Die konfigurierbare Datenplattform von Skaiversetzt Unternehmen in die Lage, zeitnahe, verwertbare Erkenntnisse aus einer Vielzahl externer Datenquellen zu gewinnen. Das ist die Spitze der Analytik.
Technologien der nächsten Generation wie diese wären nicht möglich ohne die Arbeit von sehr talentierten und engagierten Innovatoren, die hinter den Kulissen daran arbeiten, einst unvorstellbare Funktionen in die Realität umzusetzen. An der Spitze dieser Bemühungen steht unser Vizepräsident für Forschung und Entwicklung, Yoram Landau ( hier kannst du dich mit ihm auf LinkedIn verbinden).
Wir hatten die Gelegenheit, uns mit Yoram darüber zu unterhalten, wie er an die zugrunde liegenden Technologien für maschinelles Lernen und künstliche Intelligenz herangeht, die die Skai (eine "intelligente Big Data"-Plattform, wie er sie nennt) antreiben, sowie über den Weg, der ihn zu seiner jetzigen Position führte.
Warum sind Unternehmen an der Nutzung externer Daten interessiert?
Daten können genutzt werden, um bessere Entscheidungen zu treffen. Externe Daten ermöglichen es Unternehmen, all die Dinge zu erfahren, die sie noch nicht wussten - einschließlich all der Dinge, von denen sie nicht wussten, dass sie sie nicht wussten. Externe unstrukturierte Daten sind jedoch auch eine der größten Herausforderungen, wenn es darum geht, verwertbare Erkenntnisse zu gewinnen. Unstrukturierte Daten sind immer komplex. Externe Daten sind immer komplex. Die Kombination aus beidem macht es sehr schwer, sie zu verarbeiten, liefert aber einen enormen Wert.
Wie kann die Skai all die verschiedenen Arten von Daten, die es gibt, sinnvoll?
Es gibt viele verschiedene KI-Komponenten, die verwendet werden, um Kontext aus verschiedenen Arten von Daten zu extrahieren. In der Regel handelt es sich um eine Kombination aus Algorithmen der natürlichen Sprachverarbeitung (NLP) und des maschinellen Lernens (ML), aber wir nutzen auch menschliches Fachwissen zur Feinabstimmung und Validierung unserer Modelle.
Wir haben einen eigenen NLP-Algorithmus, der auf einigen Standardalgorithmen basiert, aber für unsere Zwecke erheblich verbessert und modifiziert wurde. Dann wenden wir eine von Experten kuratierte, domänenspezifische Taxonomie an, um den Kontext zu extrahieren, der für die jeweilige Kategorie relevant ist, in der wir arbeiten.
Welcher Karriereweg hat dich zum VP für Forschung und Entwicklung bei Skai geführt?
Ich habe meinen Bachelor-Abschluss in Informatik in Israel gemacht und meinen Master in den USA. Die ersten 10 Jahre nach meinem Abschluss habe ich in Kalifornien bei verschiedenen großen Unternehmen gearbeitet, darunter Sun Microsystems und Silicon Graphics.
Danach bin ich nach Israel zurückgekehrt und habe weitere Führungspositionen übernommen. Meine wohl wichtigste Rolle war die bei Orbit Worldwide, dem Reiseunternehmen. Ich leitete ihr Entwicklungszentrum in Israel, wo wir wichtige Teile der Online-Reiseplattform entwickelten. Danach kam ich hierher zu Skai.
Warum hast du dich für KI-gestützte Analytik entschieden?
Da ich aus der Welt der Ingenieure komme und ein analytischer Mensch bin, sah ich in diesem Bereich viel Potenzial. Ich habe viele Jahre damit verbracht, mich mit technischen Herausforderungen rund um Daten zu beschäftigen. Ich sah die Möglichkeiten, die sich durch die Nutzung der "Smart Big Data"-Plattform KI ergeben, um diese Herausforderungen zu bewältigen. Das war wirklich spannend für mich.
Ich betrachte Skai gerne als eine "intelligente Big Data"-Plattform. Smart wird vor allem durch die KI-Aktivitäten angetrieben, die wir hier durchführen. Wenn du mit den verschiedenen Arten von Daten, die wir verarbeiten, eine hohe Genauigkeit in großem Maßstab erreichen willst, musst du KI einsetzen.
Was sind deine Ziele als Leiterin der Forschung und Entwicklung bei Skai?
Wir wollen also eine Infrastruktur aufbauen, in die man jede Art von unstrukturierten Daten in beliebigem Umfang einspeisen kann, und die automatisch und mit hoher Genauigkeit den Kontext extrahiert - und das haben wir bereits zu einem großen Teil getan. Das Endergebnis ist ein intelligenter Datensee, der mit verschiedenen Datentypen verbunden werden kann und den die Kunden nutzen können, um Erkenntnisse und Vorhersagen über unsere verschiedenen Konfigurationsmöglichkeiten oder durch direkten Zugriff auf den Datensee zu gewinnen.
An welchen Herausforderungen arbeitet dein Team derzeit?
Es ist schwierig, die Verarbeitung der Kontextextextraktion aus verschiedenen Arten von externen, unstrukturierten Daten zu automatisieren. Um diese Bemühungen zu skalieren, musst du deine Datenverarbeitung standardisieren, denn es ist viel einfacher zu automatisieren, wenn alles standardisiert ist. Aber sobald du die Datenverarbeitung standardisierst, verlierst du an Flexibilität. Und wenn du die Flexibilität verlierst, verlierst du auch die Qualität.
Bei Skai haben wir nicht mehr die Wahl zwischen tiefgreifenden und aussagekräftigen Erkenntnissen und Automatisierung, da wir in der Lage sind, mehrere unstrukturierte Datentypen in großem Umfang zu verarbeiten und den Kontext zu extrahieren, der für eine bestimmte Produktkategorie oder einen Therapiebereich relevant ist.
Wie sehen Sie die Zukunft für KI-gestützte erweiterte Analysen?
Die Zukunft liegt in einem größeren Umfang und einer höheren Genauigkeit bei der Erkennung von Stimmungen und Zusammenhängen in mehr Produktkategorien und Branchen. Eine hohe Genauigkeit in großem Maßstab zu erreichen - das ist definitiv unsere Zukunft mit KI, und sie wird hauptsächlich NLP, ML und Bildverarbeitung beinhalten. Vorhersagen sind ein weiterer wichtiger Bereich, in dem wir uns mit KI beschäftigen, und dazu gehören Technologien wie neuronale Netze und Deep Learning.
Nenne eine Technologie, die dir irgendwann begegnet ist und bei der du dachtest: "Wow, ich lebe wirklich in der Zukunft".
Ich würde sagen, entweder virtuelle Realität oder autonome Autos, eines von beiden. Diese beiden sind wirklich faszinierend.
-------------
*DieserBlogbeitrag erschien ursprünglich auf Signals-Analytics.com. Kenshoo hat Signals-Analytics im Dezember 2020 übernommen. Lies die Pressemitteilung.
