Ikigai Labs 联合创始人兼首席执行官 Devavrat Shah 博士 – 访谈系列

Devavrat Shah 博士是 Ikigai Labs 的联合创始人兼首席执行官，他是一位 麻省理工学院统计与数据科学中心教授、主任. 他与他人共同创立了 Celect，这是一家面向零售商的预测分析平台， 并将其出售给耐克. Devavrat 分别拥有印度理工学院和斯坦福大学的计算机科学学士和博士学位。

生命贝实验室 提供人工智能平台，旨在将企业表格和时间序列数据转化为预测性和可操作性的见解。利用专利 大型图形模型该平台使各行各业的商业用户和开发人员能够增强他们的规划和决策过程。

你能分享一下 Ikigai Labs 成立背后的故事吗？是什么促使你从学术界转向创业？

事实上，几年来我一直在学术界和商界之间徘徊。我和麻省理工学院的前学生 Vinayak Ramesh 共同创立了 Ikigai Labs。此前，我与他人共同创立了一家名为 Celect 的公司，该公司通过基于人工智能的需求预测帮助零售商优化库存决策。Celect 于 2019 年被耐克收购。

大型图形模型 (LGM) 到底是什么，它与更广为人知的大型语言模型 (LLM) 有何不同？

LGM（大型图形模型）是数据的概率视图。它们与 LLM 等基于“基础模型”的 AI 形成鲜明对比。

基础模型假设它们可以从非常庞大的数据语料库中“学习”所有相关的“模式”。因此，当呈现新的数据片段时，可以根据数据语料库中的相关部分进行推断。LLM 对于非结构化（文本、图像）数据非常有效。

相反，LGM 会根据数据片段从大量此类模式中识别出适当的“功能模式”。LGM 的设计使其拥有与结构化（表格、时间序列）数据相关的所有“功能模式”。

LGM 能够利用非常有限的数据进行学习并提供精确的预测和预报。例如，它们可用于对关键的、动态变化的趋势或业务成果进行高度准确的预测。

您能否解释一下 LGM 为什么特别适合分析结构化表格数据，以及它们相对于该领域的其他 AI 模型有哪些优势？

LGM 专为建模结构化数据（即表格、时间序列数据）而设计。因此，它们可以提供更准确和更可靠的预测。

此外，LGM 所需的数据比 LLM 少，因此计算和存储要求较低，从而降低了成本。这也意味着，即使训练数据有限，组织也可以从 LGM 中获得准确的洞察。

LGM 还支持更好的数据隐私和安全性。它们仅使用企业自己的数据进行训练，并在需要时从选定的外部数据源（例如天气数据和社交媒体数据）中进行补充。绝不会存在敏感数据与公共模型共享的风险。

LGM 在哪些类型的业务场景中提供最大价值？您能否提供一些示例，说明它们如何用于改进预测、规划或决策？

当组织需要预测业务成果或预测趋势以指导其战略时，LGM 在任何情况下都能发挥作用。换句话说，它们在广泛的用例中都能提供帮助。

想象一下，一家销售万圣节服装和物品的企业，正在寻找洞察力来做出更好的销售决策。考虑到他们的季节性，他们走在一条狭窄的道路上：一方面，公司需要避免库存过剩，并在每个季节结束时出现库存过剩（这意味着商品未售出和资本支出浪费）。同时，他们也不想提前用完库存（这意味着他们错失了销售机会）。

使用 LGM，企业可以实现完美平衡并指导其零售营销工作。LGM 可以回答以下问题：

• 本季我应该备货哪些服装？每种 SKU 总共应该备货多少件？
• 一个SKU在特定地点的销售情况如何？
• 这款配饰与这件服装的搭配销量如何？
• 我们如何避免蚕食拥有多家门店的城市的销售份额？
• 新服装将会有怎样的表现？

在数据稀疏、不一致或快速变化的情况下，LGM 如何提供帮助？

LGM 利用基于 AI 的数据协调功能，即使在分析小型或嘈杂的数据集时也能提供精确的见解。数据协调可确保数据的一致性、准确性和完整性。它涉及比较和验证数据集以识别差异、错误或不一致之处。通过结合数据的空间和时间结构，LGM 能够以最少和有缺陷的数据做出良好的预测。预测伴随着不确定性量化和解释。

Ikigai 的 AI 民主化使命如何与 LGM 的发展保持一致？您如何看待 LGM 塑造 AI 在商业领域的未来？

AI 正在改变我们的工作方式，企业必须做好准备，让所有类型的员工都能使用 AI。Ikigai 平台为业务用户提供简单的低代码/无代码体验，并为数据科学家和开发人员提供完整的 AI Builder 和 API 体验。此外，我们在 Ikigai Academy 提供免费教育，因此任何人都可以学习 AI 的基础知识，并在 Ikigai 平台上接受培训和认证。

LGM 将对希望采用 AI 的企业产生更广泛的影响。企业希望将 genAI 用于需要数值预测和统计建模的用例，例如概率预测和情景规划。但 LLM 并非为这些用例而构建，许多组织认为 LLM 是 genAI 的唯一形式。因此，他们尝试使用大型语言模型进行预测和规划，但未能成功。他们放弃了，并认为 genAI 无法支持这些应用程序。当他们发现 LGM 时，他们会意识到他们确实可以利用生成式 AI 来推动更好的预测和规划，并帮助他们做出更好的业务决策。

Ikigai 平台通过 eXpert-in-the-loop 功能将 LGM 与以人为本的方法相结合。您能解释一下这种组合如何提高企业中 AI 模型的准确性和采用率吗？

人工智能需要护栏，因为组织自然会担心该技术是否能够准确有效地发挥作用。这些护栏之一就是人工监督，这可以帮助注入关键领域的专业知识，并确保人工智能模型提供与其业务相关且有用的预测和预报。当组织可以让人类专家担任监控人工智能的角色时，他们能够信任它并验证其准确性。这克服了采用人工智能的一个主要障碍。

Ikigai 平台的哪些关键技术创新使其在目前市场上的其他 AI 解决方案中脱颖而出？

我们的核心 LGM 技术是最大的差异化因素。Ikigai 是该领域的先驱，无人能及。我和我的联合创始人在麻省理工学院学习期间发明了 LGM。我们是大型图形模型和 genAI 在结构化数据上的应用方面的创新者。

您认为 LGM 将对严重依赖准确预测和规划的行业（例如零售、供应链管理和金融）产生什么影响？

LGM 将彻底改变现状，因为它专为表格时间序列数据而设计，而这些数据是每家公司的命脉。几乎每个行业的每个组织都严重依赖结构化数据分析来进行需求预测和业务规划，以做出合理的短期和长期决策——无论这些决策与商品销售、招聘、投资、产品开发还是其他类别有关。LGM 为做出最佳决策提供了最接近水晶球的东西。

展望未来，Ikigai Labs 下一步将如何提升 LGM 的功能？有没有什么新功能或新开发项目让您特别兴奋？

我们现有的 aiPlan 模型支持假设和情景分析。展望未来，我们的目标是进一步开发它，并为运营团队提供全功能的强化学习。这将使运营团队能够在短期和长期内进行 AI 驱动的规划。

感谢您的精彩采访，想要了解更多信息的读者可以访问 生命贝实验室.