AI News har tatt en prat med Kamal Ahluwalia, administrerende direktør i Ikigai Labs, for å diskutere alt som har med gen-AI å gjøre, inkludert de beste tipsene om hvordan man tar i bruk teknologien, og viktigheten av å integrere etikk i AI-design.

 

Kan du fortelle oss litt om Ikigai Labs og hvordan selskapet kan hjelpe bedrifter?

 

Ikigai hjelper organisasjoner med å forvandle sparsomme, silopregede bedriftsdata til prediktiv og handlingsrettet innsikt med en generativ AI-plattform som er spesielt utviklet for strukturerte, tabellariske data.

 

En stor del av bedriftsdataene er strukturerte tabelldata som ligger i systemer som SAP og Salesforce. Disse dataene styrer planleggingen og prognostiseringen for en hel virksomhet. Mens det er mye oppstyr rundt Large Language Models (LLM), som er gode for ustrukturerte data som tekst, er Ikigais patenterte Large Graphical Models (LGM), som er utviklet ved MIT, fokusert på å løse problemer med strukturerte data.

 

Ikigais løsning fokuserer spesielt på tidsseriedatasett, ettersom bedrifter opererer med fire viktige tidsserier: salg, produkter, ansatte og kapital/kontanter. Det er avgjørende å forstå hvordan disse tidsseriene henger sammen i kritiske øyeblikk, for eksempel ved lansering av et nytt produkt eller etablering i et nytt geografisk område, for å kunne ta bedre beslutninger som gir optimale resultater.

 

Hvordan vil du beskrive dagens generative AI-landskap, og hvordan ser du for deg at det vil utvikle seg i fremtiden?

 

Teknologiene som har fanget fantasien, for eksempel LLM fra OpenAI, Anthropic og andre, har en forbrukerbakgrunn. De ble trent på data i internettskala, og treningsdatasettene blir bare større og større, noe som krever betydelig datakraft og lagringsplass. Det kostet 100 millioner dollar å trene opp GPT4, og GP5 forventes å koste 2,5 milliarder dollar.

 

Denne virkeligheten fungerer i forbrukermarkedet, der kostnadene kan deles på svært mange brukere, og der noen feil bare er en del av opplæringsprosessen. Men i en bedrift kan ikke feil tolereres, hallusinasjoner er ikke et alternativ, og nøyaktighet er avgjørende. I tillegg er kostnadene ved å trene opp en modell på data i internettskala rett og slett ikke overkommelige, og selskaper som bruker en grunnleggende modell, risikerer å eksponere IP og andre sensitive data.

 

Selv om noen selskaper har valgt å bygge sin egen teknologibunke slik at LLM-modeller kan brukes i trygge omgivelser, mangler de fleste organisasjoner talent og ressurser til å bygge den selv.

 

Til tross for utfordringene ønsker bedriftene den typen erfaring som LLM gir. Men resultatene må være nøyaktige – selv om datagrunnlaget er sparsomt – og det må finnes en måte å holde konfidensielle data utenfor en grunnleggende modell. Det er også viktig å finne måter å redusere de totale eierkostnadene på, inkludert kostnadene for opplæring og oppgradering av modellene, avhengigheten av GPU-er og andre spørsmål knyttet til styring og datalagring. Alt dette fører til et helt annet sett med løsninger enn det vi har i dag.

 

Hvordan kan bedrifter lage en strategi for å maksimere fordelene med generativ AI?

 

Selv om det har vært skrevet mye om store språkmodeller (LLM) og deres potensielle bruksområder, er det mange kunder som spør “hvordan differensierer jeg meg?”.

 

Med LLM-er vil nesten alle ha tilgang til de samme funksjonene, for eksempel chatbot-opplevelser eller generering av e-poster og innhold til markedsføring – hvis alle har de samme bruksområdene, er det ikke noe som skiller seg ut.

 

Nøkkelen er å flytte fokuset fra generiske bruksområder til å finne områder som kan optimaliseres og forståes spesifikt for din virksomhet og situasjon. Hvis du for eksempel driver med produksjon og må flytte virksomheten ut av Kina, hvordan planlegger du for usikkerhet knyttet til logistikk, arbeidskraft og andre faktorer? Eller hvis du ønsker å bygge mer miljøvennlige produkter, vil materialer, leverandører og kostnadsstrukturer endre seg. Hvordan modellerer du dette?

 

Dette er noen av måtene bedrifter forsøker å bruke kunstig intelligens til å drive virksomheten og planlegge i en usikker verden. Den beste måten å bruke kunstig intelligens på for å oppnå et reelt konkurransefortrinn, er sannsynligvis å gjøre teknologien mer spesifikk og skreddersy den til dine unike behov.

 

Hva er de største utfordringene bedrifter står overfor når de tar i bruk generativ AI, og hvordan kan de overvinnes?

 

Når vi har lyttet til kunder, har vi fått vite at selv om mange har eksperimentert med generativ AI, er det bare en brøkdel som har gått videre til produksjon på grunn av uoverkommelige kostnader og sikkerhetsproblemer. Men hva om modellene dine kunne trenes bare på dine egne data, kjøres på CPU-er i stedet for å kreve GPU-er, med nøyaktige resultater og åpenhet rundt hvordan du får disse resultatene? Hva om alle regulatoriske og compliance-spørsmål ble løst, uten spørsmål om hvor dataene kom fra eller hvor mye data som trenes på nytt? Det er dette Ikigai bidrar til med sine store grafiske modeller.

 

En utfordring vi har hjulpet bedrifter med å løse, er dataproblemet. Nesten 100 % av alle organisasjoner jobber med begrensede eller ufullkomne data, og i mange tilfeller er dette en hindring for å gjøre noe med AI. Bedrifter snakker ofte om å rydde opp i dataene, men i realiteten kan det å vente på perfekte data hindre fremgang. AI-løsninger som kan fungere med begrensede og sparsomme data, er avgjørende, ettersom de gjør det mulig for bedrifter å lære av det de har og ta høyde for endringsledelse.

 

Den andre utfordringen er hvordan interne team kan samarbeide med teknologien for å oppnå bedre resultater. Spesielt i regulerte bransjer er det nødvendig med menneskelig tilsyn, validering og forsterket læring. Ved å koble inn en ekspert sikrer man at AI ikke tar beslutninger i et vakuum, så det er viktig å finne løsninger som inkluderer menneskelig ekspertise.

 

I hvilken grad tror du at en vellykket innføring av generativ AI krever en endring i bedriftskultur og tankesett?

 

For å lykkes med å ta i bruk generativ AI kreves det en betydelig endring i bedriftskulturen og tankesettet, med et sterkt engasjement fra ledelsen og kontinuerlig opplæring. Jeg opplevde dette på nært hold i Eightfold da vi lanserte AI-plattformen vår i selskaper i over 140 land. Jeg anbefaler alltid at teamene først utdanner lederne om hva som er mulig, hvordan det kan gjøres og hvordan man kommer dit. De må ha viljen til å gjennomføre det, noe som innebærer en del eksperimentering og forpliktende tiltak. De må også forstå hvilke forventninger som stilles til kollegene, slik at de kan være forberedt på at AI blir en del av hverdagen.

 

Engasjement og kommunikasjon fra toppledelsen er viktig, for det er mye skremselspropaganda om at AI kommer til å ta arbeidsplasser, og lederne må slå fast at selv om AI ikke kommer til å eliminere arbeidsplasser, kommer jobben til alle til å endre seg i løpet av de neste par årene, ikke bare for folk på bunn- eller mellomnivå, men for alle. Løpende opplæring gjennom hele implementeringen er avgjørende for at teamene skal lære seg hvordan de kan få utbytte av verktøyene og tilpasse måten de jobber på for å innlemme de nye ferdighetene.

 

Det er også viktig å ta i bruk teknologi som er tilpasset virksomhetens virkelighet. Du må for eksempel gi slipp på tanken om at du må ha alle data for å kunne iverksette tiltak. Når du har brukt fire kvartaler på å rydde opp i data i forbindelse med tidsserieprognoser, er det mer data tilgjengelig, og det er sannsynligvis et rot. Hvis du fortsetter å vente på perfekte data, vil du ikke kunne bruke dataene i det hele tatt. Derfor er det avgjørende med AI-løsninger som kan fungere med begrensede og sparsomme data, for du må kunne lære av det du har.

 

Et annet viktig aspekt er å inkludere en ekspert i loopen. Det ville være feil å tro at AI er magisk. Det er mange beslutninger, spesielt i regulerte bransjer, der du ikke bare kan la AI ta avgjørelsen. Du trenger tilsyn, validering og forsterkningslæring – det er akkurat slik forbrukerløsninger ble så gode.

 

Har du noen casestudier du kan dele med oss om selskaper som har lykkes med å bruke generativ AI?

 

Et interessant eksempel er en Marketplace-kunde som bruker oss til å rasjonalisere produktkatalogen sin. De er ute etter å finne ut hvor mange SKU-er de bør ha, slik at de kan redusere lagerholdskostnadene samtidig som de oppfyller kundenes behov. En annen partner jobber med bemanningsplanlegging, prognoser og timeplanlegging, og bruker oss til å balansere arbeidskraften på sykehus, i detaljhandelen og i hotell- og restaurantbransjen. I deres tilfelle ligger alle dataene i forskjellige systemer, og de må samle dem i én oversikt slik at de kan balansere de ansattes velvære med en optimal drift. Men fordi vi kan støtte et bredt spekter av bruksområder, jobber vi med kunder som gjør alt fra å forutsi produktbruk som en del av en overgang til en forbruksbasert modell, til å oppdage svindel.

 

Dere lanserte nylig et etisk råd for kunstig intelligens. Hva slags mennesker sitter i dette rådet, og hva er formålet med det?

 

AI Ethics Council handler om å sikre at AI-teknologien vi utvikler, er forankret i etikk og ansvarlig design. Det er en sentral del av hvem vi er som selskap, og jeg er ydmyk og beæret over å være en del av rådet sammen med en så imponerende gruppe mennesker. Rådet vårt består av personer som Dr. Munther Dahleh, grunnlegger av Institute for Data Systems and Society (IDSS) og professor ved MIT; Aram A. Gavoor, prodekan ved George Washington University og en anerkjent forsker innen forvaltningsrett og nasjonal sikkerhet; Dr. Michael Kearns, National Center Chair for Computer and Information Science ved University of Pennsylvania; og Dr. Michael I. Jordan, Distinguished Professor ved UC Berkeley ved avdelingene for elektroteknikk, informatikk og statistikk. Jeg er også beæret over å sitte i dette rådet sammen med disse anerkjente personene.

 

Formålet med AI Ethics Council er å ta opp presserende etiske og sikkerhetsmessige spørsmål som påvirker utviklingen og bruken av kunstig intelligens. Etter hvert som kunstig intelligens raskt blir en sentral del av forbrukernes og bedriftenes hverdag i nesten alle bransjer, mener vi at det er avgjørende å prioritere en ansvarlig utvikling, og vi kan ikke ignorere behovet for etiske hensyn. Rådet vil møtes hvert kvartal for å diskutere viktige temaer som AI-styring, dataminimering, konfidensialitet, lovlighet, nøyaktighet med mer. Etter hvert møte vil rådet publisere anbefalinger om tiltak og neste skritt som organisasjoner bør vurdere i det videre arbeidet. Som en del av Ikigai Labs’ engasjement for etisk AI-distribusjon og -innovasjon vil vi gjennomføre de tiltakene som rådet anbefaler.

 

Ikigai Labs hentet inn 25 millioner dollar i finansiering i august i fjor. Hvordan vil dette bidra til å utvikle selskapet, tilbudene og, til syvende og sist, kundene deres?

 

Vi har et sterkt fundament av forskning og innovasjon som kommer fra kjerneteamet vårt på MIT, så finansieringen denne gangen er fokusert på å gjøre løsningen mer robust, i tillegg til å utvide teamet som jobber med kunder og partnere.

 

Vi kan løse mange problemer, men vi fokuserer på å løse noen få meningsfulle problemer gjennom superapper for tidsserier. Vi vet at alle selskaper drives av fire tidsserier, så målet er å dekke disse i dybden og raskt: ting som salgsprognoser, forbruksprognoser, rabattprognoser, hvordan man kan redusere produkter, katalogoptimalisering osv. Vi er spente og ser frem til å gjøre GenAI for tabelldata tilgjengelig for så mange kunder som mulig.