Доктор Деваврат Шах, співзасновник та генеральний директор Ikigai Labs – Серія інтерв’ю

Доктор Деваврат Шах є співзасновником і генеральним директором Ikigai Labs, і він є професором і директором Центру статистики та даних науки в MIT. Він співзаснував Celect, платформу прогнозної аналітики для рітейлерів, яку він продав Nike. Деваврат має ступінь бакалавра і доктора філософії з комп’ютерних наук в Індійському технологічному інституті і Стенфордському університеті, відповідно.

Ikigai Labs пропонує платформу, що працює на основі штучного інтелекту, призначену для перетворення даних підприємств у табличній і часових рядках у прогнозні та дієвісні інсайти. Використовуючи патентовану Большу графічну модель, платформа дозволяє бізнес-користувачам і розробникам у різних галузях покращувати свої плани та процеси прийняття рішень.

Чи можете Ви розповісти історію заснування Ikigai Labs? Що спонукало Вас перейти від академічної діяльності до підприємництва?

Я фактично вже кілька років перемикався між академічним і бізнес-світом. Я співзаснував Ikigai Labs зі своїм колишнім студентом у MIT, Вінаяком Рамешем. Раніше я співзаснував компанію Celect, яка допомогала рітейлерам оптимізувати рішення щодо запасів за допомогою прогнозування попиту на основі штучного інтелекту. Celect була придбана Nike у 2019 році.

Що таке Великі графічні моделі (LGM), і як вони відрізняються від більш відомих великих мовних моделей (LLM)?

LGM або Великі графічні моделі – це ймовірнісний погляд на дані. Вони знаходяться в різкій опозиції до “фундаментальної моделі” штучного інтелекту, такої як LLM.

Фундаментальні моделі припускають, що вони можуть “вчити” всі відповідні “моделі” з великої корпорації даних. І тому, коли новий фрагмент даних представлений, він може бути екстрапольований на основі відповідної частини корпорації даних. LLM були дуже ефективними для неструктурованих даних (текст, зображення).

LGM замість цього ідентифікують відповідні “функціональні моделі” з великого “універсу” таких моделей, даного фрагмента даних. LGM розроблені так, щоб вони мали всі відповідні “функціональні моделі”, що стосуються структурованих даних (табличних, часових рядків).

LGM можуть навчатися і забезпечувати точне прогнозування і прогнозування за допомогою дуже обмежених даних. Наприклад, вони можуть бути використані для виконання високоточних прогнозів критично важливих, динамічно змінюваних тенденцій або бізнес-результатів.

Чи можете Ви пояснити, як LGM особливо підходять для аналізу структурованих, табличних даних, і які переваги вони пропонують порівняно з іншими моделями штучного інтелекту в цій галузі?

LGM розроблені спеціально для моделювання структурованих даних (тобто табличних, часових рядків даних). Як результат, вони забезпечують кращу точність і більш надійні прогнози.

Крім того, LGM вимагають менше даних, ніж LLM, і тому мають нижчі вимоги до обчислень і зберігання, що знижує витрати. Це також означає, що організації можуть отримувати точні інсайти з LGM навіть з обмеженими навчальними даними.

LGM також забезпечують кращу приватність і безпеку даних. Вони тренуються тільки на власних даних підприємства – з доповненням з вибраних зовнішніх джерел даних (таких як дані про погоду і соціальні медіа), якщо це потрібно. Не існує жодного ризику того, що чутливі дані будуть поділені з публічною моделлю.

У яких бізнес-сценаріях LGM забезпечують найбільшу цінність? Чи можете Ви надати приклади того, як вони були використані для покращення прогнозування, планування чи прийняття рішень?

LGM забезпечують цінність у будь-якому сценарії, коли організація потребує передбачення бізнес-результату або передбачення тенденцій для керівництва своєю стратегією. Інакше кажучи, вони допомагають у широкому спектрі випадків використання.

Уявіть собі бізнес, який продає костюми на Хеллоуїн і речі, і шукає інсайти для прийняття кращих рішень щодо мерчандайзингу. Враховуючи сезонність, компанія йде по тонкій межі: з одного боку, компанія повинна уникнути перевиробництва і закінчити з надлишком запасів на кінці кожного сезону (що означає непродані товари і марні капіталовкладення). З іншого боку, вони також не хочуть закінчити з відсутністю запасів на початку сезону (що означає, що вони пропустили можливі продажі).

За допомогою LGM бізнес може знайти ідеальний баланс і спрямувати свої зусилля щодо мерчандайзингу. LGM можуть відповісти на питання, такі як:

• Які костюми слід замовити цього сезону? Скільки слід замовити кожного артикула?
• Як добре буде продаватися один артикул у певному місці?
• Як добре буде продаватися цей аксесуар з цим костюмом?
• Як можна уникнути канібалізації продажів у містах, де у нас є кілька магазинів?
• Як будуть продаватися нові костюми?

Як LGM допомагають у сценаріях, коли дані є рідкими, несумісними чи швидко змінюються?

LGM використовують штучний інтелект для примирення даних, щоб забезпечити точні інсайти навіть при аналізі малих або шумових наборів даних. Примирення даних забезпечує, що дані є послідовними, точними і повними. Воно включає порівняння і перевірку наборів даних для виявлення розбіжностей, помилок або несумісностей. Об’єднуючи просторову і тимчасову структуру даних, LGM забезпечують хороші прогнози з мінімальними і пошкодженими даними. Прогнози супроводжуються кількісною оцінкою невизначеності, а також інтерпретацією.

Як місія Ikigai щодо демократизації штучного інтелекту збігається з розробкою LGM? Як Ви бачите майбутнє LGM у бізнесі?

Штучний інтелект змінює спосіб нашої роботи, і підприємства повинні бути готові до штучного інтелекту для працівників усіх типів. Платформа Ikigai пропонує простий досвід низького коду/без коду для бізнес-користувачів, а також повний досвід штучного інтелекту для даних вчених і розробників. Крім того, ми пропонуємо безкоштовну освіту в нашій Академії Ikigai, щоб кожен міг вивчити основи штучного інтелекту, а також отримати навчання і сертифікацію на платформі Ikigai.

LGM матимуть великий вплив на підприємства, які хочуть використовувати генеративний штучний інтелект для випадків використання, які вимагають числового прогнозування і статистичного моделювання, таких як ймовірнісне прогнозування і планування сценаріїв. Але LLM не були створені для цих випадків використання, і багато організацій думають, що LLM – це єдина форма генеративного штучного інтелекту. Тому вони намагаються використовувати великі мовні моделі для прогнозування і планування, і вони не забезпечують результатів. Вони відмовляються і припускають, що генеративний штучний інтелект просто не здатний підтримувати ці застосування. Коли вони відкриють LGM, вони зрозуміють, що вони можуть використовувати генеративний штучний інтелект для забезпечення кращого прогнозування і планування, і допомогти їм приймати кращі бізнес-рішення.

Платформа Ikigai інтегрує LGM з людсько-орієнтованим підходом через Вашу функцію експерта в циклі. Чи можете Ви пояснити, як це поєднання підвищує точність і прийняття моделей штучного інтелекту в підприємствах?

Штучний інтелект потребує обмежень, оскільки організації природно обережні щодо того, що технологія буде виконуватися точно і ефективно. Одним з цих обмежень є людський нагляд, який може допомогти інфузувати критичну галузеву експертизу і забезпечити, що моделі штучного інтелекту забезпечують прогнози і прогнози, які є актуальними і корисними для їхнього бізнесу. Коли організації можуть розмістити людину-експерта в ролі моніторингу штучного інтелекту, вони можуть довіряти йому і перевіряти його точність. Це подолання однієї з основних перешкод до прийняття.

Які ключові технологічні інновації в платформі Ikigai роблять її видатною серед інших рішень штучного інтелекту, які зараз доступні на ринку?

Наша основна технологія LGM є найбільшим диференціатором. Ikigai є піонером у цій галузі без рівних. Мій співзасновник і я винайшли LGM під час нашої академічної роботи в MIT. Ми є інноваторами у великих графічних моделях і використанні генеративного штучного інтелекту на структурованих даних.

Який вплив, Ви бачите, LGM матимуть на галузях, які сильно залежать від точного прогнозування і планування, таких як рітейл, управління ланцюгами постачання і фінанси?

LGM будуть повністю трансформаційними, оскільки вони спеціально розроблені для використання на табличних і часових рядках даних, які є життєво важливими для кожної компанії. Практично кожна організація у кожній галузі сильно залежить від структурованих даних для прогнозування попиту і бізнес-планування для прийняття обґрунтованих рішень короткостроково і довгостроково – незалежно від того, чи ці рішення пов’язані з мерчандайзингом, наймом, інвестиціями, розробкою продукції чи іншими категоріями. LGM забезпечують найкращу можливу аналогію кристалічної кулі для прийняття найкращих рішень.

Що далі для Ikigai Labs щодо розвитку можливостей LGM? Чи є нові функції чи розробки в трубопроводі, щодо яких Ви особливо схвильовані?

Наша існуюча модель aiPlan підтримує аналіз “що якщо” і сценаріїв. Оглядаючи майбутнє, ми плануємо далі розвивати її і забезпечувати повністю функціональне навчання з підкріпленням для операційних команд. Це дозволить операційній команді здійснювати штучний інтелект-орієнтоване планування в короткостроковій і довгостроковій перспективі.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, повинні відвідати Ikigai Labs.