Omri Kohl, CEO & Co-Founder của Pyramid Analytics – Series Phỏng Vấn

Omri Kohl là CEO và đồng sáng lập của Pyramid Analytics. Nền tảng Trí tuệ Quyết định Pyramid cung cấp thông tin dựa trên dữ liệu để bất kỳ ai cũng có thể đưa ra quyết định nhanh hơn và thông minh hơn. Ông dẫn dắt chiến lược và hoạt động của công ty trong một thị trường dữ liệu và phân tích đang phát triển nhanh. Kohl mang đến một sự hiểu biết sâu sắc về công nghệ phân tích và AI, kinh nghiệm quản lý quý giá và khả năng tự nhiên thách thức tư duy truyền thống. Kohl là một doanh nhân giàu kinh nghiệm với thành tích đã được chứng minh trong việc phát triển và quản lý các công ty tăng trưởng nhanh. Ông đã học kinh tế, tài chính và quản lý kinh doanh tại Đại học Bar-Ilan và có bằng MBA về Quản lý Kinh doanh Quốc tế từ Đại học New York, Trường Kinh doanh Leonard N. Stern.

Bạn có thể bắt đầu bằng cách giải thích GenBI là gì và cách nó tích hợp Trí tuệ Nhân tạo Thế hệ với kinh doanh thông minh để nâng cao quá trình ra quyết định?

GenBI là khuôn khổ và cơ chế để đưa sức mạnh của Trí tuệ Nhân tạo Thế hệ, Mô hình Ngôn ngữ Lớn và trí tuệ nhân tạo tổng quát vào phân tích, kinh doanh thông minh và quyết định.

Hiện tại, không thực tế khi sử dụng Trí tuệ Nhân tạo Thế hệ alone để truy cập thông tin từ tập dữ liệu. Nó có thể mất hơn một tuần để tải đủ dữ liệu lên công cụ Trí tuệ Nhân tạo Thế hệ của bạn để có được kết quả có ý nghĩa. Đó không phải là cách làm việc, vì dữ liệu kinh doanh quá động và quá nhạy cảm để sử dụng theo cách này. Với GenBI, bất kỳ ai cũng có thể trích xuất thông tin quý giá từ dữ liệu của họ, chỉ bằng cách đặt câu hỏi bằng ngôn ngữ tự nhiên và xem kết quả dưới dạng bảng điều khiển kinh doanh thông minh. Nó chỉ mất 30 giây để nhận được câu trả lời liên quan và hữu ích.

Các đổi mới công nghệ chính nào đằng sau GenBI cho phép nó hiểu và thực hiện các nhiệm vụ kinh doanh thông minh phức tạp thông qua ngôn ngữ tự nhiên?

Nói một cách đơn giản, có ba thành phần chính. Đầu tiên, GenBI đưa ra các yếu tố cần thiết cho Mô hình Ngôn ngữ Lớn để sản xuất các bước phân tích chính xác sẽ tạo ra thông tin được yêu cầu. Đây là điều cho phép người dùng tạo ra các truy vấn bằng ngôn ngữ tự nhiên và thậm chí bằng các thuật ngữ không rõ ràng, mà không cần biết chính xác loại biểu đồ, điều tra hoặc định dạng để yêu cầu.

Tiếp theo, giải pháp GenBI của Pyramid Analytics áp dụng các bước này vào dữ liệu của công ty bạn, bất kể chi tiết cụ thể của tình huống của bạn. Chúng tôi đang nói về các tập dữ liệu cơ bản nhất và các truy vấn đơn giản, cũng như các trường hợp sử dụng phức tạp và cơ sở dữ liệu tinh vi.

Thứ ba, Pyramid có thể thực hiện các truy vấn này trên dữ liệu cơ bản và xử lý kết quả ngay lập tức. Một Mô hình Ngôn ngữ Lớn alone không thể tạo ra phân tích sâu về cơ sở dữ liệu. Bạn cần một yếu tố robot để tìm tất cả thông tin cần thiết, giải thích yêu cầu của người dùng để tạo ra thông tin và chuyển nó đến nền tảng kinh doanh thông minh để diễn đạt kết quả bằng ngôn ngữ đơn giản hoặc dưới dạng hình ảnh động có thể được tinh chỉnh sau này thông qua các truy vấn tiếp theo.

GenBI dân chủ hóa phân tích dữ liệu như thế nào, đặc biệt là cho người dùng không chuyên?

Đơn giản thôi, GenBI cho phép bất kỳ ai cũng có thể truy cập vào thông tin họ cần, bất kể trình độ chuyên môn của họ. Các công cụ kinh doanh thông minh truyền thống yêu cầu người dùng phải biết kỹ thuật xử lý dữ liệu tốt nhất để nhận được kết quả cần thiết. Nhưng hầu hết mọi người không nghĩ về các biểu đồ tròn, biểu đồ phân tán hoặc bảng. Họ không muốn phải làm việc để xác định loại hình ảnh hóa nào là hiệu quả nhất cho tình huống của họ – họ chỉ muốn câu trả lời cho câu hỏi của mình.

GenBI cung cấp những câu trả lời này cho bất kỳ ai, bất kể trình độ chuyên môn của họ. Người dùng không cần phải biết tất cả các thuật ngữ chuyên môn hoặc làm việc để xác định xem một biểu đồ phân tán hoặc biểu đồ tròn là lựa chọn tốt nhất, và họ không cần phải biết cách mã hóa truy vấn cơ sở dữ liệu. Họ có thể khám phá dữ liệu bằng cách sử dụng ngôn ngữ tự nhiên của mình.

Chúng tôi nghĩ về nó như sự khác biệt giữa việc sử dụng bản đồ giấy để lên kế hoạch cho hành trình của bạn và sử dụng Google Maps hoặc ứng dụng điều hướng khác. Với bản đồ truyền thống, bạn phải làm việc để xác định con đường tốt nhất, suy nghĩ về các điểm ùn tắc giao thông tiềm ẩn và so sánh các khả năng đường đi khác nhau. Ngày nay, mọi người chỉ nhập điểm đến của họ vào ứng dụng và bắt đầu hành trình – có rất nhiều niềm tin vào các thuật toán mà không ai đặt câu hỏi về đường đi được đề xuất. Chúng tôi muốn nghĩ rằng GenBI đang mang lại loại魔法 tự động tương tự cho các tập dữ liệu doanh nghiệp.

Phản hồi từ những người dùng sớm về sự dễ sử dụng và đường cong học tập là gì?

Chúng tôi đã nhận được phản hồi tích cực đáng kinh ngạc. Cách tốt nhất chúng tôi có thể tóm tắt nó là, “Wow!” Người dùng và người thử nghiệm đánh giá cao sự dễ sử dụng, tính năng mạnh mẽ và thông tin có ý nghĩa của Pyramid.

Pyramid Analytics gần như không có đường cong học tập, vì vậy không có gì cản trở mọi người áp dụng nó ngay lập tức. Khoảng ba phần tư trong số tất cả các đội kinh doanh đã thử nghiệm giải pháp của chúng tôi đã áp dụng và sử dụng nó ngày nay, vì nó rất dễ sử dụng và hiệu quả.

Bạn có thể chia sẻ cách GenBI đã biến đổi quá trình ra quyết định trong các tổ chức đã triển khai nó không? Có trường hợp cụ thể hoặc ví dụ nào?

Mặc dù chúng tôi đã phát triển nó trong một thời gian dài, nhưng chúng tôi chỉ triển khai GenBI vài tuần trước, vì vậy tôi chắc chắn bạn sẽ hiểu rằng chúng tôi không có các nghiên cứu trường hợp đầy đủ mà chúng tôi có thể chia sẻ, hoặc các ví dụ về khách hàng mà chúng tôi có thể đặt tên. Tuy nhiên, tôi có thể nói với bạn rằng các tổ chức có hàng nghìn người dùng đang trở thành真正 dữ liệu, vì mọi người đều có thể truy cập thông tin. Người dùng giờ đây có thể mở khóa giá trị thực sự của tất cả dữ liệu của họ.

GenBI đang có tác động biến đổi trong các ngành như bảo hiểm, ngân hàng và tài chính, cũng như bán lẻ, sản xuất và nhiều lĩnh vực khác. Bỗng nhiên, nó có thể cho các cố vấn tài chính, ví dụ, để truy cập vào các gợi ý tức thì về cách tối ưu hóa danh mục đầu tư của khách hàng.

Các thách thức lớn nhất bạn gặp phải khi phát triển GenBI là gì và bạn đã vượt qua chúng như thế nào?

Pyramid Analytics đã tận dụng AI cho phân tích trong nhiều năm trước khi chúng tôi ra mắt giải pháp mới, vì vậy hầu hết các thách thức đã được giải quyết từ lâu.

Yếu tố mới chính là việc bổ sung một công nghệ tạo truy vấn tinh vi hoạt động với bất kỳ Mô hình Ngôn ngữ Lớn nào để tạo ra kết quả chính xác, đồng thời giữ dữ liệu riêng tư. Chúng tôi đã đạt được điều này bằng cách tách dữ liệu khỏi truy vấn (hơn một chút về điều này trong một lúc).

Một thách thức lớn khác mà chúng tôi phải đối mặt là tốc độ. Chúng tôi đang nói về kỷ nguyên Google, nơi mọi người mong đợi câu trả lời ngay lập tức, không phải trong một giờ hoặc thậm chí nửa giờ. Chúng tôi đã đảm bảo tăng tốc xử lý và tối ưu hóa tất cả các quy trình làm việc để giảm ma sát.

Sau đó, có nhu cầu ngăn chặn ảo giác. Trợ lý ảo dễ bị ảo giác, điều này làm sai lệch kết quả và làm suy yếu độ tin cậy. Chúng tôi đã làm việc chăm chỉ để tránh những điều này đồng thời vẫn duy trì kết quả động.

Bạn xử lý các vấn đề liên quan đến bảo mật và riêng tư của dữ liệu như thế nào?

Đó là một câu hỏi tuyệt vời, vì bảo mật và riêng tư của dữ liệu là rào cản lớn nhất đối với phân tích Trí tuệ Nhân tạo Thế hệ thành công. Mọi người đều – hoàn toàn đúng – lo lắng về ý tưởng phơi bày dữ liệu doanh nghiệp nhạy cảm cao cho các động cơ AI của bên thứ ba, nhưng họ cũng muốn khả năng diễn giải ngôn ngữ và thông tin chi tiết mà các động cơ này có thể cung cấp.

Chúng tôi không bao giờ chia sẻ dữ liệu thực tế với các Mô hình Ngôn ngữ Lớn mà chúng tôi làm việc. Pyramid lật ngược hoàn toàn tiền đề bằng cách đóng vai trò trung gian giữa thông tin của công ty bạn và Mô hình Ngôn ngữ Lớn. Chúng tôi cho phép bạn gửi yêu cầu, sau đó chúng tôi chuyển nó đến Mô hình Ngôn ngữ Lớn cùng với các mô tả về những gì chúng tôi gọi là “thành phần”, cơ bản chỉ là các siêu dữ liệu.

Mô hình Ngôn ngữ Lớn sau đó trả về một “công thức”, giải thích cách chuyển câu hỏi của người dùng thành một lời nhắc phân tích dữ liệu. Sau đó, Pyramid chạy công thức này trên dữ liệu mà bạn đã kết nối một cách an toàn trên cài đặt tự lưu trữ của mình, vì vậy không có dữ liệu nào bao giờ đạt đến Mô hình Ngôn ngữ Lớn. Chúng tôi trộn kết quả để phục vụ chúng trở lại cho bạn dưới dạng dễ hiểu, trực quan. Về cơ bản, không có gì có thể ảnh hưởng đến bảo mật và quyền riêng tư của bạn được tiết lộ hoặc rời khỏi tường lửa của tổ chức bạn.

Đối với các tổ chức muốn tích hợp GenBI vào cơ sở hạ tầng dữ liệu hiện có, quá trình triển khai trông như thế nào? Có bất kỳ điều kiện tiên quyết hoặc chuẩn bị nào cần thiết không?

Quá trình triển khai Pyramid Analytics không thể dễ dàng hoặc nhanh hơn. Người dùng cần rất ít điều kiện tiên quyết và chuẩn bị, và bạn có thể đưa mọi thứ lên và chạy trong dưới một giờ. Bạn không cần phải di chuyển dữ liệu vào một khuôn khổ mới hoặc thay đổi bất cứ điều gì về chiến lược dữ liệu của mình, vì Pyramid truy vấn dữ liệu của bạn trực tiếp nơi nó cư trú.

Không cần phải giải thích dữ liệu của bạn cho giải pháp hoặc định nghĩa cột. Nó đơn giản như tải lên một tập dữ liệu CSV hoặc kết nối cơ sở dữ liệu SQL của bạn. Điều tương tự cũng áp dụng cho bất kỳ cơ sở dữ liệu quan hệ nào. Nó chỉ mất vài phút để kết nối dữ liệu của bạn, và sau đó bạn có thể đặt câu hỏi đầu tiên của mình chỉ trong vài giây.

Đó nói, bạn có thể tinh chỉnh cấu trúc nếu bạn muốn, như thay đổi mô hình tham gia hoặc định nghĩa lại cột. Nó mất một chút thời gian và nỗ lực, nhưng chúng tôi đang nói về vài phút, không phải một dự án phát triển kéo dài hàng tháng. Khách hàng của chúng tôi thường bị sốc khi Pyramid hoạt động trên kho dữ liệu hoặc hồ dữ liệu cổ điển của họ trong vòng năm phút hoặc lâu hơn.

Bạn cũng không cần phải đưa ra các câu hỏi rất cụ thể, chính xác hoặc thậm chí thông minh để có được kết quả mạnh mẽ. Bạn có thể mắc lỗi chính tả và sử dụng cách diễn đạt không chính xác, và Pyramid sẽ giải quyết chúng và tạo ra một câu trả lời có ý nghĩa và có giá trị. Điều bạn cần là một số kiến thức về dữ liệu bạn đang hỏi về.

Nhìn về tương lai, tầm nhìn chiến lược của bạn cho Pyramid Analytics trong năm năm tới là gì? Bạn thấy giải pháp của mình sẽ phát triển như thế nào để đáp ứng nhu cầu thị trường thay đổi?

Biên giới lớn tiếp theo là hỗ trợ các truy vấn có thể mở rộng, rất cụ thể. Người dùng muốn có thể đặt câu hỏi rất chính xác, chẳng hạn như câu hỏi về các thực thể được cá nhân hóa, và các Mô hình Ngôn ngữ Lớn không thể tạo ra câu trả lời thông minh trong những trường hợp này, vì chúng không có cái nhìn sâu sắc chi tiết về các đặc điểm của cơ sở dữ liệu của bạn.

Chúng tôi đang phải đối mặt với thách thức về cách sử dụng các mô hình ngôn ngữ để hỏi về các đặc điểm của dữ liệu của bạn mà không kết nối ngay lập tức toàn bộ hồ dữ liệu khổng lồ của bạn với Mô hình Ngôn ngữ Lớn. Làm thế nào để tinh chỉnh Mô hình Ngôn ngữ Lớn của bạn về dữ liệu được tái hydrat hóa mỗi hai giây? Chúng tôi có thể quản lý điều này cho các điểm cố định như quốc gia, vị trí và thậm chí ngày, nhưng không phải là điều gì đó kỳ lạ như tên, mặc dù chúng tôi rất gần với điều đó ngày nay.

Một thách thức khác là cho phép người dùng đặt câu hỏi về các diễn giải toán học của dữ liệu, áp dụng các công thức của riêng họ. Điều này khó không phải vì công thức khó thực hiện, mà vì hiểu người dùng muốn gì và có được cú pháp chính xác là một thách thức. Chúng tôi đang làm việc để giải quyết cả hai thách thức này, và khi chúng tôi làm được, chúng tôi sẽ đã vượt qua điểm eureka tiếp theo.

Cảm ơn bạn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập Pyramid Analytics.