.ai’nin sunduğu ML Gözlemlenebilirlik platformu hakkında bilgi verebilir misiniz?

Finansal hizmetler kurumlarında 6 yıldan fazla süredir çalışıyoruz. 2016’dan beri. Bu, finansal hizmetler kurumlarında karmaşık AI dağıtmaya ilişkin benzersiz zorluklara erken maruz kalma anlamına geliyordu. Bu zorluklardan biri ‘AI’ kabulüydü. Diğer dikeylerdekinden farklı olarak, finansal hizmetler kurumlarında herhangi bir yazılımın (ve ‘AI’ çözümlerinin) kullanımı, veri gizliliği, etik ve özellikle finansal etkiler konusunda birçok düzenleme vardır. Bu zorlukları ölçeklenebilir bir şekilde ele almak için, sürekli olarak açıklanabilirlik, denetim, kullanım riskleri ve hesap verebilirlik konularında yeni katmanlar eklememiz gerekti.

Şimdi, bu çerçevenin DIY versiyonunu AryaXAI (xai.arya.ai) olarak yayınlıyoruz. Herhangi bir ML veya iş ekibi, AryaXAI’yi kullanarak kritik kullanım örnekleri için kapsamlı bir AI Yönetim sistemi oluşturabilir. Platform, AI Çözümleriniz için şeffaflık ve denetlenebilirlik getirir ve her paydaş için kabul edilebilir bir çözümdür. AryaXAI, AI’ı kritik kullanım örnekleri için daha güvenli ve kabul edilebilir hale getirir, güvenilir ve doğru bir açıklanabilirlik sunar, düzenleyici titizliği destekleyecek kanıtlar sağlar, AI belirsizliğini gelişmiş politika kontrolleri ile yönetir ve veri veya model kayması izler ve kök neden analizi ile uyarılar verir.

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

Diğer bir çözüm olarak, ML modelinin uygulanabilirliğini bağlamsal politika uygulaması ile tăngıran bir platform sunuyorsunuz. Bu nedir?

Üretimde ML modellerini izlemek ve kontrol etmek zorlaşabilir, özellikle de özellikler ve tahminler açısından. Ayrıca, model davranışındaki belirsizlik, yönetim ve standartlaşma açısından zorluklar yaratır. Bu tür model başarısızlıkları, ağır itibar ve finansal kayıplara neden olabilir.

AryaXAI, ‘Politika/Risk Kontrolleri’ adlı kritik bir bileşen sunar. Bu, iş ve etik çıkarlarını koruyarak AI üzerinde politikalar uygular. 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 tanımlamasını sağlar.

Bu ürünlerin kullanım örnekleri nelerdir?

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

BFSI: AryaXAI, finansal hizmetler sektörünün düzenleyici nghiêmlik ortamında, riski yönetmek ve uyumu sağlamak için gereken gereksinimleri karşılamak ve kanıtları toplamak kolaylaştırır.

• Guaranteed / güvencesiz kredi onayları
• Sahtecilik / şüpheli işlemlerin belirlenmesi
• Denetim
• Müşteri yaşam döngüsü yönetimi
• Kredi kararları

Otonom Araçlar: AryaXAI, otonom araçların düzenleyici nghiêmlik, operasyonel güvenlik ve gerçek zamanlı kararların açıklanabilirliği gereksinimlerini karşılar.

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

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

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

Finans sektöründeki makine öğreniminin geleceği hakkında vizyonunuz nedir?

Son on yılda, ‘AI’ hakkında büyük bir eğitim ve pazarlama oldu. Bu süre zarfında birden fazla hype döngüsü gördük. Şimdi muhtemelen 4. veya 6. hype döngüsündeyiz. İlk hype döngüsü, Deep Learning’in 2011/12’de ImageNet’i kazanmasıyla başladı, ardından görüntü/sözü tanıma, konuşma tanıma, otonom araçlar, üretken AI ve şu anda büyük dil modelleriyle devam etti. Her hype döngüsünde, zirve hype ile kitlesel kullanım arasındaki fark, ürün, talep ve fonlama etrafındaki iterasyonlar nedeniyle azalıyor.

Bu üç şey oldu:

1. AI çözümleri için ölçeklendirme çerçevemizi çözdüğümüzü düşünüyorum. 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 ölçek elde etmeyebilir, ancak ölçeklenebilirlik şablonu daha nettir.
2. İdeal AI çözümlerinin tanımı neredeyse her dikeyde netleşti: Daha önce her kullanım örneği ve her organizasyon için ürünün iteratif deneylerle inşa edildiği yerde, paydaşlar artık AI çözümlerinden ne beklediklerini anlamaya yönelik eğitim görüyorlar.
3. Düzenlemeler şimdi yetişiyor: Veri gizliliği ve AI kullanımı etrafındaki net düzenlemelere olan ihtiyaç büyük bir ivme kazanıyor. Yönetici ve düzenleyici kurumlar, AI’ın güvenli, etik ve sorumlu kullanımına ilişkin çerçeveleri yayınlamakta veya yayınlamaya yönelik bir süreçte.

Sonraki nedir?

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

Artan bir şekilde, hem yatay hem de dikey olarak ‘Model-as-a-Service’ tekliflerine talep göreceklerini göreceğiz. ‘OpenAI’, yatay MaaS’in iyi bir örneğini temsil ederken, Arya.ai dikey MaaS’in bir örneğidir. Dağıtımlar ve veri kümeleri deneyimiyle, Arya.ai kritik dikey veri kümelerini topluyor ve bunları önceden eğitilmiş modeller olarak sunuyor.

Dikeyleşme, yeni yataydır: Bulut benimsemesinde buna benzer bir trend gördük. Yatay bulut oyuncuları ‘herkes için platformlar’ üzerinde odaklanırken, dikey oyuncular son kullanıcıların gereksinimlerine odaklanarak uzmanlaşmış ürün katmanları sunarlar. Bu, MaaS teklifleri için de geçerlidir.

XAI ve AI yönetim, işletmelerde norm haline gelecek: 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 AI Üretkeni, işletmelerde hype döngüleri görebilir: Sentetik veri kümeleri oluşturmak, işletmelerdeki veri ile ilgili zorlukları çözmek için uygulanabilir bir çözümdür. Veri bilimcileri, işin kontrolünde oldukları ve işbirliği gerektirmeyen bu çözümü tercih edeceklerdir. Sentetik veri, önyargı, veri dengesizliği, veri gizliliği ve yetersiz veri sorunlarını çözme potansiyeline sahiptir. Elbette, bu yaklaşımın etkinliği henüz kanıtlanmamıştır, ancak yeni tekniklerin olgunlaşmasıyla, geleneksel veri kümeleri üzerinde daha fazla deney yapabiliriz. Başarılı olursa, 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 çözmek. Yaklaşımımız, teknolojiyi son katmana kadar 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 üzerine devam eden araştırmamız, birkaç kullanım örneğinde başarılı oldu, ancak bunu daha viable ve kabul edilebilir bir seçenek haline getirmeyi amaçlıyoruz. ‘AI’ bulutumuza daha fazla katman eklemeye devam edeceğiz.

FSI dikeyinde değil, her dikeyde Arya.ai gibi daha fazla startup göreceğimize inanıyorum.

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