Rozhovory

Sujatha Sagiraju, Chief Product Officer společnosti Appen – série rozhovorů

Antoine Tardif
Přidejte Unite.AI mezi své preferované zdroje na Google
Klíčové bodyRůznorodé týmy jsou klíčové pro vývoj umělé inteligence, aby se předešlo zkresleným…
Zobrazit více
  • Různorodé týmy jsou klíčové pro vývoj umělé inteligence, aby se předešlo zkresleným výsledkům.
  • Životní cyklus dat pro umělou inteligenci společnosti Appen zahrnuje čtyři fáze, které zajišťují vysoce kvalitní data.
  • Modelový drift vyžaduje nepřetržité lidské hodnocení, aby modely umělé inteligence zůstaly přesné a spravedlivé.

Sujatha Sagiraju je Chief Product Officer ve firmě Appen, kde nastoupila v září 2021 jako SVP of Product a je odpovědná za produktovou strategii. Je technologickou průkopnicí s více než 20 lety širokých zkušeností v oblasti budování disruptivních velkých online služeb a platform AI/ML a dat. Připojila se k Appen z Microsoftu, kde zastávala vedoucí role v několika skupinách, včetně Bing a Azure AI Platform.

Appen je globálním lídrem v oblasti dat pro životní cyklus AI. S více než 25 lety zkušeností v oblasti zdrojování dat, anotace dat a hodnocení modelů lidmi umožňuje organizacím spustit nejvíce inovativní systémy umělé inteligence na světě.

Co vás původně přitáhlo k AI?

Když jsem byla v Microsoftu (MSFT ), pracovala jsem v organizaci Azure AI. Byla jsem obeznámena s průmyslovým prostředím, zákazníky a transformací AI, která probíhá v různých odvětvích. Viděla jsem z pohledu zákazníka, že trénovací data byla překážkou při budování modelů strojového učení a viděla Appen jako příležitost vyřešit tento problém – chybějící článek, který by mohl propojit všechny fáze životního cyklu AI.

Jste nyní Chief Product Officer ve firmě Appen, můžete popsat, co tato pozice zahrnuje?

Na nejvyšší úrovni můj tým vytváří produktovou vizi, strategii a sladění s několika různými zúčastněnými stranami v rámci organizace při efektivní realizaci. Na osobní úrovni trávím značné množství času porozuměním průmyslu a zákazníkům. S některými z největších společností jako našimi zákazníky, jako je Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, je důležité, aby můj tým porozuměl scénářům zákazníků a bolestem a vytvořil produktovou strategii, která dodá růstový plán. Budování bezpečné, inkluzivní kultury je také velmi důležitou součástí mé role, protože se zaměřuji na vytváření prostoru pro naše zaměstnance, aby sdíleli nápady, spolupracovali a rozvíjeli své kariéry.

Jak důležité je pro vývoj AI vytvářet diverzifikované týmy?

Je to extrémně důležité pro vývoj AI mít diverzifikované týmy. Existuje několik různých způsobů, jak přemýšlet o diverzitě – pohlaví, věku, rasy, perspektiv. Diverzita perspektiv může být nejvýznamnější částí zajištění, aby tým měl diverzifikované zázemí a zkušenosti. Tyto zkušenosti přinášejí nové a různé nápady, aby bylo možné vytvořit nejlepší produkt pro všechny zákazníky, kteří jsou velmi diverzifikovaní.

Jak vytváříte pracovní kulturu, která synergizuje tuto diverzitu?

Kultura, která podporuje diverzitu, zve zaměstnance, aby sdíleli své nápady a perspektivy. Ráda zvažuji různé metody komunikace při vedení týmových schůzek. Například, když žádám o zpětnou vazbu na týmové schůzce, žádám zaměstnance, aby mluvili přímo na schůzce nebo mi poslali zprávu po té, co měli čas přemýšlet. Rozpoznám, že ne všichni chtějí mluvit nebo sdílet zpětnou vazbu okamžitě, a chci vytvořit kulturu, kde je to přijatelné. Chci bezpečné prostředí, kde lidé mohou vyjádřit své názory a sdílet své nápady, jak chtějí. Skvělé nápady přicházejí ze všech různých týmů v rámci organizace. Scházím se se prodejními, marketingovými a dalšími týmy, které jsou v kontaktu se zákazníky, abych pochopila jejich potřeby a perspektivy, když pracují úzce se zákazníky každý den. Některé z nejlepších produktových nápadů přicházejí z pečlivého naslouchání bolestem zákazníků – buď přímo od nich nebo od týmů, které interagují se zákazníky každý den.

Mimo vytváření diverzifikovaných týmů, jaké jsou další způsoby, jak bojovat proti bias v algoritmech strojového učení?

Inkluzivní zdrojování dat, příprava dat a hodnocení modelů jsou kritické pro boj proti bias. Data, která se používají k trénování algoritmů, musí být inkluzivní pro všechny potenciální koncové uživatele nebo výsledky. Při přechodu mezi různými fázemi životního cyklu AI musí být každá fáze zkontrolována na bias. Zodpovědný AI je také postaven na zodpovědně zdrojovaných datech, což znamená, že s přispěvateli se zachází spravedlivě. Appen vytvořil Kodex etiky pro naši komunitu, aby ukázal naši oddanost blahu našich přispěvatelů.

V nedávném článku jste diskutovali o nové disciplíně, nazvané Data pro životní cyklus AI. Můžete stručně popsat, co to je?

Data pro životní cyklus AI zahrnují čtyři fáze v kontinuálním cyklu; zdrojování dat, příprava dat, sestavení a nasazení modelu a hodnocení modelu lidmi. Tyto fáze jsou nezbytné pro dodání vysoce kvalitních dat pro budování projektů AI. Zdrojování dat, příprava dat a hodnocení modelu jsou nejnáročnější a datově intenzivní a pokud nejsou provedeny dobře, mohou vést k problémům s kvalitou projektu a zpožděním spuštění. Appen se specializuje na tyto tři fáze a strategicky spolupracuje s poskytovateli, kteří se specializují na trénování a nasazení modelů.

Jaká je role syntetických dat v Datech pro životní cyklus AI?

Řešení pro zdrojování dat zahrnují lidsky anotovaná data, předem označené soubory dat a syntetická data. Syntetická data se využívají v případech, kdy je obtížné získat datové sady pro dané případy použití. Inkluzivní soubory dat pokrývají všechny případy použití a potenciální koncové uživatele modelu AI, a některé vyžadují syntetická data, aby dosáhly tohoto cíle. Kombinace lidsky anotovaných dat a syntetických dat se stane kritickou pro úspěch modelu.

Jak velký problém je drift modelu nebo přeučení v datech pro životní cyklus AI?

Drift modelu může být velkým problémem a musí být řešen ve čtvrté fázi životního cyklu AI, Hodnocení modelu lidmi. Je kritické, aby model pokračoval v fungování ve skutečném světě a aby bylo známo, že musí projít lidským testováním. Když se prostředí mění a roste, modely musí být také aktualizovány. Je důležité, aby praktici neustále vyhodnocovali své modely, aby zabránili jejich zastarávání nebo vzniku zkreslení. Microsoftův Bing je zákazník, který využívá hodnocení modelu, aby zajistil, že výsledky vyhledávání fungují podle jejich standardu a model je neustále vyhodnocován.

Je něco jiného, co byste rádi sdíleli o své práci v Appen?

Nejcennější práce v Appen je práce našich lidí a jejich odbornosti. S 25 lety zkušeností Appen vytvořil silný základ se svými zaměstnanci. Naši zákazníci důvěřují naší odbornosti, aby dodali vysoce kvalitní výsledky, rychle a ve velkém měřítku. Appen umožňuje transformaci průmyslu AI tím, že poskytuje řešení pro bezproblémové řízení dat pro životní cyklus AI.

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

Antoine je vizionářský lídr a zakládající partner Unite.AI, kterého pohání neochvějné nadšení pro utváření a podporu budoucnosti umělé inteligence a robotiky. Jako podnikatel, který založil několik společností, věří, že AI promění společnost stejně zásadně jako elektřina, a často s nadšením hovoří o potenciálu převratných technologií a obecné umělé inteligence (AGI).

Jako futurista se věnuje zkoumání toho, jak tyto inovace budou utvářet náš svět. Je také zakladatelem Securities.io, platformy zaměřené na investice do špičkových technologií, které nově definují budoucnost a proměňují celá odvětví.