Tiến sĩ Devavrat Shah, Đồng sáng lập và CEO của Ikigai Labs – Loạt phỏng vấn

Tiến sĩ Devavrat Shah là Đồng sáng lập và CEO của Ikigai Labs và ông cũng là 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拥有 bằng cấp về Khoa học Máy tính từ Viện Công nghệ Ấn Độ và Đại học Stanford.

Ikigai Labs cung cấp một nền tảng được hỗ trợ bởi trí tuệ nhân tạo, được thiết kế để chuyển đổi dữ liệu bảng và chuỗi thời gian của doanh nghiệp thành những thông tin dự đoán và có thể hành động. Sử dụng Mô hình Đồ họa Lớn 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 của họ.

Bạn có thể chia sẻ câu chuyện về việc thành lập Ikigai Labs không? Điều gì đã truyền cảm hứng cho bạn chuyển từ lĩnh vực học thuật sang doanh nghiệp?

Tôi đã đi lại 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 tên là Celect, giúp các nhà bán lẻ tối ưu hóa quyết định hàng tồn kho thông qua dự đoán nhu cầu dựa trên trí tuệ nhân tạo. Celect đã được Nike mua lại vào năm 2019.

Các Mô hình Đồ họa Lớn (LGMs) là gì, và chúng khác với các Mô hình Ngôn ngữ Lớn (LLMs) như thế nào?

LGMs hoặc Mô hình Đồ họa Lớn là quan điểm xác suất của dữ liệu. Chúng khác biệt rõ ràng với các mô hình “Foundation” dựa trên trí tuệ nhân tạo 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 từ tập dữ liệu. LLMs đã rất hiệu quả cho dữ liệu không cấu trúc (văn bản, hình ảnh).

LGMs thay vào đó 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 có sẵn cho chúng, liên quan đến dữ liệu cấu trúc (bảng, chuỗi thời gian).

LGMs có thể học và cung cấp dự đoán và dự báo chính xác bằng cách sử dụng dữ liệu hạn chế. Ví dụ, chúng có thể được sử dụng để thực hiện dự báo chính xác về xu hướng và 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 cấu trúc, bảng và thời gian không? Và chúng mang lại những lợi thế gì so với các mô hình trí tuệ nhân tạo khác trong lĩnh vực này?

LGMs được thiết kế đặc biệt cho việc xây dựng 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.

Bên cạnh đó, 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 riêng 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 kịch bản kinh doanh nào, LGMs mang lại 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 không?

LGMs mang lại 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 đồ dùng cho Halloween và đang tìm kiếm thông tin để đưa ra quyết định mua hàng tốt hơn. Do tính mùa vụ, họ đi trên một đường mỏng: Một mặt, công ty cần tránh tồn kho quá nhiều và kết thúc mỗi mùa với hàng tồn kho dư thừa (nghĩa là hàng hóa chưa bán 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 tìm được sự cân bằng hoàn hảo và hướng dẫn nỗ lực mua hàng bán lẻ của họ. LGMs có thể trả lời các câu hỏi như:

• Những bộ trang phục nào tôi nên nhập cho mùa này? Tôi nên nhập bao nhiêu cho mỗi SKU?
• SKU nào sẽ bán tốt tại một vị trí cụ thể?
• Phụ kiện này sẽ bán tốt với bộ trang phục này như thế nào?
• Làm thế nào để tôi tránh cạnh tranh bán hàng tại các thành phố nơi chúng tôi có nhiều cửa hàng?
• Bộ trang phục mới sẽ hoạt động như thế nào?

Làm thế nào LGMs giúp trong các kịch bản mà dữ liệu bị thiếu, không nhất quán hoặc thay đổi nhanh?

LGMs tận dụng sự hòa giải dữ liệu dựa trên trí tuệ nhân tạo để cung cấp thông tin chính xác ngay cả khi phân tích các tập dữ liệu nhỏ hoặc nhiễu. Sự hòa giải dữ liệu đảm bảo rằng dữ liệu nhất quán, chính xác và đầy đủ. Nó bao gồm 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 tối thiểu và không hoàn hảo. Dự đoán đi kèm với định lượng không chắc chắn cũng như giải thích.

Làm thế nào sứ mệnh của Ikigai trong việc dân chủ hóa trí tuệ nhân tạo phù hợp với sự phát triển của LGMs? Bạn nhìn thấy LGMs định hình tương lai của trí tuệ nhân tạo trong kinh doanh như thế nào?

Trí tuệ nhân tạo đang thay đổi cách chúng ta làm việc, và các doanh nghiệp phải sẵn sàng để AI hóa công việc cho tất cả các loại nhân viên. Nền tảng Ikigai cung cấp trải nghiệm mã thấp / không mã cho người dùng kinh doanh cũng như trải nghiệm Xây dựng Trí tuệ Nhân tạo 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 trí tuệ nhân tạo 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 muốn sử dụng trí tuệ nhân tạo. Các doanh nghiệp muốn sử dụng trí tuệ nhân tạo cho các trường hợp sử dụng yêu cầu mô hình 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 trí tuệ nhân tạo. Vì vậy, họ thử Large Language Models cho mục đích dự báo và lập kế hoạch, và chúng không mang lại kết quả. Họ từ bỏ và cho rằng trí tuệ nhân tạo không đủ khả năng hỗ trợ các ứng dụng này. Khi họ khám phá LGMs, họ sẽ nhận ra rằng họ thực sự có thể tận dụng trí tuệ nhân tạo để đưa ra 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 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 sự áp dụng của các mô hình trí tuệ nhân tạo trong các doanh nghiệp không?

Trí tuệ nhân tạo cần có rào cản, vì các tổ chức tự nhiên sẽ lo lắng rằng công nghệ sẽ hoạt động chính xác và hiệu quả. Một trong những rào cản này là sự giám sát của con người, có thể giúp đưa chuyên môn lĩnh vực quan trọng vào và đảm bảo rằng các mô hình trí tuệ nhân tạo cung cấp dự báo và dự đoán có liên quan và hữu ích cho doanh nghiệp của họ. Khi các tổ chức có thể đặt một chuyên gia con người vào vai trò giám sát trí tuệ nhân tạo, 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.

Các đổi mới công nghệ chính trong nền tảng Ikigai là gì, giúp nó nổi bật so với các giải pháp trí tuệ nhân tạo 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 những người sáng tạo trong lĩnh vực mô hình đồ họa lớn và sử dụng trí tuệ nhân tạo trên dữ liệu cấu trúc.

Bạn nhìn thấy LGMs có tác động như thế nào đối với 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 thay đổi vì chúng được thiết kế đặc biệt cho dữ liệu bảng và thời gian, đây là mạch sống của mỗi công ty. Về cơ bản, mọi tổ chức trong mọi ngành công nghiệp đều phụ thuộc 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 thứ gần giống với một quả cầu pha lê nhất có thể để đưa ra quyết định tốt nhất.

Trong tương lai, những bước tiếp theo của 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 không?

Mô hình aiPlan hiện tại của chúng tôi hỗ trợ phân tích kịch bản và giả định. Trong tương lai, chúng tôi đang hướng tới việc phát triển nó thêm và cho phép Học tăng cường đầy đủ tính năng cho các nhóm vận hành. Điều này sẽ cho phép một nhóm vận hành thực hiện lập kế hoạch được hỗ trợ bởi trí tuệ nhân tạo trong cả ngắn hạn và dài hạn.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Ikigai Labs.