أندريا فاتاني، المؤسس المشارك والباحث الرئيسي في Spiketrap – سلسلة المقابلات

أندريا فاتاني هو المؤسس المشارك والباحث الرئيسي في Spiketrap، شركة توفر استخبارات الجمهور والوسائط لليوتيوبرز والمنصات والشركات. تقوم تقنية Clair AI المملوكة للشركة بفك شفرة الإشارات من الضوضاء في مجموعات البيانات غير المهيكلة، مما يوفر وضوحًا وسياقًا غير مسبوق، خاصة في البيئات عالية السرعة على الإنترنت.

ماذا جذبك في البداية إلى علوم الحاسوب والذكاء الاصطناعي؟

كانت هناك مجموعة من الظروف المفضلة، كنت قد حضرت جامعة روما لأداء اختبار القبول في تخصص الإحصاء، وتبين أنني تأخرت يومًا! ونصحتني بالتقدم لدراسة علوم الحاسوب بدلاً من ذلك، ثم العودة إلى قسم الإحصاء بعد عام. ذهبت إلى اختبار القبول في علوم الحاسوب (الذي كان في ذلك اليوم!) ونجحت… ولم أعد إلى الإحصاء! كان اهتمامي بالذكاء الاصطناعي يبدأ بفهم كيف يمكن للحواسيب مساعدتك في آليّة الأشياء، والذكاء الاصطناعي هو في النهاية آلة آليّة للغاية. كما أن اللغة الطبيعية وكيفية استخدامها من قبل الناس كانت دائمًا مصدر اهتمام لي: ركّزت دراستي في المدرسة الثانوية على الدراسات الكلاسيكية، حيث درست اللغة اليونانية القديمة واللاتينية، وهو ما قد يكون مشابهًا لشعور الآلة عند تغذيتها بتيار من الكلمات.

كنت تعمل في السابق كمهندس برمجيات رئيسي في أمازون جودريدز، ما هي بعض المشاريع التي عملت عليها وما هي بعض النتائج المهمة من هذه التجربة؟

أثناء عملي في جودريدز، عملت على العديد من مشاريع الذكاء الاصطناعي التي شملت كشف البريد المزيف وتوسيع محرك توصية الكتب. كانت إحدى النتائج المهمة التي توصلت إليها من تجربتي هناك هي تعلم أهمية تعريف معايير الذكاء الاصطناعي التي تتوافق مع أهداف العمل والعملاء. على سبيل المثال، محركات التوصية موجودة منذ فترة طويلة. تذكر منافسة “جائزة نيتفليكس” في عام 2009 لتحسين التوصيات الفيلمية؟ اقترحت بعض الأفكار من الحلول الفائزة أن فرصة مشاهدة فيلم لا تعتمد كثيرًا على ما إذا كنت ستحبه أو لا، ولكن بشكل رئيسي على ما إذا كان مشابهًا لميولك. قد يعمل هذا بالنسبة للأفلام، لأنها التزام قصير المدى، ولكن بالنسبة للكتب، ليست هذه هي الحال. التكامل الهدف الصحيح في معاييرك هو مفتاح.

كانت إحدى النتائج المهمة الأخرى التي طبقها في Spiketrap هي بناء فرق الذكاء الاصطناعي التي تركز على التسليم وتكاملها مع خارطة المنتج بدلاً من فريق معزول يركز فقط على الاستكشاف والبحث. هذا يؤدي إلى تحديد أفضل الأهداف والمواقيت وفهم العائد على الاستثمار. كما أنه يفضل بشكل طبيعي أن يركز الفريق على سرعة وعمليّة نموذج بدلاً من النظر فقط إلى الدقة. Returning إلى مثال منافسة نيتفليكس، لم يتم دمج نماذج الفائزين لأنها لم تكن عملية بدرجة كافية على الرغم من دقتهم المحسّنة.

ما هي الأبحاث التي نشرتها في المجلات، وما هي الأبحاث التي تعتبرها الأكثر أهمية حتى الآن؟

خلال فترة حصولي على الدكتوراه، كنت محظوظًا بالتعاون مع العديد من الباحثين من مجالات مختلفة، بما في ذلك تعلم الآلة و “بيانات كبيرة” وتحليل البيانات الاجتماعية ونظرية الألعاب. هناك بحث أحبه لبساطته وتطبيقه هو “K-Means++ القابل للتوسيع” : K-Means++ هو طريقة تجميع غير مُرقّبة شائعة الاستخدام لتقسيم مجموعة بيانات إلى مجموعات متسقة. تفعل ذلك عن طريق إضافة مجموعة واحدة في كل مرة، لذلك عندما يكون لديك الكثير من البيانات والمجموعات، يصبح الأمر بطيئًا جدًا. في هذه الورقة، نُظهر لك كيف يمكنك تحقيق نفس الدقة، إن لم تكن أفضل، من خلال توفير الطريقة. منهجيتنا بسيطة للغاية وقد تم تنفيذها في العديد من مكتبات تعلم الآلة.

يمكنك أن تشاركنا بقصة نشأة Spiketrap؟

بعد العمل في جودريدز، أدركنا أنا وشركاء المؤسسين في Spiketrap، كييران وفرجيليو، أنه هناك فجوة في الصناعة لاستخدام استخبارات العلامة التجارية المتقدمة من منصات اجتماعية محددة. يمكننا عن طريق تطبيق تقنيات الذكاء الاصطناعي معالجة هذه القضية بفعالية.

في اقتصاد اليوم، من الضروري للشركات أن تستمع إلى عملائها وقطاعاتها على حد سواء. ومع ذلك، يبقى الكثير مما يقوله العملاء عن العلامات التجارية بدون سماع. يعبر ملايين الأشخاص عن آرائهم علنًا كل يوم، عبر منصات مثل تويتر وريديت وتويتش، وما إلى ذلك. إنه مصدر قيم للغاية لأي باحث في السوق، شريطة أن يمكن إضفاء السياق عليه بمقياس كبير. المشكلة هي أن صناعة الاستخبارات لم تتماشى مع السلوكيات الرقمية المتطورة واللغة.

تبقى أدوات الاستماع معتمدة على الكلمات الرئيسية والبحث المنطقي، وتفتقد إلى الكثير من المحادثات التي يمكن و应该 أن تعزى إلى علامة تجارية معينة. في الوقت نفسه، تعثرت شركات الأبحاث السوقية في موازنة صعبة بشكل متزايد، حيث تحاول الحصول على رؤى نوعية من منهجيات كمية ومحدودة التكلفة.

باختصار، افتقد الناس الأدوات التي يحتاجونها لفهم جمهورهم بمقياس كبير. ت回答 أرقام المبيعات وعدد المشاهدين على “ما” من سلوكيات الجمهور، ولكن ليس “لماذا”. بدون السياق، يصبح تحديد ما هو ارتباط مقابل سببية لعبة تخمين. معترفًا بهذه الفجوة، قمنا بدراسة ما يشبه حلًا لفهم السياق، وولدت Spiketrap.

ما هي بعض تقنيات الذكاء الاصطناعي التي تستخدمها Spiketrap؟

نستخدم مجموعة من التقنيات، من Scikit-learn المعتادة إلى مكتبات تعلم الآلة العميقة مثل Pytorch. إلى جانب المكتبات، فإن المناهج والنمذجة والبيانات التي نستخدمها هي في الغالب مملوكة لنا. تعلمنا أن الأساليب والنماذج والبيانات الجاهزة لا تأخذنا بعيدًا، ولكن لتحقيق حل حقيقي، يجب أن نضع عملنا الخاص بدءًا من الأهداف وصولًا إلى هيكل النموذج والبيانات. على سبيل المثال، يُعد نمذجة المواضيع مهمة استخراج المواضيع من مجموعة من النصوص. يوفر “Spiketrap Convos” لعملائنا رؤى حيوية حول جمهورهم، ويتضمن نمذجة المواضيع كواحدة من الإشارات. الطريقة الشائعة لنمذجة المواضيع هي LDA (توزيع لاتنتي ديريشليت)، ولكن للأسف، إنها غير متسقة وغير متوقعة وغير قوية بما فيه الكفاية. من ناحية أخرى، يمكنك محاولة نموذج معلم مسبق مثل Bert-Topics، وهو قوي وشامل، ولكنه أيضًا صلب وبطيء. أحرزت معالجة اللغة الطبيعية واللغة الذكية خطوات كبيرة في العقد الماضي، ولكن جعل النماذج الحالية منتجات لا يزال بعيدًا عن المثالية ومخاطرة.

يمكنك أن تشرح كيف توفر Spiketrap فهمًا فوريًا للجمهور للمبدعين والمنصات والشركات؟

يستخدم المعلنون والوكالات لوائح المُشَهرين وأدوات التأثير على العلامة التجارية لتحديد المبدعين الذين جماهيرهم آمنة للعلامة التجارية عبر فئات متعددة، بما في ذلك درجات المحتوى السام أو الفاحش أو الجنسي، بالإضافة إلى سلامة المجتمع بشكل عام.

يمكن للمبدعين استخدام الأداة للغوص في جداول فرديّة ومشاهدة المحادثات الأكثر أو الأقل أمانًا، والتي قد دفعّت التفاعل الإيجابي لمعاييرهم، وأين يمكنهم تحسين جهودهم في التعديل.

نُشرت مؤخرًا ورقة بعنوان “FeelsGoodMan: استنتاج الدلالة من النيوولوجيزمات على تويتش” من قبل Spiketrap. يمكنك أن تصف هذه الورقة بشكل موجز؟

أصبح طريقة تواصل الناس وتعبيرهم عن أنفسهم عبر الإنترنت معقدة بشكل متزايد وصعب الفهم. جاءت في البداية الوجوه التعبيرية :-). ثم جاءت الإيموجيات. ثم الميمات… والآن “إيموتس”، وهو شكل جديد من أشكال الاتصال القائم على الرموز أصبح شائعًا على منصة تويتش للبث. يُذكرنا بشكل ما بالإيموجيات لاستخدامها المخلوط مع النص العادي، ويقدم تحديات مماثلة للميمات في أنها من صنع المستخدم ولا يوجد لديها أي صلة واضحة بالصورة المعروضة. هناك أكثر من 8 ملايين إيموت متميز حتى الآن، مع أكثر من 400 ألف مستخدم كل أسبوع. ومع ذلك، يستطيع الناس التواصل بفعالية باستخدامهم للتعبير عن أي نوع من المشاعر مثل الفرح أو الملل أو الحماس أو السخرية. تُعد ورقتنا الأخيرة كتاب طبخ للذكاء الاصطناعي لاستنتاج الدلالة الدلالية للإيموتس. لا تتطلب نهجنا الحفاظ على مجموعة بيانات معدة يدوياً وتحديثها، ويمكنه التكيف بشكل تلقائي مع إدخال إيموتس جديدة وكذلك تطور معنى الإيموتس الشائعة. هذا مهم بشكل خاص عندما يصبح إيموت محملًا سياسيًا أو عرقيًا، وهو ما رأيناه يحدث مع إيموتس شائعة مثل “TriHard” و “PogChamp” و “FeelsGoodMan”. يُعد الاستخدام الديناميكي للغة والتحولات في المعنى مشاكل ضخمة لأنظمة التعديل أو إطارات تحليل المشاعر، لذلك نحن فخورون بمعالجة هذه المشكلة بالطريقة الصحيحة في Spiketrap.

هل هناك أي شيء آخر تريد أن تشاركه حول Spiketrap؟

نظرًا لأننا ننظر إلى العام الجديد، تعمل Spiketrap على تطوير أداة جديدة ستوفر فهمًا أعمق لمشاعر العلامة التجارية لعملائنا. توفر أداة Affinity الجديدة من Spiketrap طريقة تفاعلية وسهلة لتحديد ومعرفة ميول الجمهور عبر المبدعين والشركات والألعاب والمزيد. لأي استعلام معين، تُولد أداة التأثير علامات مؤشر التأثير التي تشير إلى مدى الارتباط الإيجابي بين كيانين. يتكون العلامة من إشارات سياقية متعددة، بما في ذلك تكرار المشاعر المرتبطة. تقنيات Spiketrap فريدة من نوعها لتسلسليّة التأثيرات بين الألعاب والشركات والمبدعين. تقوم تقنية Clair AI المملوكة للشركة بمعالجة ملايين الرسائل التي ينشرها المستخدمون كل يوم، وتنسب المحتوى الغامض إلى الكيانات في مخطط المعرفة الشامل، وتحديد مواضيع المحادثة، وتحديد المشاعر، ومراقبة السلامة. يُمنح إضافة أداة Affinity الجديدة المطورين والمبدعين والشركات والمزيد لفهم جمهورهم وتأثير العلامة التجارية بشكل أفضل.

شكرًا على المقابلة الرائعة، يُرجى من القراء الذين يرغبون في معرفة المزيد زيارة Spiketrap.