інтерв'ю
Вінай Кумар Санкарапу, співзасновник і генеральний директор Arya.ai – Серія інтерв’ю
Вінай Кумар Санкарапу є співзасновником і генеральним директором Arya.ai, платформа, яка пропонує хмару «ШІ» для установ банків, страховиків і фінансових послуг (BFSI) для пошуку правильних API ШІ, експертних рішень ШІ та комплексних інструментів управління ШІ, необхідних для розгортання надійних і самонавчальних механізмів ШІ.
У вас є математика, фізика, хімія та машинобудування. Чи могли б ви обговорити свій шлях до переходу до інформатики та ШІ?
У IIT Bombay ми маємо «Програму подвійного диплому», яка передбачає 5-річний курс, який охоплює як бакалаврів технології, так і магістра технологій. Я вивчав машинобудування зі спеціалізацією «Комп’ютерне проектування та виробництво», де інформатика є частиною нашої навчальної програми. Для нашого післядипломного дослідження я вирішив працювати над глибоким навчанням. Поки я почав використовувати DL для побудови системи прогнозування відмов для безперервного виробництва, я закінчив своє дослідження щодо використання CNN для прогнозування RUL. Це було десь у 2013/14 роках.
Ви запустили Arya.ai ще в коледжі, не могли б ви поділитися історією генезису цього стартапу?
У рамках академічного дослідження нам довелося витратити 3-4 місяці на огляд літератури, щоб створити детальне дослідження теми, що цікавить, обсяг роботи, виконаної до цього часу, і те, що може бути можливим напрямком нашого дослідження. Протягом 2012/13 років ми використовували досить прості інструменти. Такі пошукові системи, як Google scholar і Scopus, просто виконували пошук за ключовими словами. Було справді важко осягнути той обсяг знань, який був доступний. Я думав, що ця проблема тільки посилиться. У 2013 році, я думаю, публікувалося щонайменше 30+ статей щохвилини. Сьогодні це принаймні в 10-20 разів більше.
Ми хотіли створити «помічника зі штучним інтелектом» на кшталт «професора» для дослідників, щоб допомогти їм запропонувати тему дослідження, знайти відповідну статтю, яка є найновішою, і будь-що, пов’язане з дослідженнями STEM. З нашим досвідом глибокого навчання ми думали, що зможемо вирішити цю проблему. У 2013 році ми запустили Arya.ai з командою з 3 осіб, а потім її розширили до 7 у 2014 році, коли я ще навчався в коледжі.
Наша перша версія продукту була створена шляхом копіювання понад 30 мільйонів документів і рефератів. Ми використовували найсучасніші методи глибокого навчання того часу, щоб створити дослідницького помічника STEM зі штучним інтелектом і систему контекстного пошуку для STEM. Але коли ми показали помічника ШІ кільком професорам і колегам, ми зрозуміли, що зарано. Потоки розмов були обмежені, і користувачі очікували вільного потоку та безперервних конверсій. Очікування були дуже нереалістичними на той час (2014/15), хоча він відповідав на складні запитання.
Після цього ми звернулися до використання наших досліджень і зосередилися на інструментах машинного навчання для дослідників і підприємств як робочому столі для демократизації глибинного навчання. Але знову ж таки, у 2016 році дуже мало науковців із обробки даних використовували DL. Тому ми почали вертикалізувати його для однієї галузі та зосередилися на створенні спеціалізованих рівнів продукту для однієї вертикалі, тобто установ фінансових послуг (FSI). Ми знали, що це спрацює, тому що, хоча великі гравці прагнуть виграти горизонтальну гру, вертикалізація може створити великий USP для стартапів. Цього разу ми були праві!
Ми створюємо хмару штучного інтелекту для банків, страховиків і фінансових служб із найбільш спеціалізованими вертикальними рівнями для надання масштабованих і відповідальних рішень ШІ.
Наскільки великою проблемою є проблема чорної скриньки ШІ у фінансах?
Надзвичайно важливо! Лише 30% фінансових установ використовують «ШІ» на повну. Хоча однією з причин є доступність, іншою є відсутність довіри до «ШІ» та можливості перевірки. Тепер у кількох регіонах є чіткі правила щодо законності використання штучного інтелекту для низьких, середніх і високочутливих випадків використання. Законодавство ЄС вимагає використання прозорих моделей для випадків використання з «високим ризиком». Багато випадків використання у фінансових установах є випадками високого ризику. Таким чином, вони повинні використовувати моделі білого ящика.
Цикли ажіотажу також вщухають через ранній досвід роботи з рішеннями ШІ. Останнім часом зростає кількість прикладів наслідків використання «штучного інтелекту» чорної скриньки, збоїв «штучного інтелекту» через те, що вони не контролюються, і проблем із юридичними особами та менеджерами з ризиків через обмежену можливість перевірки.
Чи могли б ви обговорити різницю між моніторингом ML і спостережливістю ML?
Робота інструменту моніторингу полягає просто в моніторингу та попередженні. Робота інструменту спостережливості полягає не лише в моніторингу та звітності, але, що найважливіше, у наданні достатньої кількості доказів для виявлення причин невдач або прогнозування цих невдач з часом.
У AI/ML ці інструменти відіграють вирішальну роль. Незважаючи на те, що ці інструменти можуть забезпечити необхідні ролі або моніторинг, обсяг спостереження за ML
Чому потрібні галузеві платформи для спостереження за машинним навчанням замість платформ загального призначення?
Універсальні платформи розроблені для всіх і будь-яких варіантів використання, незалежно від галузі – будь-який користувач може приєднатися та почати використовувати платформу. Клієнтами цих платформ зазвичай є розробники, спеціалісти з обробки даних тощо. Проте платформи створюють ряд проблем для зацікавлених сторін через їх складний характер і підхід «універсальний для всіх».
На жаль, більшість компаній сьогодні вимагають від експертів із науки про дані використання платформ загального призначення та потребують додаткових рішень/рівнів продуктів, щоб зробити ці моделі «придатними» для кінцевих користувачів у будь-якій галузі. Сюди входить можливість пояснення, аудит, сегменти/сценарії, процеси «людина в циклі», маркування відгуків, аудит, конвеєри для конкретних інструментів тощо.
Ось де галузеві платформи ШІ стають перевагою. Спеціальна галузева платформа штучного інтелекту відповідає за весь робочий процес для вирішення потреб цільових клієнтів або випадків використання та розроблена, щоб забезпечити повний продукт від кінця до кінця, від розуміння бізнес-потреб до моніторингу ефективності продукту. Існує багато галузевих перешкод, таких як нормативні рамки та нормативні рамки, вимоги до конфіденційності даних, вимоги до аудиту та контролю тощо. Галузеві платформи та пропозиції штучного інтелекту прискорюють впровадження штучного інтелекту та скорочують шлях до виробництва, скорочуючи час розробки та пов’язані з цим ризики. у розгортанні AI. Більше того, це також допоможе об’єднати досвід штучного інтелекту в галузі як рівень продукту, який допомагає покращити сприйняття «ШІ», стимулювати зусилля з дотримання вимог і з’ясувати загальні підходи до етики, довіри та проблем репутації.
Не могли б ви поділитися деякими деталями щодо платформи ML Observability, яку пропонує Arya.ai?
Ми працюємо в фінансових установах більше 6 років. Починаючи з 2016 року. Це дозволило нам на ранній стадії зіткнутися з унікальними проблемами під час розгортання складного ШІ в FSI. Одним із важливих викликів було «прийняття штучного інтелекту». На відміну від інших галузей, існує багато правил щодо використання будь-якого програмного забезпечення (також застосовного до рішень штучного інтелекту), конфіденційності даних, етики та, найголовніше, фінансового впливу на бізнес. Щоб вирішити ці проблеми в масштабі, нам довелося постійно винаходити та додавати нові рівні пояснюваності, аудиту, ризиків використання та підзвітності на додаток до наших рішень – обробка претензій, андеррайтинг, моніторинг шахрайства тощо. З часом ми створили прийнятну та масштабовану систему машинного навчання. Структура спостереження для різних зацікавлених сторін у галузі фінансових послуг.
Зараз ми випускаємо DIY версію фреймворка як AryaXAI (xai.arya.ai). Будь-яка команда ML або бізнес-команда може використовувати AryaXAI для створення комплексного управління ШІ для критично важливих випадків використання. Платформа забезпечує прозорість і можливість перевірки ваших рішень ШІ, прийнятних для всіх зацікавлених сторін. AryaXAI робить штучний інтелект безпечнішим і прийнятнішим для критично важливих випадків використання, надаючи надійну та точну пояснюваність, пропонуючи докази, які можуть підтримувати регулятивну ретельність, керуючи невизначеністю штучного інтелекту, надаючи розширені засоби контролю політики та забезпечуючи послідовність у виробництві шляхом моніторингу даних або дрейфу моделі та сповіщення користувачів з аналізом першопричини.
AryaXAI також діє як загальний робочий процес і надає інформацію, прийнятну для всіх зацікавлених сторін — Data Science, IT, Risk, Operations і команд відповідності, що робить розгортання та підтримку моделей штучного інтелекту/ML безперебійним і безперешкодним.
Іншим запропонованим рішенням є платформа, яка покращує застосовність моделі машинного навчання за допомогою реалізації контекстної політики. Не могли б ви описати, що це конкретно?
Стає важко контролювати та контролювати моделі ML у виробництві через величезну кількість функцій і прогнозів. Крім того, невизначеність поведінки моделі ускладнює управління та стандартизацію управління, ризиків і відповідності. Такі збої моделей можуть призвести до великих репутаційних і фінансових втрат.
AryaXAI пропонує «Політику/Контроль ризиків» — важливий компонент, який захищає ділові та етичні інтереси шляхом застосування політики щодо ШІ. Користувачі можуть легко додавати/редагувати/змінювати політики для адміністрування елементів керування політикою. Це дає змогу міжфункціональним командам визначати політичні огородження для забезпечення постійної оцінки ризиків, захищаючи бізнес від невизначеності ШІ.
Які приклади використання цих продуктів?
AryaXAI можна застосувати для різних критично важливих процесів у різних галузях. Найпоширеніші приклади:
BFSI: У середовищі суворих нормативних актів AryaXAI полегшує індустрії BFSI узгодження вимог і збір доказів, необхідних для управління ризиками та забезпечення відповідності.
- Кредитний андеррайтинг для забезпечених/незабезпечених позик
- Виявлення шахрайства/підозрілих транзакцій
- Аудит
- Управління життєвим циклом клієнта
- Кредитне рішення
Автономні автомобілі: Автономні транспортні засоби повинні дотримуватися нормативної жорсткості, експлуатаційної безпеки та пояснюваності рішень у реальному часі. AryaXAI дозволяє зрозуміти, як система ШІ взаємодіє з автомобілем
- Аналіз рішень
- Автономна робота автомобіля
- Дані про стан автомобіля
- Моніторинг системи водіння ШІ
Охорона здоров'я: AryaXAI надає глибше розуміння з точки зору медицини, технологій, права та пацієнтів. Від відкриття ліків до виробництва, продажу та маркетингу Arya-xAI сприяє міждисциплінарній співпраці
- Виявлення наркотиків
- Клінічні дослідження
- Перевірка даних клінічних випробувань
- Більш якісний догляд
Яке ваше бачення майбутнього машинного навчання у фінансах?
За останнє десятиліття навколо «ШІ» було проведено величезну освіту та маркетинг. За цей час ми спостерігали кілька циклів ажіотажу. Ймовірно, зараз ми були б на 4-му чи 6-му циклі ажіотажу. Перший – це коли Deep Learning виграв ImageNet у 2011/12 роках, після чого послідувала робота над класифікацією зображень/тексту, розпізнаванням мовлення, автономними автомобілями, генеративним штучним інтелектом і наразі з великими мовними моделями. Розрив між піком ажіотажу та масовим використанням зменшується з кожним циклом ажіотажу через ітерації навколо продукту, попиту та фінансування.
Ці три речі сталися зараз:
- Я думаю, що ми зламали рамки масштабу рішень ШІ, принаймні кількома експертами. Наприклад, Open AI наразі є організацією, яка не приносить доходу, але вони прогнозують отримання доходу в 1 мільярд доларів протягом 2 років. Хоча не кожна компанія зі штучного інтелекту може не досягти подібного масштабу, але шаблон масштабованості є більш зрозумілим.
- Визначення ідеальних рішень штучного інтелекту майже зрозуміле для всіх вертикалей: На відміну від раніше, коли продукт створювався шляхом ітераційних експериментів для кожного випадку використання та кожної організації, зацікавлені сторони все більше навчаються, щоб зрозуміти, що їм потрібно від рішень ШІ.
- Правила наздоганяють: Потреба в чітких правилах щодо конфіденційності даних і використання штучного інтелекту зараз набирає великої популярності. Керівні та регулюючі органи можуть публікувати або знаходяться в процесі публікації рамок, необхідних для безпечного, етичного та відповідального використання ШІ.
Що далі?
Вибух "Модель як послуга (MaaS)":
Ми побачимо зростаючий попит на пропозиції «Модель як послуга» не лише горизонтально, а й вертикально. Хоча «OpenAI» є хорошим прикладом «горизонтального MaaS», Arya.ai є прикладом вертикального «MaaS». Завдяки досвіду розгортань і наборів даних Arya.ai збирає важливі вертикальні набори даних, які використовуються для навчання моделей і надають їх у вигляді підключи і використовуй або попередньо навчених моделей.
Вертикалізація — це нова горизонталь: Ми спостерігаємо цю тенденцію у «впровадженні хмарних технологій». Тоді як горизонтальні хмарні гравці зосереджені на «платформах для всіх», вертикальні гравці зосереджені на вимогах кінцевого користувача та надають їх як спеціалізований рівень продукту. Це справедливо навіть для пропозицій MaaS.
XAI та управління штучним інтелектом стануть нормою на підприємствах: Залежно від делікатності нормативних актів, кожна вертикаль досягне прийнятного XAI та структури управління, які будуть реалізовані як частина дизайну, на відміну від сьогодні, де це розглядається як доповнення.
Генеративний ШІ на табличних даних може побачити цикли ажіотажу на підприємствах: Вважається, що створення синтетичних наборів даних є одним із простих у реалізації рішень для вирішення проблем, пов’язаних з даними, на підприємствах. Групи наукових спеціалістів надають перевагу цьому, оскільки проблема знаходиться під їхнім контролем, на відміну від покладення на бізнес, оскільки це може зайняти час, бути дорогим і не гарантує виконання всіх кроків під час збору даних. Синтетичні дані вирішують проблеми упередженості, дисбалансу даних, конфіденційності даних і недостатньої кількості даних. Звичайно, ефективність цього підходу ще належить довести. Тим не менш, із більшою зрілістю нових методів, таких як трансформатори, ми можемо побачити більше експериментів із традиційними наборами даних, такими як табличні та багатовимірні дані. У разі успіху цей підхід може мати величезний вплив на підприємства та пропозиції MaaS.
Чи є ще щось, чим ви хотіли б поділитися про Arya.ai?
Arya.ai зосереджується на розв’язанні «ШІ» для банків, страховиків і фінансових послуг. Наш підхід полягає у вертикалізації технології до останнього рівня та тому, щоб зробити її придатною для використання та прийнятною для кожної організації та зацікавленої сторони.
AryaXAI (xai.arya.ai) відіграватиме важливу роль у донесенні його до мас у вертикалі FSI. Наше поточне дослідження синтетичних даних виявилося успішним у кількох випадках використання, але ми прагнемо зробити його більш життєздатним і прийнятним варіантом. Ми продовжуватимемо додавати більше рівнів до нашої хмари «ШІ», щоб виконувати нашу місію.
Я думаю, що ми побачимо більше таких стартапів, як Arya.ai, не лише у FSI, а й у всіх галузях.
Дякую за чудове інтерв’ю, читачі, які хочуть дізнатися більше, повинні відвідати Arya.ai.
