عمرو نور الدين، نائب رئيس التكنولوجيا في LXT – سلسلة المقابلات

عمرو نور الدين، هو نائب رئيس التكنولوجيا في LXT. عمرو هو باحث علمي حاصل على درجة الدكتوراه مع أكثر من 16 عامًا من الخبرة المهنية في مجالات معالجة الصوت / الصوت ومعالجة اللغة الطبيعية في سياق التعرف التلقائي على الكلام (ASR)، مع تركيز خاص وخبرة عملية في السنوات الأخيرة على تقنيات التعلم العميق لمعالجة الصوت في الوقت الفعلي.

LXT هو قائد صاعد في بيانات التدريب على الذكاء الاصطناعي لتزويد التكنولوجيا الذكية للمنظمات العالمية. في شراكة مع شبكة دولية من المساهمين، يقوم LXT بجمع البيانات وتحديدها عبر عدة طرق بسرعة ومدى ومرنة كما يتطلبها المؤسسة. وتغطي خبرتهم العالمية أكثر من 145 دولة و1000 موقع لغة.

لقد اتبعت درجة الدكتوراه في معالجة الإشارات من جامعة ماكجيل، ما الذي جذبك في البداية إلى هذا المجال؟

لقد كنت دائمًا أريد دراسة الهندسة، وأحب العلوم الطبيعية بشكل عام، ولكنني جذبت بشكل أكثر تحديدًا إلى الرياضيات والفيزياء. لقد وجدت نفسي دائمًا محاولًا معرفة كيف تعمل الطبيعة وكيف تطبيق هذا الفهم لإنشاء التكنولوجيا. بعد المدرسة الثانوية، كان لدي فرصة للذهاب إلى الطب والمهنيات الأخرى، ولكنني اخترت الهندسة بشكل خاص لأنها تمثل المزيج المثالي في نظري من النظرية والتطبيق في المجالين الأقرب إلى قلبي: الرياضيات والفيزياء. وبمجرد أن اخترتها، كان هناك العديد من المسارات المحتملة – الميكانيكية والمدنية، وغيرها. ولكنني اخترت هندسة الكهرباء بشكل خاص لأنها الأقرب والأكثر صعوبة في نظري إلى نوع المشاكل الرياضية والفيزيائية التي وجدتها دائمًا تحديًا وممتعة، وكذلك لأنها أساس التكنولوجيا الحديثة التي دفعني دائمًا.

في هندسة الكهرباء، هناك تخصصات مختلفة للاختيار من بينها، والتي تقع بشكل عام تحت مظلتين: الاتصالات السلكية واللاسلكية ومعالجة الإشارات، ومعالجة الطاقة والكهرباء. عندما جاء الوقت للاختيار بينهما، اخترت الاتصالات السلكية واللاسلكية ومعالجة الإشارات لأنها أقرب إلى كيف نصف الطبيعة من خلال الفيزياء والمعادلات. كنت تتحدث عن الإشارات، سواء كانت صوتية أو صورية أو فيديوية؛ وفهم كيف نتواصل وما يدركه حواسنا، وكيف تمثيل تلك المعلومات رياضيًا بطريقة تمكننا من الاستفادة من ذلك المعرفة لإنشاء وتحسين التكنولوجيا.

يمكنك مناقشة بحثك في جامعة ماكجيل حول الجانب المعلوماتي لامتداد النطاق الاصطناعي (BWE)?

بعد أن أنهيت درجة البكالوريوس، كنت أريد الاستمرار في مجال معالجة الإشارات أكاديميًا. بعد عام من دراسة الفوتونات كجزء من درجة الماجستير في الفيزياء، قررت العودة إلى الهندسة لمتابعة الماجستير في معالجة الصوت والكلام، مع التركيز على التعرف على الكلام. عندما جاء الوقت لدراسة الدكتوراه، كنت أريد توسيع مجالي قليلًا إلى معالجة الصوت والكلام بشكل عام، بالإضافة إلى مجالات التعلم الآلي والنظرية المعلوماتية، بدلاً من التركيز فقط على تطبيق التعرف على الكلام.

المركبة لدراستي للدكتوراه كانت امتداد النطاق الاصطناعي للكلام الضيق النطاق. الكلام الضيق النطاق يشير إلى الكلام الهاتفي التقليدية. محتوى تردد الصوت يمتد إلى حوالي 20 كيلوهرتز، ولكن معظم محتوى المعلومات مركز في حدود 4 كيلوهرتز فقط. امتداد النطاق الاصطناعي يشير إلى تمديد محتوى الكلام بشكل اصطناعي من 3.4 كيلوهرتز، وهو الحد العلوي للتردد في الهاتف التقليدية، إلى ما يزيد عن ذلك، حتى 8 كيلوهرتز أو أكثر. لتحسين إعادة بناء ذلك المحتوى العالي التردد المفقود مع الأخذ في الاعتبار فقط المحتوى الضيق النطاق المتاح، يجب أولاً تحديد المعلومات المشتركة بين محتوى الكلام في النطاقين التردديين، ثم استخدام تلك المعلومات لتدريب نموذج يتعلم تلك المعلومات المشتركة؛ نموذج يمكن استخدامه لاحقًا لإنشاء محتوى عريض النطاق مع الأخذ في الاعتبار فقط الكلام الضيق النطاق والمعلومات التي تعلمها النموذج حول العلاقة بين ذلك الكلام الضيق النطاق والمحتوى العالي التردد المفقود. تحديد وتمثيل تلك “المعلومات المشتركة” هو حيث تأتي النظرية المعلوماتية. النظرية المعلوماتية هي دراسة كمية المعلومات وتمثيلها في أي إشارة. لذلك، كان بحثي حول دمج النظرية المعلوماتية لتحسين امتداد النطاق الاصطناعي للكلام. وبالتالي، كان بحثي للدكتوراه أكثر من الأبحاث التقليدية حيث جمعت معالجة الإشارات مع النظرية المعلوماتية والتعلم الآلي.

كنت رئيسًا علميًا للكلام في Nuance Communications، وهي الآن جزء من Microsoft (MSFT ) ، لمدة 16 عامًا، ما هي بعض النتائج الرئيسية التي استفدتها من هذه التجربة؟

من وجهة نظري، كان الفائدة الأكثر أهمية هو أنني كنت دائمًا أعمل على تقنيات متقدمة ومتطورة في معالجة الإشارات والتعلم الآلي وتطبيق تلك التكنولوجيا على تطبيقات العالم الحقيقي. لقد حظيت بفرصة تطبيق تلك التقنيات على منتجات الذكاء الاصطناعي الحواري عبر مجالات متعددة. تلك المجالات شملت الشركات، والرعاية الصحية، والسيارات، والتنقل، وغيرها. بعض التطبيقات المحددة شملت المساعدين الافتراضيين، والاستجابة الصوتية التفاعلية، وترجمة الصوت إلى نص، وغيرها حيث تمثيل الصوت بشكل صحيح وحسابي أمر بالغ الأهمية، مثل في مجال الرعاية الصحية مع تفاعلات الطبيب والمريض. على مدار تلك 16 عامًا، كنت محظوظًا بكوني جزءًا من تطور الذكاء الاصطناعي الحواري، من أيام النمذجة الإحصائية باستخدام نماذج ماركوف الخفية، عبر الاستيلاء التدريجي للتعلم العميق، إلى الآن حيث يهيمن التعلم العميق على معظم جوانب الذكاء الاصطناعي، بما في ذلك الذكاء الاصطناعي التوليدي وكذلك الذكاء الاصطناعي التنبؤي أو التمييزي. نتيجة أخرى مهمة من تلك التجربة هي الدور الحاسم الذي تلعبه البيانات، من حيث الكمية والجودة، كمحفز رئيسي لقدرات نموذج الذكاء الاصطناعي والأداء.

لقد نشرت أكثر من dozen من الأوراق البحثية، بما في ذلك في منشورات مشهورة مثل IEEE. في رأيك، ما هي أكثر الأوراق البحثية تأثيرًا التي نشرتها ولماذا كانت مهمة؟

الأكثر تأثيرًا، من حيث عدد الاقتباسات وفقًا لجوجل سكولار، سيكون ورقة 2008 بعنوان “امتداد النطاق الترددي لمعاملات السعة الترددية للكلام الضيق النطاق“. على مستوى عال، يركز هذا البحث على كيفية إعادة بناء محتوى الكلام باستخدام تمثيل للسمات يُستخدم على نطاق واسع في مجال التعرف على الكلام التلقائي (ASR)، معاملات السعة الترددية لميل.

然而، الأثر الأكثر إبداعًا في نظري هو ورقة 2011 بعنوان “تقريب الذاكرة لنموذج التوزيع الغاوسي لمixture للكلام الضيق النطاق“. في ذلك البحث، اقترحت تقنية نمذجة إحصائية جديدة تدمج المعلومات الزمنية في الكلام. ميزة تلك التقنية هي أنها تسمح بنمذجة المعلومات الزمنية الطويلة في الكلام مع تعقيد إضافي قليل وفي طريقة لا تزال تسمح بإنتاج كلام عريض النطاق في وقت حقيقي.

في يونيو 2023، كنت مدعوًا كنائب لرئيس التكنولوجيا في LXT، ما الذي جذبك إلى هذا المنصب؟

على مدار خبرتي الأكاديمية والمهنية قبل LXT، كنت دائمًا أعمل مباشرة مع البيانات. في الواقع، كما لاحظت سابقًا، واحدة من النتائج الرئيسية التي استفدتها من عملي في علم الصوت والتعلم الآلي كانت الدور الحاسم الذي تلعبه البيانات في دورة حياة نموذج الذكاء الاصطناعي. كان الحصول على بيانات جيدة من حيث الكمية والجودة أمرًا حيويًا لنجاح الذكاء الاصطناعي القائم على التعلم العميق. وبالتالي، عندما كنت في مرحلة من مسيري المهني حيث كنت أبحث عن بيئة تشبه بيئة شركة الناشئة حيث يمكنني التعلم وتوسيع مهاراتي، وكذلك الاستفادة من خبرتي في الصوت والذكاء الاصطناعي لتأثير أكبر، كنت محظوظًا بوجود فرصة للانضمام إلى LXT. كان ذلك المناسب تمامًا. ليس فقط LXT هو مزود بيانات الذكاء الاصطناعي الذي ينمو بسرعة وثبات، ولكنني رأيت أيضًا أنه في المرحلة المثالية من حيث النمو في المعرفة بالذكاء الاصطناعي، وكذلك في حجم وتنوع العملاء، وبالتالي في أنواع بيانات الذكاء الاصطناعي. كنت أتطلع إلى الانضمام والمساعدة في رحلة النمو؛ لتأثير كبير من خلال إحضار منظور مستخدم بيانات الذكاء الاصطناعي بعد أن كنت مستخدمًا لعلوم بيانات الذكاء الاصطناعي لسنوات عديدة.

ما هو شكل يومك العادي في LXT؟

يومي العادي يبدأ بالبحث في أحدث الأبحاث حول موضوع أو آخر، والذي كان في الآونة الأخيرة يركز على الذكاء الاصطناعي التوليدي وكيف يمكننا تطبيقه على احتياجات عملائنا. لحسن الحظ، لدي فريق ممتاز قادرة على إنشاء وتailoring حلول لاحتياجات العملاء المتخصصة لبيانات الذكاء الاصطناعي. لذلك، أعمل بشكل وثيق معهم لتحديد جدول الأعمال.

هناك أيضًا، بالطبع، التخطيط الاستراتيجي السنوي والربع سنوي، وتحويل الأهداف الاستراتيجية إلى أهداف فرعية للفريق ومتابعة التطورات على طول تلك الخطط. فيما يتعلق بتطوير الميزات التي نقوم بها، لدينا بشكل عام مساران تكنولوجيان. الأول هو التأكد من أن لدينا القطع الصحيحة في المكان لتسليم أفضل النتائج على مشاريعنا الحالية والجديدة القادمة. المسار الآخر هو تحسين وتوسيع قدراتنا التكنولوجية، مع التركيز على دمج التعلم الآلي فيها.

يمكنك مناقشة أنواع خوارزميات التعلم الآلي التي تعمل عليها في LXT؟

حلول الذكاء الاصطناعي تحول الشركات عبر جميع القطاعات، ونحن في LXT فخورون بتزويد البيانات عالية الجودة لتدريب خوارزميات التعلم الآلي التي تعمل عليها. عملاؤنا يعملون على مجموعة واسعة من التطبيقات، بما في ذلك الواقع المعزز والواقع الافتراضي، والرؤية الحاسوبية، والذكاء الاصطناعي الحواري، والذكاء الاصطناعي التوليدي، وملاءمة البحث، ومعالجة اللغة الطبيعية، وغيرها. نحن ملتزمون بتزويد خوارزميات التعلم الآلي وتكنولوجيا المستقبل من خلال إنشاء البيانات وتحسينها عبر كل لغة وثقافة وطريقة.

داخليًا، نحن أيضًا ندمج التعلم الآلي لتحسين وتحسين عملياتنا الداخلية، من تلقين التحقق من جودة البيانات، إلى تمكين نموذج التسمية البشرية في حلقة التغذية الراجعة عبر جميع طرق البيانات التي نعمل عليها.

معالجة الصوت والصوت تتقدم بسرعة نحو الكمال عندما يتعلق الأمر باللغة الإنجليزية و特别 الرجال البيض. كم سيكون الوقت الذي سيكون فيه ساحة لعب متساوية عبر جميع اللغات والجنسين والعرقيات؟

هذه هي câu hỏi معقدة، ويعتمد على العديد من العوامل، بما في ذلك العوامل الاقتصادية والسياسية والاجتماعية والتكنولوجية، وغيرها. ولكن ما هو واضح هو أن انتشار اللغة الإنجليزية هو ما دفع الذكاء الاصطناعي إلى حيث نحن الآن. لذلك، للوصول إلى مكان حيث يكون ساحة لعب متساوية حقًا، يعتمد على سرعة نمو تمثيل البيانات من السكان واللغات المختلفة. وسرعة نموها هو ما سيحدد متى سنصل هناك.

然而، يمكن لـ LXT وشركات مماثلة أن تلعب دورًا كبيرًا في دفعنا نحو ساحة لعب أكثر تساويًا.只要 البيانات للغات والأجناس والعرقيات الأقل تمثيلاً صعب الوصول إليها أو غير متاحة، فإن التغيير سوف يأتي ببطء أكبر. ولكننا نحاول أن نقوم بدورنا. مع تغطية أكثر من 1000 موقع لغة وخبرة في 145 دولة، يساعد LXT في جعل الوصول إلى بيانات اللغة أكثر إمكانية.

ما هو رؤيتك لكيف يمكن لـ LXT تسريع جهود الذكاء الاصطناعي لعملاء مختلفين؟

هدفنا في LXT هو توفير حلول البيانات التي تمكن من تطوير الذكاء الاصطناعي بكفاءة ودقة وسرعة. من خلال خبرتنا التي تزيد عن 12 عامًا في مجال بيانات الذكاء الاصطناعي، لم نجمع فقط معرفة شاملة حول احتياجات العملاء في جميع جوانب البيانات، ولكننا también قمنا بتحسين عملياتنا بشكل مستمر لتسليم البيانات عالية الجودة بأسرع ما يمكن وبأفضل الأسعار. وبالتالي، نتيجة لالتزامنا الثابت بتزويد العملاء بأفضل مزيج من جودة بيانات الذكاء الاصطناعي والكفاءة والسعر، أصبحنا شريكًا موثوقًا لبيانات الذكاء الاصطناعي، كما يتضح من عملائنا المتكررين الذين يعودون دائمًا إلى LXT لاحتياجاتهم المتزايدة والمتطورة لبيانات الذكاء الاصطناعي. رؤيتي هي تعزيز وتحسين وتوسيع نهج LXT هذا لجميع طرق البيانات التي نعمل عليها، وكذلك لجميع أنواع تطوير الذكاء الاصطناعي التي نخدمها الآن، بما في ذلك الذكاء الاصطناعي التوليدي. تحقيق هذا الهدف يتطلب التوسع الاستراتيجي لقدراتنا الخاصة في التعلم الآلي وعلوم البيانات، من حيث التكنولوجيا والموارد.

شكرًا على المقابلة الرائعة، يرجى زيارة LXT لمعرفة المزيد.