Mohammad Abu Sheikh, grundlægger og administrerende direktør for CNTXT AI – Interviewserie

Vi så overfloden af underudnyttet data i denne del af verden. Mange problemer med at skala AI op, skyldtes manglen på data-parathed – hvilket til sidst betød en manglen på AI-parathed. Derfor startede vi CNTXT AI.

Initialt løste vi de samme problemer, vi havde mødt, da vi byggede LocAI… Vi så disse udfordringer førstehånds, da vi arbejdede med AI71, TII og G42 (IIAI). Da vi hjalp disse enheder med at løse disse problemer, blev visionen klarere, og forretningen voksede bare.

Du har spillet en nøglerolle i opbygningen af den største arabiske digitale bibliotek til AI-træning. Hvad var nogle af de største udfordringer i dette, og hvordan overvandt du dem?

Kvalitet var en af de største udfordringer. En anden var den begrænsede tilgængelighed af højkvalitets-arabisk data online: Arabisk er alvorligt underrepræsenteret. Kun en lille del af arabisk-sproget indhold er blevet digitaliseret, og kun 3-5% af alt online-indhold er på arabisk. Det er næsten ingenting. Vi overvandt dette problem ved at udrulle data-mærkere, annotatorer og data-videnskabsmænd til at digitalisere, oprette og kuratere dataene selv.

CNTXT AI opererer på tværs af kultur og beregning. Hvordan balancerer du banebrydende AI-innovation med målet om at bygge kulturelt relevante løsninger til MENA-regionen?

Vi bygger kulturelt funderede modeller fra bunden og op. Fra infrastruktur til slutprodukt, er kultur indlejret fra begyndelsen – det er ikke noget, vi tilføjer senere. Vi designer, innovere og bygger med specifikke kulturer, dialekter og behov i mente fra dag én. Arabisk er ét sprog, men det bærer mange dialekter og kulturelle sammenhænge på tværs af regionen, så vi bygger lokale produkter til lokale lande. Og vi gør det ved at arbejde med lokale annotatorer, mennesker på jorden, i deres eget land.

Du har også medstiftet LocAI og leder SMPL AI-fonden. Hvordan supplerer disse virksomheder missionen for CNTXT AI?

LocAI er applikationslaget – det, som folk faktisk interagerer med. Det sidder lige oven på den data og infrastruktur, der er bygget af CNTXT AI. Det er det, der gjorde det succesfuldt: det transformerer AI-fundamentet, som CNTXT AI tilbyder, til virkelige løsninger, som folk kan bruge.

SMPL AI, på den anden side, handler om at give noget tilbage til samfundet. Det fokuserer på at investere i tidlige startups og hjælpe med at bygge det regionale AI-økosystem. Vi deler de værktøjer og lektioner, vi har lært af at bygge AI selv, så stiftere kan vokse hurtigere og undgå almindelige fælder.

Munsit er blevet kaldt den mest nøjagtige arabiske talegenkendelsesmodel i verden. Hvad drev udviklingen af denne model, og hvorfor nu?

Hvad der drev udviklingen af denne model, var simpelthen behovet.

Vi bygger altid ud fra nødvendighed. Vi kiggede på markedet og så, at landskabet var modent – regeringsagenturer og private kunder bad alle om en løsning som denne.

De eksisterende modeller var ikke opgaven. De fleste er bygget på engelsk teknologi og derefter tilpasset. De er ikke designet til arabisk fra bunden og op, og bestemt ikke til de specifikke problemer, vi løser.

Så vi besluttede at bygge vores egen. Det er arabisk først – ved design.

Forskningen bag Munsit introducerer en svagt overvåget læringstilgang. Kan du forklare, hvad det betyder, og hvorfor det var essentiel for at træne arabisk ASR i stor målestok?

Annotation er dyrt. Så vi måtte gå ud over traditionelle metoder, der afhænger af store mængder manuel transkription. Svagt overvåget læring hjalp os med at skala uden at skulle mærke hver enkelt lydfil med hånden – hvilket er særligt vigtigt for arabisk, et sprog med begrænsede data og mange forskellige dialekter.

I stedet for at bruge professionelt transkriberet lyd, startede vi med 30.000 timer af ulabelled arabisk tale. Vi byggede en annotations-pipeline, der genererer, filterer og rensker de bedste ved hjælp af automatiserede kontroller. Dette gav os en højkvalitets-15.000-timers-datasæt – alt uden menneskelig transkription.

Dette tilgangsmåde gjorde det muligt for os at træne vores model fra bunden og op, og fange rigdommen af tale-arabisk på tværs af reelle livssituationer, hurtigt og kosteffektivt. Uden denne metode ville opbygningen af et arabisk ASR-system i denne skala have taget år og millioner i manuel indsats.

Munsit overgik modeller fra OpenAI, Microsoft (MSFT ) og Meta på tværs af multiple benchmarks. Hvad siger denne præstation om fremtiden for arabisk AI-innovation?

Fremtiden for arabisk AI er i vores hænder; og det er netop, hvad denne præstation beviser. Vi kan ikke længere tillade os at afhænge af teknologier, vi ikke ejer, eller afhænge af tredjeparter, der ikke prioriterer vores region.

Munsit viser, at vi kan bygge verdensklasse-AI, fra regionen, for regionen – ved at bruge lokal talent til at løse lokale problemer. Det er et klart signal om, at den næste bølge af arabisk AI-innovation vil komme fra indenfor.

Hvordan ser du Munsit udvikle sig i fremtidige versioner, og hvad er de næste grænser for arabisk tale-AI hos CNTXT?

DU skal bare vente og se. Det, jeg kan sige, er, at vi har en frisk, ny samling af arabisk-først AI-løsninger på vej – alle drevet af Munsit og andre modeller, vi bygger på CNTXT AI. Dette er kun begyndelsen.

DU taler ofte om vigtigheden af “suveræn AI”. Hvad betyder denne term for dig, og hvorfor er det kritisk for Golfen og den bredere MENA-region?

For mig betyder suveræn AI at have fuld ejerskab og kontrol over de data, infrastruktur og modeller, der former vores fremtid. Det er kritisk, fordi vi må have vores egen skæbne, og det starter med data.

Data-suverænitet er alt. Data er værdifuld, og vi må sikre, at det forbliver i vores hænder.

Vi kan ikke tillade os at overdrage vores fremtid og sidde inaktive, mens andre bygger teknologien for os. Fremtiden for AI i denne region vil komme fra denne region. Det er netop, hvad vi arbejder på.

Hvordan ser du CNTXT AI forme AI-økosystemet i Mellemøsten over de næste fem år?

VED at aktivere sand AI-parathed. Vi går ind, forstår, hvad virksomheder og regeringer har brug for, bygger data- og AI-strategier og hjælper derefter med at bygge, teste, implementere og skala.

Hvis data er det nye olie, så er ustruktureret data olie, der ikke er raffineret – fuld af potentiale, men værdiløs, indtil den er behandlet. Det er derfor, vi har bygget CNTXT AI til at hjælpe organisationer med at rense, strukturere og aktivere deres data. For det er der, hvor den virkelige AI-transformation begynder.

Fra din synsvinkel som både iværksætter og investor, hvad ville du råde andre grundlæggere af AI-startups i udviklingslande til at gøre?

Start nu. Flyt hurtigt. Fejl hurtigt, lær hurtigere, og fortsæt med at iterere.

Det vigtigste er at bygge for virkelige problemer. Forbliv tæt på jorden – lyt til brugerne, ikke kun hypen. I udviklingslande er relevans og tilpasning nøgle.

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