Ahmed Elsamadisi es el fundador y director ejecutivo de Narrador.aiuna empresa de inteligencia de datos que equipa a los responsables de la toma de decisiones con conocimientos prácticos personalizados.
Ahmed comenzó su carrera en el Laboratorio de Sistemas Autónomos de Cornell centrándose en la interacción humano-robot y la fusión de datos bayesianos, así como en la creación de algoritmos para automóviles autónomos.
¿Qué le atrajo inicialmente de la IA y la ciencia de datos?
Me enamoré de cómo la gente toma decisiones. Comenzando con la psicología, la ingeniería social y, finalmente, cómo razonamos sobre la incertidumbre. Esto me llevó a sumergirme en las matemáticas bayesianas y el mundo empezó a tener más sentido. Decidí embarcarme en un viaje para replicar cómo tomamos decisiones.
Ha tenido una carrera fenomenal que incluye haber trabajado en el Laboratorio de Sistemas Autónomos de Cornell, ¿podría compartir algunos aspectos destacados de este período?
¡El ASL de Cornell fue muy divertido! Desde nuestro automóvil autónomo hasta una flota de robots móviles, tuve la experiencia de construir, programar y probar algoritmos y hardware en entornos reales. Mi momento favorito fue un proyecto que dirigí para ver si podíamos jugar un juego de 20 preguntas con todos los estudiantes de Cornell. El juego era simple, un robot está buscando un objeto y puede hacer preguntas de sí/no a los estudiantes de Cornell para ayudarlo a encontrar el artículo. Un pequeño giro, los humanos pueden mentir.
En esta situación no hay información real, nada que sea absolutamente cierto. Trabajé en un algoritmo que pudiera fusionar información de personas y sensores para tomar mejores decisiones. Más tarde, Business Insider recogió este proyecto y se hizo conocido como «el robot que puede decir mentiras».
Estos momentos en los que los datos y los algoritmos pueden hacer algo que no podrías imaginar fácilmente, es lo que hace que estos proyectos sean fenomenales.
La idea de Narrador se originó a partir de su frustración de trabajar con datos en WeWork, su empleador anterior. ¿Cuáles eran los problemas a los que se enfrentaba con el modelado de esquemas en estrella?
Cada empresa utiliza un esquema en estrella para sus modelos de datos. ¡Que tiene sentido! Construyes tablas que representan un conjunto de preguntas que quieres responder y luego se las das a las personas para que las representen. El desafío es que las preguntas crecen y cambian constantemente y, por lo tanto, la serie de tablas que crea nunca son suficientes para responder a todas las preguntas posibles. La única solución es construir más tablas, lo que provoca una desviación de la fuente de la verdad.
Siempre busco en Google «modelado de datos de flujo de aire» para mostrar a las personas cuál es el mejor escenario de una capa de modelado y es complejo. Cientos de mesas dependiendo unas de otras.
Dicho esto, esa era la única opción. En WeWork, hablé con muchos unicornios y vi la misma situación a la que nos enfrentábamos. Gastamos millones de dólares en herramientas de datos. Construimos cientos de modelos. Los datos seguían perdiendo la confianza y no respondían las preguntas de manera oportuna. Luego, cada 1 o 2 años reconstruiríamos el sistema utilizando las herramientas más nuevas pero con el mismo enfoque.
Si todas las empresas que implementaron un esquema en estrella terminaron necesitando reconstruir su sistema, entonces hay un problema con el marco.
¿Cómo encontraste una mejor solución para trabajar con datos?
Inicialmente, me inspiré en los blogs de datos. En un blog, una empresa puede contar la historia de un cliente y un análisis sin mostrarnos nunca su modelo de datos. Utilizan clientes, realizando acciones en el tiempo para explicar cualquier análisis de algoritmos. Efectivamente, todos estos son conceptos que todos entienden (un usuario vio el sitio web y luego reservó una reunión). Me preguntaba por qué esa estructura no se usó en los datos si parece tener el potencial de representar cualquier cosa. La respuesta corta es que esta estructura de datos realmente no es consultable por las herramientas de BI (no hay nada para UNIRSE).
Nuestro modelo de datos, al que llamamos esquema de actividad, parecía tener el potencial para cambiar realmente el mundo. Podría permitir que cada empresa tenga 1 solo modelo de datos que pueda responder cualquier pregunta. Todas las empresas podrían tener el mismo modelo de datos; por lo tanto, el análisis y los algoritmos podrían compartirse entre empresas por primera vez. Y finalmente, podría crear una forma común para que las personas de datos trabajen juntas y hablen sobre los datos.
Pensé que esto podría revolucionar la industria de datos, así que dejé WeWork en 2017 con el objetivo de hacer consultable el esquema de actividad.
Los datos de salida del Narrador tienen un formato bastante diferente de lo que la mayoría de nosotros esperamos, ¿podría explicar qué son las Narrativas y cómo se formatean como una historia?
Las narrativas son análisis accionables en formato de historia.
Nosotros, como personas de datos, estamos muy acostumbrados a los paneles. Sin embargo, los tableros son un medio para un fin. Los tableros le muestran datos y necesita interpretarlos usted mismo:
El desafío con este proceso es que cada persona que mira un tablero encontrará una historia diferente y una recomendación diferente. Este es un sesgo natural.
El objetivo de Narrador era impulsar la acción en función de los datos. Mientras iterábamos, vimos que nuestros clientes necesitaban historias e interpretaciones para tomar decisiones y eso es lo que les dimos.
Las narraciones comienzan con un objetivo claro. Hacen una recomendación. Luego, muéstrele los puntos clave que obtendrá. Finalmente, pasan por el análisis. Cada sección cuenta una historia sobre algo que estamos aprendiendo y los datos se utilizan como evidencia de apoyo.
Muestra a 100 personas la misma Narrativa y todos regresan con la misma recomendación e interpretación.
Las narrativas también entienden que su negocio está cambiando, por lo que se ejecutan constantemente cada semana para ver si las recomendaciones e interpretaciones siguen siendo válidas y se actualizarán en consecuencia.
Después de pasar por todo este aprendizaje y hacer de Narratives estas increíbles herramientas que impulsan la acción, nos dimos cuenta de que la mayoría de las principales firmas de consultoría también habían aprendido lo mismo. McKinsey le brinda presentaciones y enfoques similares en lugar de solo tableros. Estamos trabajando para proporcionar este nivel de calidad por una fracción del precio.
¿Cuáles son algunos de los beneficios de usar Narrador para ingenieros de datos?
¡Los ingenieros de datos son nuestros mayores defensores! Creo que es porque comencé como ingeniero de datos que Narrador se creó pensando en ellos.
En Narrador, modelar datos es realmente fácil: solo asigna conceptos desde la fuente de la verdad a nuestro modelo de datos. Realizamos un montón de pruebas para asegurarnos de que funcionará y luego pasa a producción. Narrador maneja la migración, sincroniza los datos y garantiza que todo sea rápido y fácil.
Dentro de Narrador, puede ensamblar rápidamente cualquier conjunto de datos que desee en minutos y dárselo a cualquier persona que lo solicite.
También pensamos en todas las pequeñas cosas que necesita y nos aseguramos de que las tenga:
- Transparencia total en todo el procesamiento y control para pausar, cancelar, ejecutar_ahora, etc.
- Capacidad para poner alertas en los datos sin procesar antes y después de la transformación.
- Registro completo de todos los cambios en la consulta.
- Visibilidad completa de cada actualización que ocurre en la tabla.
- 1 clic para materializar cualquier conjunto de datos o enviarlo a la hoja de Google.
- Configure webhooks rápidos para enviar los datos a cualquier sistema.
- Póngase en contacto con el soporte y obtendrá un ingeniero de datos para ayudarlo.
- Cada consulta que genera Narrador es LEGIBLE y transparente.
- Depure cualquier dato con cronogramas rápidos de todo lo que le sucedió a un cliente específico.
- Cree 1 conjunto de datos y cree muchas agregaciones encima (no es necesario copiar la misma consulta en un CTE).
- Si cambia alguno de los componentes básicos, reconciliaremos todos sus datos por usted.
¡Hay mucho más que a los ingenieros de datos les encantará!
¿Cuánto tiempo se ahorra al hacer informes con Narrador en comparación con el modelado tradicional?
Honestamente, comparar Narrador con el modelado tradicional es injusto. En Narrador, todos sus datos se modelan en solo 1 día en lugar de meses de planificación como en un esquema en estrella. Los cambios en Narrador son fáciles y de bajo riesgo. La creación de cualquier tabla es instantánea en Narrador porque no tiene que preocuparse si hay una clave externa para unir las cosas.
En términos de análisis, Narrador tiene una biblioteca de análisis escritos a mano por expertos que puede ejecutar al instante. Estos análisis están bien pensados, probados en varias empresas, se actualizan en función de los cambios de su negocio, aprovechan los algoritmos para interpretar los datos y se presentan de manera hermosa en un formato de historia. Este nivel de trabajo a menudo lo realizan equipos de personas de datos durante semanas (que es lo que hacemos, pero lo hacemos una vez y luego lo ponemos a disposición de todos al instante).
¿Hay algo más que le gustaría compartir sobre Narrador?
El narrador es diferente.
Es un poco difícil entender cómo y por qué funciona, pero una vez que comiences, hará clic y nunca podrás volver atrás.
Estoy entusiasmado con el mundo que Narrador está haciendo posible y le doy la bienvenida a cualquiera que se comunique para obtener más información.
Juntos podemos tomar mejores decisiones que crearán un mundo mejor.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Narrador.ai.