Ćenan: Naš je startup točniji u profiliranju korisnika od Googlea

Hrvatski startup airt bavi se umjetnom inteligencijom, a njihova arhitektura neuronskih mreža uspjela je zasjeniti Google. Hajdi Ćenan, direktorica i suosnivačica tog startupa, za Bloomberg Adria TV objašnjava kako im je to uspjelo te što biznisi uopće žele postići umjetnom inteligencijom.

airt postoji tri i pol godine i zasad je u njegovu timu pet zaposlenih. Budući da se bave deep techom, startup koji su osnovali Ćenan i Davor Runje napreduje tempom kakav ta domena nameće. Ona iziskuje puno ulaganja u istraživanje i razvoj prije nego što se proizvod može komercijalizirati. Za razliku od softverskih rješenja koja se mogu popravljati putem, oni na tržište moraju doći s proizvodom koji u potpunosti funkcionira.

"Mi na tome već radimo tri i pol godine i tek sada dolazimo do faze komercijalizacije i nadamo se eksponencijalnom rastu", ističe Ćenan u razgovoru s Markom Perožićem.

airt je biznisima omogućio da sami isprobaju njihovu platformu i uvjere se u to kako ona radi, a upravo je to na vrlo konkretnom primjeru u razgovoru i pojasnila.

"Ti si klijent neke banke, pretpostavljam da, kada dobiješ poruku od banke, imaš osjećaj da je to potpuno generičko, šalje se svima isto, nema razlike u tome tko si ti, kakvo je tvoje ponašanje, koje su tvoje potrebe u nekom konkretnom vremenskom periodu. Mi na osnovu tvog korištenja proizvoda i usluga banke pokušavamo doći do toga da oni razumiju koja je tvoja situacija u ovom konkretnom trenutku, što ti treba. Poanta je u tome da te se isprofilira ne na osnovu sociodemografskih podataka, nego na osnovu tvog ponašanja."

"Uspijevamo dodati jedan sloj objašnjivosti u neuronske mreže koje su za sada jedna crna kutija, pa nije točno jasno kako je algoritam točno došao do tog nekog zaključka ili preporuke na kraju", dodala je.

Upravo se u toj arhitekturi neuronskih mreža uspoređuju s Googleom. airtova arhitektura, navodi, omogućuje točnije profiliranje i predikciju ponašanja krajnjih korisnika.

"U odnosu na Google naši rezultati su točniji, ali bitnije je da to uspijevamo koristeći stotinu do 300 puta manje parametara. Govorimo konkretno o količini podataka koji su potrebni za treniranje i izradu predikcija. To se translatira u količinu računalnih resursa koji su potrebni za to treniranje, odnosno koliki je ukupan trošak toga", istaknula je.

Pogledajte u videu što je Ćenan rekla o tome planiraju li se prodati, ima li zainteresiranih kupaca, postaje li kapital nepristupačniji te zašto je među osnivačima tehnoloških startupova samo dva posto osnivačica.