الدكتور نيل ياغر، المؤسس المشارك والعالم الرئيسي في فريزي – سلسلة المقابلات

الدكتور نيل ياغر هو العالم الرئيسي في فريزي، ومصمم طريقة فريزي، وهي أداة كتابة محتوى مدعومة بالذكاء الاصطناعي التي ساعدت في تحسين نسخة التسويق لبعض العلامات التجارية الأكثر شهرة في العالم، بما في ذلك إي باي و غروبون و فيرجين – بالإضافة إلى العديد من العلامات التجارية الأخرى، من أستراليا إلى أمريكا، في أكثر من 20 لغة، من الإنجليزية إلى اليابانية.

كتب الدكتور ياغر أكثر من dozen منشورات أكاديمية، كتاب عن تعدين البيانات، ويتحصل على عدة براءات اختراع. كونه أحد كبار الخبراء في العالم في تسويق الذكاء الاصطناعي، يحمل درجة الدكتوراه في علوم الحاسوب من جامعة نيو ساوث ويلز في أستراليا.

كنت متورطًا في أعمال ذكاء اصطناعي منذ حصولي على الدكتوراه في منتصف عام 2000. ومع ذلك، فإن المجال قد خضع لعدة إعادة تسمية منذ ذلك الحين. على سبيل المثال، درست “التعرف على الأنماط الإحصائية” قبل 15 عامًا. بعد بضع سنوات، أصبحت هذه معروفة باسم “التعلم الآلي”، وهو اسم أكثر إثارة. مؤخرًا، أصبح التعلم الآلي (والتعلم العميق بشكل خاص) مرادفًا للذكاء الاصطناعي بشكل عام. لدي مشاعر مختلطة تجاه هذا. من ناحية، علمتني تجربتي مع فريزي أهمية العلامة التجارية. من ناحية أخرى، يأتي مصطلح “الذكاء الاصطناعي” مع أشياء غير مرغوب فيها ويمكن أن يؤدي إلى سوء الفهم حول التكنولوجيا. أتساءل إلى أين كنا سنكون لو كنا جميعًا لا تزال ندعوها “التعرف على الأنماط الإحصائية”.

معظم عملي السابق كان في مجالات معالجة الإشارات والرؤية الحاسوبية. لم أكن قد تعرضت كثيرًا لمعالجة اللغة الطبيعية قبل فريزي. وقد تعلمت منذ ذلك الحين أن اللغة هي على الأرجح أكثر مشكلة صعبة في الذكاء الاصطناعي.

في عام 2008، قمت بكتابة كتاب بعنوان “نظام بيومتري وتحليل البيانات: التصميم والتقييم وتعدين البيانات“، الذي يربط بين جوانب الإحصاء والتعلم الآلي لتقديم دليل شامل لتقييم و تفسير و فهم البيانات البيومترية. خارج الموارد الحاسوبية الإضافية، هل تعتقد أن هذا المجال قد تطور منذ نشر هذا الكتاب؟ هل يمكنك وصف كيفية تطوره؟

أثارت التعلم العميق مجالات الرؤية الحاسوبية ومعالجة اللغة والتعلم الآلي منذ كتابة هذا الكتاب. لن يكون من الممكن كتابة هذا الكتاب اليوم بدون قسم عن التعلم العميق.

ثورة التعلم العميق بدأت حقًا في عام 2012 عندما فاز نموذج التعلم العميق بمسابقة تسمى ImageNet. ImageNet هو مجموعة بيانات للتعرف على الكائنات المرئية حيث تحدد الكمبيوتر ما يوجد في الصورة (على سبيل المثال “كلب” أو “بالون”). لعدة عقود، كان الباحثون يحققون مكاسب متتالية على مجموعات بيانات اختبار مثل هذه. كل مجال فرعي يعمل بشكل مستقل ويعتمد بشكل كبير على الخبرة المحددة للنطاق. تقريبًا في ليلة وضحاها، تم إتلاف جميع النماذج التي بنيت بجد خلال nhiều سنوات. تم تصميم خوارزميات التعلم العميق بواسطة أشخاص من خارج المجال وفازت بالمسابقات بفواصل كبيرة. هذا حول التكنولوجيا الصناعية.

المجال لا يزال سريع التغير وتطور حتى منذ بداية فريزي قبل بضع سنوات. على سبيل المثال، أدوات التعلم العميق التي نعتمد عليها الآن لم تكن موجودة عندما أسسنا الشركة. يأتي وتيرة الابتكار مع تحدياتها الخاصة.

هل يمكنك مشاركة ما تفعله فريزي للأعمال؟

ت解决 فريزي مشكلتين للأعمال. أولًا، هناك مشكلة كتابة نسخة التسويق. هناك قنوات إعلانية أكثر الآن من أي وقت مضى (على سبيل المثال، البريد الإلكتروني، AdWords، وسائل التواصل الاجتماعي، الطباعة، بودكاست، إلخ). من الصعب كتابة نسخة للجميع هذه القنوات التي تكون عالية الجودة وتتماشى مع أسلوب الشركة وصوتها. ت解决 فريزي مشكلة النطاق عن طريق توليد النسخ تلقائيًا. ثانيًا، من المهم أن تكون جميع اللغة المستخدمة فعالة. لا تولد فريزي اللغة فقط، بل تستخدم التعلم الآلي لتوقع تأثير الرسائل وتحسينها وفقًا لذلك.

ما هو ما جذبك إلى فكرة استخدام معالجة اللغة الطبيعية والتعلم العميق لتحسين قوة نسخة الإعلان؟

استخدام الذكاء الاصطناعي لتعزيز تأثير حملات التسويق الرقمية ليس فكرة جديدة. هناك فرق من الناس الذين يحملون شهادات دكتوراه في الفيزياء وتم توظيفهم للعمل على تحسين الإعلانات. ومع ذلك، في معظم الحالات، يركزون جهودهم البحثية على أشياء مثل تقسيم الجمهور والتحسين الفردي وتiming التسليم ووضع الإعلانات والأحرف والخ. عندما كنا نطرح أفكارًا حول فريزي لأول مرة، لاحظنا أن كل شيء تقريبًا حول الإعلانات يتم تحسينه باستثناء اللغة الفعلية المستخدمة! لقد حددنا هذا كفجوة في السوق وفرصة كبيرة.

يمكن لفريزي تحسين نسخة التسويق في أكثر من 20 لغة، بما في ذلك اليابانية. هل يمكنك مناقشة بعض القضايا الفريدة لمعالجة اللغة الطبيعية التي تطرأ مع اللغات الأجنبية؟

أحدث إضافة إلى مجموعة اللغات المدعومة لدينا هي الروسية. هذه لغة سلافية، وهي متميزة جدًا عن اللغات الهندوأوروبية الأخرى. في هذه الحالة، كان من الضروري بناء قواعد جديدة في نظام توليد لغةنا حتى تكون الإخراج متوافقًا وصحيحًا نحويًا. هذه ليست مجرد مشكلة لغة. إنها أيضًا مشكلة تطوير برمجيات. عندما يكون الإخراج من نظامنا بلغة مطورنا الأصلية، فمن السهل نسبيًا اكتشاف الأخطاء والتحقق من أن كل شيء يعمل بشكل صحيح. ومع ذلك، عندما نعمل على الروسية أو اليابانية، قد نخرج برموز ولا نعرف. من المهم أن يكون هناك متحدث أصلي متورط بشكل وثيق في عملية التحقق.

التحدي ليس فقط مع اللغات الأجنبية. هناك بعض الاختلافات الإقليمية المثيرة للاهتمام أيضًا. على سبيل المثال، توجد اختلافات إملائية للغة الإنجليزية في الولايات المتحدة وبريطانيا وأستراليا وكندا، إلخ. بالإضافة إلى ذلك، توجد اختلافات نحوية. في اللغة الإنجليزية البريطانية، “ننظر”، بينما في اللغة الإنجليزية الأمريكية، “نأخذ نظرة”. يمكن أن تختلف معنى الكلمات من مكان إلى آخر. “مطاط” هو محوّلاً في المملكة المتحدة، ولكن واقيًا في أمريكا الشمالية! من أجل أن تكون أنظمة NLG قابلة للاستخدام لتطبيقات الأعمال، يجب أن تتعامل مع جميع هذه الدقة.

هل يمكنك مشاركة بعض التفاصيل حول كيفية استخدام التعلم العميق في فريزي؟

هناك مكونان رئيسيان للذكاء الاصطناعي في تقنية فريزي. الأول هو توليد اللغة الطبيعية (NLG)، الذي ينتج اللغة الفعلية. الثاني هو التعلم العميق، وال焦点 هنا هو الأداء. يمكن أن يعني الأداء أشياء مختلفة اعتمادًا على السياق. على سبيل المثال، هدف عنوان بريد إلكتروني هو إغراء المستلم لفتح البريد الإلكتروني ومراجعة المحتوى الداخلي.对于 فيسبوك، قد يكون الهدف هو تعظيم الإعجابات أو المشاركات. عند وجود كميات كبيرة من البيانات التاريخية، من الممكن العثور على اتجاهات ونمط دقيق لا يمكن ملاحظته من قبل الإنسان. هذا هو مشكلة تعلم الآلة التقليدية.

يقدم التعلم العميق بعض المزايا على نهج التعلم الآلي التقليدي. مع التعلم الآلي التقليدي، يوجد تركيز قوي على “هندسة الميزات”. هذا يعني أن المطور يحتاج إلى تحديد ما يعتقد أنه أكثر الميزات أهمية للغة. على سبيل المثال، الكلمات، الطول، استخدام الإيموجي، إلخ. المشكلة هي أن هذا محدود بالمهارة وخيال المهندس. ومع ذلك، مع التعلم العميق، يتم تغذية النص الخام إلى النموذج، ويبني نموذجًا آليًا للغة (هذا ما يسمى بالتعلم من النهاية إلى النهاية). لذلك، إنه خالي من التحيز البشري وهو نهج قوي. ومع ذلك، الجانب السلبي هو أنه يمكن أن يكون من الصعب فهم سبب سلوك النموذج. “الوضوح” هو مجال بحث نشط داخل مجتمع التعلم العميق. ومع ذلك، هناك تعادل أساسي بين تعقيد النظام وقدرتنا على فهمه. اللغة البشرية غير منضبطة، لذلك عادةً ما تكون حلول معالجة اللغة الطبيعية ناجحة ذات درجة عالية من التعقيد.

واحدة من الوظائف في فريزي هي القدرة على الكتابة بنبرة فريدة للعلامة التجارية. هل يمكنك توضيح كيف يتم ذلك؟

عندما نوقّع عميلًا جديدًا، فإن أول شيء نفعله هو جمع المعلومات حول أسلوب الشركة في التواصل. هذا يشمل أي إرشادات علامة تجارية رسمية، حملات تسويقية سابقة، وシリーズ من الاستبيانات التي طوّرناها لهذا الغرض. يتم استخدام جميع هذه المعلومات من قبل فريق داخلي من فنيي اللغة لإنشاء نموذج لغة مخصص للعميل. نماذج لغتنا توليدية، مما يعني أنها قادرة على إنتاج لغة جديدة غير مسبوقة في أسلوب العميل الفريد.

يمكن تحديث نماذج اللغة في أي وقت. على سبيل المثال، في الوقت الحالي، نحن في ذروة أزمة كوفيد-19. فريق لغتنا يراجع نماذجنا لضمان عدم إمكانية إنشاء لغة غير مناسبة. جملة مثل “هذه الصفقات تنتشر بشكل فيروسي!” قد كانت أبرز قبل بضعة أشهر ولكنها واضحة غير مناسبة في منتصف جائحة عالمية. هذا يظهر مرونة نظامنا.

ما نوع البيانات التي تحتاجها شركة لبدء استخدام فريزي؟

لنكون صادقين، لا يلزم الكثير من البيانات لبدء استخدامنا. الخطوة الأولى هي تحديد منطقة مشروع مناسبة. على سبيل المثال، قد تكون هذه عناوين موضوعات البريد الإلكتروني الأسبوعية للترويج. في المثالي، سيكون هذا ذا جمهور كبير وستكون الاتصالات منتظمة. بمجرد تحديد المشروع، نحتاج إلى معلومات حول الموضوع المقصود وصوت العلامة التجارية من أجل بناء نموذج اللغة. فريزي تحتاج إلى نتائج الأداء على أساس مستمر. منذ أن تستخدم حلولنا التعلم الآلي، من المهم أن نقيس ونتابع المetrics الرئيسية بمرور الوقت. يتم إ馈 هذه المعلومات إلى نظامنا حتى يتمكن من التحسين المستمر من أجل المشاركة.

هل هناك أي شيء آخر تود مشاركته حول فريزي؟

عندما بدأنا فريزي قبل خمس سنوات، كنا متأكدين من أن الأمر سيكون مسألة وقت قبل أن تظهر الكثير من الشركات الناشئة مع منتجات مماثلة. كان خطةنا أن نحصل على بداية مبكرة ونبقى خطوة أمام المنافسة. ومع ذلك، فقد فوجئنا بنقص المشاركين في هذا المجال. أين الجميع الآخرون؟ أعتقد أن هناك عدة أسباب لذلك، ولكن واحد من الأسباب الرئيسية هو أن اللغة هي مشكلة صعبة جدًا. أظن أن الآخرين قد حاولوا إنشاء منتجات مماثلة ولكنهم فشلوا في مرحلة البحث والتطوير المبكرة. هذا يدل على مدى فريدتنا للتكنولوجيا.

شكرًا على المقابلة الإعلامية حول معالجة اللغة الطبيعية وتوليد اللغة الطبيعية والتعلم العميق. لمعرفة المزيد، يمكن للزوار زيارة فريزي.