Ryan Kolln, CEO hos Appen – Intervieuserie

Da han tiltrådte Appen AI i 2018 som VP for Corporate Development, ledede han strategiske opkøb som Figure Eight og Quadrant og støttede etableringen af Kina- og Federal-afdelingerne. Før hans udnævnelse til CEO fungerede han som Chief Operating Officer, hvor han overvågede globale operationer og strategi.

Med mere end 20 års erfaring inden for teknologi og telekommunikation, hvordan har din karrierebane formet din tilgang til at lede Appen gennem den hurtigt udviklende AI-landskab?

Min karriere begyndte som telekommunikationsingeniør, hvor min rolle var at bygge og optimere netværk og involverede en enorm mængde data, analyser og innovative løsninger til at optimere netværkspræstation og brugeroplevelse.

Efter afslutning af min MBA på NYU udviklede dette sig til ledelsesroller inden for tech-strategi og fusioner og opkøb, hvor jeg fokuserede på større strategiske spørgsmål, såsom fremvoksende tendenser, investeringsmuligheder og forretningsmodeller. Denne baggrund har givet mig en dyb forståelse for både de tekniske og forretningsmæssige aspekter af fremvoksende teknologier.

Hos Appen arbejder vi ved skæringen af AI og data, og min erfaring har gjort det muligt for mig at lede virksomheden og navigere kompleksiteterne i det hurtigt udviklende AI-rum, hvor vi bevæger os gennem store udviklinger som talegenkendelse, NLP, anbefalingssystemer og nu generativ AI. Denne strategiske vision er afgørende, da AI fortsat transformerer industrier globalt.

Du har været hos Appen siden 2018 og har drevet vigtige opkøb som Figure Eight og Quadrant. Hvordan har disse strategiske træk positioneret Appen som leder inden for AI-data-tjenester, og hvad ser du som den næste store mulighed for virksomheden?

Opkøbene af Figure Eight og Quadrant var afgørende for at udvide vores AI-data-kapaciteter, især inden for områder som data-annotation og geolocation-intelligence. Figure Eights data-annotation-platform var særligt betydningsfuld. Platformen er højtilpasset, og vi har brugt den til arbejde i mange forskellige domæner. Mere nylig har vi brugt platformen til at køre de fleste af vores generative AI-dataflader.

Foruden opkøbene etablerede vi for omkring 5 år siden en operation i Kina kaldet Appen Kina. Vi er nu den største AI-data-virksomhed i Kina, med en omsætning, der er næsten dobbelt så stor som vores nærmeste konkurrenter.

Set fremad er fokus for Appen på at støtte udviklingen og adoptionen af generativ AI. Der er store vækstmuligheder i både model-byggere og virksomheder, der søger at adoptere generativ AI i deres produkter og operationer. Vi mener, vi er lige ved begyndelsen af den største AI-bølge.

Datakvalitet spiller en afgørende rolle i AI-modeludvikling. Kan du dele, hvordan Appen sikrer nøjagtigheden, mangfoldigheden og relevansen af deres datasets, især med den stigende efterspørgsel efter højkvalitets LLM-træningsdata?

Appens styrke ligger i vores evne til at skabe højkvalitetsdata konsekvent og i stor målestok. Vi arbejder tæt sammen med vores kunder for at forstå deres AI-model-mål og udvikle højkvalitetsdata til deres behov gennem en flerlaget tilgang, der kombinerer automatiserede værktøjer og menneskelig feedback. Vi har en global arbejdsstyrke på over 1 million mennesker i mere end 200 lande, hvilket giver os mulighed for at kuratere en gruppe af kvalificerede og diverse bidragydere. Gennem strenge kvalitetskontroller og feedback-løkker sikrer vi, at data er nøjagtigt, konsekvent og relevant og kan bruges til effektivt at forbedre præstationen af AI-modeller. Dette giver AI-systemer mulighed for at fungere effektivt i virkelige miljøer og kan også bruges til at forbedre robusthed og reducere bias, især for LLM’er.

Synthetisk data-generering er ved at blive mere populær, og Appens investering i Mindtech understreger jeres interesse i dette område. Kan du diskutere fordelene og ulemperne ved at bruge syntetisk eller web-skrapet data i forhold til crowdsourced data til træning af AI-modeller, og hvordan du ser syntetisk data som en supplement til den crowdsourcede data, Appen er kendt for?

Højkvalitetsdata er afgørende, men kan være dyrt og tidskrævende at producere, hvilket er hvorfor syntetisk data tiltrækker opmærksomhed. Det fungerer godt for struktureret data i traditionelle AI/ML-opgaver, især i brancher med strenge privatlivsreguleringslove som sundheds- og finanssektoren, da det undgår at bruge personlige oplysninger.

Men syntetisk data mangler ofte dybden og nuancen af virkelige data, især for komplekse generative AI-opgaver, der kræver mangfoldighed og dyb ekspertise. Det kan også fastholde fejl eller bias fra de oprindelige data. Web-skrapet data, som ofte bruges til LLM’er, præsenterer sine egne udfordringer med lavkvalitetsindhold, bias og misinformation, hvilket kræver omhyggelig kuratering.

Crowdsourcede data, som Appen specialiserer sig i, forbliver “sandheden på jorden”. Menneskelig ekspertise er afgørende for at generere den diverse og komplekse data, der er nødvendig for at forbedre AI-modelpræcision og sikre overensstemmelse med menneskelige værdier.

Vi ser syntetisk data som en supplement til vores menneskeligt annoterede data. Mens syntetisk data kan accelerere visse dele af processen, sikrer menneskeligt annoteret data, at modellerne afspejler virkelige verdens mangfoldighed. Sammen giver de en balanceret tilgang til at skabe højkvalitets træningsdata til AI.

Den EU AI-lov og andre globale reguleringslove er ved at forme de etiske standarder omkring AI-udvikling. Hvordan ser du, disse reguleringslove vil påvirke Appens operationer og den bredere AI-industri i fremtiden?

EU AI-loven og lignende globale reguleringslove vil sandsynligvis påvirke Appens operationer ved at fastsætte nye etiske standarder for AI-modeludvikling og præstation. Vi kan se ændringer i, hvordan vi håndterer data, sikrer model-retfærdighed og behandler etiske overvejelser. Dette kan føre til mere omfattende processer og potentielle justeringer i vores tilgang til modeltræning og validering.

I bredere forstand vil disse reguleringslove sandsynligvis drive industrien mod højere etiske standarder, øge overholdelsesomkostningerne og potentielt langsommere visse aspekter af innovation. Men de vil også fremme større ansvarlighed og gennemsigtighed, hvilket kan føre til mere ansvarlig og bæredygtig AI-udvikling.

Med stigende bekymring omkring bias i AI, hvordan arbejder Appen for at sikre, at de datasets, der bruges til at træne AI-modeller, er etisk kildevældede og fri for bias, især i følsomme områder som naturlig sprogbehandling og computerseende?

Vi arbejder aktivt for at reducere bias ved at fremme mangfoldighed og inklusion på tværs af vores projekter. Det er opmuntrende at se, at mange af vores kunder fokuserer på at fange bred demografi i dataindsamling og model-evalueringstasks. At have en global arbejdsstyrke, der bor i de fleste lande, giver os mulighed for at indsamle data fra en bred vifte af perspektiver og erfaringer, hvilket er særligt vigtigt i følsomme områder som naturlig sprogbehandling og computerseende.

Siden 2019 har vi formaliseret vores bedste praksis i Crowd Code of Ethics, hvilket viser vores engagement i mangfoldighed, retfærdighed og crowd-velvære. Dette inkluderer vores engagement i retfærdig løn, sikring af, at vores crowds stemme høres, og fastholdelse af strenge privatlivsbeskyttelser. Ved at opretholde disse principper sigter vi mod at levere højkvalitets, etisk kildevældede data, der understøtter ansvarlig AI-udvikling.

Som AI bliver mere integreret i brancher som bilindustri, reklame og AR/VR, hvordan positionerer Appen sig for at imødekomme den stigende efterspørgsel efter specialiseret træningsdata i disse sektorer?

I løbet af de sidste 27 år har vi leveret specialiseret træningsdata til en bred vifte af brancher og brugsområder, og vi fortsætter med at udvikle os, efterhånden som vores kunders behov udvikler sig.

Som eksempel har vi i bilindustrien arbejdet med førende bilvirksomheder og in-cabin-løsninger til at bygge in-vehicle tale-systemer. Nu hjælper vi vores kunder i nye områder som video-dataindsamling af chauffører for at hjælpe med sikkerhed ved at overvåge chauffør-forstyrrelse.

I reklame har vi hjulpet en førende global reklameplatform med at forbedre kvaliteten og nøjagtigheden af annoncer til bruger-relevans over en stor multi-årig global program med 7M+ evalueringer. Nu, da mange af platformene adopterer generative AI-løsninger, hjælper vores crowd ikke kun med at evaluere relevansen af annoncer, men også med at evaluere kvaliteten af genererede annoncer.

Vi har kunnet gøre alt dette gennem vores robuste annotation-platform, som kan tilpasses for at understøtte komplekse arbejdsprocesser og forskellige data-modalityer, herunder tekst, lyd, billeder, video og multimodal annotation. Men i sidste ende kommer vores evne til at følge med den skiftende industri ned til vores dybe ekspertise i data til AI-udvikling og stærke partnerskab med vores kunder.

Appen har været en leder i at levere højkvalitetsdata til en række AI-anvendelser. Set fremad, hvordan ser du Appens rol udvikle sig, da generativ AI og LLM’er fortsætter med at udvikle sig og påvirke globale markeder?

Generativ AI og LLM’er er ved at transformere brancher, og vi vil fortsætte med at spille en afgørende rolle i at levere højkvalitetsdata til at understøtte disse fremskridt. Når det kommer til globale markeder, vil vores evne til at indsamle data på tværs af 200 lande og 500+ sprog blive endnu mere værdifuld, og vi har en stærk historie med dette, da vi har hjulpet virksomheder som Microsoft med at lancere maskin-oversættelsesmodeller til over 110 sprog.

Da udrulningen af LLM-anvendelser vokser, ser vi en stigende efterspørgsel efter at være i overensstemmelse med menneskelige slutbrugere, herunder lokaliseringsfunktioner til at sikre, at sprog- og kulturelle nuancer behandles i forskellige globale markeder. Vi er dedikeret til at hjælpe virksomheder med at udvikle AI-systemer, der både er performante og ansvarlige, ved at sikre, at data, der bruges til at træne disse modeller, er divers, relevant og etisk kildevældede.

Appen er kendt for at drive nogle af verdens mest avancerede LLM’er. Hvad er nogle af de innovationer inden for data-annotation og -indsamling, Appen fokuserer på for at forbedre præstationen af disse modeller?

Vi er konstant innovativt med hensyn til vores data-annotation- og -indsamlingprocesser for at forbedre præstationen af LLM’er. Et område, vi fokuserer på, er at forbedre effektiviteten og nøjagtigheden af data-annotation gennem avancerede AI-assisterede værktøjer, som hjælper med at strømlinje og automatisere dele af processen, mens vi fastholder høj kvalitet.

Vi kan identificere datapunkter, der kræver yderligere menneskelig input, og sikre, at annotation-bevægelser er rettet mod, hvor de vil have størst indvirkning. Vi har integreret funktioner i vores platform som Model Mate, som kan bruges til at accelerere data-produktion og forbedre datakvalitet. Vi fokuserer også på bedste praksis i bidragsyderstyring, hvilket er vigtigt, da kompleksiteten af opgaver øges.

Evnen til at forstå bidragsyder-præstation på niveau og give feedback for at kontinuerligt forbedre kvaliteten af vores menneskeligt genererede data. Disse innovationer giver os mulighed for at levere højkvalitets-, stor-skala-data, der er nødvendig for at drive og finjustere verdens førende LLM’er.

Da du træder ind i din nye rolle som CEO, hvad er dine topprioriteter for Appen de næste få år, og hvordan planlægger du at drive virksomhedens vækst i den højkonkurrerende AI-verden?

Da jeg træder ind i rollen som CEO, er mine strategiske prioriteringer designet til at sikre Appens lederskab i den konkurrerende AI-landskab:

• At støtte udviklingen af generative AI-modeller: Over de sidste 18 måneder er generativ AI blevet en nøglekomponent i vores serviceydelser, med 28% af gruppeomsætningen kommet fra generative AI-relaterede projekter i juni 2024 i forhold til 8% i januar. Vi ser betydelig potentiale i den generative AI-marked, der ifølge industrien er ventet at nå 1,3 billioner dollars i 2032.
• At støtte adoptionen af generative AI-modeller: Vi ser vækst i nye segmenter, efterhånden som virksomheder udnytter generative AI-løsninger til deres brugsområder. Selvom procentdelen af generative AI-projekter, der når til udrulning, er lav, forventer vi, at regnskabsåret 2024/25 vil være en overgangsperiode, hvor eksperimenter går over i produktion og driver efterspørgsel efter brugerdefineret højkvalitets- og specialiseret data.
• At optimere og automatisere, hvordan vi forbereder data: Ved at udnytte AI til kvalitets sikring og automatisere visse dele af data-forberedelsesprocessen. Dette giver os mulighed for at forbedre datakvalitet, mens vi også forbedrer vores drifts-effektivitet og forbedrer vores bruttomargener.
• At udvikle oplevelsen for vores crowd-arbejdere: Vores nye CrowdGen-platform giver os mulighed for at skalerer projekter hurtigt og fleksibelt i overensstemmelse med vores kunders behov, ved at udnytte AI til automatiseret screening og projekt-matching. Dette vil også forbedre vores bidragsydernes oplevelse med personlig støtte. Appen har været en tidlig tilhænger af at fremme gennemsigtighed, mangfoldighed og retfærdighed i vores data-indsamling, og vi forbliver dedikeret til vores Crowd Code of Ethics.

Disse prioriteringer vil positionere Appen for bæredygtig vækst og innovation i det udviklende AI-landskab.

Tak for det gode interview, vi opfordrer læsere, der ønsker at lære mere, til at besøge Appen.