Vinay Kumar Sankarapu, es cofundador y director ejecutivo de Arya.aiuna plataforma que ofrece la nube de ‘IA’ para bancos, aseguradoras e instituciones de servicios financieros (BFSI) para encontrar las API de IA adecuadas, las soluciones expertas de IA y las herramientas integrales de gobernanza de IA necesarias para implementar motores de IA confiables y de autoaprendizaje.
Su experiencia es en matemáticas, física, química e ingeniería mecánica, ¿podría hablar sobre su viaje hacia la transición a la informática y la IA?
En IIT Bombay, tenemos un “Programa de doble titulación” que ofrece un curso de 5 años para cubrir tanto licenciaturas en tecnología como maestrías en tecnología. Hice Ingeniería Mecánica con una especialización en ‘Diseño y Manufactura Asistidos por Computadora, donde Ciencias de la Computación es parte de nuestro plan de estudios. Para nuestra investigación de posgrado, elegí trabajar en Deep Learning. Mientras comencé a usar DL para crear un marco de predicción de fallas para la fabricación continua, terminé mi investigación sobre el uso de CNN para la predicción de RUL. Esto fue alrededor de 2013/14.
Lanzaste Arya.ai cuando aún estabas en la universidad, ¿podrías compartir la historia de génesis detrás de esta startup?
Como parte de la investigación académica, tuvimos que pasar de 3 a 4 meses en una revisión de la literatura para crear un estudio detallado sobre el tema de interés, el alcance del trabajo realizado hasta el momento y cuál podría ser una posible área de enfoque para nuestra investigación. Durante 2012/13, las herramientas que utilizamos fueron bastante básicas. Los motores de búsqueda como Google Scholar y Scopus solo estaban haciendo una búsqueda de palabras clave. Fue realmente difícil comprender el volumen de conocimiento que estaba disponible. Pensé que este problema solo empeoraría. En 2013, creo que se publicaron al menos más de 30 artículos por minuto. Hoy, eso es al menos 10x-20x más que eso.
Queríamos crear un asistente de ‘IA’ como un ‘profesor’ para los investigadores para ayudarlos a sugerir un tema de investigación, encontrar un artículo adecuado que esté más actualizado y cualquier cosa relacionada con la investigación STEM. Con nuestra experiencia en aprendizaje profundo, pensamos que podríamos resolver este problema. En 2013, comenzamos Arya.ai con un equipo de 3 y luego se expandió a 7 en 2014 cuando aún estaba en la universidad.
Nuestra primera versión del producto se construyó extrayendo más de 30 millones de artículos y resúmenes. Utilizamos técnicas de vanguardia en aprendizaje profundo en ese momento para construir un asistente de investigación STEM de IA y un motor de búsqueda contextual para STEM. Pero cuando mostramos el asistente de IA a algunos profesores y compañeros, nos dimos cuenta de que habíamos llegado demasiado pronto. Los flujos de conversación eran limitados y los usuarios esperaban un flujo libre y conversiones continuas. Las expectativas eran muy poco realistas en ese momento (2014/15) a pesar de que estaba respondiendo preguntas complejas.
Publicamos eso, giramos para usar nuestra investigación y centrarnos en las herramientas de ML para investigadores y empresas como un banco de trabajo para democratizar el aprendizaje profundo. Pero nuevamente, muy pocos científicos de datos usaban DL en 2016. Entonces, comenzamos a verticalizarlo para una vertical y nos enfocamos en crear capas de productos especializados para una vertical, es decir, instituciones de servicios financieros (FSI). Sabíamos que esto funcionaría porque, si bien los grandes jugadores tienen como objetivo ganar el juego horizontal, la verticalización puede crear una gran USP para las nuevas empresas. ¡Esta vez teníamos razón!
Estamos construyendo la nube de IA para bancos, aseguradoras y servicios financieros con las capas verticales más especializadas para ofrecer soluciones de IA escalables y responsables.
¿Qué tan grande es el problema de la caja negra de la IA en las finanzas?
¡Extremadamente importante! Solo el 30 % de las instituciones financieras utilizan la ‘IA’ en todo su potencial. Si bien una de las razones es la accesibilidad, otra es la falta de confianza y auditabilidad de la ‘IA’. Las regulaciones ahora son claras en algunas geografías sobre la legalidad del uso de IA para casos de uso de baja, media y alta sensibilidad. La ley en la UE exige el uso de modelos transparentes para casos de uso de “alto riesgo”. Muchos casos de uso en instituciones financieras son casos de uso de alto riesgo. Por lo tanto, están obligados a utilizar modelos de caja blanca.
Los ciclos de exageración también se están estabilizando debido a la experiencia inicial con las soluciones de IA. Hay un número creciente de ejemplos en los últimos tiempos sobre los efectos del uso de la ‘IA’ de caja negra, las fallas de la ‘IA’ por no monitorearlas y los desafíos con los administradores legales y de riesgos debido a la auditabilidad limitada.
¿Podría discutir la diferencia entre el monitoreo de ML y la observabilidad de ML?
El trabajo de una herramienta de monitoreo es simplemente monitorear y alertar. Y el trabajo de una herramienta de observabilidad no es solo monitorear e informar sino, lo que es más importante, proporcionar suficiente evidencia para encontrar las razones de la falla o predecir estas fallas a lo largo del tiempo.
En AI/ML, estas herramientas juegan un papel fundamental. Si bien estas herramientas pueden brindar roles o monitoreo requeridos, el alcance de la observabilidad de ML
¿Por qué se necesitan plataformas específicas de la industria para la observabilidad de ML versus plataformas de propósito general?
Las plataformas de propósito general están diseñadas para todos y para cualquier caso de uso, independientemente de la industria: cualquier usuario puede incorporarse y comenzar a usar la plataforma. Los clientes de estas plataformas suelen ser desarrolladores, científicos de datos, etc. Sin embargo, las plataformas crean varios desafíos para las partes interesadas debido a su naturaleza compleja y su enfoque de “talla única”.
Desafortunadamente, la mayoría de las empresas hoy en día requieren expertos en ciencia de datos para usar plataformas de propósito general y necesitan soluciones adicionales/capas de productos para hacer que estos modelos sean ‘utilizables’ por los usuarios finales en cualquier vertical. Esto incluye explicabilidad, auditoría, segmentos/escenarios, procesos humanos en el circuito, etiquetado de comentarios, auditoría, canalizaciones específicas de herramientas, etc.
Aquí es donde las plataformas de IA específicas de la industria entran como una ventaja. Una plataforma de IA específica de la industria posee todo el flujo de trabajo para resolver la necesidad o los casos de uso de un cliente objetivo y se desarrolla para proporcionar un producto completo de principio a fin, desde la comprensión de las necesidades comerciales hasta el monitoreo del rendimiento del producto. Hay muchos obstáculos específicos de la industria, como marcos normativos y de cumplimiento, requisitos de privacidad de datos, requisitos de auditoría y control, etc. Las plataformas y ofertas de IA específicas de la industria aceleran la adopción de IA y acortan el camino hacia la producción al reducir el tiempo de desarrollo y los riesgos asociados. en el despliegue de IA. Además, esto también ayudará a reunir la experiencia de IA en la industria como una capa de producto que ayuda a mejorar la aceptación de ‘IA’, impulsar los esfuerzos de cumplimiento y descubrir enfoques comunes para la ética, la confianza y las preocupaciones de reputación.
¿Podría compartir algunos detalles sobre la plataforma ML Observability que ofrece Arya.ai?
Llevamos más de 6 años trabajando en instituciones de servicios financieros. Desde 2016. Esto nos dio una exposición temprana a desafíos únicos en la implementación de IA compleja en FSI. Uno de los desafíos importantes fue la ‘aceptación de la IA’. A diferencia de otras verticales, existen muchas regulaciones sobre el uso de cualquier software (también aplicables a las soluciones de ‘IA’), la privacidad de los datos, la ética y, lo que es más importante, el impacto financiero en el negocio. Para abordar estos desafíos a escala, tuvimos que inventar y agregar continuamente nuevas capas de explicabilidad, auditoría, riesgos de uso y responsabilidad además de nuestras soluciones: procesamiento de reclamos, suscripción, monitoreo de fraude, etc. Con el tiempo, creamos un ML aceptable y escalable. Marco de observabilidad para varias partes interesadas en la industria de servicios financieros.
Ahora estamos lanzando una versión DIY del marco como AryaXAI (xai.arya.ai). Cualquier equipo empresarial o de aprendizaje automático puede usar AryaXAI para crear una gobernanza de IA muy completa para casos de uso de misión crítica. La plataforma brinda transparencia y auditabilidad a sus soluciones de IA que son aceptables para todas las partes interesadas. AryaXAI hace que la IA sea más segura y aceptable para casos de uso de misión crítica al proporcionar una explicación confiable y precisa, al ofrecer evidencia que puede respaldar la diligencia regulatoria, administrar la incertidumbre de la IA al proporcionar controles de políticas avanzados y garantizar la consistencia en la producción al monitorear los datos o la desviación del modelo y alertar a los usuarios. con análisis de causa raíz.
AryaXAI también actúa como un flujo de trabajo común y proporciona información aceptable para todas las partes interesadas: equipos de ciencia de datos, TI, riesgos, operaciones y cumplimiento, lo que hace que la implementación y el mantenimiento de los modelos AI/ML sean fluidos y sin desorden.
Otra solución que se ofrece es una plataforma que mejora la aplicabilidad del modelo ML con la implementación de políticas contextuales. ¿Podrías describir qué es esto específicamente?
Se vuelve difícil monitorear y controlar los modelos de ML en producción, debido a la gran cantidad de características y predicciones. Además, la incertidumbre del comportamiento del modelo dificulta la gestión y estandarización de la gobernanza, el riesgo y el cumplimiento. Tales fallas de los modelos pueden resultar en grandes pérdidas financieras y de reputación.
AryaXAI ofrece ‘Controles de política/riesgo’, un componente crítico que preserva los intereses comerciales y éticos al hacer cumplir las políticas sobre IA. Los usuarios pueden agregar/editar/modificar políticas fácilmente para administrar los controles de políticas. Esto permite que los equipos multifuncionales definan barandillas de políticas para garantizar una evaluación de riesgos continua, protegiendo el negocio de la incertidumbre de la IA.
¿Cuáles son algunos ejemplos de casos de uso para estos productos?
AryaXAI se puede implementar para varios procesos de misión crítica en todas las industrias. Los ejemplos más comunes son:
BFSI: en un entorno de rigurosidad normativa, AryaXAI facilita que la industria de BFSI se alinee con los requisitos y recopile las pruebas necesarias para gestionar el riesgo y garantizar el cumplimiento.
- Suscripción de crédito para préstamos garantizados/no garantizados
- Identificación de fraude/transacciones sospechosas
- Auditoría
- Gestión del ciclo de vida del cliente
- Toma de decisiones crediticias
Automóviles autónomos: los vehículos autónomos deben cumplir con el rigor normativo, la seguridad operativa y la explicabilidad en las decisiones en tiempo real. AryaXAI permite comprender cómo interactúa el sistema de IA con el vehículo
- Análisis de decisión
- Operaciones de vehículos autónomos
- Datos de salud del vehículo
- Supervisión del sistema de conducción AI
Atención médica: AryaXAI proporciona información más detallada desde las perspectivas médica, tecnológica, legal y del paciente. Desde el descubrimiento de fármacos hasta la fabricación, las ventas y el marketing, Arya-xAI fomenta la colaboración multidisciplinar
- Descubrimiento de medicamento
- Investigación clínica
- Validación de datos de ensayos clínicos
- Atención de mayor calidad
¿Cuál es su visión para el futuro del aprendizaje automático en las finanzas?
Durante la última década, ha habido una enorme educación y marketing en torno a la ‘IA’. Hemos visto múltiples ciclos de publicidad durante este tiempo. Probablemente estaríamos en el cuarto o sexto ciclo de publicidad ahora. El primero es cuando Deep Learning ganó ImageNet en 2011/12, seguido de trabajo en torno a la clasificación de imágenes/texto, reconocimiento de voz, automóviles autónomos, IA generativa y, actualmente, con grandes modelos de lenguaje. La brecha entre la exageración máxima y el uso masivo se reduce con cada ciclo de exageración debido a las iteraciones en torno al producto, la demanda y la financiación.
Estas tres cosas han sucedido ahora:
¿Que sigue?
La explosión del ‘Modelo como servicio (MaaS)’:
Vamos a ver una demanda creciente de propuestas de ‘Modelo como servicio’ no solo horizontalmente sino también verticalmente. Mientras que ‘OpenAI’ representa un buen ejemplo de ‘MaaS horizontal’, Arya.ai es un ejemplo de ‘MaaS’ vertical. Con la experiencia de implementaciones y conjuntos de datos, Arya.ai ha estado recopilando conjuntos de datos verticales críticos que se aprovechan para entrenar modelos y proporcionarlos como modelos listos para usar o preentrenados.
La verticalización es la nueva horizontal: hemos visto esta tendencia en la ‘adopción de la nube’. Mientras que los jugadores de nube horizontal se enfocan en ‘plataformas para todos’, los jugadores verticales se enfocan en los requisitos del usuario final y los proporcionan como una capa de producto especializada. Esto es cierto incluso para las ofertas de MaaS.
El gobierno de XAI y AI se convertirá en una norma en las empresas: dependiendo de la sensibilidad de las regulaciones, cada vertical logrará un marco de gobierno y XAI aceptable que se implementaría como parte del diseño, a diferencia de hoy, donde se trata como un complemento. sobre.
La IA generativa en datos tabulares puede ver sus ciclos de exageración en las empresas: la creación de conjuntos de datos sintéticos es supuestamente una de las soluciones fáciles de implementar para resolver los desafíos relacionados con los datos en las empresas. Los equipos de ciencia de datos preferirían esto, ya que el problema está bajo su control, a diferencia de confiar en el negocio, ya que pueden tomar tiempo, ser costosos y no garantizar que sigan todos los pasos mientras recopilan datos. Los datos sintéticos resuelven problemas de sesgo, desequilibrio de datos, privacidad de datos y datos insuficientes. Por supuesto, la eficacia de este enfoque aún no se ha probado. Aún así, con más madurez en nuevas técnicas como transformadores, podemos ver más experimentación en conjuntos de datos tradicionales como datos tabulares y multidimensionales. Si tiene éxito, este enfoque puede tener un tremendo impacto en las empresas y las ofertas de MaaS.
¿Hay algo más que le gustaría compartir sobre Arya.ai?
El enfoque de Arya.ai es resolver la ‘IA’ para bancos, aseguradoras y servicios financieros. Nuestro enfoque es la verticalización de la tecnología hasta la última capa y hacerla utilizable y aceptable para todas las organizaciones y partes interesadas.
AryaXAI (xai.arya.ai) jugará un papel importante en entregarlo a las masas dentro de la vertical FSI. Nuestra investigación en curso sobre datos sintéticos tuvo éxito en algunos casos de uso, pero nuestro objetivo es convertirla en una opción más viable y aceptable. Continuaremos agregando más capas a nuestra nube de ‘IA’ para cumplir con nuestra misión.
Creo que vamos a ver más startups como Arya.ai, no solo en la vertical de FSI sino en todas las verticales.
Gracias por la gran entrevista, los lectores que deseen obtener más información deben visitar Arya.ai.