Dr. Devavrat Shah, Co-Founder & CEO of Ikigai Labs – Wawancara Seri
Dr. Devavrat Shah merupakan Co-founder dan CEO dari Ikigai Labs serta seorang profesor dan direktur dari Statistics and Data Science Center di MIT. Beliau juga pernah menjadi co-founder dari Celect, sebuah platform analitik prediktif untuk para pengecer, yang kemudian diakuisisi oleh Nike. Devavrat memperoleh gelar Sarjana dan Doktor dalam Ilmu Komputer dari Indian Institute of Technology dan Stanford University. Ikigai Labs menyediakan platform berbasis kecerdasan buatan (AI) yang dirancang untuk mengubah data tabular dan time series perusahaan menjadi wawasan prediktif dan actionable. Dengan menggunakan Large Graphical Models yang dipatenkan, platform ini memungkinkan pengguna bisnis dan pengembang di berbagai industri untuk meningkatkan proses perencanaan dan pengambilan keputusan mereka.
Apakah Anda bisa berbagi cerita di balik pendirian Ikigai Labs? Apa yang menginspirasi Anda untuk beralih dari akademisi ke dunia kewirausahaan?
Sebenarnya, saya telah berpindah-pindah antara dunia akademis dan bisnis selama beberapa tahun terakhir. Saya mendirikan Ikigai Labs bersama mantan mahasiswa saya di MIT, Vinayak Ramesh. Sebelumnya, saya mendirikan perusahaan bernama Celect yang membantu para pengecer mengoptimalkan keputusan persediaan melalui forecasting permintaan berbasis AI. Celect kemudian diakuisisi oleh Nike pada tahun 2019.
Apa itu Large Graphical Models (LGMs), dan bagaimana perbedaannya dengan Large Language Models (LLMs) yang lebih dikenal?
Large Graphical Models atau LGMs merupakan representasi probabilitas dari data. Mereka berbeda secara signifikan dengan model AI berbasis “Foundation” seperti LLMs.
Model Foundation mengasumsikan bahwa mereka dapat “mempelajari” semua “pola” yang relevan dari kumpulan data yang sangat besar. Oleh karena itu, ketika data baru disajikan, mereka dapat melakukan ekstrapolasi berdasarkan bagian yang relevan dari kumpulan data tersebut. LLMs telah sangat efektif untuk data yang tidak terstruktur (teks, gambar).
Sebaliknya, LGMs mengidentifikasi “pola fungsional” yang tepat dari “universum” besar pola tersebut berdasarkan data yang disajikan. LGMs dirancang sedemikian rupa sehingga mereka memiliki semua “pola fungsional” yang relevan tersedia bagi mereka yang berkaitan dengan data terstruktur (tabular, time series).
LGMs mampu belajar dan memberikan prediksi dan ramalan yang tepat menggunakan data yang sangat terbatas. Misalnya, mereka dapat digunakan untuk melakukan ramalan yang sangat akurat tentang tren atau hasil bisnis kritis yang berubah secara dinamis.
Dapatkah Anda menjelaskan bagaimana LGMs sangat cocok untuk menganalisis data terstruktur, tabular, dan apa keunggulan yang mereka tawarkan dibandingkan dengan model AI lainnya di area ini?
LGMs dirancang khusus untuk memodelkan data terstruktur (yaitu data tabular, time series). Sebagai hasilnya, mereka memberikan akurasi yang lebih baik dan prediksi yang lebih dapat diandalkan.
Selain itu, LGMs membutuhkan data yang lebih sedikit daripada LLMs dan oleh karena itu memiliki kebutuhan komputasi dan penyimpanan yang lebih rendah, sehingga menurunkan biaya. Hal ini juga berarti bahwa organisasi dapat mendapatkan wawasan yang akurat dari LGMs bahkan dengan data pelatihan yang terbatas.
LGMs juga mendukung privasi data dan keamanan yang lebih baik. Mereka melatih hanya pada data perusahaan mereka sendiri – dengan suplemen dari sumber data eksternal tertentu (seperti data cuaca dan data media sosial) ketika diperlukan. Tidak pernah ada risiko data sensitif dibagikan dengan model publik.
Dalam skenario bisnis apa LGMs memberikan nilai tambah yang paling besar? Bisakah Anda memberikan contoh bagaimana mereka telah digunakan untuk meningkatkan forecasting, perencanaan, atau pengambilan keputusan?
LGMs memberikan nilai tambah dalam setiap skenario di mana sebuah organisasi perlu memprediksi hasil bisnis atau mengantisipasi tren untuk memandu strategi mereka. Dengan kata lain, mereka membantu di berbagai kasus penggunaan.
Bayangkan sebuah bisnis yang menjual kostum dan barang Halloween dan mencari wawasan untuk membuat keputusan merchandising yang lebih baik. Mengingat musiman mereka, mereka harus berjalan di garis yang tipis: Di satu sisi, perusahaan perlu menghindari overstock dan berakhir dengan persediaan berlebih di akhir setiap musim (yang berarti barang yang tidak terjual dan pemborosan CAPEX). Pada saat yang sama, mereka juga tidak ingin kehabisan persediaan terlalu dini (yang berarti mereka kehilangan penjualan).
Dengan menggunakan LGMs, bisnis bisa menemukan keseimbangan yang sempurna dan memandu upaya merchandising ritel mereka. LGMs dapat menjawab pertanyaan seperti:
Kostum apa yang harus saya sediakan musim ini?
Berapa banyak yang harus kita sediakan dari setiap SKU secara keseluruhan?
Seberapa baik satu SKU akan terjual di lokasi tertentu?
Seberapa baik aksesoris ini akan terjual dengan kostum ini?
Bagaimana kita bisa menghindari cannibalizing penjualan di kota-kota di mana kita memiliki beberapa toko?
Bagaimana kinerja kostum-kostum baru?
Bagaimana LGMs membantu dalam skenario di mana data sedikit, inkonsisten, atau berubah dengan cepat?
LGMs memanfaatkan rekonsiliasi data berbasis AI untuk memberikan wawasan yang presisi bahkan ketika menganalisis set data yang kecil atau berisik. Rekonsiliasi data memastikan bahwa data konsisten, akurat, dan lengkap. Ini melibatkan perbandingan dan validasi set data untuk mengidentifikasi ketidaksesuaian, kesalahan, atau inkonsistensi. Dengan menggabungkan struktur spasial dan temporal data, LGMs memungkinkan prediksi yang baik dengan data minimal dan cacat. Prediksi dilengkapi dengan pengukuran ketidakpastian serta interpretasi.
Bagaimana Ikigai Labs berusaha untuk mendemokratisasi AI sejalan dengan pengembangan LGMs? Bagaimana Anda melihat LGMs membentuk masa depan AI dalam bisnis?
AI sedang mengubah cara kita bekerja, dan perusahaan harus siap untuk memberdayakan pekerja dari berbagai jenis. Platform Ikigai menawarkan pengalaman kode rendah/tidak ada kode yang sederhana bagi pengguna bisnis serta pengalaman AI Builder dan API penuh bagi ilmuwan data dan pengembang. Selain itu, kami menawarkan pendidikan gratis di Ikigai Academy sehingga siapa pun dapat mempelajari dasar-dasar AI serta belajar dan bersertifikasi pada platform Ikigai.
LGMs akan memiliki dampak besar secara luas pada bisnis yang ingin menggunakan AI. Perusahaan ingin menggunakan genAI untuk kasus penggunaan yang memerlukan pemodelan prediktif numerik dan statistik, seperti forecasting probabilitas dan perencanaan skenario. Namun, LLMs tidak dibangun untuk kasus penggunaan ini, dan banyak organisasi mengira bahwa LLMs adalah satu-satunya bentuk genAI. Jadi mereka mencoba Large Language Models untuk tujuan forecasting dan perencanaan, dan mereka tidak memberikan hasil. Mereka menyerah dan menganggap genAI tidak mampu mendukung aplikasi tersebut. Ketika mereka menemukan LGMs, mereka akan menyadari bahwa mereka memang bisa memanfaatkan AI generatif untuk menghasilkan forecasting dan perencanaan yang lebih baik dan membantu mereka membuat keputusan bisnis yang lebih baik.
Platform Ikigai mengintegrasikan LGMs dengan pendekatan berpusat pada manusia melalui fitur eXpert-in-the-loop. Bisakah Anda menjelaskan bagaimana kombinasi ini meningkatkan akurasi dan adopsi model AI di perusahaan?
AI memerlukan pembatas, karena organisasi secara alami waspada bahwa teknologi tersebut akan beroperasi dengan akurat dan efektif. Salah satu pembatas ini adalah pengawasan manusia, yang dapat membantu menanamkan keahlian domain yang kritis dan memastikan bahwa model AI memberikan ramalan dan prediksi yang relevan dan berguna bagi bisnis mereka. Ketika organisasi dapat menempatkan seorang ahli manusia dalam peran yang memantau AI, mereka dapat percaya dan memverifikasi keakuratannya. Hal ini mengatasi hambatan utama untuk adopsi.
Apa inovasi teknologi kunci dalam platform Ikigai yang membuatnya berbeda dari solusi AI lain yang tersedia di pasar saat ini?
Teknologi inti kami, yaitu LGM, adalah pembeda terbesar. Ikigai adalah pelopor di ruang ini tanpa tandingan. Saya dan rekan pendiri saya menemukan LGMs selama pekerjaan akademis kami di MIT. Kami adalah inovator dalam large graphical models dan penggunaan genAI pada data terstruktur.
Apa dampak yang Anda bayangkan LGMs akan berikan pada industri yang sangat bergantung pada forecasting dan perencanaan yang akurat, seperti ritel, manajemen rantai pasokan, dan keuangan?
LGMs akan benar-benar transformatif karena mereka dirancang khusus untuk digunakan pada data tabular, time series yang merupakan urat nadi setiap perusahaan. Hampir setiap organisasi di setiap industri sangat bergantung pada analisis data terstruktur untuk forecasting permintaan dan perencanaan bisnis untuk membuat keputusan yang baik jangka pendek dan jangka panjang – baik keputusan tersebut terkait dengan merchandising, perekrutan, investasi, pengembangan produk, atau kategori lainnya. LGMs memberikan sesuatu yang terdekat dengan bola kristal mungkin untuk membuat keputusan terbaik.
Kedepannya, apa langkah selanjutnya bagi Ikigai Labs dalam meningkatkan kemampuan LGMs? Apakah ada fitur atau pengembangan baru yang sedang dalam pipa yang Anda sangat antusias?
Model aiPlan kami saat ini mendukung analisis apa-apa dan skenario. Ke depan, kami bertujuan untuk mengembangkannya lebih lanjut dan memungkinkan Reinforcement Learning lengkap untuk tim operasional. Hal ini akan memungkinkan tim operasional untuk melakukan perencanaan berbasis AI baik jangka pendek maupun jangka panjang.
Terima kasih atas wawancara yang luar biasa, pembaca yang ingin belajar lebih lanjut dapat mengunjungi Ikigai Labs.
Tags: #IkigaiLabs #LargeGraphicalModels #AI #GenAI #Forecasting #Planning #Innovasi #Teknologi #Transformasi #Perencanaan #WawancaraSeri
Dengan demikian, Dr. Devavrat Shah, Co-Founder & CEO of Ikigai Labs, telah menghadirkan sebuah inovasi yang revolusioner dalam dunia AI dengan Large Graphical Models (LGMs) yang dapat membantu berbagai industri dalam meningkatkan forecasting, perencanaan, dan pengambilan keputusan mereka. Kehadiran LGMs diharapkan dapat membawa dampak positif yang besar dan membentuk masa depan AI yang lebih cerah dalam dunia bisnis.