Dan O’Connell, Chief Strategy Officer ve společnosti Dialpad – Interview Series

Dan je Chief Revenue Officer ve společnosti Dialpad. Předtím byl generálním ředitelem společnosti TalkIQ, start-upu pro rozpoznávání řeči a zpracování přirozeného jazyka v reálném čase, který Dialpad získal v květnu 2018. Před TalkIQ zastával různé prodejní vedení ve společnostech AdRoll a Google (GOOGL ).

Dialpad je cloudová komunikační platforma s umělou inteligencí, která usnadňuje a zefektivňuje spojení a spolupráci s vaším týmem

Byl jste dříve generálním ředitelem TalkIQ, start-upu pro rozpoznávání řeči a zpracování přirozeného jazyka v reálném čase, který Dialpad získal v květnu 2018. Co bylo tajemstvím úspěchu tohoto start-upu v technologii rozpoznávání řeči?

Byla to kombinace několika faktorů: čas, lidé a zaměření. Automatické rozpoznávání řeči (ASR) není nové, existuje již desetiletí — mnohem déle, než si lidé myslí. Během této doby (a zejména v posledních pěti letech) se ASR technologie vyvinula díky zvýšené výpočetní síle, cloudu, dostupnosti dat a masové adopci chytrých reproduktorů na spotřebitelských trzích. Všechny tyto faktory vedly ke zvýšení přesnosti přepisů.

Kromě těchto trendů jsme měli štěstí, že jsme mohli spojit specialisty (jako lingvisty) s hackery. A když říkám hackery, mám na mysli inženýry, kteří mohou rychle dostat produkty na trh — tito lidé pohánějí inovace a řeší problémy rychle. A přestože jejich řešení nemusí být vždy nejefektnější, jsou obvykle nejrychlejší a umožňují vám být považováni za inovátora na špičce — což se stává něčím, co můžete využít z marketingového a prodejního hlediska. Tento příběh se dobře hraje, když stavíte svůj start-up a snažíte se získat peníze.

Měli jsme odborníky v oboru, přirozené trendy na trhu, obrovský modrý oceán, pokud jde o aplikaci technologie v podnikání, a tým s historií uvádění inovativní technologie na trh s opakovatelnými pohyby.

Nakonec jsme zvolili jiný přístup k řešení problému. Tradiční přepisovací motory fungovaly jako páskové nahrávky. Nahráli jste hovor; uložili jste audio soubor; jste ho poslali do přepisovacího motoru; a po nějaké době jste dostali výstup. Zpočátku by 30minutový hovor trval 30 minut na přepis, takže mluvíme o skutečných zpožděních v měřítku.

Chtěli jsme vyřešit tento problém a postavit streamovací nebo reálný přepisovací motor, který nepotřebuje audio soubor. To může znít trochu novátorsky dnes, ale před lety neexistoval žádný streamovací motor, který by mohl zpracovat reálný, dlouhý formát 8khz (což je můj zdvořilý způsob, jak říci špatnou kvalitu audio, tj. ne stereo kvalitu — 44khz) audio. Nechtěli jsme postavit páskový magnetofon.

Chtěli jsme postavit reálný motor pro pochopení a analýzu konverzací. Pokud bychom to mohli udělat, pak by byly příležitosti nekonečné, protože bychom mohli začít automatizovat pracovní postupy a dělat všechny druhy věcí, které dosud nebyly provedeny. A velké díky Jimu Palmerovi, Etienne Manderscheidovi, Kevinu Jamesovi, Noahovi Gasparovi a mnoha dalším za to, že byli první, kdo postavil tento typ reálného motoru.

Můžete diskutovat o přechodném období po akvizici Dialpadem TalkIQ v květnu 2018?

Akvisační fáze byla ve skutečnosti super bezproblémová. Dialpad byl partnerem TalkIQ a naše produktové týmy byly již na místě v Dialpadu na týdenní bázi. A já jsem dříve pracoval s spoluzakladateli Craigem Walkerem a Brianem Petersonem v Google a byl jsem nadšený z perspektivy spojení s nimi.

Viděli jsme budoucnost stejným způsobem, že tyto technologie (ASR/NLP) vložené do komunikační/kollaborační platformy mohou být disruptivní pro trh a hračkami pro podniky. To je část důvodu, proč jsme téměř okamžitě po uzavření akvizice získali 50 milionů dolarů v rámci kola financování vedeného ICONIQ. Investoři viděli příležitost v budoucím použití technologií a týmu, který na těchto problémech pracuje.

V TalkIQ jsme byli vlastně start-up, který se snažil být třemi různými start-upy najednou: stavěli jsme svou vlastní telefony, rozpoznávání řeči a domácí technologii NLP. Tyto jsou tři těžké problémy, které je třeba vyřešit. Dialpad již úspěšně vyřešil telefony, takže když přišla nabídka akvizice, byla to snadná rozhodnutí. Považovali jsme Dialpad za nejvíce inovativní podnikovou komunikační platformu v tomto prostoru a naše vize pro budoucnost podnikové komunikace se velmi dobře shodovala.

Jaké jsou některé z různých strojových učících se technologií, které se používají v Dialpadu?

Naše původní Voice Intelligence (Vi™) motor využívá umělou inteligenci a strojové učení, aby pomohly organizacím pohonu prodeje, získat konkurenční přehledy, zvýšit zákaznický servis a mít efektivnější online schůzky.

Technologie ASR a NLP z TalkIQ se používají k příjmu konverzací z hlasových a video hovorů v reálném čase. Současně naše proprietární technologie umožňuje zpracovat příchozí konverzační data a přesně zachytit a přepisovat je do snadno čitelného formátu s nejvyšší přesností v oboru.

Vestavěné strojové učení pomáhá Vi zlepšovat se časem. Čím více jej používáte, tím více se učí a tím lépe zpracovává konverzace. S časem se přesnost přepisů zvýší a Vi bude moci zpracovat jemnější nuance konverzací.

Dialpad nedávno dosáhl významného milníku AI po analýze více než jedné miliardy minut hlasu, testy ukázaly, že přepisový model Dialpadu překonal hlavní konkurenty, včetně modelu Google. Jaké typy testů byly provedeny pro kvantifikaci těchto výsledků?

Máme kolekci testovacích sad, které obsahují audio a doprovodný přepis, který je považován za základnu toho, co bylo řečeno v audio. Pošleme stejné audio každému konkurentovi a dostaneme zpět přepis, který pak porovnáme se základnou. Vypočítáme počet chyb, aby určili procentuální přesnost. Porovnáváme se s Google od akvizice TalkIQ v dubnu 2018 a vždy jsme měli nižší přesnost, dokud jsme nyní nedosáhli lepšího výsledku.

Jaké jsou některé z klíčových rozdílů mezi proprietárním Voice Intelligence (Vi™) motorem Dialpadu a konkurenčními motory?

Jedním z největších rozdílů je, že jsme dělali toto déle než konkurenti, což znamená, že jsme analyzovali více dat, aby naše technologie byla nejpreciznější. Analyzovali jsme více než jednu miliardu minut hlasové komunikace a zpracováváme přibližně 90 milionů minut měsíčně s naším Vi motorem. V tomto ohledu jsme doslova roky před konkurencí.

Dalším rozdílem je náš přizpůsobený a škálovatelný přístup k jazykovým modelům. Pro každého zákazníka stavíme databázi firemních specifických klíčových slov, abychom mohli provádět klíčové zvýraznění, aby se zvýšila přesnost. Například pro uživatele, který vyslovuje své jméno “Kathryn” a pracuje ve společnosti nazvané Skribbl, náš systém by správně vyslovil jména, zatímco ostatní modely by je pravděpodobně vyslovily podle toho, jak zní (tj. “Katherine” a “scribble”).

Jaké jsou vaše osobní názory na budoucnost přirozeného jazykového zpracování? Jak dlouho bude trvat, než AI dosáhne téměř 100% nebo dokonce 100% přesnosti?

Dosáhnout absolutní přesnosti je téměř nemožné. Možná, že jednou budu překvapen (doufám!). Myslím, že se dostaneme velmi, velmi blízko, ale ne úplně přesně. Důvodem je, že automatické rozpoznávání řeči (a následně NLP) má téměř nekonečné problémy, které je třeba vyřešit: akcenty, vzdálenost od mikrofonu, pozadí, problémy s připojením, různé typy mikrofonů, jak rychle někdo mluví, artikulace, kontext (Sara vs Sarah vs Serra), akronymy, slang a tak dále. Ačkoli bych rád řekl, že se dostaneme tam, myslím, že se dostaneme velmi blízko, ale posledních 1-2% přesnosti bude obtížné.

Rovněž si myslím, že budou zajímavé některé vývoje v oblasti čitelnosti. Dnes, když prohlížíte přepis konverzace, může to vypadat jako proud vědomí. Přirozeně mluvíme v plynulém stylu, používáme spojené věty, opakujeme slova, restartujeme věty — děláme všechny druhy věcí, které bychom neudělali v písemné formě. Existují některé jedinečné příležitosti, pokud jde o získání více čitelné verze přepisu — jedné, která odstraní redundance, předpoví nebo vylepší interpunkci a optimalizuje přepis, aby byl více čitelný.

V mé mysli existují dvě verze: verbatim verze, která je co nejblíže 100% konverzace (včetně spojených vět), a pak je tu vylepšená verze, která je mnohem snadněji stravitelná díky interpunkci a optimalizaci.

A to nás vede k cestě, zda můžeme syntetizovat konverzaci na její nejvýznamnější části? Potřebujete plný přepis nebo potřebujete přesný souhrn formátovaný pro čitelnost?

Toto určitě závisí na vašem použití, ale tohle je to, co je zajímavé a vzrušující v tomto prostoru. Jsme možná ve třetím směru toho, co je možné, a ještě jsme se nedostali k inovacím pracovních postupů, kde uvidíme, že NLP se stane více “kontextově vědomým”, jako použití předchozích konverzací pro zlepšení přesnosti.

Čím specifičtější kontext modely mají k učení, tím lépe. Představte si sdílení stejného kontextu přes více konverzací a kontinuální adaptaci kontextu pro strojové učení, aby se stal chytřejším. Kontextově vědomá technologie je také důležitá pro zlepšení přesnosti s ohledem na obrovské rozdíly v tom, jak komunikujeme. Co může vypadat jako jemné lingvistické rozdíly pro lidi, je velmi obtížné pro trénování modelu strojového učení.

Jaké jsou některé služby, které Dialpad v současné době nabízí klientům?

Dialpad je chytřejší způsob, jak pracovat. Postavili jsme platformu pro dnešní moderní, hybridní pracovní sílu — umožňující lidem a týmům být více efektivní, efektivní a zapojení z jakéhokoli místa na světě. Poskytujeme bezproblémový podnikový komunikační zážitek — volání, chat, video konference a call centra — s nezřízenou kvalitou, bezpečností a spolehlivostí. Dialpad dodává tento zážitek jako jednotnou, cloudovou platformu, která je ekonomická, jednoduchá na nasazení a snadná na správu.

Je něco jiného, co byste rádi sdíleli o Dialpadu?

Rok 2020 byl monumentálním rokem pro společnost, což je opravdu úžasné, když uvážíme, co svět zažil (a stále zažívá). Dvoj násobně jsme zvýšili počet zaměstnanců, zajistili 100 milionů dolarů financování, získali společnost a udělali to, zatímco naše zákaznická základna exponenciálně rostla.

S prací na dálku, která zde zůstává, očekáváme, že tento růst bude pokračovat, a jsme nadšeni z roku, který přijde. Věříme, že hnutí “pracovat odkudkoli” zvýší potřebu inovativních technologií, které pomáhají zaměstnancům pracovat chytřeji — ne tvrději. Společnosti se budou obracet na umělou inteligenci, aby zefektivnily efektivitu, odstranily nudné úkoly a umožnily zaměstnancům soustředit se na větší priority. Dialpad je dobře vybaven pro splnění těchto potřeb.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Dialpad.