Педро Альвес, генеральний директор та засновник Ople.ai – Інтерв’ю

Педро Альвес – генеральний директор та засновник Ople.ai, платформи, яка надає аналітикам та експертам потужні передбачувальні аналітичні інструменти. Платформа оснащена знаннями та досвідом світових лідерів у сфері даних, щоб користувачі могли зосередитися на тому, у чому вони справді хороші: створенні бізнес-імпакту.

Що спочатку привернуло вашу увагу до науки про дані?

У 2001 році я побачив величезний потенціал у машинному навчанні та штучному інтелекті. Навчаючись на факультеті комп’ютерних наук, я подумав: “ОК, AI/ML – це область комп’ютерних наук, яку я вважаю цікавою – ви можете допомогти передбачити події в будь-якій галузі. Чи то біологія, медицина чи фінанси, якщо у вас є машинне навчання та AI, ви можете суттєво просунути ці галузі вперед”. Я завжди вважав математику, що лежить в основі цього, фантастичною.

Коли я вступив до аспірантури, я вирішив, що найкращим способом поліпшити свої знання у машинному навчанні буде вивчення того, як його застосовувати. Я завжди був дуже практичним; я не хотів вивчати теорію тільки заради теорії. Я вибрав вивчати машинне навчання як воно застосовується у галузі геноміки та протеоміки. Вся моя робота в аспірантурі була з обчислювальної біології, але фокус був на машинному навчанні.

Незабаром після цього я вступив до галузі охорони здоров’я, де побачив великий потенціал для застосувань AI/ML. Тоді я побачив проблеми, з якими зіштовхувався AI у практиці, поза академією. Я побачив реальність AI та дізнався, як неефективно воно було застосовано у реальному світі, і не через технічні проблеми. Тому я став приваблений до вирішення цієї проблеми.

Ви раніше були головним науковим співробітником у компанії Banjo, де ви розглядали виклики у сфері соціальних мереж. Чи можете розповісти про деякі з цих викликів?

Як компанія, ми виявляли події, записані у соціальних мережах, зокрема події, які потрібно було виділити як потенційну небезпеку, наприклад, аварію чи пожежу. Ми допомагали виділити ці події, щоб мобілізувати перших респондентів. Ми використовували соціальні медіа для добра.

Багато з цих подій рідкісні щодо даних соціальних медіа. Наприклад, численні аварії відбуваються щодня у будь-якому місті, але коли ви дивитеся на обсяг даних соціальних медіа, зображення аварії стає досить малозначущим. Підумайте про мільйони зображень собак, зображень їжі, ще мільйон зображень селфі та одне зображення аварії, все за кілька хвилин. По суті, у компанії Banjo ми шукали голку в копиці.

Одним з викликів, які виникали, була проблема комп’ютерного зору. Хоча комп’ютерний зір був досить добрим на той час, коли ви намагалися знайти один з кількох мільйонів, навіть малий похибку ймовірності міг повністю знищити ваші шанси виявити ці рідкісні події.

Наприклад, існував публічний набір даних, який, коли використовувався для навчання нейронних мереж, спричиняв те, що вони не могли розпізнавати кольори. Навіть якщо зображення у наборі даних було кольоровим, і нейронна мережа дивилася на всі RGB, вона не використовувала кольори як ознаку. Візьміть традиційний поліцейський автомобіль та традиційний таксі – обидва мають одну й ту ж базову модель автомобіля та додаткове обладнання зверху (наприклад, сирени на поліцейському автомобілі або сигнал зайнятості на таксі). Але якщо ви дивитеся на кольори, різниця між ними очевидна. Завдяки цьому випадку ми змогли зрозуміти, що створення належного набору даних є життєво важливим.

У 2017 році ви потім заснували Ople. Що була генезис-історія цієї стартап-компанії?

Я хотів, щоб компанії отримували солідну прибутковість від впровадження AI. За даними Gartner, між 80 та 90 відсотками проектів AI ніколи не бачать світ. Це не пов’язано з технічними аспектами, такими як точність моделі. Це зазвичай культура компанії або процедурні аспекти всередині компанії.

Це може бути пов’язано з відсутністю достатньої комунікації між командою даних науки та бізнес-користувачем, що призводить до моделей, які передбачають щось, чого бізнес-команда не потребує, оскільки команда даних науки не зрозуміла, що потрібно побудувати. Або, якщо вони побудують правильну модель, то після того, як команда даних науки закінчить, бізнес-команда не використовує передбачення зовсім. У більшості компаній відділами, які повинні використовувати AI, є відділи продажів, маркетингу та логістики, але це команда даних науки, яка розуміє моделі. Коли ці команди не розуміють моделей, побудованих для них, вони схильні не довіряти їхнім передбаченням і тому не використовують їх.

Якщо AI не змінює, як компанія веде бізнес, то в чому сенс?

Ми хотіли створити платформу, яка допоможе команді даних науки або бізнес-аналітикам, даних аналітикам, усім, хто залучений до цього процесу в компанії, побудувати правильні проекти та допомогти працівникам зрозуміти та довіряти моделям. Якщо ми виправимо це, то я вважаю, що наука про дані може нарешті стати цінною для компаній реальним чином.

Ви заявили, що науковці-дані витрачають цінний час на виконання завдань, які можна автоматизувати за допомогою AI. Які приклади завдань, які повинні бути автоматизовані?

Науковець-дані зазвичай витрачає кілька місяців на створення моделі, і після завершення компанії впроваджують цю модель, хоча вона, ймовірно, не буде такою точною, як це можливо. У місяці після впровадження моделі науковець-дані продовжує працювати над нею, намагаючись збільшити точність моделі на невеликі інкременти. Це зазвичай те, де багато науковців-даних витрачають свій час, коли вони могли б витрачати час на виконання інших завдань, таких як забезпечення того, щоб працівники розуміли, довіряли та використовували моделі AI, впроваджені в компанії. Весь цей час, витрачений на завдання, такі як інженерія функцій, навчання моделей, налаштування параметрів та вибір алгоритмів, намагаючись збільшити точність моделі, можна легко автоматизувати за допомогою AI.

Чи можете описати, що таке мета-навчання та як Ople застосовує це?

Перед тим, як я перейду до мета-навчання, важливо зрозуміти перший рівень машинного навчання. Наприклад, у вас є набір даних, який передбачає, коли машини будуть ламатися на заводському поверсі. Машина повідомляє працівникам, що вона ламается, щоб вони могли провести профілактичне обслуговування. Це вважається першим рівнем навчання.

Мета-навчання, часто відоме як “навчання навчанню”, полягає у подальшому розумінні процесу навчання. Отже, коли ви тренуєте свою модель для передбачення помилок машин, у вас є інша модель, яка спостерігає. Наприклад, друга модель могла б допомогти підприємствам зрозуміти, які параметри моделі передбачення помилок вивчаються добре, а які параметри не працюють добре. Коли ви робите мета-навчання, ви стаєте краще у побудові більш ефективних моделей, швидше.

Які ваші погляди на синтетичні дані?

Синтетичні дані можуть бути надзвичайно складними для роботи, якщо не виконані правильно.

Наприклад, у вас є дані медичних записів – у вас є 20 пацієнтів, і для цих пацієнтів у вас є їх вік, стать, вага, зріст, артеріальний тиск, перелік ліків тощо. Можна створити синтетичні дані за допомогою машинного навчання на основі цих медичних записів. Однак, якщо ви покладатися тільки на машинне навчання чи статистику, ви можете отримати безглузді синтетичні дані. Це може створити випадкову комбінацію значень, наприклад, трьохрічну дитину, яка ростом шість футів, або людину ростом чотири фути, яка важить тисячу фунтів. Хоча AI/ML надійні у багатьох випадках, синтетичні дані, використовувані для медичних записів, повинні мати участь лікаря.

Отже, ви залучаєте медичного фахівця для створення параметрів, таких як “якщо людина цього віку, то який реалістичний діапазон зросту та ваги”, або “якщо вони приймають цей лік, то які ліки вони не повинні приймати”. Це буде величезним завданням і надто складним для картування всіх можливостей, оскільки вони стосуються медичних записів кожного пацієнта.

У сфері зображень, однак, синтетичні дані можуть бути набагато легше зрозуміти та створити. Наприклад, у вас є зображення автомобіля, і автомобіль знаходиться у верхньому лівому куті. Ви не повинні бути експертом, щоб знати, що той самий автомобіль може бути у нижньому лівому куті, верхньому правому куті або у центрі. Не тільки людина може вказати камеру багатьма способами, але також може реалізувати зображення. Зміна фокусу зображення, щоб автомобіль був у всіх різних кутах, створює синтетичні дані – ще один простий метод – це використання обертання.

Чи можете дати приклади того, як Ople допомогла підприємствам з їхніми потребами у даних?

Ople.AI надає підприємствам можливість використовувати глибокі дані аналітики на всіх рівнях організації та надає працівникам можливість розблокувати цінність AI, просто за кілька кліків. На відміну від компаній, які покладаються на невелику команду науковців-даних для артикуляції та впровадження AI, платформа Ople.AI оснащує працівників у різних відділах інструментами для доступу до інформації з їхніх даних та підвищення їхньої щоденної ефективності.

З іншого боку, однією з великих перешкод, з якими підприємства часто зіштовхуються при впровадженні AI, є пояснюваність моделі. Це важливо для підприємств пропонувати AI, яку їхні працівники можуть зрозуміти, а ще важливіше, довіряти. Пояснюваність моделі допомагає з цим. Наша мета з платформою Ople.AI – дати працівникам, які можуть не бути знайомі з AI чи технологіями, можливість легко зрозуміти, як моделі роблять передбачення та чому. Створення пояснюваністі моделі принесе потужні результати для підприємств у довгостроковій перспективі.

Крім того, існує набагато більше цінності, яку модель може принести компанії, окрім передбачення. AI може розкрити потенційні проблеми або області, які можна капіталізувати. Ми називаємо це пояснюваністю даних – це різні способи, якими модель може поділитися розумними ідеями про дані, які цінні для компанії. Це великий спосіб, яким AI може допомогти підприємствам, і область, у якій ми просунуємося щодо нашої конкуренції.

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