Dr. Devavrat Shah, „Ikigai Labs“ įkūrėjas ir generalinis direktorius – interviu serija

Dr. Devavratas Shahas yra „Ikigai Labs“ įkūrėjas ir generalinis direktorius, profesorius ir MIT Statistikos ir duomenų mokslo centro direktorius. Jis įkūrė „Celect“ – mažmenininkams skirtą nuspėjamosios analizės platformą, kurią pardavė „Nike“. Devavratas įgijo informatikos bakalauro ir daktaro laipsnius atitinkamai Indijos technologijos institute ir Stanfordo universitete.

„Ikigai Labs“ teikia dirbtinio intelekto pagrindu sukurtą platformą, skirtą įmonės lentelių ir laiko eilučių duomenims paversti nuspėjamomis ir veiksmingomis įžvalgomis. Naudojant patentuotus didelius grafinius modelius, platforma leidžia verslo vartotojams ir įvairių pramonės šakų kūrėjams pagerinti planavimo ir sprendimų priėmimo procesus.

Ar galėtumėte pasidalinti „Ikigai Labs“ įkūrimo istorija? Kas paskatino jus pereiti iš akademinės bendruomenės į verslumą?

Iš tikrųjų jau kelerius metus šoktelėjau tarp akademinio ir verslo pasaulio. „Ikigai Labs“ įkūriau kartu su savo buvusiu MIT studentu Vinayak Ramesh. Anksčiau įkūriau bendrovę „Celect“, kuri padėjo mažmenininkams optimizuoti sprendimus dėl atsargų naudojant AI pagrįstą paklausos prognozavimą. „Nike“ įsigijo „Celect“ 2019 m.

Kas tiksliai yra dideli grafiniai modeliai (LGM) ir kuo jie skiriasi nuo plačiau žinomų didelių kalbų modelių (LLM)?

LGM arba dideli grafiniai modeliai yra tikimybinis duomenų vaizdas. Jie labai skiriasi nuo „Pagrindo modeliu“ pagrįsto AI, pvz., LLM.

Fondo modeliuose daroma prielaida, kad jie gali „išmokti“ visus svarbius „modelius“ iš labai didelio duomenų korpuso. Todėl, kai pateikiamas naujas duomenų fragmentas, jis gali būti ekstrapoliuojamas pagal atitinkamą duomenų korpuso dalį. LLM buvo labai veiksmingi nestruktūriniams (teksto, vaizdo) duomenims.

Vietoj to LGM nustato tinkamus „funkcinius modelius“ iš didelės tokių modelių „visatos“, atsižvelgiant į duomenų fragmentą. LGM yra suprojektuoti taip, kad jiems būtų prieinami visi svarbūs „funkciniai modeliai“, susiję su struktūriniais (lentelių, laiko eilučių) duomenimis.

LGM gali mokytis ir teikti tikslias prognozes bei prognozes naudodami labai ribotus duomenis. Pavyzdžiui, jie gali būti naudojami labai tikslioms kritinių, dinamiškai kintančių tendencijų ar verslo rezultatų prognozėms atlikti.

Ar galėtumėte paaiškinti, kaip LGM yra ypač tinkami struktūrizuotų lentelių duomenų analizei ir kokius pranašumus jie siūlo, palyginti su kitais AI modeliais šioje srityje?

LGM yra specialiai sukurti struktūriniams duomenims (ty lenteliniams, laiko eilučių duomenims) modeliuoti. Dėl to jie užtikrina didesnį tikslumą ir patikimesnes prognozes.

Be to, LGM reikia mažiau duomenų nei LLM, todėl jų skaičiavimo ir saugojimo reikalavimai yra mažesni, o tai mažina išlaidas. Tai taip pat reiškia, kad organizacijos gali gauti tikslių įžvalgų iš LGM net ir turėdamos ribotus mokymo duomenis.

LGM taip pat palaiko geresnį duomenų privatumą ir saugumą. Jie mokosi remdamiesi tik pačios įmonės duomenimis – prireikus papildydami pasirinktus išorinius duomenų šaltinius (pvz., oro duomenis ir socialinės žiniasklaidos duomenis). Niekada nekyla pavojaus, kad neskelbtinais duomenimis bus dalijamasi su viešu modeliu.

Kokiais verslo scenarijais LGM teikia didžiausią vertę? Ar galėtumėte pateikti keletą pavyzdžių, kaip jie buvo panaudoti gerinant prognozes, planavimą ar sprendimų priėmimą?

LGM suteikia vertę bet kuriame scenarijuje, kai organizacija turi numatyti verslo rezultatą arba numatyti tendencijas, kurios galėtų vadovautis savo strategija. Kitaip tariant, jie padeda įvairiais naudojimo atvejais.

Įsivaizduokite verslą, kuris parduoda Helovino kostiumus ir daiktus ir ieško įžvalgų, kaip priimti geresnius prekybos sprendimus. Atsižvelgiant į jų sezoniškumą, jie laikosi griežtos linijos: viena vertus, įmonė turi vengti perteklinių atsargų ir kiekvieno sezono pabaigoje susidaryti perteklinių atsargų (tai reiškia, kad neparduotos prekės ir iššvaistomos CAPEX). Tuo pačiu metu jie taip pat nenori anksti pritrūkti atsargų (tai reiškia, kad jie prarado pardavimus).

Naudodamas LGM, verslas gali pasiekti tobulą pusiausvyrą ir nukreipti savo mažmeninės prekybos pastangas. LGM gali atsakyti į tokius klausimus:

• Kokius kostiumus turėčiau įsigyti šį sezoną? Kiek iš viso turėtume turėti kiekvieno SKU?
• Kaip gerai vienas SKU bus parduotas konkrečioje vietoje?
• Kaip gerai šis aksesuaras bus parduodamas su šiuo kostiumu?
• Kaip galime išvengti pardavimų kanibalizavimo miestuose, kuriuose turime kelias parduotuves?
• Kaip veiks nauji kostiumai?

Kaip LGM padeda scenarijuose, kai duomenys yra reti, nenuoseklūs arba greitai keičiasi?

LGM naudoja dirbtiniu intelektu pagrįstą duomenų derinimą, kad pateiktų tikslias įžvalgas, net kai analizuoja mažus ar triukšmingus duomenų rinkinius. Duomenų suderinimas užtikrina, kad duomenys būtų nuoseklūs, tikslūs ir išsamūs. Tai apima duomenų rinkinių palyginimą ir patvirtinimą, siekiant nustatyti neatitikimus, klaidas ar neatitikimus. Derindami erdvinę ir laiko duomenų struktūrą, LGM įgalina geras prognozes naudojant minimalius ir klaidingus duomenis. Prognozės ateina su neapibrėžtumo kiekybiniu įvertinimu ir interpretavimu.

Kaip „Ikigai“ misija demokratizuoti AI dera su LGM plėtra? Kaip, jūsų nuomone, LGM formuoja AI ateitį versle?

DI keičia mūsų darbo būdą, o įmonės turi būti pasirengusios dirbti su dirbtiniu intelektu visų tipų darbuotojus. „Ikigai“ platforma siūlo paprastą žemo kodo / be kodo patirtį verslo vartotojams, taip pat visą AI Builder ir API patirtį duomenų mokslininkams ir kūrėjams. Be to, ikigai akademijoje siūlome nemokamą mokymą, kad kiekvienas galėtų išmokti dirbtinio intelekto pagrindų, taip pat gauti mokymus ir sertifikatus ikigai platformoje.

LGM turės platesnį poveikį įmonėms, norinčioms įdarbinti AI. Įmonės nori naudoti genAI tais atvejais, kai reikalingas skaitinis nuspėjamasis ir statistinis modeliavimas, pvz., tikimybinis prognozavimas ir scenarijų planavimas. Tačiau LLM nebuvo sukurti šiems naudojimo atvejams, ir daugelis organizacijų mano, kad LLM yra vienintelė genAI forma. Taigi jie išbando didelių kalbų modelius prognozavimo ir planavimo tikslais, bet neduoda rezultatų. Jie pasiduoda ir mano, kad genAI tiesiog negali palaikyti šių programų. Atradę LGM, jie supras, kad jie iš tikrųjų gali panaudoti generuojamąjį AI, kad galėtų geriau prognozuoti ir planuoti bei padėti priimti geresnius verslo sprendimus.

„Ikigai“ platforma integruoja LGM su į žmogų orientuotu požiūriu, naudodama jūsų „eXpert-in-the-loop“ funkciją. Ar galėtumėte paaiškinti, kaip šis derinys padidina AI modelių tikslumą ir pritaikymą įmonėse?

AI reikia apsauginių turėklų, nes organizacijos natūraliai bijo, kad technologija veiks tiksliai ir efektyviai. Vienas iš šių apsauginių turėklų yra žmogaus priežiūra, kuri gali padėti įgyti svarbios srities patirties ir užtikrinti, kad AI modeliai pateiktų prognozes ir prognozes, kurios yra svarbios ir naudingos jų verslui. Kai organizacijos gali paskirti žmogaus ekspertą atlikti AI stebėjimo vaidmenį, jos gali juo pasitikėti ir patikrinti jos tikslumą. Taip įveikiama didelė įvaikinimo kliūtis.

Kokios pagrindinės technologinės naujovės „Ikigų“ platformoje išsiskiria iš kitų šiuo metu rinkoje esančių AI sprendimų?

Mūsų pagrindinė LGM technologija yra didžiausias skirtumas. Ikigai šioje erdvėje be bendraamžių yra pionieriai. Mano įkūrėjas ir aš išradome LGM akademinio darbo MIT metu. Esame didelių grafinių modelių ir genAI naudojimo struktūriniams duomenims novatoriai.

Kokį, jūsų nuomone, LGM poveikį pramonės šakoms, kurios labai priklauso nuo tikslios prognozės ir planavimo, pavyzdžiui, mažmeninei prekybai, tiekimo grandinės valdymui ir finansams?

LGM bus visiškai transformuojantis, nes yra specialiai sukurtas naudoti lentelių, laiko eilučių duomenims, kurie yra kiekvienos įmonės gyvybingumas. Beveik kiekviena kiekvienos pramonės šakos organizacija labai priklauso nuo struktūrizuotų duomenų analizės, kad būtų galima prognozuoti paklausą ir planuoti verslą, kad būtų galima priimti patikimus trumpalaikius ir ilgalaikius sprendimus – nesvarbu, ar tie sprendimai yra susiję su prekyba, samdymu, investavimu, produktų kūrimu ar kitomis kategorijomis. LGM yra arčiausiai krištolinio rutulio, kad būtų galima priimti geriausius sprendimus.

Žvelgiant į ateitį, kokie tolesni „Ikigai Labs“ žingsniai tobulinant LGM galimybes? Ar yra kokių nors naujų funkcijų ar patobulinimų, kurie jus ypač džiugina?

Mūsų esamas aiPlan modelis palaiko kas, jei ir scenarijų analizę. Žvelgdami į ateitį, siekiame jį toliau tobulinti ir operacijų komandoms įgalinti visapusišką sustiprinimo mokymąsi. Tai leistų operacijų komandai planuoti dirbtinį intelektą pagrįstą trumpalaikį ir ilgalaikį planą.

Dėkojame už puikų interviu, skaitytojai, norintys sužinoti daugiau, turėtų apsilankyti „Ikigų laboratorijose“.