دکتر دواورات شاه یکی از بنیانگذاران و مدیر عامل آزمایشگاه های ایکیگای است و او یک استاد و مدیر مرکز آمار و علوم داده در MIT. او یکی از بنیانگذاران Celect، یک پلت فرم تجزیه و تحلیل پیش بینی برای خرده فروشان، بود. که به نایک فروخت. دواورات دارای مدرک لیسانس و دکترای علوم کامپیوتر از موسسه فناوری هند و دانشگاه استنفورد است.
آزمایشگاه های ایکیگای یک پلتفرم مبتنی بر هوش مصنوعی را ارائه می دهد که برای تبدیل داده های جدولی و سری زمانی سازمانی به بینش های قابل پیش بینی و عملی طراحی شده است. استفاده از ثبت اختراع مدل های گرافیکی بزرگ، این پلت فرم به کاربران تجاری و توسعه دهندگان در صنایع مختلف امکان می دهد تا فرآیندهای برنامه ریزی و تصمیم گیری خود را بهبود بخشند.
آیا می توانید داستان تاسیس آزمایشگاه های ایکیگای را به اشتراک بگذارید؟ چه چیزی الهام بخش شما برای گذار از دانشگاه به کارآفرینی شد؟
من در واقع چند سالی است که بین دنیای آکادمیک و تجارت در حال پرش هستم. من به همراه شاگرد سابقم در MIT، وینایاک رامش، آزمایشگاه های Ikigai را تأسیس کردم. پیش از این، من شرکتی به نام Celect را تأسیس کردم که به خرده فروشان کمک می کرد تا تصمیمات موجودی را از طریق پیش بینی تقاضا مبتنی بر هوش مصنوعی بهینه کنند. سلکت در سال 2019 توسط نایک خریداری شد.
مدل‌های گرافیکی بزرگ (LGM) دقیقاً چیست و چه تفاوتی با مدل‌های زبان بزرگ شناخته شده (LLM) دارند؟
LGM ها یا مدل های گرافیکی بزرگ نمای احتمالی داده ها هستند. آنها در تضاد شدید با هوش مصنوعی مبتنی بر “مدل بنیاد” مانند LLM هستند.
مدل‌های بنیادی فرض می‌کنند که می‌توانند تمام «الگوهای» مربوطه را از مجموعه بسیار بزرگی از داده‌ها «یاد بگیرند». و بنابراین، هنگامی که یک قطعه جدید از داده ارائه می شود، می توان آن را بر اساس بخش مربوطه از مجموعه داده ها برون یابی کرد. LLM ها برای داده های بدون ساختار (متن، تصویر) بسیار موثر بوده اند.
LGMها در عوض «الگوهای عملکردی» مناسب را از یک «جهان» بزرگ از چنین الگوهایی با توجه به قطعه داده شناسایی می کنند. LGMها به گونه ای طراحی شده اند که همه “الگوهای عملکردی” مرتبط با داده های ساختاری (جدولی، سری زمانی) را در دسترس خود دارند.
LGM ها قادر به یادگیری و ارائه پیش بینی و پیش بینی دقیق با استفاده از داده های بسیار محدود هستند. به عنوان مثال، می توان از آنها برای انجام پیش بینی های بسیار دقیق از روندهای حیاتی و پویا در حال تغییر یا نتایج تجاری استفاده کرد.
آیا می‌توانید توضیح دهید که LGMها چگونه برای تجزیه و تحلیل داده‌های ساختاری و جدولی مناسب هستند و چه مزایایی نسبت به سایر مدل‌های هوش مصنوعی در این زمینه ارائه می‌دهند؟
LGM ها به طور خاص برای مدل سازی داده های ساخت یافته (به عنوان مثال داده های جدولی، سری زمانی) طراحی شده اند. در نتیجه، آنها دقت بهتر و پیش بینی های قابل اعتمادتری را ارائه می دهند.
علاوه بر این، LGM ها به داده های کمتری نسبت به LLM ها نیاز دارند و بنابراین نیازهای محاسباتی و ذخیره سازی کمتری دارند که باعث کاهش هزینه ها می شود. این همچنین به این معنی است که سازمان‌ها حتی با داده‌های آموزشی محدود می‌توانند بینش دقیقی از LGMها دریافت کنند.
LGM ها همچنین از حریم خصوصی و امنیت داده بهتر پشتیبانی می کنند. آنها فقط بر اساس داده های خود یک شرکت آموزش می بینند – با تکمیل منابع داده خارجی منتخب (مانند داده های آب و هوا و داده های رسانه های اجتماعی) در صورت نیاز. هرگز خطر اشتراک داده های حساس با یک مدل عمومی وجود ندارد.
LGMها در چه نوع سناریوهای تجاری بیشترین ارزش را دارند؟ آیا می توانید چند نمونه از نحوه استفاده از آنها برای بهبود پیش بینی، برنامه ریزی یا تصمیم گیری ارائه دهید؟
LGM ها در هر سناریویی که یک سازمان نیاز به پیش بینی نتیجه کسب و کار یا پیش بینی روندها برای هدایت استراتژی خود دارد، ارزش ارائه می دهد. به عبارت دیگر، آنها در طیف وسیعی از موارد استفاده کمک می کنند.
کسب‌وکاری را تصور کنید که لباس‌ها و اقلام هالووین را می‌فروشد و به دنبال اطلاعاتی برای تصمیم‌گیری بهتر در زمینه تجارت است. با توجه به فصلی بودن آنها، آنها در یک خط تنگ راه می روند: از یک طرف، شرکت باید از انباشته شدن بیش از حد و در پایان هر فصل با موجودی اضافی اجتناب کند (که به معنای کالاهای فروخته نشده و CAPEX هدر رفته است). در عین حال، آنها همچنین نمی خواهند موجودی زودهنگام تمام شود (به این معنی که فروش را از دست داده اند).
با استفاده از LGM، کسب‌وکار می‌تواند تعادل کاملی ایجاد کند و تلاش‌های خرده‌فروشی خود را هدایت کند. LGM ها می توانند به سوالاتی مانند:
- کدام لباس ها را در این فصل تهیه کنم؟ به طور کلی چند عدد از هر SKU را باید ذخیره کنیم؟
- یک SKU در یک مکان خاص چقدر خوب می فروشد؟
- این اکسسوری با این لباس چقدر فروش خواهد داشت؟
- چگونه می‌توانیم در شهرهایی که فروشگاه‌های متعددی داریم از فروش‌های آدم‌خواری جلوگیری کنیم؟
- لباس های جدید چگونه عمل خواهند کرد؟
LGM ها در سناریوهایی که داده ها کم، ناسازگار یا به سرعت در حال تغییر هستند، چگونه کمک می کنند؟
LGM ها از تطبیق داده های مبتنی بر هوش مصنوعی برای ارائه بینش دقیق حتی زمانی که در حال تجزیه و تحلیل مجموعه داده های کوچک یا پر سر و صدا هستند، استفاده می کنند. تطبیق داده ها تضمین می کند که داده ها سازگار، دقیق و کامل هستند. این شامل مقایسه و اعتبارسنجی مجموعه داده‌ها برای شناسایی مغایرت‌ها، خطاها یا ناسازگاری‌ها است. LGM ها با ترکیب ساختار مکانی و زمانی داده ها، پیش بینی های خوبی را با داده های کم و ناقص امکان پذیر می کنند. پیش‌بینی‌ها همراه با کمی‌سازی عدم قطعیت و همچنین تفسیر هستند.
چگونه ماموریت ایکیگای برای دموکراتیک کردن هوش مصنوعی با توسعه LGM همسو می شود؟ LGM ها را چگونه می بینید که آینده هوش مصنوعی در تجارت را شکل می دهند؟
هوش مصنوعی روش کار ما را تغییر می‌دهد و شرکت‌ها باید آماده باشند تا کارگران از همه نوع هوش مصنوعی را فعال کنند. پلتفرم Ikigai یک تجربه ساده کم کد/بدون کد را برای کاربران تجاری و همچنین یک تجربه کامل AI Builder و API را برای دانشمندان داده و توسعه دهندگان ارائه می دهد. علاوه بر این، ما آموزش رایگان در آکادمی Ikigai خود ارائه می دهیم تا هر کسی بتواند اصول هوش مصنوعی را بیاموزد و همچنین در پلت فرم Ikigai آموزش ببیند و گواهینامه دریافت کند.
LGM ها به طور گسترده تری بر کسب و کارهایی که به دنبال به کارگیری هوش مصنوعی هستند، تأثیر زیادی خواهند داشت. شرکت‌ها می‌خواهند از genAI برای مواردی استفاده کنند که نیاز به مدل‌سازی آماری و پیش‌بینی عددی دارند، مانند پیش‌بینی احتمالی و برنامه‌ریزی سناریو. اما LLM ها برای این موارد استفاده ساخته نشده اند، و بسیاری از سازمان ها فکر می کنند که LLM ها تنها شکل genAI هستند. بنابراین آنها مدل های زبان بزرگ را برای اهداف پیش بینی و برنامه ریزی امتحان می کنند و ارائه نمی دهند. آنها تسلیم می شوند و تصور می کنند genAI قادر به پشتیبانی از این برنامه ها نیست. وقتی LGM ها را کشف کردند، متوجه می شوند که واقعاً می توانند از هوش مصنوعی مولد برای پیش بینی و برنامه ریزی بهتر استفاده کنند و به آنها در تصمیم گیری های تجاری بهتر کمک کنند.
پلتفرم Ikigai از طریق ویژگی eXpert-in-the-loop شما، LGM ها را با رویکردی انسان محور ادغام می کند. آیا می‌توانید توضیح دهید که چگونه این ترکیب باعث افزایش دقت و پذیرش مدل‌های هوش مصنوعی در شرکت‌ها می‌شود؟
هوش مصنوعی به نرده‌های محافظ نیاز دارد، زیرا سازمان‌ها طبیعتاً مراقب هستند که این فناوری به طور دقیق و مؤثر عمل کند. یکی از این نرده‌های محافظ، نظارت انسانی است که می‌تواند به القای تخصص حوزه حیاتی کمک کند و اطمینان حاصل کند که مدل‌های هوش مصنوعی پیش‌بینی‌ها و پیش‌بینی‌هایی را ارائه می‌کنند که مرتبط و مفید برای کسب‌وکارشان است. وقتی سازمان‌ها می‌توانند یک متخصص انسانی را در نقش نظارت بر هوش مصنوعی قرار دهند، می‌توانند به آن اعتماد کرده و صحت آن را تأیید کنند. این بر یک مانع بزرگ برای پذیرش غلبه می کند.
نوآوری های کلیدی فناوری در پلتفرم Ikigai که آن را از سایر راه حل های هوش مصنوعی موجود در بازار متمایز می کند چیست؟
فناوری اصلی LGM ما بزرگترین وجه تمایز است. ایکیگای در این فضا بدون همتا پیشگام است. من و هم بنیانگذارم LGM ها را در طول کار آکادمیک خود در MIT اختراع کردیم. ما مبتکر مدل‌های گرافیکی بزرگ و استفاده از genAI در داده‌های ساخت‌یافته هستیم.
تصور می کنید LGM ها چه تاثیری بر صنایعی داشته باشند که به شدت به پیش بینی و برنامه ریزی دقیق متکی هستند، مانند خرده فروشی، مدیریت زنجیره تامین و امور مالی؟
LGM ها کاملاً متحول خواهند شد زیرا به طور خاص برای استفاده در داده های جدولی و سری زمانی طراحی شده اند که رگ حیاتی هر شرکتی است. تقریباً هر سازمان در هر صنعتی به شدت به تجزیه و تحلیل داده های ساختار یافته برای پیش بینی تقاضا و برنامه ریزی تجاری برای اتخاذ تصمیمات کوتاه مدت و بلندمدت وابسته است – چه این تصمیمات مربوط به تجارت، استخدام، سرمایه گذاری، توسعه محصول یا سایر مقوله ها باشد. LGM ها نزدیک ترین چیزی را که ممکن است به یک توپ کریستالی برای گرفتن بهترین تصمیم ها ارائه می دهند.
با نگاه به آینده، گام های بعدی آزمایشگاه های ایکیگای در پیشبرد قابلیت های LGM چیست؟ آیا ویژگی‌ها یا پیشرفت‌های جدیدی در خط لوله وجود دارد که به‌ویژه درباره آن هیجان‌زده هستید؟
مدل aiPlan موجود ما از تجزیه و تحلیل what-if و سناریو پشتیبانی می کند. با نگاهی به آینده، هدف ما توسعه بیشتر آن و فعال کردن آموزش تقویتی کامل برای تیم های عملیاتی است. این یک تیم عملیاتی را قادر می سازد تا برنامه ریزی مبتنی بر هوش مصنوعی را در کوتاه مدت و بلند مدت انجام دهد.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند آزمایشگاه های ایکیگای.
