Ахмед Ельсамадісі, Засновник та Генеральний Директор Narrator.ai – Серія Інтерв’ю

Ахмед Ельсамадісі є Засновником та Генерálním Директором Narrator.ai, компанії з інтелекту даних, яка забезпечує приймаючих рішення особистими діями з даних.

Ахмед розпочав свою кар’єру в лабораторії автономних систем Корнелльського університету, де займався взаємодією людини та робота та баєсовим об’єднанням даних, а також розробкою алгоритмів для автономних автомобілів.

Що спочатку привернуло вас до штучного інтелекту та науки про дані?

Я закохався в те, як люди приймають рішення. Починаючи з психології, соціальної інженерії та того, як ми розуміємо неоднозначність. Це привело мене до вивчення баєсової математики, і світ почав мати більше сенсу. Я вирішив розпочати подорож, щоб повторити те, як ми приймаємо рішення.

У вас була феноменальна кар’єра, включаючи роботу в лабораторії автономних систем Корнелльського університету. Чи можете ви поділитися деякими моментами з цього періоду?

Лабораторія автономних систем Корнелльського університету була дуже веселою! Від нашого автономного автомобіля до флоту мобільних роботів, я мав можливість будувати, програмувати та тестувати алгоритми та апаратне забезпечення в реальних умовах. Мій улюблений момент був проектом, яким я керував, щоб побачити, чи можемо ми зіграти гру в 20 запитань з усіма студентами Корнелльського університету. Гра була простою: робот шукав об’єкт і міг задавати студентам запитання з відповіддю “так” або “ні”, щоб допомогти йому знайти об’єкт. Але була одна маленька зміна: люди могли брехати.

У цій ситуації немає жодної справжньої інформації, нічого, що є абсолютно правдою. Я працював над алгоритмом, який міг би об’єднати інформацію від людей та датчиків, щоб приймати кращі рішення. Цей проект пізніше був опублікований в Business Insider і став відомим як “робот, який може визначити брехню”.

Ці моменти, коли дані та алгоритми можуть зробити щось, чого ви не могли легко уявити, роблять ці проекти феноменальними.

Ідея створення Narrator виникла з вашого розчарування роботою з даними в попередній компанії WeWork (WE ). Які були проблеми, з якими ви зіштовхнулися при роботі з моделлю зірки?

Кожна компанія використовує модель зірки для своїх моделей даних. Це має сенс! Ви створюєте таблиці, які представляють набір запитань, на які ви хочете відповісти, а потім передаєте їх людям, щоб вони могли побудувати графіки. Проте питання постійно зростають і змінюються, тому серія таблиць, яку ви створюєте, ніколи не достатня, щоб відповісти на всі можливі питання. Єдине рішення – створити ще більше таблиць, що призводить до відхилення від джерела правди.

Я завжди шукаю “моделювання даних про повітряний потік”, щоб показати людям, що таке найкращий випадок моделі даних, і це складно. Сотні таблиць, залежних одна від одної.

Тим не менше, це був єдиний варіант. В WeWork я розмовляв з багатьма компаніями та побачив ту саму ситуацію, з якою ми зіштовхнулися. Ми витратили мільйони доларів на інструменти для роботи з даними. Ми створили сотні моделей. Дані все одно втрачали довіру та не могли відповісти на питання вчасно. Потім кожні 1-2 роки ми переробляли систему, використовуючи новітні інструменти, але той самий підхід.

Якщо кожна компанія, яка реалізувала модель зірки, в підсумку потребувала переробки своєї системи, то проблема лежить у самому підході.

Як ви знайшли краще рішення для роботи з даними?

Спочатку я взяв натхнення з блогів про дані. У блозі компанія може розповісти історію про клієнта та аналіз без показу нам своєї моделі даних. Вони використовують клієнтів, які виконують дії в часі, щоб пояснити будь-який аналіз алгоритмів. Насправді це всі концепції, які кожен розуміє (клієнт переглянув сайт, а потім забронював зустріч). Я запитав себе, чому ця структура не використовується в даних, якщо вона здається здатною представити все. Коротка відповідь полягає в тому, що ця структура даних насправді не запитувана інструментами бізнес-аналітики (немає нічого, на що можна було б звернутися).

Наша модель даних, яку ми називаємо схемою діяльності, здавалася здатною справді змінити світ. Вона могла б дозволити кожній компанії мати одну модель даних, яка могла б відповісти на будь-яке питання. Кожна компанія могла б мати одну й ту саму модель даних, тому аналіз та алгоритми могли б бути спільними між компаніями вперше. І, нарешті, вона могла б створити спільний спосіб для спеціалістів з даних працювати разом та говорити про дані.

Я подумав, що це могло б революціонізувати галузь даних, тому я покинув WeWork у 2017 році з метою зробити схему діяльності запитуваною.

Вихідні дані Narrator форматуються зовсім інакше, ніж те, до чого ми звикли. Чи можете ви пояснити, що таке Narratives, і як вони форматуються як історія?

Narratives – це дії, засновані на даних, у форматі історії.

Ми, як спеціалісти з даних, так звикли до панелей моніторингу. Проте панелі моніторингу – це лише засіб для досягнення мети. Панелі моніторингу показують вам дані, і вам потрібно самостійно їх інтерпретувати:

1. Розібратися, як читати сотні різних візуалізацій.
2. Об’єднати дані в своїй голові, щоб зрозуміти, що насправді відбувається.
3. Створити історію в своїй голові, яка має сенс з частин даних.
4. Вирішити, яку дію виконати.

Проблема з цим процесом полягає в тому, що кожна людина, яка дивиться на панель моніторингу, прийде до різних висновків та рекомендацій. Це природний упередження.

Мета Narrator полягала в тому, щоб стимулювати дії на основі даних. Коли ми ітерували, ми побачили, що наші клієнти потребували історій та інтерпретацій, щоб приймати рішення, і саме це ми їм давали.

Narratives починаються з чіткої мети. Вони роблять рекомендацію. Потім показують вам ключові моменти, які ви отримаєте. Нарешті, вони проходять аналіз. Кожен розділ розповідає історію про те, чого ми дізнаємося, і дані використовуються як підтвердження.

Покажіть 100 людям одну й ту саму Narrative, і всі вони повернуться з тими самими рекомендаціями та інтерпретаціями.

Narratives також розуміють, що ваш бізнес змінюється, тому вони постійно виконуються щотижня, щоб побачити, чи все ще актуальні рекомендації та інтерпретації, і оновлюються відповідно.

Після того, як ми пройшли через все це навчання та створили Narratives такими неймовірними інструментами для стимулювання дій, ми зрозуміли, що більшість великих консалтингових компаній також дізналися те саме. McKinsey надає вам подібні презентації та підходи замість просто панелей моніторингу. Ми працюємо над тим, щоб надавати такий самий рівень якості за частину ціни.

Які є деякі переваги використання Narrator для інженерів даних?

Інженери даних – наші найбільші прихильники! Я думаю, що це тому, що я сам починав як інженер даних, тому Narrator був створений з урахуванням їхніх потреб.

У Narrator моделювання даних дуже просте – вам просто потрібно відобразити концепції з джерела правди на нашу модель даних. Ми запускаємо ряд тестів, щоб переконатися, що все працюватиме, а потім ви відправляєте все у виробництво. Narrator займається міграцією, синхронізацією даних та забезпеченням того, щоб все було швидким та простим.

У Narrator ви можете швидко зібрати будь-який набір даних, який вам потрібно, за кілька хвилин, і передати його будь-кому, хто його запитує.

Ми також подумали про всі дрібниці, які вам потрібно, і зробили так, щоб ви мали все:

• Повна прозорість усіх процесів та контроль над паузою, скасуванням, виконання зараз тощо.
• Здатність встановити сповіщення про сирі дані до та після перетворення.
• Повний журнал усіх змін у запиті.
• Повна видимість кожного оновлення, яке відбувається в таблиці.
• 1 клік, щоб матеріалізувати будь-який набір даних або відправити його у Google таблицю.
• Налаштувати швидкі веб-хуки, щоб відправити дані в будь-яку систему.
• Звернутися до підтримки, і ви отримаєте інженера даних, який допоможе вам.
• Кожен запит, який генерує Narrator, є читабельним і прозорим.
• Відлагодити будь-які дані з швидкими таймлайнами всього, що відбулося з певним клієнтом.
• Створити 1 набір даних і створити багато агрегацій на його основі (немає потреби копіювати той самий запит у CTE).
• Якщо ви заміните будь-які будівельні блоки, то ми примирюємо всі ваші дані для вас.

Є багато іншого, що інженери даних полюблять!

Як багато часу економиться при створенні звітів з Narrator порівняно з традиційним моделюванням?

Чесно кажучи, порівнювати Narrator з традиційним моделюванням – це нелегко. У Narrator усі ваші дані моделюються всього за 1 день, а не місяці планування, як у моделі зірки. Зміни в Narrator низькоризикові та прості. Створення будь-якої таблиці миттєве в Narrator, оскільки вам не потрібно турбуватися про те, чи є зовнішній ключ, який зв’язує все разом.

У сфері аналізу Narrator має бібліотеку експертно написаних аналізів, які ви можете миттєво виконати. Ці аналізи добре продумані, протестовані на кількох компаніях, оновлюються на основі змін вашого бізнесу, використовують алгоритми для інтерпретації даних та красиво представлені у форматі історії. Такий рівень роботи часто виконується командами спеціалістів з даних за тижні (що ми робимо, але робимо це один раз, а потім робимо його миттєво доступним усім).

Чи є щось ще, що ви хотіли б поділитися про Narrator?

Narrator – це інше.

Трудно зрозуміти, як і чому це працює, але як тільки ви починаєте працювати з ним, це клацне, і ви ніколи не зможете повернутися назад.

Я надихається світом, який Narrator робить можливим, і запрошую всіх звернутися, щоб дізнатися більше!

Разом ми можемо приймати кращі рішення, які створять кращий світ.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Narrator.ai.