Metis Labs - лондонский стартап, специализирующийся на применении искусственного интеллекта для оптимизации производственных процессов с целью повышения производительности и предотвращения отходов.

Metis Labs успешно подала заявку на участие в партнерстве по обмену знаниями и внедрению (KEEP) CAP-AI в июле прошлого года с 10-месячным исследовательским проектом по изучению различных байесовских подходов к прогнозированию временных рядов. За восемь месяцев реализации проекта Metis Labs вместе со своим исследователем KEEP доктором Хулио Варгасом совершили несколько прорывов в анализе данных временных рядов. Они не только улучшили свой продукт, но и позволили стартапу развить сильную интеллектуальную собственность, которая является значительным отличием от других технологических игроков в их отрасли.

В ходе проекта, который все еще продолжается, они исследовали существующие методы машинного обучения и их ограничения, прежде чем предложить новые подходы к решению своих проблем. Как красноречиво выразился Башир Бейкзаде, технический директор Metis Labs: «Когда вы применяете машинное обучение к проблеме, чаще всего оно не срабатывает с первого раза». Среди других интересных уроков - способы сочетания исследований и стартапов, а также важность наличия правильной команды для разработки программного обеспечения, готового к производству. Вы можете прочитать все интервью ниже.

Установка сцены

Обрабатывающая промышленность Великобритании переживает радикальные преобразования, вызванные так называемой Четвертой промышленной революцией (Индустрия 4.0 или 4IR). 4IR - это четвертая крупная эра после промышленной революции 18 века. За этим периодом паровой машины, черной металлургии и текстильной промышленности последовала Вторая промышленная революция 1870–1914 годов, которая привела к росту ранее существовавших отраслей и созданию новых, таких как нефть, электричество и сталь. Третьей эрой, конечно же, была цифровая революция, которая началась в 50-х годах, когда электроника начала заменять механические и аналоговые технологии. Четвертая промышленная революция приводит к интеграции физического производства с цифровыми технологиями, такими как искусственный интеллект, для повышения уровня производительности.

Технологии 4IR могут создавать ценность для всей обрабатывающей промышленности. Основными областями, в которых они обладают наибольшим потенциалом повышения производительности нового бизнеса, являются:

  • Более продуманные цепочки поставок: лучшая координация и поток информации в цепочках поставок в реальном времени, например, лучшее отслеживание активов, управление запасами, маршрутизация автопарка и т. д.
  • Умные продукты: использование таких технологий, как 3D-печать, для ускорения вывода на рынок; сбор данных о продуктах для удаленного и профилактического обслуживания, а также анализ социальных настроений по данным обратной связи пользователей для лучшего маркетингового таргетинга
  • Интеллектуальное производство: использование науки о данных, машинного обучения и таких технологий, как автономные роботы, многоцелевые производственные линии, дополненная реальность для массовой настройки, повышения доходности и ускорения производства.

Здесь работает Metis Labs, компания-разработчик программного обеспечения, базирующаяся в Лондоне. Metis Labs специализируется на применении искусственного интеллекта для оптимизации производственных процессов, повышения производительности и предотвращения отходов. Они берут данные датчиков из таких систем, как Operational Historians, и используют алгоритмы машинного обучения, чтобы изучить взаимосвязь между данными и выходными данными этих процессов, чтобы понять, как системные переменные и настройки влияют на производительность и что следует оптимизировать в режиме реального времени.

Компания была основана в стартап-инкубаторе Entrepreneur First в 2017 году в составе когорты EF8 Алексом Аппельбе (генеральный директор) и Баширом Бейкзаде (технический директор). Они успешно собрали посевной раунд в размере 1 млн евро от инвесторов Speedinvest, AI Seed и Angel, имеющих большой опыт в этой сфере.

В июле прошлого года Metis Labs успешно подала заявку на участие в программе Capital Enterprise CAP-AI по обмену знаниями и внедрению (KEEP) в рамках 10-месячного исследовательского проекта по изучению различных байесовских подходов к прогнозированию временных рядов.

Доктор Хулио Варгас, исследователь машинного обучения, обладает глубокими знаниями в области обработки сигналов и анализа временных рядов. Он получил докторскую степень в области обработки сигналов в Эдинбургском университете. В том же учреждении он получил степень магистра делового администрирования в 2010 году. Он опубликовал исследование новых алгоритмов обработки сигналов в журнале IEEE. Ранее он в течение 16 лет был профессором Андского университета в Венесуэле. Он также ранее был соучредителем своего собственного стартапа в области глубоких технологий в области распознавания речи.

Через восемь месяцев после начала реализации проекта мы встречаемся с главным техническим директором Баширом Бейкзаде в их офисе в Accelerator London. Мы хотели понять, почему они вообще подали заявку на KEEP и как продвинулся проект.

Привет, Башир, большое спасибо за то, что нашли время выступить сегодня. Расскажи мне немного о себе. Чем вы занимались до Metis Labs?

С детства я очень глубоко интересовался математикой и естествознанием, и я хотел использовать свои навыки для решения сложных мировых проблем. Мне нравилось решать множество математических задач, и я стал чемпионом национальной олимпиады по математике. Я получил образование в области электротехники и разработки программного обеспечения, и ранее я создал еще один стартап в области глубокого обучения. Это был стартап в области глубокого обучения в медицине, где мы анализировали медицинские изображения, чтобы идентифицировать в них разные вещи. Одна из самых крутых вещей, которую мы сделали, - это обучить нейронную сеть обнаруживать клетки малярии с точностью 98%.

Звучит действительно круто. Что стало началом Metis Labs, с чего все началось?

Алекс Аппельбе, мой соучредитель, и я встретились через Entrepreneur First. Я знал, что, исходя из моего опыта в области машинного обучения, есть большие возможности для применения этой технологии в реальных промышленных приложениях. У Алекса десятилетний опыт внедрения инноваций в производство, и казалось, что это будет хороший вариант с точки зрения отличного знания предметной области в этом секторе. Это было также значимое предприятие, поскольку мы работали над бизнесом, который помогал бы окружающей среде за счет сокращения отходов и энергии.

А когда вы начали?

Мы начали в мае 2017 года.

Расскажите немного о том, как вы узнали о Capital Enterprise.

Я узнал о Capital Enterprise, посетив один из выступлений Джона Спиндлера в другом инкубаторе, в котором мы были, под названием IoT Tribe. Тогда я побеседовал с Джоном, и он посоветовал нам подать заявку на инвестицию в Capital Enterprise.

Что особенно привлекло вас в Партнерстве по обмену знаниями и внедрению (KEEP) CAP-AI и почему вы подали на него заявку?

Мы только что подняли Seed-раунд и хотели расширить нашу команду. Когда мы узнали о программе KEEP, она нам идеально подошла, потому что это был грант на поддержку исследований в Metis Labs.

Был ли какой-либо другой вид поддержки от Capital Enterprise, который был вам полезен, помимо самого KEEP?

да. Джон нам очень помог. Он дал нам хороший совет по найму, сбору средств и познакомил с потенциальными клиентами.

Не могли бы вы немного описать проект, над которым вы работали, каковы были цели компании?

Проект, который мы применили, заключался в исследовании различных методов машинного обучения для прогнозирования результатов процессов на предприятиях. Мы хотели улучшить то, над чем работали. В машинном обучении есть множество методов, которые вы можете использовать, и вам нужно не только быть в курсе последних исследований в этой области, но и разрабатывать свои собственные новые алгоритмы, чтобы иметь конкурентное преимущество в качестве стартапа.

Какие возможности машинного обучения у вас были в вашей команде до начала KEEP?

У нас были хорошие возможности, и мы построили POC на основе наборов данных клиентов.

И это повлияло на вас? Было ли это проблемой, например, с точки зрения доставки вашего продукта?

Да точно.

Где были какие-то большие неизвестности и риски в начале проекта, как с точки зрения технологий, так и с точки зрения бизнеса? Например, по некоторым оценкам, около 30% исследовательских проектов Deep Tech не работают по той или иной причине. Что вы думаете об этом?

Да, это абсолютно верно, и я могу за это поручиться. По моему опыту, когда вы применяете машинное обучение к проблеме, чаще всего оно не срабатывает с первого раза. Существует широкий спектр методов машинного обучения, и требуется исследование, чтобы оценить их для имеющегося у нас приложения.

Как вы думаете, можно ли предусмотреть некоторые из этих вещей в начале проекта AI / ML или вам нужно пройти через процесс, чтобы обнаружить эти ограничения?

Да, чтобы запустить стартап в области глубоких технологий, вам нужно будет провести исследование, чтобы оценить лучшие методы для вашего приложения. Машинное обучение - это быстро развивающаяся область исследований, поэтому это постоянная задача исследователя.

Что, по вашему мнению, это означает для молодого стартапа, который должен пройти этот процесс обучения в течение нескольких месяцев, а затем обнаружить, что им, возможно, придется изменить подход и алгоритмы? На что может повлиять подобное?

Я думаю, что это может их замедлить и даже привести в никуда.

Думаю, вы начали немного касаться этого, но не могли бы вы резюмировать, как ваш KEEP, Хулио, помог вам ответить на некоторые из этих неизвестных вопросов?

Хулио знаком с проблемами анализа данных временных рядов, включая нестационарность и сезонные тенденции. Его опыт в обработке сигналов и анализе временных рядов означает, что он глубоко разбирается в проблеме.

Итак, как это помогло компании?

Наш глубокий опыт в этой области помогает нам выделиться среди других конкурентов и придает нашему продукту Kelvin уникальную функциональность. [Если вы хотите узнать больше, то вот короткое видео, объясняющее особенности Кельвина.]

Ваш проект KEEP все еще продолжается. Были ли до сих пор в проекте какие-либо серьезные изменения или прорывы, в которых участвовал либо Хулио, либо вы работали вместе как одна команда?

Прорыв состоялся в разработке новых методов машинного обучения и их надежном внедрении в производственную среду.

Как насчет того, что касается продукта и бизнеса, в той части, где вы внедряете эти улучшения в производственную среду, а ваши клиенты пробуют их?

Проблема в том, что динамика заводов нестационарна, а это означает, что их статистические свойства меняются со временем. Для решения этой проблемы в нашем продукте Кельвин использует новую технику, использующую гауссовские процессы, которые выполняют онлайн-обучение, чтобы постоянно изучать и прогнозировать результаты процессов в промышленных системах в режиме реального времени. В этом году у нас есть несколько платных пилотных проектов с участием крупных транснациональных корпораций.

А как насчет сотрудничества в исследованиях? Поддерживал ли Хулио связь со своими академическими кругами, например, публиковали ли вы какие-нибудь официальные документы?

Мы написали несколько официальных документов и на каком-то этапе хотели бы опубликовать наше исследование.

Теперь давайте немного поговорим о вашем опыте работы с исследователем в среде стартапов. Есть ли проблемы с сочетанием строгих академических исследований с быстро развивающимся миром стартапов?

Определенно, есть проблема в производстве и тестировании передовых исследований. Я думаю, это потому, что эта область относительно новая. Например, в разработке программного обеспечения накоплен многолетний опыт создания программного обеспечения и таких методологий, как Agile. Но с исследованиями и производством машинного обучения общепринятой передовой практики нет. За последние несколько лет мы узнали много нового о том, что работает, а что нет.

Проявляются ли какие-либо тенденции в области машинного обучения / искусственного интеллекта в отношении способов работы, почти как Agile в компаниях, занимающихся искусственным интеллектом? Нашли ли вы что-нибудь в Интернете, чтобы ответить на некоторые из этих вопросов?

Я не так много нашел в Интернете, и это малоизвестно. На самом деле, я мог бы написать об этом сообщение в блоге, чтобы поделиться нашим опытом.

В чем заключаются эти большие проблемы?

Самая большая проблема - это общение и сотрудничество между академической средой и стартапами.

Значит, это вообще не машинное обучение?

Что ж, это тоже техническая проблема. Инженер по машинному обучению должен очень хорошо знать исследование, чтобы иметь возможность его реализовать. Вы не можете просто провести какое-то исследование, если не понимаете, что оно делает. Итак, вам нужны действительно талантливые инженеры по машинному обучению. И у вас также должны быть люди со специальными знаниями в вашей конкретной области. Машинное обучение - это разнообразный набор методов. Например, НЛП (обработка естественного языка), обработка изображений и анализ временных рядов - все это несколько отдельные и богатые области.

Что это значит? Нужно ли сидеть вместе, решая конкретную задачу и проверяя ее, или это нечто большее?

Тестирование в машинном обучении также является новой и сложной темой. В программном обеспечении у вас есть модульное тестирование и интеграционное тестирование, но с машинным обучением у вас есть набор данных для тестирования и проверки. Кроме того, иногда обучение может занять много времени, поэтому это может замедлить тестирование.

И даже более того, предположим, что вы это выясните, и ваши алгоритмы пройдут этап проверки и тестирования, а затем будут запущены в производство, и окажется, что прогнозируемая вами рентабельность инвестиций не соответствует ожидаемой. Это риск или проблема для стартапов в этой сфере?

Да, естественно, существует риск, связанный с моделями, которые должны работать в различных средах. Мы решаем эту проблему, тестируя различные наборы данных, некоторые из которых были предоставлены нам исключительно клиентами.

Как выросла компания с начала проекта KEEP? Есть ли новые приемы на работу или раунды финансирования?

К нам присоединился блестящий full-stack разработчик. Мы переехали в новый офис в Шордич. Что касается нового финансирования, мы недавно выиграли значительный грант от Innovate UK.

Насколько, по вашему мнению, до сих пор была полезна программа KEEP? И с точки зрения недостатков или улучшений, о которых вы можете подумать, чтобы лучше реализовать эту программу в будущем, какие из них будут?

Я думаю, что KEEP чрезвычайно помог нам в поддержке передовых исследований. В некотором смысле эта программа также помогает предотвратить монополию талантов и исследований в крупных технологических гигантах, что определенно может помочь создать более равные условия для стартапов.

Поддержка со стороны Capital Enterprise также была отличной. и эта программа была для нас фантастической. Я действительно хотел бы видеть больше этого, расширение KEEP или подобных программ.

Если бы было сообщение, которое нужно передать другим стартапам, думающим подать заявку на KEEP, что бы это было?

Я бы сказал «дерзай»!

Спасибо, Башир, и желаем вам всего наилучшего в вашей компании!

Если вы хотите узнать больше о планах Башира и команды Metis Labs, вы можете найти их на www.metislabs.tech.

Этот проект частично финансировался Европейским фондом регионального развития (ERDF).