Carolyn Harvey, Chief Operations Officer at LXT – Intervieuserie

Carolyn Harvey har omfattende erfaring med at lede og udvikle globale operationer inden for området for søge relevans og annotation af ML-data. Carolyn er i øjeblikket Chief Operations Officer (COO) i LXT, hvor hun leder virksomhedens globale operationsafdeling og sikrer, at alle AI-dataprogrammer og -projekter leveres konsekvent. Hun fokuserer på højkvalitetsdata i stor skala, opbygning af effektivitet i lange programs og skalerbarhed på tværs af et stort antal globale lokaliteter.

Som COO i LXT bidrager Carolyn med sin store erfaring til at udvikle en verdensklasseorganisation.

Kan du kort beskrive, hvad LXT laver, og hvilken rolle du har som COO?

Kunstig intelligens afhænger af data for at eksistere, og LXT er en fremvoksende leder inden for levering af nøjagtig, etisk kilde-data, der driver AI-innovationer. Som Chief Operations Officer er min rolle at overvåge, lede og udvide vores globale operationer gennem strategier, struktur og processer, der tillader os at levere den højeste kvalitets AI-data til vores kunder. Jeg sikrer, at vi leverer på tid over en bred vifte af brugsområder, fra generativ AI til søge relevans og selvkørende biler, blandt mange andre.

Hvordan har LXT’s mission udviklet sig siden dens grundlæggelse i 2010? 

Vores mission er at drive fremtidens teknologier gennem data-generering og -forbedring på tværs af alle sprog, kulturer og modaliteter. Vores mål er at hjælpe virksomheder af alle størrelser med at udnytte de fantastiske fordele, som AI tilbyder, ved at drive deres modeller med højkvalitetsdata. Da virksomhedens mission har udviklet sig, har vores services udvidet sig fra sprogtranskription og taleindsamling til at omfatte en bred vifte af løsninger, herunder dataindsamling og annotation af tekst, billeder og video, generativ AI-tjenester og mere. Vi har også udvidet vores globale fodaftryk af ISO 27001-certificerede faciliteter for at møde vores kunders voksende behov for sikre data-tjenester.

Hvad har været de vigtigste drivkræfter for dens vækst i AI-træningsdata-sektoren?

Fortsat investering i AI fra organisationer af alle størrelser har fremmet vores vækst. Virksomheder ved nu, at AI er en nødvendighed for at forblive konkurrencedygtige, og data driver AI. Men ikke al data er lige, og virksomheder, der lykkes med AI, ved, at højkvalitetsdata er afgørende for at skabe mere nøjagtig AI.

Nu, hvor generativ AI er på alles læber, har denne trend åbnet endnu flere vækstmuligheder for LXT. Mennesker er afgørende for at sikre, at disse løsninger er nøjagtige, etiske og ansvarlige. Vi tilbyder en række generative AI-tjenester inden for områder som finjustering af store sprogmodeller, prompt-oprettelse og mere. Vores kunder ved, at for at opbygge tillid hos slutbrugerne skal outputtet fra deres generative AI-produkter være faktuel, repræsentere en diversificeret målgruppe og være fri for giftig sprog. Vi kan hjælpe dem med at opnå disse mål med vores menneske-i-løkken-tjenester.

Hvordan har eksplosionen af generativ AI påvirket LXT og dens kunder?

LXT har oplevet en stigende efterspørgsel efter vores AI-træningsdata på grund af generativ AI, både for kerne-sprog-orienteret data og nye aspekter relateret til analyse, kreativitet og kritisk tænkning. Vi ser også en stigende efterspørgsel efter domæne-kundskab og specialiserede profiler for projekt-arbejdere.

Kundernes anmodninger går mere og mere ud over de mikro-opgaver til maskinlærings-input fra fortiden til LLM’er og de mere komplekse data-sæt, der kræves af apps som ChatGPT, Gemini og de mange afledte produkter. Vi er i øjeblikket involveret i flere innovative projekter, hvor vi skriver prompts, der er designet til at forvirre den generative AI, for at se, hvordan den reagerer, og derefter oprette den korrekte besvarelse.

I fremtiden kan dette muligvis udvikle sig yderligere til kunstig generel intelligens (AGI), hvor data-sættene vil blive koblet til endnu mere komplekse og sofistikerede handlinger.

Du har mange års erfaring med at arbejde med søgning og personliggørelse for at forbedre disse algoritmer. Hvad er nogle af måderne, hvorpå førende virksomheder forbedrer deres søge-relevans for at give en bedre brugeroplevelse?

I en verden, hvor tid er kostbar og information er overalt, kan forbedring af søge-relevans styrke loyalitet, øge konverteringsrater og gøre brugere mere produktive.

Søge-relevans begynder med at rense og organisere vores kunders data, rodde ud af noget, der kan generere falske positive resultater, og oprette yderligere data-felter, som søge- og anbefalingsmotorer kan gennemgå for at generere mere præcise resultater. Med hjælp fra maskinlærings- og naturlig sprogbehandling kan kunderne aktivere deres søgemotor til at mere intuitivt fastlægge brugerens intention og lære om deres præferencer over tid. Resultatet er en hurtigere søgeoplevelse, der fører til mere personlige resultater.

For at nå dette mål kræves store mængder træningsdata, med en særlig fokus på at træne algoritmer til at genkende, rangere og returnere relevante enheder, og hvordan man håndterer stavfejl, grammatiske fejl og andre data-anomalier. Vi anbefaler også en menneske-i-løkken-forstærknings-tilgang for at sikre nøjagtig data, reduceret bias og give en bedre søgeoplevelse for slutbrugeren. Med ML-fremgangen over de sidste 10 år har menneske-i-løkken en intensiveret fokus på kvalitetsgennemgangsprocesser, der driver et behov for dybere erfaring fra data-udbydere.

Kan du uddybe LXT’s tilgang til data-annotation og hvordan virksomheden sikrer kvaliteten og nøjagtigheden af AI-træningsdata?

Som en operations-team må vi først forstå, hvordan kunderne bruger de data, vi leverer, i udviklingen af deres produkter og tjenester for at sikre, at det vil opfylde deres behov. For at gøre dette, har vi brug for at finde eksperter i både projektledelse og annotation, der har erfaring med den type data, der kræves.

Derefter handler det om forberedelse og at finde de rigtige ressourcer i starten af hvert projekt. Dette inkluderer at afstemme med kunderne om succesfaktorer under scopings-fasen samt dyb kvalifikation og screeningsprocesser for projekt-annotatorer, der tager vigtige detaljer som uddannelsesbaggrund, speciale interesser, demografi og erfaring i betragtning. Vi udvikler også detaljerede lærings- og reference-materialer som en vejledning, tilpasset til hvert projekt. Vi anvender modne kvalitets- og processtyrings-oversigt over hele projekt-livscyklussen. Tilgangen vi bruger, er i overensstemmelse med og informerer branchens bedste praksis, og sikrer, at resultaterne opfylder kundernes forventninger.

Og alle disse metoder er i tjeneste for vores garanterede data-kvalitetsløfte.

Hvordan håndterer LXT udfordringen med at annotere ustruktureret data, der udgør over 80% af alle data?

LXT har bygget en intern annotations-platform, der automatiserer mange dele af annotations-processen og giver struktur og en konsekvent brugergrænseflade for arbejdere. I forarbejdnings-fasen fokuserer vi på forberedelse af data, formatering af input-filer og fjernelse af duplikater, blandt andet, og i efterarbejdnings-fasen, adresserer vi pakning af data, samling og formatering til levering til kunden.

Før projektet starter, opretter vi retningslinjer, der gennemgås med kunden og itereres over hele projekt-livscyklussen, når ting ændrer sig. Vi kan bryde data-mærknings-processen ned i flere opgaver for at fokusere på hvert element i projektet ordentligt. Derudover implementeres kvalitetskontrol-metoder for at drive eliminering af fejl i stor skala.

Til sidst er vores Operational Excellence Team ansvarlig for avanceret processtyring for at sikre høj effektivitet og skalerbarhed for vores projekter verden over.

Hvad er nogle af de største udfordringer, LXT står over for i at indsamle data i stor skala globalt, og hvordan overvinder I dem?

Mangfoldighed og bias i deltagere og i de resulterende data-samlinger er ofte nogle af de største udfordringer, som LXT, og enhver AI-træningsdata-udbyder, vil stå over for. Andre udfordringer inkluderer en ny efterspørgsel efter domæne-ekspertise og et hurtigt skiftende landskab med skiftet til LLM’er og generativ AI-data.

Vi overvinder disse udfordringer gennem en meget proaktiv tilgang til at finde vores kandidat-pool, hvor vi gennemgår ekspertise, erfaring, tidligere roller, interesser og demografi for at danne den rigtige diversitet blandt hold efter køn eller andre aspekter, såsom analytisk tænkning eller kreativ skrivning, uddannelsesbaggrund, blandt andre.

Når vi først har fundet de rigtige kandidater, tager vi stor omsorg for at engagere arbejdere på en regelmæssig basis for at bygge en mere erfaren, loyal og tilfreds arbejdsstyrke over længere tid.

I forhold til AI-evaluering, hvordan arbejder LXT for at mindske bias og sikre etiske output i de AI-systemer, som virksomheden hjælper med at træne?

Som nævnt tidligere er sikring af diversitet en udfordring, som mange AI-træningsdata-udbydere må løse, og det vil gå langt i at mindske bias og sikre etiske output.

Jeg vil henvise til vores engagement i bedste praksis, som inkluderer at finde diverse og repræsentative annotatorer og være omhyggelige med retningslinjer og kvalitetskontrol-mål. Vi har en impact-sourcing-strategi, der tillader os at bringe arbejde til diverse og nye grupper af annotatorer, såsom i langhalende sprog-regioner.

Vi målretter etiske output gennem vores brug af branchens bedste praksis, afstemning med kundernes forventninger og drivende højere standarder for vores projektledere og annotatorer. Kommunikation er afgørende, samt overholdelse af regler, bias-analyse og en forpligtelse til data-regulering og privatlivskrav.

Hvad er den langsigtede vision for LXT, og hvordan ser du virksomheden udvikle sig i de næste fem år?

 Vores vision er at levere nøjagtig, etisk kilde-data for at drive udviklingen af AI og de teknologier, der vil forbedre og forbedre menneskers oplevelse verden over.

Medens automation og teknologi er vigtige i AI, er der også en vigtig menneskelig komponent, der supplerer teknologien. Da vi bevæger os fra simple automatiserede opgaver til store sprogmodeller (LLM’er) og fra generativ AI til generel kunstig intelligens (GAI), vil det være afgørende, at AI-produkter trofast repræsenterer mennesker, både de, der genererer data, og vores globale samfund i bred forstand.

Hos LXT stræber vi efter at sikre, at AI anvendes på en positiv og transformerende måde, der reflekterer disse værdier.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge LXT.