Phỏng vấn
Dr. Devavrat Shah, Đồng sáng lập & CEO của Ikigai Labs – Loạt phỏng vấn
Dr. Devavrat Shah là Đồng sáng lập và CEO của Ikigai Labs và ông là một giáo sư và giám đốc Trung tâm Thống kê và Khoa học Dữ liệu tại MIT. Ông đã đồng sáng lập Celect, một nền tảng phân tích dự đoán cho các nhà bán lẻ, nền tảng mà ông đã bán cho Nike. Devavrat holds a Bachelor and PhD in Computer Science từ Indian Institute of Technology và Stanford University, tương ứng.
Ikigai Labs cung cấp một nền tảng được hỗ trợ bởi AI, được thiết kế để chuyển đổi dữ liệu bảng và thời gian của doanh nghiệp thành những thông tin dự đoán và có thể hành động. Sử dụng Large Graphical Models được cấp bằng sáng chế, nền tảng này cho phép người dùng kinh doanh và nhà phát triển trên các ngành công nghiệp khác nhau nâng cao quy trình lập kế hoạch và ra quyết định.
Bạn có thể chia sẻ câu chuyện về việc thành lập Ikigai Labs không? Điều gì đã truyền cảm hứng cho bạn để chuyển từ học thuật sang doanh nghiệp?
Tôi thực sự đã chuyển đổi giữa thế giới học thuật và kinh doanh trong vài năm qua. Tôi đã đồng sáng lập Ikigai Labs với sinh viên cũ của tôi tại MIT, Vinayak Ramesh. Trước đó, tôi đã đồng sáng lập một công ty gọi là Celect, giúp các nhà bán lẻ tối ưu hóa quyết định hàng tồn kho thông qua dự báo nhu cầu dựa trên AI. Celect đã được Nike mua lại vào năm 2019.
Large Graphical Models (LGMs) là gì, và chúng khác với Large Language Models (LLMs) như thế nào?
LGMs hoặc Large Graphical Models là một cái nhìn xác suất về dữ liệu. Chúng khác biệt rõ ràng với mô hình “Foundation” dựa trên AI như LLM.
Các mô hình Foundation giả định rằng chúng có thể “học” tất cả các “mẫu” liên quan từ một tập dữ liệu lớn. Và do đó, khi một đoạn dữ liệu mới được trình bày, nó có thể được ngoại suy dựa trên phần liên quan của tập dữ liệu. LLMs đã rất hiệu quả cho dữ liệu không cấu trúc (văn bản, hình ảnh).
Thay vào đó, LGMs xác định các “mẫu chức năng” phù hợp từ một “vũ trụ” lớn của các mẫu như vậy, cho một đoạn dữ liệu. LGMs được thiết kế để có tất cả các “mẫu chức năng” liên quan sẵn có cho chúng, liên quan đến dữ liệu cấu trúc (bảng, thời gian).
LGMs có thể học và cung cấp dự đoán và dự báo chính xác bằng cách sử dụng rất ít dữ liệu. Ví dụ, chúng có thể được sử dụng để thực hiện dự báo chính xác về xu hướng hoặc kết quả kinh doanh quan trọng, thay đổi động.
Bạn có thể giải thích cách LGMs đặc biệt phù hợp cho việc phân tích dữ liệu bảng và thời gian, và chúng mang lại lợi thế gì so với các mô hình AI khác trong lĩnh vực này?
LGMs được thiết kế đặc biệt cho việc mô hình hóa dữ liệu cấu trúc (tức là dữ liệu bảng, thời gian). Do đó, chúng cung cấp độ chính xác và dự đoán đáng tin cậy hơn.
Ngoài ra, LGMs yêu cầu ít dữ liệu hơn LLMs và do đó có yêu cầu tính toán và lưu trữ thấp hơn, giúp giảm chi phí. Điều này cũng có nghĩa là các tổ chức có thể nhận được thông tin chính xác từ LGMs ngay cả với dữ liệu đào tạo hạn chế.
LGMs cũng hỗ trợ bảo mật và quyền riêng tư của dữ liệu tốt hơn. Chúng chỉ đào tạo trên dữ liệu của chính doanh nghiệp – với sự bổ sung từ các nguồn dữ liệu bên ngoài được chọn (như dữ liệu thời tiết và dữ liệu truyền thông xã hội) khi cần. Không bao giờ có rủi ro rằng dữ liệu nhạy cảm sẽ được chia sẻ với một mô hình công khai.
Trong những loại kịch bản kinh doanh nào, LGMs cung cấp giá trị nhất? Bạn có thể cung cấp một số ví dụ về cách chúng đã được sử dụng để cải thiện dự báo, lập kế hoạch hoặc ra quyết định?
LGMs cung cấp giá trị trong bất kỳ kịch bản nào mà một tổ chức cần dự đoán một kết quả kinh doanh hoặc dự đoán xu hướng để hướng dẫn chiến lược của họ. Nói cách khác, chúng giúp đỡ trên một loạt các trường hợp sử dụng.
Hãy tưởng tượng một doanh nghiệp bán đồ trang trí và vật dụng cho Halloween và đang tìm kiếm thông tin để đưa ra quyết định hàng hóa tốt hơn. Do tính chất theo mùa, họ đi trên một dây cao: Một mặt, công ty cần tránh tồn kho quá nhiều và kết thúc với hàng hóa chưa bán được vào cuối mỗi mùa (nghĩa là hàng hóa chưa bán được và vốn đầu tư lãng phí). Mặt khác, họ cũng không muốn hết hàng quá sớm (nghĩa là họ bỏ lỡ doanh thu).
Sử dụng LGMs, doanh nghiệp có thể đạt được sự cân bằng hoàn hảo và hướng dẫn nỗ lực hàng hóa bán lẻ của họ. LGMs có thể trả lời các câu hỏi như:
- Những bộ trang phục nào tôi nên tồn kho trong mùa này? Tôi nên tồn kho bao nhiêu SKU cho mỗi SKU?
- SKU nào sẽ bán tốt tại một vị trí cụ thể?
- Phụ kiện nào sẽ bán tốt với bộ trang phục này?
- Làm thế nào để chúng tôi tránh cannibalize doanh thu ở các thành phố nơi chúng tôi có nhiều cửa hàng?
- Làm thế nào để chúng tôi dự đoán hiệu suất của bộ trang phục mới?
Làm thế nào LGMs giúp trong các kịch bản mà dữ liệu là thưa thớt, không nhất quán hoặc thay đổi nhanh chóng?
LGMs tận dụng sự hòa giải dữ liệu dựa trên AI để cung cấp thông tin chính xác ngay cả khi họ phân tích các tập dữ liệu nhỏ hoặc nhiễu. Sự hòa giải dữ liệu đảm bảo rằng dữ liệu là nhất quán, chính xác và hoàn chỉnh. Nó liên quan đến việc so sánh và xác thực các tập dữ liệu để xác định sự không nhất quán, lỗi hoặc không chính xác. Bằng cách kết hợp cấu trúc không gian và thời gian của dữ liệu, LGMs cho phép dự đoán tốt với dữ liệu hạn chế và không hoàn hảo. Các dự đoán đi kèm với định lượng không chắc chắn cũng như giải thích.
Làm thế nào nhiệm vụ của Ikigai trong việc dân chủ hóa AI phù hợp với sự phát triển của LGMs? Bạn nhìn thấy LGMs định hình tương lai của AI trong kinh doanh như thế nào?
AI đang thay đổi cách chúng ta làm việc, và các doanh nghiệp phải sẵn sàng để AI hóa cho các loại nhân viên. Nền tảng Ikigai cung cấp một trải nghiệm mã thấp / không mã đơn giản cho người dùng kinh doanh cũng như một trải nghiệm Xây dựng AI đầy đủ và API cho các nhà khoa học dữ liệu và nhà phát triển. Ngoài ra, chúng tôi cung cấp giáo dục miễn phí tại Học viện Ikigai để bất kỳ ai cũng có thể học các nguyên tắc cơ bản của AI cũng như được đào tạo và chứng nhận trên nền tảng Ikigai.
LGMs sẽ có tác động lớn hơn nữa đối với các doanh nghiệp đang tìm cách sử dụng AI. Các doanh nghiệp muốn sử dụng genAI cho các trường hợp sử dụng yêu cầu mô hình hóa dự đoán và thống kê số, chẳng hạn như dự báo xác suất và lập kế hoạch kịch bản. Nhưng LLMs không được thiết kế cho các trường hợp sử dụng này, và nhiều tổ chức nghĩ rằng LLMs là hình thức duy nhất của genAI. Vì vậy, họ thử Large Language Models cho mục đích dự báo và lập kế hoạch, và họ không cung cấp. Họ từ bỏ và giả định rằng genAI không có khả năng hỗ trợ các ứng dụng này. Khi họ phát hiện ra LGMs, họ sẽ nhận ra rằng họ thực sự có thể tận dụng AI sinh để thúc đẩy dự báo và lập kế hoạch tốt hơn và giúp họ đưa ra quyết định kinh doanh tốt hơn.
Nền tảng Ikigai tích hợp LGMs với một cách tiếp cận lấy con người làm trung tâm thông qua tính năng eXpert-in-the-loop của bạn. Bạn có thể giải thích cách sự kết hợp này tăng cường độ chính xác và áp dụng của các mô hình AI trong các doanh nghiệp?
AI cần các rào cản, vì các tổ chức tự nhiên e ngại rằng công nghệ sẽ hoạt động chính xác và hiệu quả. Một trong những rào cản này là giám sát của con người, có thể giúp infuse chuyên môn lĩnh vực quan trọng và đảm bảo rằng các mô hình AI đang cung cấp dự báo và dự đoán có liên quan và hữu ích cho kinh doanh của họ. Khi các tổ chức có thể đặt một chuyên gia con người vào vai trò giám sát AI, họ có thể tin tưởng và xác minh độ chính xác của nó. Điều này vượt qua một rào cản lớn đối với việc áp dụng.
Những đổi mới công nghệ chính trong nền tảng Ikigai là gì, giúp nó nổi bật so với các giải pháp AI khác hiện có trên thị trường?
Công nghệ LGM cốt lõi của chúng tôi là yếu tố phân biệt lớn nhất. Ikigai là một người tiên phong trong không gian này mà không có đối thủ. Đồng sáng lập và tôi đã phát minh ra LGMs trong quá trình làm việc học thuật tại MIT. Chúng tôi là người đổi mới trong các mô hình đồ họa lớn và sử dụng genAI trên dữ liệu cấu trúc.
Bạn nhìn thấy LGMs có tác động gì đến các ngành công nghiệp phụ thuộc nặng vào dự báo và lập kế hoạch chính xác, chẳng hạn như bán lẻ, quản lý chuỗi cung ứng và tài chính?
LGMs sẽ hoàn toàn chuyển đổi vì chúng được thiết kế đặc biệt để sử dụng trên dữ liệu bảng và thời gian, là mạch máu của mọi công ty. Về cơ bản, mọi tổ chức trong mọi ngành công nghiệp phụ thuộc nặng vào phân tích dữ liệu cấu trúc để dự báo nhu cầu và lập kế hoạch kinh doanh để đưa ra quyết định sáng suốt ngắn hạn và dài hạn – cho dù những quyết định đó liên quan đến hàng hóa, tuyển dụng, đầu tư, phát triển sản phẩm hoặc các loại khác. LGMs cung cấp điều gần giống như một quả cầu pha lê để đưa ra quyết định tốt nhất.
Nhìn về tương lai, những bước tiếp theo cho Ikigai Labs trong việc phát triển khả năng của LGMs là gì? Có tính năng hoặc phát triển mới nào trong đường ống mà bạn đặc biệt hào hứng?
Mô hình aiPlan hiện tại của chúng tôi hỗ trợ phân tích kịch bản và giả định. Nhìn về phía trước, chúng tôi đang nhắm đến việc phát triển thêm và cho phép học tăng cường đầy đủ cho các nhóm hoạt động. Điều này sẽ cho phép một nhóm hoạt động thực hiện lập kế hoạch AI trong cả ngắn hạn và dài hạn.
Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, người đọc muốn tìm hiểu thêm nên truy cập Ikigai Labs.
