Dani Cherkassky, CEO og medstifter af Kardome – Intervju-serie

Dani Cherkassky, CEO og medstifter af Kardome, bringer mere end to årtiers erfaring inden for akustik, signalbehandling og algoritmeudvikling til fronten af taleteknologiens innovation. Før han startede Kardome, fungerede han som teknisk direktør i Silentium Ltd., hvor han ledte R&D-samarbejder med Tier 1-virksomheder og forskningsinstitutioner. Med en ph.d. i mikrofonarraybehandling fra Bar-Ilan University kombinerer Cherkassky dyb teknisk ekspertise med en klar mission — at eliminere frustrationerne ved moderne taleinteraktion ved at skabe teknologi, der virkelig lytter til mennesker, ikke støjen omkring dem.

Kardome er en pionér inden for AI-drevne rumlige høreløsninger, der leverer klare, personlige taleinteraktioner i enhver omgang — fra biler og konferenceværelser til smarte hjem og offentlige rum. Dens proprietære talekluster-teknologi adskiller stemmer baseret på placering, hvilket giver enheder mulighed for at forstå hver taler, som om de var den eneste person, der taler. Designet til at være hardware-agnostisk og klar til kanten, forbedrer Kardomes platform talegenkendelsesnøjagtighed, sikkerhed og brugeroplevelse, og driver den næste generation af menneske-maskine-kommunikation.

Hvad inspirerede dig og Dr. Alon Slapak til at co-founde Kardome?

Inspirationen til Kardome voksede ud af en kombination af fascination og frustration. Med vores baggrund inden for tale og audio, både i akademiet og industrien, var vi begejstrede over fremgangen inden for talegenkendelse, især da dybe neurale netværk kom på scenen.

I et stille laboratorium var teknologien fantastisk. Men det øjeblik, du trådte ind i den virkelige verden, forsvandt magien. Vi observerede, at i en støjende bil, et beskæftiget kontor eller et kaotisk hjem, var avancerede systemer på højeste niveau kun lidt bedre end teknologien fra 1990’erne. Dette var den store barriere for fremgang.

Tale er den mest naturlige måde at interagere med vores enheder, den sande efterfølger til touchscreen. Men for at dette kan ske, skal teknologien overvinde kaos i det virkelige liv. Vi besluttede os for at gøre det til vores mission. Vi tilbragte et år i garagen, hvor vi kæmpede med lydbølgepropagationsligninger og testede nye ideer, indtil vi opnåede en gennembrud: den første demonstration af, hvad der nu er kendt som Kardomes rumlige høreløstechnologi.

På det tidspunkt vidste vi, at vi havde nøglen. Vi grundlagde Kardome ikke kun for at bygge et produkt, men for at starte en revolution i, hvordan mennesker og maskiner kommunikerer.

Mange taleassistenter kæmper og frustrerer ofte brugere, når stemmer overlapper eller baggrundsstøj overtager. Hvorfor fungerer konventionelle metoder så dårligt i disse virkelige verdensbetingelser?

Konventionelle talebrugerflader fungerer dårligt i den virkelige verden, fordi deres software afhænger af en for simpel metode til at forstå lyd. De fleste systemer bruger multiple mikrofoner til at bestemme lydens ankomstretning, en tilgang, der kun fokuserer på lydens vinkel og ignorerer andre vigtige 3D-rumlige oplysninger. Denne metode fejler straks i enhver virkelig verdenssituation — som en bil, et kontor eller et opholdsrum — fordi disse omgivelser er fyldt med efterklang, hvor lydbølger bouncer af hver reflekterende overflade. For et system, der kun forstår retning, opfattes hver af disse bouncende reflekser som en ny lyd fra en anden placering.

Dette skaber en desorienterende effekt, som om enheden var i et “akustisk spejl”, hvor en enkelt stemme synes at komme fra hundredvis af retninger samtidig. Ude af stand til at skelne de distinkte stemmer fra stormen af reflekser, kan systemet ikke korrekt afkode lydscenen. Denne fundamentale begrænsning er præcis, hvorfor nuværende taleteknologier har så dårlig opfattelse af lyd i virkelige, kaotiske scenarier og ultimativt fejler i at fungere pålideligt.

Kardomes teknologier behandler hver person, som om de er den eneste, der taler i rummet. Hvad er den tekniske gennembrud, der gør dette muligt, og hvordan adskiller det sig fra konventionel langdistance-talegenkendelse?

Vores tekniske gennembrud er en proprietær teknologi kaldet Spatial Hearing AI, der overgår konventionelle metoder, der kun kan registrere lydens retning, og i stedet kan bestemme lydens præcise placering i tre dimensioner. Den fungerer ved at analysere hele refleksmønsteret, en stemme skaber inden for et rum, og behandler det komplekse måde, lyd bouncer af overflader, som en unik “akustisk fingeraftryk” for den specifikke position. Vores AI kan øjeblikkeligt og passivt slutte sig til denne fingeraftryk for hver lydkilde og effektivt kortlægge omgivelserne. Denne placering-baserede tilgang adskiller sig fundamentalt fra konventionelle retning-drevne systemer, der let bliver forvirret af de reflekser, vi bruger som værdifulde data. Mens de hører en enkelt taler som en mængde ekko, bruger vores teknologi det komplette refleksmønster til at bestemme den faktiske kilde. Det praktiske resultat er, at en Kardome-aktiveret enhed kan fokusere på en person i et støjende miljø og høre dem, som om de talte alene i et stille rum. Desuden sikrer Cognition AI, at systemet ikke kun hører ordene, men også forstår, hvem der sagde dem, og hvad de betyder i kontekst.

Tale-AI siges at have sin “iPhone-øjeblik”. Fra dit perspektiv, hvad betyder det, og hvor tæt er vi på at nå til den sande mainstream-accept?

For mig betyder “iPhone-øjeblikket”, at tale endelig er klar til at blive den standardmåde, vi interagerer med vores computereenheder på.

Jeg ser, at producenter kapløber for at integrere tale-AI-teknologier på tværs af hele produktlinjer. Biler bliver til tale-første grænseflader af sikkerhedsårsager. Smarte hjem har brug for talebrugerflader, fordi det ikke er muligt at placere touchscreen overalt. Traditionelle elektronikprodukter tilføjer også talefunktioner, fordi det ofte er hurtigere end at navigere i menuer. Mens mange teknologier driver adoptionen af tale, vil den sande revolution blive dikteret af robotter. Når robotter bliver integreret i vores hjem og arbejdspladser, vil tale opstå som den eneste virkelig effektive og naturlige grænseflade til interaktion.

For at denne samexistens skal være problemfri, skal robotter forstå os på et menneskeligt niveau. De skal kunne forstå kontekst og nuance i naturlig tale, ikke kun nøgleord. De kræver en rumlig bevidsthed, der er så præcis, at det føles magisk — instinktivt at vide, at du er den, der taler til dem, selv i et støjende rum. Kritisk set skal denne intelligens fungere på kanten for øjeblikkelig, privat og pålidelig kommunikation.

Dette er ikke en inkrementel forbedring; det er en fundamental ændring i, hvordan mennesker og maskiner vil interagere. Vi bygger teknologien til at lede denne omdefinering. Jeg ville sige, at vi er omkring 24 måneder fra inflexionspunktet, hvor tale bliver den forventede grænseflade snarere end en nice-to-have-funktion.

I praktiske termer, hvordan ser du, at rumlig hørelse og kognition-AI vil forandre hverdagsenheder — fra biler og smarte hjem til bærbare enheder og offentlige rum?

Forvandlingen handler om at aktivere naturlig interaktion, uanset hvor du er, uden at du skal tilpasse dit adfærd til at tilpasse teknologien. I biler betyder det virkelig håndfri kontrol, der fungerer, mens du kører i motorvejsfart med musik, der spiller, og passagerer, der taler. Smarthjem bliver virkelig intelligente, når de kan forstå, hvem der taler, og hvorfra, og håndtere samtidige anmodninger uden forvirring.

Nøgleinsigtet er, at rumlig hørelse-AI ikke kun forbedrer talegenkendelse, men også muliggør helt nye interaktionsparadigmer. Når enheder kan forstå den hele akustiske scene, kan de deltage i den naturlige flow af menneskelig kommunikation, snarere end at afhænge af kunstige begrænsninger. Bærbare enheder bliver langt mere nyttige, når de kan isolere din stemme fra omgivende samtaler, og offentlige rum kan tilbyde personlig, men privat talehjælp. Som nævnt for robotter, udgør dette en fundamental ændring i, hvordan mennesker og maskiner vil interagere med robotter, der bliver integreret i vores liv.

Privatliv er en voksende bekymring med altid-lyttenheder. Hvordan balancerer Kardome kravet om på-enhed-behandling med behovet for ydelse og nøjagtighed?

Det overvældende flertal af i dagens tale-AI-løsninger opererer på en hybridmodel, bestående af en på-enhed (kant)-komponent og en cloud-baseret komponent. Mens på-enhed-behandling ikke udgør nogen privatlivsproblemer, da data aldrig forlader brugerens enhed, præsenterer cloud-behandling en betydelig udfordring for data privatliv.

Kardome imødekommer denne udfordring ved at udvide på-enhed-komponentens kapaciteter betydeligt. Ved at behandle mere data lokalt og reducere afhængigheden af cloud, sikrer Kardome, at følsomme taledata aldrig forlader brugerens enhed, og tilbyder dermed en overlegen privatlivsbeskyttelse i forhold til andre systemer på markedet.

En stor bekymring med “altid-lyttenheder” er ikke, at mikrofonen fanger lyd, men snarere risikoen for, at denne lyd uploades til cloud for analyse. I praksis er den forbudte omkostning ved kontinuerlig cloud-behandling, at de fleste kommercielle systemer undgår det, men dette sker på bekostning af en lavere kvalitet og mindre responsiv talebrugerflade.

Kardome løser dette kompromis ved at bringe kraftfulde, altid-til-rådighed sprogmodeller til kanten af enheden selv. Med vores teknologi analyseres den akustiske scene, naturlig tale og kontekst i realtid direkte på enheden. Ingen taledata uploades eller gemmes nogensinde. Denne innovative tilgang giver Kardome mulighed for at levere både robust data privatliv og en højtydende talebrugerflade, og eliminerer dermed det kompromis, brugere i øjeblikket står over for.

Settende på branchen i bredere forstand, hvad er de største hindringer tale-AI stadig må overvinde, før det bliver den dominerende grænseflade på tværs af forbruger-elektronik?

Den største hindring er, at tale-AI stadig ikke kommunikerer som mennesker gør. Indtil tale-AI kan høre og forstå som mennesker, med fuld kontekstbevidsthed og evnen til at forstå samtaleflow, vil det ikke blive den primære grænseflade, folk ønsker, det skal være. En betydelig teknisk hindring på dette punkt er, at de fleste tale-AI-teknologier er cloud-baserede. Dette forhindrer i sig selv kontinuerlig lytning og blokerer dermed samtaleflow-forståelsen.

Gennembruddet vil komme, når tale-systemer kan virkelig forstå samtalekontekst og svare med samme intuitive bevidsthed, som mennesker har. Det er, når tale vil blive den dominerende grænseflade på tværs af alle forbruger-elektronik.

Hvordan tror du, at forbrugernes forhold til taleassistenter vil udvikle sig, når nøjagtighed og pålidelighed i støjende omgivelser er løst?

Når pålidelighed og naturlig samtale er løst, vil taleassistenter gå fra nyhedsfaktorer til essentielle grænseflader, som folk afhænger af på tværs af deres dag. Når folk ved, at tale-AI vil forstå dem korrekt første gang, selv i udfordrende omgivelser, vil de stoppe med at tilpasse sig teknologien og begynde at bruge den instinktivt med naturlig sprog og kontekstuelle samtaler.

Fremtiden for taleinteraktion vil være forudsigelig og proaktiv. Forestil dig, at din enhed forstår ikke kun dine ord, men også din tone, følelsesmæssige signaler og samtale-understrøm. Nuværende systemer kæmper med den naturlige rytme af samtale og kan ikke håndtere afbrydelser, skift af tur og kontekstforståelse. Mennesker tilpasser sig, når de bliver afbrudt; tale-AI bliver ofte forvirret. For OEM’er er udfordringen at integrere tale-AI, der kan levere denne fremtidige grænseflade uden kompleksiteten og hardwarekravene til i dag’s løsninger.

Til sidst, hvor ser du Kardome og tale-AI-økosystemet om fem år, og hvad vil være definerende milepæle for, om vi har indgået den tale-første computering-alder?

Om fem år vil tale-AI være lige så almindeligt som touchscreen og tastatur er i dag, og det vil være forventet i næsten enhver computerenhed. Kardome vil være det operative system, der giver brugerne mulighed for at betjene deres enheder med tale, og aktivere naturlig interaktion med enhver enhed i enhver omgang — fra robotter til smarte briller, biler og hjem.

De definerende milepæle vil være adfærds-mæssige snarere end tekniske. Vi vil vide, at vi har opnået tale-første computering, når folk stopper med at tænke over talekommandoer og begynder at have naturlige samtaler med deres omgivelser, når multi-bruger-miljøer fungerer problemfrit, og når børn vokser op med forventningen om at tale naturligt til enhver enhed. Den ultimative målestok vil ikke være, hvor sofistikeret vores teknologi bliver, men hvor naturligt mennesker interagerer med den digitale verden.

Tak for det store interview. Læsere, der ønsker at lære mere, kan besøge Kardome.