Startup airt gradi platformu za izradu prediktivnih modela na strukturiranim podacima kakvi, primjerice, postoje u bankama ili kod pružatelja komunikacijskih usluga, i za obradu tih podataka interno su razvili vlastite tehnike dubokog učenja inspirirane metodologijama koja se koriste u obradi jezika (NLP/Natural Language Processing). Iskustvo rada na konkretnim problemima iz financijskog sektora upotrijebili su kako bi izgradili potpuno automatiziranu platformu za pripremu transakcijskih podataka te automatiziranu izgradnju modela za konkretne poslovne probleme.

Usporedba s TabFormerom

Kako bi usporedili kvalitetu platforme, odlučili su je testirati i usporediti s TabFormerom, sustavom iste namjene koje je razvio IBM i za koji je objavio sintetički skup podataka za njegovo testiranje. Već je inicijalni test pokazao da airtov model nadmašuje IBM-ov (F1-score 0.90 vs. 0.86). Međutim, iako je točnost predikcije modela bitna, ona im ipak nije najbitnija stavka.

“Vjerujemo da možemo i bolje od ovog rezultata u smislu točnosti, ali naš primarni fokus nije na izradi najtočnijeg i najpreciznijeg modela, već na smanjenju resursa koji su potrebni da bi se jedan takav model automatski izgradio",  kaže Davor Runje. 

Najveći uspjesi tehnika dubokog učenja postignuti su u područjima obrade slike i teksta, a za izradu jednog samo jednog takvog vrhunskih modela potrebna je električna energija vrijedna tisuće ili čak desetke tisuća dolara. 

"Za takve primjene to nije veliki problem jer je dovoljan jedan model za svaki jezik, međutim, kada govorimo o mnogobrojnim modelima koji se koriste u poslovanju, jasno je da je malo tvrtki koje bi si tako nešto mogle priuštiti. Naš cilj je da postignemo gotovo identične rezultate kao i ovi skupi modeli, ali za puno manje novaca kako bi naše rješenje bilo dostupno svima, od najmanjeg web shopa do najvećih financijskih ustanova”, objašnjava Runje.  

Deep tech domena

Ovim pristupom airt je ušao u ‘deep tech’ domenu, jer se rješenje koje razvijaju bazira na znatnim znanstvenim, ali i inženjerskim izazovima. 

“Intenzivno se bavimo istraživanjem i razvijamo vlastite pristupe i tehnike. Upravo smo, uz svesrdnu pomoć Mladena Vukmira i Williama Župančića iz Vukmir & Associates, predali naš prvi patent koji prvo ide u EPO (European Patent Office), a zatim i u SAD, za vlastite tehnike dubokog učenja na strukturiranim podacima. To je samo početak jer ne stajemo s inoviranjem, dapače”, rekla je Hajdi Ćenan. 

Tim svojim pristupom i inovacijama pokušavaju poboljšati utjecaj na okoliš. Naime, moderni AI modeli troše iznimno veliku količinu energije. Računalni resursi potrebni za izradu najboljih modela eksponencijalno se povećavaju, udvostručujući se svaka tri do četiri mjeseca. U razdoblju od 2012. do 2018. godine povećali su se čak 300 tisuća puta.

“Svjesni smo traga koje duboko učenje ostavlja na ekologiju i kako, ako se ovakav trend nastavi, ova tehnologija može postati protivnik u borbi protiv klimatskih promjena. Stoga intenzivno radimo na tome da naš sustav, uz skaliranje na količinu i brzinu, za obrade tih velikih količina podataka troši i što je manje računalnih resursa i energije moguće,” kaže Ćenan.