فيكرانت تومار، الرئيس التنفيذي والمؤسس لشركة Fluent.ai – سلسلة المقابلات

فيكرانت تومار، هو الرئيس التنفيذي والمؤسس لشركة Fluent.ai، وهي شركة متخصصة في فهم الكلام وتكنولوجيا الواجهة الصوتية للأجهزة وأجهزة الخدمة.

ما الذي جذبك في البداية لدراسة نمذجة الصوت للتعرف على الكلام؟

في الواقع، القدرة على التحدث مع الأجهزة بنفس الطريقة التي نتحدث بها مع شخص آخر. هذا الرؤية كانت ملهمة بالنسبة لي. بدأت دراسة التعرف على الكلام خلال السنة النهائية من دراستي الجامعية. في ذلك الوقت، بدأت أ trở interess في البحث، لذلك اخترت دورة في التعرف على الكلام ومشروع بحث متعلق به. تمكنّني من نشر ورقة بحثية في مؤتمر InterSpeech، وهو أحد أكبر وأشهر مؤتمرات التعرف على الكلام. كل هذا شجعني على اختيار البحث في التعرف على الكلام كتركيز طويل الأمد، وبالتالي الحصول على درجة الدكتوراه.

في عام 2015، أطلقت شركة Fluent.ai، هل يمكنك مشاركة قصة نشأة هذه الشركة الناشئة؟

لدي رغبة في المشاريع منذ فترة طويلة. مع اثنين من الأصدقاء، حاولنا إنشاء شركة بعد تخرجنا من الجامعة، ولكن لأسباب عدة، لم تنجح تلك المحاولة. خلال فترة دراستي للدكتوراه في جامعة ماكجيل، كنت أتابع المشهد الناشئ في مونتريال. في ذلك الوقت، تعرفت على أشخاص من TandemLaunch – مصنع الأعمال الناشئة حيث أنشأت Fluent.ai. في ذلك الوقت، كنت أقترب من نهاية دراستي للدكتوراه، وكنت أفكر جديا في إنشاء شركة أخرى. من خلال خبرتي وعملي مع مجموعات بحثية أخرى في مجال التعرف على الكلام، أدركت أن معظم هذه الخبرات ركزت على التعرف على الكلام بطريقة معينة: الانتقال من الكلام إلى النص ثم معالجة اللغة الطبيعية. ومع ذلك، هذا ترك فجوة في سهولة الاستخدام. جزء كبير من السكان لا يستطيعون الاستفادة من حلول الكلام التي تم تطويرها بهذه الطريقة. كمية البيانات المطلوبة لهذه الطرق كبيرة جدا، وستكون غير مجدية من الناحية المالية لتطوير نماذج منفصلة للغات التي يتحدثها عدد أقل من الناس. بالإضافة إلى ذلك، العديد من اللهجات واللغات لا تملك شكل كتابي واضح. حتى عائلتي لم تكن قادرة على استخدام الأدوات التي طورتها (هم يتحدثون لهجة من لهجات الهندية). مع الأخذ في الاعتبار كل هذا، بدأت أفكر في طرق مختلفة لإنشاء نماذج الكلام، حيث تكون كمية البيانات المطلوبة أقل، و/أو يمكن للمستخدمين أنفسهم تدريب أو تحديث النماذج. كنت على دراية بالعمل الذي تم في جامعة KU Leuven (KUL) والذي يمكن أن يلبي بعض هذه المتطلبات. مع جزء من التكنولوجيا القادمة من KUL، تمكنا من اتخاذ الخطوات الأولى نحو ما هي Fluent.ai اليوم.

هل يمكنك توضيح حلول فهم الكلام البصري في Fluent.ai؟

حلول التعرف على الكلام في Fluent.ai مستوحاة من كيفية تعلم البشر والتعرف على اللغات. الأنظمة التقليدية للتعرف على الكلام تنتقل أولا إلى نص ثم تستخرج المعنى من ذلك النص. هذا ليس كيفية تعرف البشر على الكلام. khw lấy مثال للأطفال قبل أن يتعلموا القراءة والكتابة: على الرغم من عدم معرفتهم بأي شيء عن التمثيل الكتابي للغات، إلا أنهم能够 التحدث بسهولة. بنفس الطريقة، نماذج Fluent.ai القائمة على الشبكات العصبية العميقة قادرة على استخراج المعنى مباشرة من الأصوات دون الحاجة إلى تحويلها إلى نص أولا. تقنيا، هذا هو فهم اللغة المنطوقة الحقيقي. هناك العديد من المزايا لهذه الطريقة. التعرف على الكلام التقليدي هو نهج متعثر، حيث يتم تجميع عدة وحدات مدربة بشكل منفصل معا لتقديم استجابة نهائية. هذا يؤدي إلى حل غير مثالي يعاني من تباين في النتائج للاختلافات في اللهجات والضوضاء والظروف الخلفية وغيرها. نظام Fluent.ai للاعتراف التلقائي بالنية (AIR) هو نظام محسّن من النهاية إلى النهاية؛ إنه هيكل قائم على الشبكات العصبية بالكامل، حيث يتم تدريب جميع الوحدات بشكل مشترك لتقديم الحل الأمثل. بالإضافة إلى ذلك، يمكننا إزالة عدد من الوحدات الحسابية الثقيلة الشائعة في نظام التعرف على الكلام التقليدي. هذا يسمح لنا بإنشاء أنظمة تعرف على الكلام ذات بصمة منخفضة يمكنها تشغيل 40 كيلو بايت من ذاكرة الوصول العشوائي على جهاز تحكم منخفض الطاقة يعمل عند 50 ميغاهيرتز. أخيرا، أنظمة فهم اللغة المنطوقة القائمة على AIR قادرة على استغلال التشابه بين اللغات المختلفة بطريقة فريدة لتقديم ميزات غير مسبوقة مثل القدرة على التعرف على لغات متعددة في نفس النموذج.

ما هي بعض التحديات التي تواجهها فيما يتعلق بمشكلة الضوضاء المحيطة؟

الضوضاء هي واحدة من أكبر التحديات للتعرف على الكلام. ما يجعلها مشكلة حقيقية هو أن هناك العديد من أنواع الضوضاء المختلفة وتؤثر على طيف الكلام بطرق مختلفة. في بعض الأحيان، يمكن للضوضاء أن تؤثر على استجابة الميكروفون. في nhiều الحالات، لا يُ möglich فصل مصادر الكلام عن مصادر الضوضاء. في بعض الحالات، تؤدي الضوضاء إلى إخفاء المعلومات المتاحة في طيف الكلام، بينما في حالات أخرى، يمكنها إزالة المعلومات المفيدة بالكامل. كلاهما يؤدي إلى دقة منخفضة. بينما من السهل إزالة أنواع الضوضاء الثابتة، مثل ضوضاء المروحة، فإن أنواع الضوضاء الأخرى، مثل الضوضاء أو الناس يتحدثون في الخلفية أو الموسيقى، صعبة الإزالة لأنها تؤثر على طيف الكلام بطرق مختلفة.

هل يمكنك تعريف ما هو Edge AI وكيف تستخدمه Fluent.ai؟

Edge AI هو مصطلح شامل يغطي العديد من الطرق التي يمكن من خلالها نقل تطبيقات الذكاء الاصطناعي إلى أجهزة منخفضة الطاقة. في معظم الأحيان، يتم استخدام هذا المصطلح في الحالات التي تقوم فيها أجهزة الحواف ببعض الحسابات الذكية بنفسها. في Fluent.ai، نحن مركزون على جلب فهم اللغة المنطوقة عالي الجودة إلى الحواف. لقد طوّرنا خوارزميات فعالة تسمح لأجهزة الحواف بتعرف الكلام المُدخل بنفسها دون الحاجة إلى إرسال البيانات إلى خادم سحابي لمعالجتها. هناك فوائد مزدوجة: أولا، لا يتم المساس بخصوصية المستخدم من خلال بث بيانات صوته وتخزينها على السحاب. ثانيا، هذا النهج يقلل من التأخير لأن بيانات الكلام والاستجابة لا تحتاج إلى السفر بين الخادم السحابي والجهاز.

ما هي أنواع تكنولوجيا التعلم الآلي الأخرى التي يتم استخدامها؟

التركيز الرئيسي لدينا هو على نهج التعلم العميق القائم على الشبكات العصبية للتعرف على الكلام. نحن نستخدم أساليب التعلم بالتعزيز، مثل NASIL[1]، لاكتشاف هياكل نموذجية جديدة غير معروفة مسبقا (في بعض الحالات، يمكن القول إن الذكاء الاصطناعي يخلق الذكاء الاصطناعي). نحن نستخدم AutoML لضبط نماذجنا المحددة مسبقا لتحقيق نتائج موثوقة ل不同的 التطبيقات، مما يزيد من الموثوقية والتناسق. Compression النموذج والنهج الرياضية الأخرى تساعد على تحسين أداء النموذج.

ما هي التطورات التي تتوقعها في السنوات الخمس القادمة لكل من فهم اللغة الطبيعية ومعالجة اللغة الطبيعية؟

أعتقد أن الأنظمة سوف تتطور لتقديم تفاعلات أكثر طبيعية. على الرغم من التقدم في السنوات الأخيرة، معظم الأنظمة الحالية يمكنها فقط الإجابة على أسئلة بسيطة أو إجراء بحث صوتي على الإنترنت. سنرى المزيد والمزيد من الحلول التي يمكنها التفكير والإجابة على سؤال كامل لشخص ما بدلا من مجرد عمل محرك بحث صوتي مجيد.

الجوانب الأخرى المثيرة للاهتمام هي الخصوصية. الحلول الشائعة الحالية هي في الغالب أجهزة متصلة بالإنترنت تُبث جميع بيانات صوت المستخدم إلى خادم سحابي. ومع ذلك، أصبحت خصوصية هذه الحلول مشكلة. نحن نبدأ في رؤية تطبيقات واجهة الصوت أبعد من الأجهزة الاستهلاكية في البيئات الصناعية وفي مجال الصوت المهني، وكذلك في الفنادق وغرف الاجتماعات. متطلب أساسي لهذه التطبيقات هو الخصوصية، لذلك لا تفي الحلول المتصلة الحالية بالغرض – لذلك سنرى المزيد من الذكاء الاصطناعي على الحواف أو حلول معالجة اللغة الطبيعية على الجهاز.

كما ذكرت سابقا، تظل حلول الكلام واللغة الطبيعية غير متاحة لجزء كبير من سكان العالم. هناك cantidad كبير من العمل الموجه لإنشاء أنواع جديدة من نماذج الذكاء الاصطناعي التي يمكنها التدريب مع كمية صغيرة من البيانات، مما يؤدي إلى تقليل تكاليف التطوير، وبالتالي تمكين تطوير نماذج في لغات يتحدثها عدد أقل من الناس. على نفس الخط، سنرى حلولا يمكنها التعلم للاعتراف بلغات متعددة في نفس النموذج. بشكل عام، سنرى المزيد من نشر نماذج الذكاء الاصطناعي متعددة اللغات التي يمكنها الإجابة على سؤال المستخدم بلغته الأصلية.

هل هناك أي شيء آخر تود مشاركته حول Fluent.ai؟

تكنولوجيا الكلام قد قطعت شوطا كبيرا في السنوات الأخيرة، ولها نمو كبير في الطريق أمامها. في Fluent.ai، نحن دائما نبحث عن حالات استخدام جديدة لتكنولوجيانا الحالية بينما نستمر في الابتكار داخليا. جائحة كوفيد-19 خلقت حساسية متزايدة تجاه المناطق التي يتم لمسها بشكل كبير، مثل أزرار المصاعد وأجهزة الصوت في المطاعم وغيرها، مما أثار طلبا جديدا على تكنولوجيا الصوت. تهدف Fluent.ai إلى سد هذه الفجوات، حيث أن حلولنا متعددة اللغات، وبالتالي أكثر شمولا، وتعمل بدون اتصال بالإنترنت، مما يوفر طبقة إضافية من الخصوصية. هذه الوظائف، كما ذكرنا، من المحتمل أن تكون مستقبل تكنولوجيا الكلام.

شكرا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة موقع Fluent.ai.

[1] https://www.researchgate.net/profile/Farzaneh_Sheikhnezhad_Fard/publication/341083699_Nasil_Neural_Archit