Вінай Кумар Санкарапу, співзасновник та CEO Arya.ai – Інтерв’ю серія

Вінай Кумар Санкарапу – співзасновник та CEO Arya.ai, платформи, яка пропонує “AI” хмару для банків, страхових компаній та фінансових установ (BFSI) для пошуку правильних AI API, експертних рішень AI та комплексних інструментів управління AI для розгортання довірчих та самоучливих двигунів AI.

Ваш背景 у математиці, фізиці, хімії та машинобудуванні, можете.tell про свій шлях до переходу до комп’ютерних наук та AI?

У ІІТ Бомбей, у нас є програма “Двойний диплом”, яка надає 5-річний курс для вивчення як бакалавра технологій, так і магістра технологій. Я вивчав машинобудування зі спеціалізацією “Комп’ютерне проектування та виробництво”, де комп’ютерні науки є частиною нашого курсу. Для нашої післядипломної роботи я вибрав роботу над глибоким навчання. Коли я почав використовувати ДЛ для створення рамки прогнозування відмов для безперервного виробництва, я закінчив свою роботу над використанням ЦНС для прогнозування залишкового терміну служби. Це було близько 2013/14 років.

Ви запустили Arya.ai, ще навчаючись у коледжі, можете розповісти про історію створення цієї стартапу?

У рамках академічних досліджень нам доводилося витрачати 3-4 місяці на літературний огляд для створення детального дослідження на тему інтересу, обсягу роботи, виконаної раніше, та можливої області фокусу для наших досліджень. Під час 2012/13 років інструменти, які ми використовували, були досить базовими. Пошукові системи, такі як Google Scholar та Scopus, просто здійснювали пошук за ключовими словами. Це було дуже складно зрозуміти обсяг знань, який був доступний. Я подумав, що ця проблема тільки погіршиться. У 2013 році, я думаю, що щонайменше 30+ статей публікувалися кожну хвилину. Сьогодні це щонайменше в 10-20 разів більше.

Ми хотіли побудувати “AI” помічника, подібного до “професора” для дослідників, щоб допомогти їм знайти тему дослідження, знайти відповідну статтю, яка є найбільш актуальною, та все, що стосується досліджень STEM. З нашим досвідом у глибокому навчанні, ми подумали, що можемо вирішити цю проблему. У 2013 році ми почали Arya.ai з командою з 3 осіб, а потім вона розрослася до 7 осіб у 2014 році, коли я ще навчався у коледжі.

Наша перша версія продукту була побудована шляхом скрапінгу більш ніж 30 мільйонів статей та анотацій. Ми використовували найкращі техніки глибокого навчання на той час для побудови AI-помічника STEM-досліджень та контекстного пошукового двигуна для STEM. Але коли ми продемонстрували AI-помічника декільком професорам та однокурсникам, ми зрозуміли, що ми були надто ранні. Конверсаційні потоки були обмежені, а користувачі очікували вільного потоку та безперервних конверсацій. Очікування були дуже нереалістичними на той час (2014/15 років), хоча воно відповідало на складні питання.

Після цього ми змінили напрямок та використали наші дослідження для створення інструментів ML для дослідників та підприємств як робочої поверхні для демократизації глибокого навчання. Але знову, дуже мало даних вчених використовували ДЛ у 2016 році. Тому ми почали вертикалізувати його для однієї вертикалі та зосередилися на побудові спеціалізованих продукційних шарів для однієї вертикалі, тобто фінансових послугових інститутів (FSI). Ми знали, що це буде працювати, оскільки великі гравці намагаються виграти горизонтальну гру, а вертикальні гравці зосереджуються на вимогах кінцевого користувача та надають їх як спеціалізований продукційний шар. Цього разу ми були праві!

Ми будемо будувати AI-хмару для банків, страхових компаній та фінансових послугових інститутів з найбільш спеціалізованими вертикальними шарами для доставки масштабованих та відповідальних рішень AI.

Яка проблема “чорної скриньки” AI у фінансах?

Дуже важливо! Тільки 30% фінансових інститутів використовують “AI” до повної потужності. Одним із причин є доступність, іншим – відсутність довіри до “AI” та аудитабельності. Регуляторні вимоги зараз чіткі в декількох географіях щодо юридичних аспектів використання AI для низьких, середніх та високочутливих випадків використання. Це вимагається законом в ЄС для використання прозорих моделей для “високоризикових” випадків використання. Багато випадків використання у фінансових інститутах є високоризиковими випадками використання. Тому їм потрібно використовувати білі скриньки.

Гіп-цикли також заспокоюються через ранній досвід роботи з рішеннями AI. Є зростаюча кількість прикладів останнього часу про наслідки використання “чорної скриньки” AI, невдач AI через відсутність моніторингу та проблеми з юридичними та ризиковими менеджерами через обмежену аудитабельність.

Можете розповісти про різницю між моніторингом ML та спостереженням ML?

 Робота інструменту моніторингу полягає просто у моніторингу та попередженні. А робота інструменту спостереження полягає не тільки у моніторингу та звітності, але й, найважливіше, у наданні достатніх доказів для знаходження причин невдач або прогнозування цих невдач з часом.

У AI/ML ці інструменти відіграють критичну роль. Хоча ці інструменти можуть виконувати необхідні ролі моніторингу, область спостереження ML

Чому потрібні галузеві платформи для спостереження ML, а не загальні платформи?

Загальні платформи призначені для всіх та будь-якого випадку використання, незалежно від галузі – будь-який користувач може зайти на платформу та почати використовувати її. Клієнтами цих платформ зазвичай є розробники, дані вчені тощо. Платформи створюють декілька проблем для зацікавлених сторін через свою складну природу та підхід “один розмір підходить всім”.

На жаль, більшість бізнесів сьогодні потребують експертів з даних науки для використання загальних платформ та потребують додаткових рішень/продукційних шарів для того, щоб зробити ці моделі “використовуваними” кінцевими користувачами в будь-якій вертикалі. Це включає пояснюваність, аудит, сегменти/сценарії, процеси людини у циклі, маркування відгуків, аудит, інструментально-специфічні канали тощо.

Це саме тут вступають у гру галузеві AI-платформи. Галузева AI-платформа володіє цілим робочим процесом для вирішення цілевої потреби клієнта або випадків використання та розробляється для надання повного продукту від початку до кінця, від розуміння бізнес-потреб до моніторингу продуктивності. Є багато галузевих бар’єрів, таких як регуляторні та нормативні рамки, вимоги до захисту даних, вимоги аудиту та контролю тощо. Галузеві AI-платформи та пропозиції прискорюють прийняття AI та скорочують шлях до виробництва, зменшуючи час розробки та пов’язані з цим ризики у впровадженні AI. Крім того, це також допоможе зібрати разом експертизу AI у галузі як продукційний шар, який допоможе покращити прийняття “AI”, спонукати зусилля з дотримання вимог та визначити загальні підходи до етики, довіри та репутаційних проблем.

Можете поділитися деякими деталями про платформу спостереження ML, яку пропонує Arya.ai?

Ми працюємо у фінансових послугових інститутах понад 6 років. З 2016 року. Це дав нам ранній досвід унікальних проблем розгортання складного AI у FSI. Однією з важливих проблем була “прийняття AI. На відміну від інших вертикалей, є багато регуляторних вимог щодо використання будь-якого програмного забезпечення (також застосовується до рішень AI), захисту даних, етики та, найважливіше, фінансового впливу на бізнес. Для вирішення цих проблем у масштабі нам доводилося безперервно винаходити та додавати нові шари пояснюваності, аудиту, ризиків та підзвітності на вершину наших рішень – обробку претензій, страхування, моніторинг шахрайства тощо. З часом ми створили прийнятну та масштабовану рамку спостереження ML для різних зацікавлених сторін у фінансових послугових інститутах.

Ми зараз випускаємо DIY-версію цієї рамки як AryaXAI (xai.arya.ai). Будь-яка команда ML або бізнесу може використовувати AryaXAI для створення висококомплексної системи управління AI для критично важливих випадків використання. Платформа надає прозорість та аудитабельність вашим рішенням AI, які прийнятні для кожного зацікавленого боку. AryaXAI робить AI безпечнішим та прийнятним для критично важливих випадків використання, надаючи надійне та точне пояснювання, надаючи докази, які можуть підтримати нормативну діяльність, керуючи неоднозначністю AI шляхом надання просунутих політичних контролів та забезпечення послідовності у виробництві шляхом моніторингу дрейфу даних або моделі та попередження користувачів з аналізом кореневих причин.

AryaXAI також діє як загальний робочий процес та надає інсайти, прийнятні для всіх зацікавлених сторін – команд даних науки, ІТ, ризику, операцій та комплаєнсу, роблячи розгортання та підтримку моделей ML/AI безперешкодними та вільними від зайвого.

Інше рішення, яке пропонується, – це платформа, яка підвищує придатність моделі ML за допомогою контекстної реалізації політики. Можете описати, що це саме?

Стає складно контролювати та керувати моделями ML у виробництві через величезну кількість функцій та прогнозів. Крім того, неоднозначність поведінки моделі робить складним керування та стандартизацію управління, ризиками та комплаєнсом. Такі невдачі моделей можуть призвести до великих репутаційних та фінансових втрат.

AryaXAI пропонує “Політичні/різикові контролі”, критичний компонент, який зберігає бізнесові та етичні інтереси шляхом впровадження політики на AI. Користувачі можуть легко додавати/редагувати/змінювати політики для адміністрування політичних контролів. Це дозволяє міжфункціональним командам визначати політичні периметри для забезпечення безперервної оцінки ризиків, захищаючи бізнес від неоднозначності AI.

Які приклади випадків використання цих продуктів?

AryaXAI можна впровадити для різних критично важливих процесів у різних галузях. Найпоширеніші приклади:

BFSI: У середовищі регуляторної суворості, AryaXAI робить легко для галузі BFSI вирішувати вимоги та зібрати докази, необхідні для управління ризиками та забезпечення комплаєнсу.

• Кредитне страхування для безпечних/незабезпечених кредитів
• Виявлення шахрайських/підозрілих транзакцій
• Аудит
• Управління життєвим циклом клієнта
• Кредитне рішення

Автономні автомобілі: Автономні транспортні засоби повинні відповідати регуляторній суворості, оперативній безпеці та пояснюваності у режимі реального часу. AryaXAI дозволяє зрозуміти, як система AI взаємодіє з транспортним засобом

• Аналіз рішення
• Операції автономного транспортного засобу
• Дані про здоров’я транспортного засобу
• Моніторинг системи водіння AI

Охорона здоров’я: AryaXAI надає глибші інсайти з медичної, технологічної, юридичної та пацієнтської точок зору. Від відкриття ліків до виробництва, продажів та маркетингу, Arya-xAI сприяє міжгалузевій співпраці

• Відкриття ліків
• Клінічні дослідження
• Валідация даних клінічних досліджень
• Вища якість лікування

Яка ваша бачення майбутнього машинного навчання у фінансах?

За останні десять років було величезне просвітування та маркетинг навколо “AI”. Ми бачили декілька гіп-циклів під час цього часу. Ми, ймовірно, зараз находимося на 4-му або 6-му гіп-циклі. Перший гіп-цикл був тоді, коли глибоке навчання виграло ImageNet у 2011/12 роках, followed by робота навколо класифікації зображень/тексту, розпізнавання мови, автономних автомобілів, генеративного AI та зараз з великими мовними моделями. Пропуск між піком гіпу та масовим використанням зменшується з кожним гіп-циклом через ітерації навколо продукту, попиту та фінансування.

Ці три речі відбулися зараз:

1. Я думаю, ми розбили рамку масштабу для рішень AI, щонайменше для декількох експертів. Наприклад, Open AI зараз є некомерційною організацією, але вони прогнозують доход у розмірі 1 мільярда доларів протягом 2 років. Хоча не кожна компанія AI може досягти подібного масштабу, але шаблон масштабованості зрозуміліший.
2.  Визначення ідеальних рішень AI майже зрозуміло всіма вертикалями: На відміну від раніше, коли продукт будувався через ітеративні експерименти для кожного випадку використання та кожної організації, зацікавлені сторони все більше просвіщені щодо розуміння того, чого їм потрібно від рішень AI.
3.  Регуляторні вимоги зараз доганяють: Потрібність чітких регуляторних вимог щодо захисту даних та використання AI зараз набуває великої популярності. Управлінські органи та регулюючі органи здатні публікувати або знаходяться в процесі публікації рамок, необхідних для безпечного, етичного та відповідального використання AI.

Що далі?

Вибух “Моделі як сервісу (MaaS)”:

Ми бачитимемо зростаючий попит на пропозиції “Моделі як сервісу” не тільки горизонтально, але й вертикально. Хоча “OpenAI” представляє хороший приклад горизонтального MaaS, Arya.ai є прикладом вертикального MaaS. З досвідом розгортань та наборів даних, Arya.ai зібрала критичні вертикальні набори даних, які використовуються для навчання моделей та надання їх у вигляді готових до використання або попередньо натренованих моделей.

Вертикалізація – це нова горизонталь: Ми бачили цю тенденцію у прийнятті хмари. Хоча горизонтальні гравці хмари зосереджуються на “платформах для всіх”, вертикальні гравці зосереджуються на вимогах кінцевого користувача та надають їх як спеціалізований продукційний шар. Це правда навіть для пропозицій MaaS.

XAI та управління AI стануть нормою в підприємствах: В залежності від чутливості регуляторних вимог, кожна вертикаль досягне прийнятної рамки XAI та управління, яка буде впроваджена як частина дизайну, на відміну від того, що зараз вона розглядається як додаток.

Генеративний AI на таблицях даних може побачити свій гіп-цикл у підприємствах: Створення синтетичних наборів даних вважається одним із легких у впровадженні рішень для вирішення проблем, пов’язаних з даними, у підприємствах. Команди даних науки будуть високо цінувати це, оскільки проблема знаходиться під їхнім контролем, на відміну від того, щоб довіряти бізнесу, оскільки він може зайняти час, бути дорогим та не гарантованим для виконання всіх кроків під час збору даних. Синтетичні дані вирішують проблеми зміщення, дисбалансу даних, захисту даних та недостатніх даних. Хоча ефективність цього підходу ще не доведена, однак з більшою зрілістю нових технік, таких як трансформери, ми можемо побачити більше експериментів з традиційними наборами даних, такими як таблиці та багатовимірні дані. Після успіху цей підхід може мати величезний вплив на підприємства та пропозиції MaaS.

Чи є щось інше, що ви хотіли б поділитися про Arya.ai?

Фокус Arya.ai полягає у вирішенні “AI” для банків, страхових компаній та фінансових послугових інститутів. Наш підхід полягає у вертикалізації технологій до останнього шару та роблячи їх придатними та прийнятними для кожної організації та зацікавленої сторони.

AryaXAI (xai.arya.ai) зіграє важливу роль у доставці цього масам у вертикалі FSI. Наше тривале дослідження синтетичних даних успішно завершилося у декількох випадках використання, але ми намагаємося зробити це більш прийнятним варіантом. Ми продовжимо додавати більше шарів до нашої “AI”-хмари для служіння нашій місії.

Я думаю, ми побачимо більше стартапів, подібних до Arya.ai, не тільки у вертикалі FSI, але й у кожній вертикалі.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Arya.ai.