Şu yazıyı okuyorsunuz: Brian Sathianathan, CTO ve Iterate.ai – Röportaj Serisi Kurucu Ortağı
Brian Sathianathan, baş teknoloji sorumlusu ve kurucu ortağıdır. iterate.ai, endüstriler genelinde yapay zeka destekli uygulamaları hızlı bir şekilde oluşturmak için Interplay’in Düşük Kod platformunun yaratıcısı. Sathianathan daha önce Apple’da Mac işletim sistemi ve ilk iPhone da dahil olmak üzere birçok yeni teknoloji projesinde çalışıyordu.
Başlangıçta sizi yapay zeka teknolojileriyle çalışmaya çeken şey neydi?
Algoritma tabanlı öğrenmeye her zaman ilgim vardı ve üniversite yıllarımda yapay zeka sistemleriyle çalışmaya başladım. Ek olarak, kariyerimin başlarında Apple için kriptografi ve diğer güvenlik teknolojileri ile kurucu ortağı olduğum önceki bir şirket için video sıkıştırma teknolojileri oluşturmaya çok zaman ayırdım. Hem video hem de kriptografik teknolojiler algoritma açısından oldukça yoğun ve bu da gerçekten AI/ML’deki öğrenme eğrimi daha hızlı hale getirdi. 2016 yılı civarında, açık kaynak yapay zeka çerçeveleri/GPU’ları ile oynamaya başladım ve bunların son beş yılda hem algoritma perspektifi hem de daha geniş bir sınıflandırma yelpazesi yapma becerileri açısından ne kadar ilerlediğini fark ettim. Daha sonra bunu herkesin kullanması için daha kolay ve basit hale getirmem gerektiğini fark ettim.
Yapay zekadaki bilişsel önyargı ve veri önyargısı konusunda güçlü görüşleriniz var, bu endişelerinizi paylaşabilir misiniz?
Yapay zeka önyargısı, mühendislerin yapay zeka eğitim veri setlerini kendi görüşlerinin ve önyargılarının şekillendirmesine izin vermesiyle ortaya çıkar. Bu kadar çabuk yapmak, yapay zeka ile başarmaya çalıştıkları şeyi baltalıyor. Çoğu zaman bu etki bilinçaltındadır, dolayısıyla önyargının veri kümelerinize sızdığının farkına bile varmayabilirsiniz. Etkin kontrol ve denge mekanizmaları olmadan, veriler yalnızca mühendislerin dikkate aldığı odak noktaları veya demografik bilgilerle sınırlandırılabilir. Mühendislerin üzerinde çalışacakları yüksek kalite ve hacimde veri olsa bile veri kümelerindeki önyargılar, yapay zeka uygulamaları tarafından sağlanan sonuçların yanlış ve çoğu durumda büyük ölçüde işe yaramaz hale gelmesine neden olabilir.
Bir Gartner raporu şunu tahmin ediyordu: 2030 yılına gelindiğinde yapay zeka projelerinin %85’i önyargı nedeniyle yanlış sonuçlar verecek. Bu aşılması gereken büyük bir boşluk. Yapay zekaya yatırım yapan, güvenen ve stratejik kararlar alan şirketler, yalnızca önyargıya dayalı yanlış sonuçlara göre yanıltılır, yüksek maliyetli başarısızlıklar ve itibarlarının zarar görmesi riskiyle karşı karşıya kalır. Yapay zekanın hızla gelişen bir teknolojiden hem müşteriye yönelik uygulamaların hem de dahili süreçlerin her yerde bulunan temel taşı haline gelmesiyle birlikte, önyargının ortadan kaldırılması yapay zekanın gelecekte gerçek potansiyelinin farkına varılması açısından hayati önem taşıyor.
Bu tür önyargıların ortaya çıkmasını önlemenin bazı yolları nelerdir?
Yapay zeka önyargısı sistematik ve proaktif bir şekilde tespit edilmeli ve ortadan kaldırılmalıdır. Önyargılar algoritmalarda kodlanabilir. Yanlışlıklar, gerekli verileri basitçe atlayan bilişsel önyargılar yoluyla ortaya çıkarılabilir. Toplama yanlılığı burada başka bir risktir; burada bir dizi küçük karar, yanlı yapay zeka sonuçlarına katkıda bulunur.
Yapay zeka önyargısının tüm biçimlerinin tespit edilmesi ve ortadan kaldırılması, kuruluşların bu sorunları etkili bir şekilde azaltmak için oluşturulan çerçeveleri, araç setlerini, süreçleri ve politikaları kullanmasını gerektirir. Örneğin, AI çerçeveleri gibi Rolls Royce’tan Marco Aletheia Ve Deloitte Yapay Zeka Çerçevesi Otomatik olarak uygulanan kıyaslamalarla tamamlanan yapay zeka uygulamalarının geliştirilmesinde ve devreye alınmasında önyargısız uygulamaları teşvik edebilir. Araç setleri gibi AI Sermaye 360 Ve IBM Watson Açık Ölçeği makine öğrenimi modelleri ve işlem hatlarındaki önyargıları ve önyargı modellerini tanıyıp ortadan kaldırabilir. Son olarak, verileri tanımlanmış önyargı ölçümlerine göre test eden süreçler, zorunlu uygulamalar yoluyla önyargıyı caydırmak için yönetişim sağlayan politikalarla birleştiğinde, kuruluşların kör noktalarını kontrol etmede sistematik olmalarına ve yapay zeka önyargılarını azaltmalarına olanak tanır.
Iterate.ai’nin CTO’su ve kurucu ortağısınız. Nasıl başladı?
Bu hikaye, 2013 yılında kurucu ortağımız Jon Nordmark (CEO’muz) ve benim, girişimcilerin Silikon Vadisi tarzında yeni girişimler kurmalarına ve işletmelerine yardımcı olmak için tasarlanmış, Ukrayna merkezli bir Doğu Avrupa hızlandırıcısının yönetim kurulu üyesi olduğumuz zaman başlıyor. İnanılmaz derecede yenilikçi girişimlerle ilgili bu deneyimler, bizi gelecek vaat eden (ancak belki daha az bilinen) girişimleri, yenilik desteğine ihtiyaç duyan büyük şirketlerle eşleştirme fikrine yönlendirdi. Daha sonra, şirketlerin daha büyük kuruluşların aradığı yenilikçi yeteneklere dayalı olarak başlangıç ortaklarını bulmaları için özel bir arama motoru sağlayan, o zamanlar Iterate Studio olarak adlandırılan şeyi başlattık. 2015 yılında şirket, yapay zeka destekli startup küratörlüğümüzü vurgulamak için Iterate.ai adını aldı. Bugün bizim İşaretler Veritabanı, sayısız faktöre dayalı olarak 15,7 milyondan fazla başlangıç teknolojisini indeksliyor (ve bunu bu ölçekte gerçekleştirmek için özel yapay zeka kullanıyor).
2017 yılında ürünümüzü genişleterek ilk versiyonunu piyasaya sürdük. Etkileşim düşük kodlu uygulama geliştirme platformu. Interplay, yazılım geliştirmeyi on kat hızlandırırken yenilikçi sürükle ve bırak teknolojilerini etkinleştirerek işletmelerin eski yığınlarını modernleştiren yapay zeka destekli bir yazılım katmanı sağlar. Düşük kodlu platformda 475 önceden oluşturulmuş bileşen bulunur; böylece kullanıcılar, uygulamaları hızlı bir şekilde çalışır duruma getirmek için ihtiyaç duydukları teknolojileri karıştırıp eşleştirebilirler. Yapay zekanın güçlendirilmesi platformun yanı sıra Nesnelerin İnterneti, veri entegrasyonu ve hatta blockchain için diğer düşük kodlu bileşenlerin merkezinde yer alıyor.
Iterate, yapay zeka destekli uygulamalar geliştirmeye yönelik düşük kodlu bir platformdur; Oluşturulabilecek yapay zeka uygulamalarından bazıları nelerdir?
Düşük kodlu platformumuz, gerçekten ilginç kullanım örnekleri için AI uygulamalarına olanak sağladı; uygulamanın genişliği gerçekten gurur duyduğumuz bir şey. Milyar dolarlık küresel güzellik perakendecisi Ulta Beauty, platformumuzu kullanarak AI ile akıllı perakende misafir sohbet robotu sadece iki hafta içinde. Buna karşılık, ilkel sohbet robotları anahtar kelimelere odaklanır ve çoğu satıcı sohbet robotu uygulaması, müşteri bilgilerine erişmek veya insanlar tarafından desteklenen desteğe sorunsuz geçiş sağlamak için eski sistemlerle sorunsuz bir şekilde entegre olamaz. Ulta’nın akıllı yapay zeka sohbet robotu, doğal dil işleme işlevselliği ve müşterilerin gerçekten doğru yanıtlar verme “niyetlerini” tanıma becerisiyle ilgili sorunları ortadan kaldırdı. Platformumuz, Ulta’nın sohbet robotunun yapay zeka motorunu yalnızca birkaç saat içinde oluşturmasını ve sohbet robotunun eğitimini ve yanıtlarını son derece hızlı bir şekilde yapılandırmasını, hassaslaştırmasını ve iyileştirmesini kolaylaştırdı.
Başka bir örnekte, Jokey, yapay zeka destekli SSS’leri etkinleştirmek için platformumuzu kullandı Oldukça karmaşık ve öznel müşteri hizmetleri senaryolarına otomatik olarak (ve başarılı bir şekilde) yanıt vermeye hazır. Platformumuz aynı zamanda müşteri plakalarının yapay zeka tabanlı görüntü tanıma teknolojisine dayanarak küresel bir marketten ve temassız benzin pompası ağından pandemik müdahaleye olanak sağladı. Yapay zeka yeteneklerimiz aynı zamanda güçlendirmek için de kullanılıyor Perakende işletmelerinde kamera merkezli güvenlik stratejileri. Eğitimli yapay zeka uygulamaları, görüntü tanıma yoluyla tehditleri ve mağaza vitrinlerinin dışındaki silahların varlığını tespit edebilir, müşterileri korumak için mağazaların kapatılmasını tetikleyebilir ve yetkililerle iletişime geçebilir.
Gerçek kodlama gereksinimleri ne kadar küçük? Kullanıcıların ne kadar geliştirme becerisine sahip olması gerekir?
Bana göre 80/20 kuralı geçerlidir. Uygulanan yapay zeka kullanım senaryolarının %80’i halihazırda oluşturulmuş olup, bunların etrafında yerleşik modeller ve eğitim verileri bulunmaktadır. Geleneksel bir kuruluş, düşük kodlu bir platformu (bizimki Interplay de böyle bir platformdur) kolaylıkla kullanabilir ve bu durumları uygulayabilir. İşte bazı örnekler:
- Yapay zeka destekli SSS
- Yapay zeka destekli ürün bulucular
- Ürün ve paket önerileri
- LOC
- Görsel ürün tanımlama
- Tablosal veri analizi: AOV, sepet analizi, kayıp tahminleri vb. gibi şeyler.
- Nesne çıkarma/algılama
- kalıcı nesne
Yukarıdaki durumlar, sunucu tarafı programlama bilgisine ve makine öğrenimi API’leri hakkında bazı temel bilgilere sahip bir mühendis tarafından uygulanabilir. Günümüzde API’ler aracılığıyla yaygın olarak kullanılan video akışı, şifreleme ve anahtar yönetimi tekniklerine çok benzer. Bu API’leri kullanan çoğu mühendis genellikle bunların altında nasıl çalıştıklarını bilmiyor.
Düşük kodlu yapay zeka, yapay zeka teknolojisini ölçeklendirmek için neden önemlidir?
Uygulama geliştirmelerinde yapay zeka yetenekleri arayan şirketler, düşük kod kullanmadıklarında hızla büyük zorluklarla karşılaşabilirler. Günümüz dünyasında yalnızca 300.000 yapay zeka mühendisi var ve bunların yalnızca 60.000’i veri bilimci. Bu nedenle yapay zeka çözümlerini geliştirmek ve ölçeklendirmek için gereken yetenek hem pahalı hem de artıyor. Aksine, düşük kodlu geliştirme, yapay zekaya erişimi gerçek anlamda demokratikleştirir. Düşük kodla, dünyadaki 25 milyon yazılım geliştiriciden herhangi biri ve hatta eğitim almamış olanlar bile yapay zeka motorlarını kolayca dağıtabilir, yeteneklerini geliştirebilir ve etkili çözümler üretip ölçeklendirebilir.
Iterate.ai’nin yapay zeka destekli Signals platformuna dönecek olursak, ortaya çıkan en ilginç trendlerden bazıları nelerdir?
İnovasyonun beş gücünde hızlı bir büyüme görüyoruz: Yapay zeka, Nesnelerin İnterneti, blockchain, veri ve yeni ortaya çıkan başlangıç çözümleri. Bunların hepsi çok büyük pazarlar. Her gün haberler, patentler ve yeni başlangıç ürünleriyle ilgili binlerce veri noktası görüyoruz. Interplay ayrıca bu artan güçlerden yararlanmak için önceden oluşturulmuş bileşenler de dahil olmak üzere bu güçlerden yararlanmak üzere tasarlanmıştır.
Iterate.ai hakkında paylaşmak istediğiniz başka bir şey var mı?
Düşük kod ve bunun yapay zeka uygulamaları oluşturmadaki rolü hakkında hâlâ yanlış anlamaların olduğunu düşünüyorum. BT profesyonellerinin, düşük kodlu bir stratejinin kurumsal düzeyde ölçeklenebilirlik, genişletilebilirlik ve güvenlik gereksinimlerini karşılayıp karşılayamayacağını sorguladığını görmek alışılmadık bir durum değil. Prototipleme amaçlı olan ancak üretim uygulamaları için araç olarak yetersiz uygulanan düşük kodlu seçeneklerin bu yorgunluğa katkıda bulunduğunu düşünüyorum. Bununla birlikte, doğru düşük kodlu platformlar, üretime hazır yapay zeka uygulamaları oluşturma ve destekleme görevine kesinlikle hazırdır. Kuruluşlar, düşük kodlu araçları seçerken gerekli özeni göstermeli, bu araçların şeffaf ve kapsamlı bir güvenlik katmanına sahip olmasını ve kurumsal ölçekte uygulamalar sunma konusunda kanıtlanmış bir geçmişe sahip olmasını sağlamalıdır.
Harika röportaj için teşekkürler, daha fazla bilgi isteyen okuyucular ziyaret etmeli iterate.ai.
