Dan O’Connell, Chief Strategy Officer hos Dialpad – Intervieuserie

Dan er Chief Revenue Officer hos Dialpad. Tidligere var han administrerende direktør for TalkIQ, en start-up virksomhed med realtids talegenkendelse og naturlig sprogbehandling, som Dialpad overtog i maj 2018. Før TalkIQ havde han forskellige salgslederstillinger hos AdRoll og Google (GOOGL ).

Dialpad er en AI-drevet cloudkommunikationsplatform, der gør det lettere og mere effektivt at kommunikere og samarbejde med dit team

Du var tidligere administrerende direktør for TalkIQ, en start-up virksomhed med realtids talegenkendelse og naturlig sprogbehandling, som Dialpad overtog i maj 2018. Hvad var det, der gjorde denne start-up så succesfuld med hensyn til talegenkendelsesteknologi?

Det var en kombination af flere ting: timing, mennesker og fokus. Automatisk talegenkendelse (ASR) er ikke ny, det har eksisteret i årtier — længere end folk tror. Under denne tid (og især de sidste fem år) har ASR-teknologien haft glæde af øget beregningskraft, cloud, tilgængelighed af datasets og massemarkedsadoption af smarte højttalere. Alle disse ting har ført til en øget nøjagtighed af transkriptioner.

Vi var også heldige at kombinere specialister (såsom lingvister) med hackere. Og når jeg siger hackere, mener jeg ingeniører, der kan få produkter på markedet hurtigt — de driver innovation og løser problemer hurtigt. Og selvom de ikke altid er de mest elegante løsninger, er de typisk de hurtigste og giver mulighed for at blive set som en innovator på forkanten — hvilket kan udnyttes i markedsføring og salg.

Så vi havde eksperter på området, naturlige trends på markedet, en enorm blå ocean, når det kommer til at anvende teknologien i virksomheder, og et hold med en track record for at bringe innovative teknologier på markedet med replicable GTM-bevægelser.

Sidst, men ikke mindst, tog vi en anden tilgang for at løse problemet. Traditionelle transkriptionssystemer fungerede som båndoptagelser. Du optager et opkald; du gemmer lydfilen; du sætter den igennem din transkriptionssystem; og lidt senere får du din output. Til at begynde med ville en 30-minutters samtale tage 30 minutter at transkribere, så vi taler om rigtige forsinkelser i størrelsesorden.

Vi ville løse dette problem og bygge en streaming eller realtids transkriptionssystem, der ikke kræver en lydfil. Dette lyder måske lidt nyt i dag, men for nogle år siden fandtes der ingen streamingssystem, der kunne håndtere realtids lange former for 8 kHz (det er min fancy måde at sige lavkvalitetslyd på, dvs. ikke stereo-kvalitet — 44 kHz) lyd. Vi ville ikke bygge en båndoptager.

Vi ville bygge et realtids-system til at forstå og analysere samtaler. Hvis vi kunne gøre det, så ville mulighederne være uendelige, fordi vi så kan begynde at automatisere arbejdsgange og gøre alle mulige cool ting, der ikke er gjort før. Og stor tak til Jim Palmer, Etienne Manderscheid, Kevin James, Noah Gaspar og en række andre for at være de første til at bygge dette realtids-system.

Kunne du diskutere overgangsperioden efter, at Dialpad overtog TalkIQ i maj 2018?

Overgangsfasen var faktisk super smidig. Dialpad var en partner med TalkIQ, og vores produktteam var allerede på Dialpads lokaler på ugentlig basis. Og jeg havde tidligere arbejdet med medstifterne Craig Walker og Brian Peterson hos Google og var begejstret for udsigten til at samarbejde med dem.

Vi så alle fremtiden på samme måde, nemlig at disse teknologier (ASR/NLP) integreret i en kommunikations- og samarbejdsplatform kunne være disruptiv for markedet og spilforvandler for virksomheder. Dette er en af grundene til, at vi næsten umiddelbart efter overtagelsen rejste 50 millioner dollars i en runde ledet af ICONIQ. Investorerne så muligheden i fremtiden for disse teknologier og holdet, der arbejdede på disse problemer.

Hos TalkIQ var vi grundlæggende en start-up, der forsøgte at være tre forskellige start-ups på én gang: Vi byggede vores egen telefoni-stack, talegenkendelsessystem og internt NLP-teknologi. Disse er tre svære problemer at løse. Dialpad havde allerede succesfuldt knækket telefoni-delen, så da overtagelsesbudskabet kom, var det en let beslutning. Vi så Dialpad som den mest innovative forretningskommunikationsplatform på markedet, og vores vision for fremtiden for forretningskommunikation passede rigtig godt sammen.

Hvad er nogle af de forskellige maskinlærings-teknologier, der anvendes hos Dialpad?

Vores native Voice Intelligence (Vi™) motor anvender AI og ML til at hjælpe organisationer med at drive salg, opnå konkurrencedygtige indsighter, forbedre kundeservice og have mere effektive online-møder.

ASR- og NLP-teknologier fra TalkIQ anvendes til at indtage samtaler fra tale- og videoopkald i realtid. Samtidig giver vores proprietære teknologi os mulighed for at behandle indkommende samtaledata og nøjagtigt fange og transkribere den i en letlæselig format.

Indbygget ML hjælper Vi med at forbedre sig over tid. Jo mere du bruger Vi, jo mere lærer den, og jo bedre bliver den til at behandle samtaler. Med tiden vil opkaldstranskriptioner øge i nøjagtighed, og Vi vil kunne behandle de mere subtile nuancer i samtalerne.

Dialpad opnåede nyligt en stor AI-milepæl efter at have analyseret over en milliard minutter af tale, og benchmark-testerne viste, at Dialpads transkriptionsmodel overgik store konkurrenter, herunder Googles forbedrede telefoni-model. Hvad slags test blev udført for at kvantificere disse resultater?

Vi har en samling af test-sæt, der indeholder lyd og den tilhørende transkription, der anses for at være sandheden om, hvad der blev sagt i lyden. Vi sender den samme lyd til hver konkurrent og modtager en transkription tilbage, som vi så sammenligner med sandheden. Vi beregner antallet af fejl for at bestemme en nøjagtighedsprocent. Vi har sammenlignet os med Google siden TalkIQ-overtagelsen i april 2018 og har altid haft en lavere nøjagtighed, indtil nu.

Hvad er nogle af de nøgleforskelle bag Dialpads proprietære Voice Intelligence (Vi™) motor og konkurrerende motorer?

En af de største forskelle er, at vi har gjort dette i længere tid end konkurrenterne, hvilket betyder, at vi har analyseret mere data for at sikre, at vores teknologi er den mest nøjagtige. Vi har analyseret over en milliard minutter af talekommunikation og behandler omkring 90 millioner minutter om måneden med vores Vi-motor. I denne henseende er vi bogstaveligt talt år foran konkurrencen.

En anden forskel er vores tilpasset og skalerbar tilgang til sprogmodeller. For hver kunde bygger vi en database over virksomhedsspecifikke nøgleord, så vi kan udføre nøgleordforstærkning for at forbedre nøjagtigheden. For eksempel, for en bruger, der staver sit navn “Kathryn” og arbejder i en virksomhed med navnet “Skribbl”, ville vores system stave de korrekte navne korrekt, hvorimod andre modeller ville stave dem, som de lyder (f.eks. “Katherine” og “scribble”).

Hvad er dine personlige synspunkter på fremtiden for naturlig sprogbehandling? Hvornår vil AI nå næsten 100% eller endda 100% nøjagtighed?

Perfekt nøjagtighed er næsten umulig at opnå. Måske vil jeg en dag blive overrasket (jeg håber det!). Jeg tror, vi vil komme meget, meget tæt på, men ikke perfekt. Årsagen er, at automatisk talegenkendelse (og herefter NLP) har næsten uendelige problemer at løse: accenter, afstand til mikrofoner, baggrundsstøj, forbindelsesproblemer, forskellige mikrofontyper, hvor hurtigt nogen taler, udtale, kontekst (Sara vs Sarah vs Serra), akronymer, slang og så videre. Selvom jeg gerne vil sige, at vi vil nå derhen, tror jeg, vi kan komme meget tæt på, men de sidste 1-2% i nøjagtighed vil være udfordrende.

Det sagde, tror jeg, der vil være nogle rigtig interessante udviklinger i læselighed. I dag, når du gennemgår en samtaletranskription, kan den læse som en strøm af bevidsthed. Vi taler naturligt i en flydende måde, bruger løbende sætninger, gentager ord, genstarter sætninger — vi gør alle mulige ting, som vi ikke ville gøre i en skreven form. Der er nogle unikke muligheder, når det kommer til at have en mere læselig version af en transkription — en, der fjerner redundanser, forudsiger eller forbedrer punktum og finjusterer eller optimerer transkriptionen til at være mere læselig.

I mit sind er der to versioner: den ordret version, der er så tæt på 100%, som muligt (løbende sætninger og alt), og så er der en forbedret version, der er meget lettere at fordøje på grund af punktum og optimering.

Og dette fører os så ned ad vejen for, om vi kan syntetisere en samtale til dens mest meningsfulde dele? Har du brug for en fuld transkription eller har du brug for en nøjagtig sammenfatning formateret til læselighed?

Det afhænger bestemt af din brugsform, men dette er, hvad der er interessant og spændende om dette område. Vi er måske i tredje inning af, hvad der er muligt, og vi har endnu ikke nået innovationen i arbejdsgange, hvor vi vil se NLP blive mere “kontekstbevidst”, som at bruge tidligere samtaler til at forbedre nøjagtigheden.

Jo mere specifik kontekst modellerne har at lære fra, jo bedre. Tænk på at dele samme kontekst over flere samtaler og kontinuerligt tilpasse konteksten for at gøre ML smartere. Kontekstbevidt teknologi er også vigtig for at forbedre nøjagtigheden, når man tager hensyn til de store forskelle i, hvordan vi kommunikerer. Hvad der kan synes som subtile sprogforskelle for mennesker, er meget svært at træne en ML-model til at duplikere.

Hvad er nogle af de tjenester, som Dialpad tilbyder kunder i øjeblikket?

Dialpad er en smartere måde at arbejde på. Vi har bygget platformen for i dagens moderne, hybrid-arbejdsstyrke — og giver folk og hold mulighed for at være mere effektive, effektive og engagerede fra hvor som helst i verden. Vi tilbyder en problemfri forretningskommunikationsoplevelse — opkald, chat, video-konferencer og callcenter — med usammenlignelig kvalitet, sikkerhed og pålidelighed. Dialpad leverer denne oplevelse som en samlet, cloud-baseret platform, der er økonomisk, let at installere og nem at administrere.

Er der noget andet, du gerne vil dele om Dialpad?

2020 var et monumentalt år for virksomheden, hvilket er ret fantastisk at tænke på, når man tager hensyn til, hvad verden oplevede (og fortsat oplever). Vi fordoblede vores medarbejderantal, sikrede 100 millioner dollars i funding, overtog en virksomhed og gjorde det, mens vores kundebase voksede eksponentielt.

Med hjemmearbejde her for at blive, forventer vi, at denne vækst vil fortsætte, og vi er begejstret for året, der kommer. Vi tror, at arbejde fra hvor som helst-bevægelsen vil øge behovet for innovative teknologier, der hjælper medarbejdere med at arbejde smartere — ikke hårdere. Virksomheder vil vende sig til AI for at strømline effektiviteten, eliminere kedelige opgaver og give medarbejderne mulighed for at fokusere på større prioriteringer. Dialpad er godt placeret til at imødekomme disse behov.

Tak for det fantastiske interview. Læsere, der ønsker at lære mere, skal besøge Dialpad.