Dr. Sam Zheng, CEO & Co-Founder of DeepHow – Intervieuserie

Sam Zheng, CEO og medstifter af DeepHow, står i spidsen for en hurtigt udviklende startup, der er bakket op af anerkendte investorer. DeepHow revolutionerer uddannelsen af en kompetent arbejdsstyrke med en innovativ, AI-dreven, video-centreret platform for videnindsamling og -overføring.

Før DeepHow tilbragte Sam over et årti hos Siemens, hvor han drev digital innovation over flere brancher. Hans bemærkelsesværdige projekter, såsom Cloud Digital Inspection Jacket, har betydeligt forbedret den tekniske videnudveksling, effektiviteten og brugeroplevelsen, og hans team modtog den prestigefyldte Siemens Innovation Award.

Samtidig fungerer Sam som adjungeret professor i psykologi ved Tsinghua University og har en ph.d. i ingeniørpsykologi og en master i statistik fra University of Illinois at Urbana-Champaign.

Hvordan gik du fra at have en uddannelsesmæssig baggrund i psykologi og statistik til at fokusere på video og maskinlæring?

Min baggrund i psykologi og statistik fungerede faktisk som en naturlig overgang til området for maskinlæring og video-centreret platforme. Studiet af psykologi antændte min fascination for det menneskelige sind og intelligens, særligt processen for færdighedsindlæring og ekspertudvikling. Imens gav statistikken den matematiske grundlag for at udforske kunstige neurale netværk, inspireret af vores biologiske hjerne.

I dagens digitale tidsalder er videoer blevet en mere engagerende, interaktiv og effektiv læringsmetode. Denne udvikling er tydelig med platforme som YouTube og TikTok, hvor brugerne, særligt den yngre generation, investerer timer i at forbruge og lære fra videoindhold.

Men den traditionelle proces for at skabe instruktions- eller hvordan-videor, især redigeringsdelen, er tidskrævende og arbejdskrævende. En kort video på få minutter kan kræve timer af omhyggeligt arbejde. Ved at erkende denne ineffektivitet og potentialet for at forbedre læringsoplevelsen, besluttede mine medstiftere og jeg at udnytte kraften af kunstig intelligens (AI) og maskinlæring til at accelerere processen for at skabe hvordan-videor.

Vores AI-drevne video-platform kan omdanne timer af slidigt arbejde til blot minutter, og drastisk forbedre effektiviteten uden at kompromittere effekten. I essensen hjalp min akademiske grundlag i forståelse af menneskelig kognition og de statistiske modeller, der ligner det, med at banke vejen for dette innovative foretagende.

Hvilken af dine patenter er den vigtigste, du har arbejdet på?

Alle mine patenter fokuserer på at udnytte teknologi til at forbedre menneskelig præstation. Under min tid hos Siemens arbejdede jeg på en løsning for professor Stephen Hawking. Vi udviklede en intuitiv øjne-indtastningsmetode til at hjælpe personer med ALS, lignende professor Hawking’s tilstand. Dette innovative arbejde er nu en del af en ventende patent.

Men den vigtigste patent, jeg har bidraget til, er en nyere: den Generative AI-drevne Know-How Management Platform for industri- og produktionsorganisationer.

Her er en kort oversigt:

Vores opfindelse præsenterer en revolutionerende generativ AI-løsning specifikt tilpasset industri- og produktionsorganisationer. Den fanger effektivt både institutionel og stamme-viden, og krydser felter som kunstig intelligens, maskinlæring, træning og udvikling, samt videnledelsessystemer.

Industri- og produktionssektorerne står ofte over for enorme udfordringer i at fange, organisere og dele kritisk viden. Høje personaleomløbsrater, komplekse processer og det konstante behov for opgradering forstærker disse udfordringer. Traditionelle videnledelsesmetoder er ofte besværlige, tidskrævende og mangler fleksibilitet, og kræver en mere avanceret løsning.

Vores generative AI-løsning anvender proprietære algoritmer og maskinlærings-teknikker til at strømline processen for at skabe video-baserede standard operationelle procedurer (SOP’er), optimere arbejdsprocesser og facilitere hurtig og effektiv adgang til information via AI-drevne chat-funktioner. På grund af dens tilpasningsdygtighed og skalerbarhed er vores løsning velegnet til en bred vifte af produktionskontekster.

Hvordan opstod DeepHow?

Før vi lancerede DeepHow, arbejdede jeg sammen med vores andre stiftere, Patrik Matos da Silva og Wei-Liang Kao, hos Siemens, hvor vi drev en række digitale innovationsprojekter i industri- og produktionssektorerne. Vores rejse tog et stort skridt, da vi deltog i Techstars Mobility Accelerator i Detroit i 2018. Oplevelsen var grundlæggende en boot camp, der hjalp os med at validere vores idé, identificere huller og forbinde os med potentielle investorer, partnere og mentorer.

Vi så værdien i de færdigheder og erfaringer, som mennesker havde udviklet over årene, men der var et problem – der var ikke en virkelig effektiv måde at fange og dele denne ekspertise på. Vi observerede, hvor hurtigt teknologien udviklede sig, og det gik op for os, at metoderne, vi brugte til medarbejderuddannelse, ikke havde holdt trit. Vi var stadig afhængige af forældede, tidskrævende metoder, der ikke var effektive og, ærligt talt, ikke engagerende nok.

Jeg indså, at der var en unik mulighed for at kombinere fremskridt i AI og video-teknologi for at ændre, hvordan vi fanger, strukturerer og deler information. Så vi satte os for at bygge DeepHow, en platform, hvor virksomheder kan skabe fantastiske træningsvideor internt og forblive i kontrol. For at realisere denne idé skabte vi et AI-system kaldet “Stephanie”. Stephanie er rygmarven i vores løsning, der fanger eksperternes viden og skaber en videnrepository. Den genererer trin-for-trin, interaktive hvordan-videor for at accelerere læringsprocessen for nye og mindre erfarne medarbejdere.

Gennem brug af AI-arbejdsproces-indexering og segmentering har vi formået at skabe videoindhold ti gange hurtigere og forbedre arbejdsstyrkens præstation med 25%.

Vi er kommet langt siden de tidlige dage, men vores mission er stadig den samme. Vi er dedikeret til at hjælpe virksomheder med at udnytte deres rigdom af institutionel viden og ekspertise og enable deres medarbejdere til at lære og vokse kontinuerligt. Det er en spændende rejse.

Hvilke udfordringer på arbejdspladsen løser DeepHow?

Vidensoverføring: På en arbejdsplads kan overføring af færdigheder og viden, især fra erfarne medarbejdere til nye eller mindre erfarne medarbejdere, være en stor udfordring. Vi har gjort det muligt at fange og strukturere denne viden på en måde, der er let at dele, opdelt i segmenter og lettere at forstå.

Trænings-effektivitet: Traditionel træning kan være kedelig, ikke? Lange timer, svært at huske information – det er ikke altid den mest effektive proces. Med DeepHow kan medarbejdere lære i deres eget tempo og på en måde, der er bedre tilpasset deres unikke læringsstil. Vores mål er at gøre træning smertefri og behagelig.

Hvordan aktiverer DeepHow virksomheder til at skabe et tilpasningsdygtigt træningsprogram?

Lad os overveje den traditionelle træningsmiljø. Du har statisk materiale, stive tidsplaner og en en-size-fits-all-tilgang. Disse metoder tager ikke hensyn til, at alle lærer på forskellig vis og i forskelligt tempo. De er ikke skalerbare eller fleksible nok til at tilpasse sig den hurtigt skiftende landskab eller medarbejdernes læringsmønster. Disse er betydelige smertepunkter for enhver virksomhed, ikke?

Det er præcis, hvor DeepHow træder ind. Vi hjælper dig med at vende disse problemer på hovedet. Vi hjælper virksomheder med at udvikle agile træningsprogrammer, der er dynamiske, personlige og højst responsive til forretningsbehov og medarbejderlæringsmønstre.

Vores platform fanger eksperternes viden i letforståelige, video-baserede læringsmoduler. Men vi stopper ikke der. Vi udnytter kraften af AI til at analysere medarbejdernes interaktioner med disse modeller, og giver dybere indsigt i, hvor dine færdigheds huller er. Det handler om at omdanne svagheder til styrker og udnytte individuelle områder af ekspertise til at fremme en kontinuerlig læringskultur.

Hvordan spiller DeepHow en rolle i at øge arbejdssikkerheden?

Sikkerhed er en så kritisk aspekt af enhver arbejdsplads, men det er ofte svært at få det rigtigt, hvilket fører til ulykkelige uheld og overtrædelser af regler. Dette er desværre sandt i brancher som fremstilling, bygge- og anlæg eller sundhedssektoren, hvor selv en lille fejl kan have betydelige konsekvenser.

Så hvor passer DeepHow ind i dette billede? Vi er passioneret om at sikre, at sikkerhedspraksis er tydeligt forstået og konsekvent implementeret overalt.

Vi gør dette ved at tilbyde en platform, hvor virksomheder kan let fange og dele eksperternes viden om sikkerhedsprotokoller. I stedet for de gamle, svært at følge med håndbøger, tilbyder vi interaktive, trin-for-trin video-vejledninger. De er ligetil, lette at forstå og vigtigst, tilgængelige når som helst, hvor som helst. Dette betyder, at medarbejdere aldrig har en undskyldning for ikke at holde sig opdateret med de seneste sikkerhedsprotokoller. Sikkerhed skal altid være en top-prioritet, og alle fortjener at føle sig sikre på arbejdet.

Hvordan bruges Generative AI til at muliggøre dette?

I hjertet af vores Generative AI-drevne know-how management-platform, “Maven”, ligger en samling innovative funktioner rettet mod at revolutionere, hvordan industri- og produktionsorganisationer fanger, administrerer og deler deres institutionelle og stamme-viden. Maven anvender proprietære algoritmer og avancerede maskinlærings-teknikker til at forenkle og forbedre en række processer:

1. Strømlinet video-SOP-skabelse: Ved hjælp af vores unikke Generative AI-algoritmer hjælper Maven med at generere video-optagelsesguider og narrationsmanuskripter automatisk. Dette faciliterer skabelsen af højkvalitets video-SOP’er med konsistens, og sætter en ny standard i branchen.
2. Effektiv arbejdsprocesoptimering: Ved at udnytte avancerede maskinlærings-teknikker giver Mavens arbejdsprocesvisualiseringstools brugerne mulighed for at forenkle komplekse opgaver, og fremme produktivitet gennem brugervenlige grænseflader og smarte anvendelser af AI.
3. Strategisk videnkortlægning: Mavens AI-algoritmer hjælper organisationer med at kortlægge kritisk viden, identificere videnhuller og afsløre væsentlige indholdsmuligheder. Dette resulterer i udviklingen af målrettede træningsmaterialer, der er unikt tilpasset behovene for en kompetent arbejdsstyrke.
4. AI-forbedret chat-funktion: Drevet af førende natur-sprogprocesalgoritmer giver Mavens AI-Chat brugerne mulighed for at få adgang til nødvendig information hurtigt og effektivt ved hjælp af naturlige sprogforespørgsler.
5. Flervalgsindholdsgenerering: I situationer, hvor en skrevet SOP ikke er tilgængelig, kan Maven analysere videoindhold og generere flervalgsindhold som trin-for-trin video-SOP’er, tekst-SOP’er og arbejdsprocesdiagrammer, og dermed strømline indholdsskabelsesprocessen.

Ved at kombinere avanceret Generative AI med de seneste videnledelsesstrategier tilbyder Maven organisationer et unikt værktøj til at udnytte deres kompetente arbejdsstyrkes potentiale, og drive kontinuerlig forbedring og innovation.

Er der andre typer maskinlæringsalgoritmer, der anvendes?

Ja, DeepHow anvender en række sofistikerede maskinlæringsalgoritmer og AI-teknikker inden for områderne for natur-sprogproces og computer-vision. Disse teknikker, både overvåget og uovervåget, understøtter vores proprietære, domænespecifikke AI-teknologi, der er trænet og optimeret til industri- og produktionssektoren. Nøgleområder for anvendelse omfatter:

1) Arbejdsprocessegmentering: Vi anvender maskinlæringsalgoritmer til at udtrække kritisk information og trin fra komplekse, ustrukturerede opgavedemonstrationer fanget i videoer. Dette giver os mulighed for at bryde komplekse procedurer ned i håndterbare, undervisningsbare trin.

2) Flervalgs-trin-indlejring: Ved at modellere en ‘aktivitets-genom’, kan vi omkonfigurere instruktion og arbejdsproces-vejledning til bedre at tilpasse specifikke operationskontekster.

3) Flervalgs-søgning: Vi anvender avancerede video-søgeteknikker til at facilitere multi-sprog, færdighedsbaseret indholdssøgning. Dette giver brugerne mulighed for at få adgang til relevant information med større effektivitet og præcision.

4) Videnkortlægning: Vi konstruerer en videnkort, der visuelt repræsenterer en organisations kernekompetencer. Dette giver virksomheder mulighed for at identificere deres videnaktiver tydeligt, og ermögiller mere effektive opskolings- og træningsstrategier.

Disse avancerede maskinlærningsteknikker, kombineret med vores fokus på industri- og produktionsydelser, giver os mulighed for at tilbyde en komplet løsning til de unikke udfordringer, som organisationer i disse sektorer står over for.

Hvad er processen for virksomheder, der ønsker at komme i gang?

Vi har designet vores platform med simpelhed for øje, så påmelding af jeres virksomhed ikke behøver at være kompleks. Faktisk har mere end 80+ enterprise- og SMB-kunder med succes deployet vores løsninger til over 400 steder i 24 lande på 6 kontinenter.

Først mødes vores teams og har en samtale om jeres virksomheds specifikke behov og udfordringer. Vi ønsker at forstå jeres mål, de træningsudfordringer, I står over for, den type færdigheder jeres arbejdsstyrke har brug for – det hele.

Derefter guider vi jer gennem processen med at fange jeres eksperternes viden. Dette kan handle om enhver proces eller færdighed, der er vigtig for jeres virksomhed. Vores team hjælper jer med at skabe disse trin-for-trin video-vejledninger ved hjælp af DeepHows intuitive værktøjer.

Vores team er der for at støtte jer på hver eneste måde, fra den første opsætning til den kontinuerlige optimering af jeres træningsprogram. Vi er her for at danne et partnerskab med jer og forbedre jeres arbejdsstyrkes færdigheder og effektivitet. Gå blot til DeepHow.com for at komme i gang.

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

I hjertet af DeepHow ligger en tydelig og overbevisende mission: vi søger at udvikle hver enkelt kompetent arbejder til at blive en ekspert. Vi stræber efter at gøre vidensoverføring og træning sammenhængende, engagerende og omkostningseffektiv, og udnytte den transformative kraft af AI. Vi tror fast på, at teknologi skal supplere menneskelige evner, ikke erstatte dem. Dette princip vejleder alt, hvad vi gør.

I vores hurtigt udviklende teknologiske landskab er denne mission mere relevant end nogensinde. Skiftet mod digital transformation og Industri 4.0 har moderniseret fremstillingen, og introduceret en række avancerede teknologier. Disse innovationer har betydeligt ændret jobkrav, og kræver, at arbejdere tilegner sig nye tekniske færdigheder for at operere, vedligeholde og optimere disse avancerede maskiner. Tempoet i ændringerne er så hurtigt, at traditionelle træningsmetoder kæmper med at følge med, og fører til en stadig vækst i færdighedshuller.

Vores mål er at imødegå denne udfordring direkte, og hjælpe arbejdere med at “bygge tilbage bedre” ved at opskole til fabrikkerne i morgen. Høje niveauer af automation betyder, at der er mindre behov for manuelt arbejde; i stedet skifter fokus til at udnytte arbejdernes ekspertise og intuition i operationen af avancerede teknologiske systemer.

Fabrikkerne er ændret betydeligt over de sidste ti år, med integrationen af robotter, cobots og analytiske teknologier, der kontinuerligt optimerer output og minimiserer spild. For at styre disse teknologier er en opskolet arbejdsstyrke afgørende.

DeepHow tilbyder en moderne træningsmetode, der ermögiller fremstillingsvirksomheder at tiltrække talent, udfylde indledende stillinger og gradvist opskole arbejdere til avancerede roller inden for fremstilling, logistik og planlægning. Med fokus på samtidig, engagerende træning hjælper vi med at ændre opfattelsen af fremstilling fra en dødende karriere til et dynamisk, teknologi-drevet felt med ubegrænsede muligheder.

Tak for det gode interview. Læsere, der ønsker at lære mere, skal besøge DeepHow.