Andrea Vattani, Mitgründer & Chief Scientist bei Spiketrap – Interview-Serie

Andrea Vattani ist der Mitgründer und Chief Scientist von Spiketrap, einem Unternehmen, das Kontextualisierung für Audience-Intelligence und Medienleistung für Kreative, Plattformen und Marken bereitstellt. Der proprietäre Clair-AI extrahiert das Signal aus dem Rauschen unstrukturierter Datensätze und bietet unvergleichliche Klarheit und Kontext, insbesondere in hochgeschwindigkeitsfähigen Online-Umgebungen.

Was hat Sie ursprünglich zur Informatik und KI hingezogen?

Es war eine Kombination aus glücklichen Umständen. Ich erschien an der Universität Rom, um den Statistics-Major-Zulassungstest zu absolvieren, und es stellte sich heraus, dass ich einen Tag zu spät war! Man riet mir, mich stattdessen für Informatik zu bewerben und ein Jahr später in die Statistik zurückzukehren. Ich ging zum Informatik-Zulassungstest (der an diesem Tag stattfand) und bestand ihn… und kehrte nie in die Statistik zurück! Mein Interesse an KI begann wirklich, als ich erkannte, wie Computer dabei helfen können, Dinge zu automatisieren, und KI ist die ultimative Automatisierungsmaschinerie. Außerdem hat mich die natürliche Sprache und ihre Verwendung immer interessiert: Ich konzentrierte mich in der Schule auf klassische Studien, indem ich Altgriechisch und Lateinisch studierte, was wahrscheinlich ähnlich ist, wie ein Computer sich fühlt, wenn er einen Textstrom erhält.

Sie haben zuvor als Senior Lead Software Engineer bei Amazon (AMZN ) Goodreads gearbeitet. Was waren einige der Projekte, an denen Sie gearbeitet haben, und was waren einige der wichtigsten Erkenntnisse aus dieser Erfahrung?

Während meiner Zeit bei Goodreads arbeitete ich an mehreren maschinellen Lernprojekten, darunter Spamdetection und Skalierung des Buchempfehlungs-Engines. Meine Erkenntnisse aus meiner Zeit dort waren das Lernen der Bedeutung von ML-Metriken, die mit den Geschäfts- und Kundenzielen übereinstimmen. Um ein Beispiel zu geben, Empfehlungs-Engines gibt es bereits seit sehr langer Zeit. Erinnern Sie sich an den “Netflix (NFLX ) -Preis”-Wettbewerb im Jahr 2009, um bessere Filmempfehlungen zu finden? Einige Erkenntnisse aus den Top-Lösungen deuteten darauf hin, dass die Wahrscheinlichkeit, einen Film anzusehen, nicht so sehr davon abhängt, ob man ihn mag oder nicht, sondern vielmehr, ob er Ihren Interessen ähnelt. Das mag für Filme funktionieren, da es sich um ein kurzes 90-minütiges Engagement handelt, aber bei Büchern ist das nicht der Fall. Die Integration der richtigen Ziele in Ihre Metriken ist entscheidend.

Ein weiteres Lernen, das ich bei Spiketrap angewendet habe, ist, KI-Teams zu bauen, die ausgerichtet sind und in die Produktstraße integriert sind, anstatt ein isoliertes Team zu sein, das nur auf Explorationen und Forschung fokussiert ist. Dies führt zu einer besseren Definition von Zielen, Zeitplänen und Verständnis der ROI. Es bevorzugt auch natürlich, dass das Team sich auf Geschwindigkeit und Praktikabilität eines Modells konzentriert, anstatt rein auf Genauigkeit zu schauen. Wenn man auf das Netflix-Beispiel zurückblickt, wurden die Modelle der Gewinnerteams nie integriert, weil sie nicht praxisnah genug waren, trotz ihrer verbesserten Genauigkeit.

Ihre Forschung wurde in zahlreichen Zeitschriften veröffentlicht. Was ist Ihrer Meinung nach die wichtigste Veröffentlichung bisher?

Während meines Promotionsstudiums hatte ich das Glück, mit mehreren Forschern aus verschiedenen Bereichen zusammenzuarbeiten, darunter maschinelles Lernen, “Big Data”, soziale Datenanalyse und Spieltheorie. Eine Veröffentlichung, die ich für ihre Einfachheit und Anwendbarkeit mag, ist “Skalierbares K-Means++” : K-Means++ ist eine allgemein verwendete unsupervisierte Clustering-Methode, um einen Datensatz in K kohärente Gruppen aufzuteilen. Es tut dies, indem es eine Gruppe nach der anderen hinzufügt, sodass es, wenn Sie viele Daten und Gruppen haben, viel zu langsam wird. In dieser Veröffentlichung zeigen wir, wie man die gleiche, wenn nicht bessere, Genauigkeit erreichen kann, indem man die Methode parallelisiert. Unsere Methodik ist extrem einfach und wurde in mehreren maschinellen Lernbibliotheken implementiert.

Könnten Sie die Entstehungsgeschichte hinter Spiketrap teilen?

Nach meiner Zeit bei Goodreads erkannten mein Co-Founder Kieran, Virgilio und ich, dass es in der Branche eine Lücke gab, wenn es um den Zugang zu erweiterten Markeninsights von Nischen-Sozialplattformen ging. Durch die Anwendung von KI-Technologien konnten wir dieses Problem auf effiziente Weise angehen.

In der heutigen Wirtschaft ist es für Unternehmen von entscheidender Bedeutung, auf ihre Kunden und ihre jeweiligen Branchen zu hören. Allerdings bleibt viel von dem, was Kunden über Marken sagen, ungehört. Millionen von Menschen äußern ihre Meinungen jeden Tag auf Plattformen wie Twitter, Reddit, Twitch und ähnlichen offen. Dies ist eine extrem wertvolle Ressource für jeden Marktforscher, vorausgesetzt, der Inhalt kann kontextualisiert werden. Das Problem ist, dass die Insights-Branche nicht mit den sich entwickelnden digitalen Verhaltensweisen und der Sprache Schritt gehalten hat.

Horchtöls sind von Schlüsselwörtern und booleschen Suchen abhängig und verpassen viel von der Konversation, die einem bestimmten Marken zugeordnet werden könnte. Währenddessen haben Marktforschungsunternehmen Schwierigkeiten, qualitative Erkenntnisse aus quantitativen und kostengesteuerten Methoden zu gewinnen.

Kurz gesagt, fehlten den Menschen die Werkzeuge, um ihre Zielgruppen im großen Maßstab zu verstehen. Verkaufszahlen und Zuschauerzahlen beantworten die Frage “Was” des Zielgruppenverhaltens, aber nicht “Warum”. Ohne Kontext ist es ein Rätspiel, Korrelation versus Kausalität zu bestimmen. Da wir diese Lücke erkannten, gruben wir in die Lösung für kontextuelles Verständnis und Spiketrap wurde geboren.

Welche maschinellen Lern-Technologien werden bei Spiketrap verwendet?

Wir verwenden eine Vielzahl von Technologien, von den üblichen Scikit-learn bis hin zu Deep-Learning-Bibliotheken wie Pytorch. Neben Bibliotheken sind die Methoden, Modelle und Datensätze, die wir verwenden, größtenteils proprietär. Wir haben gelernt, dass Standardmethoden und -modelle nur bis zu einem bestimmten Punkt führen, aber um ein Problem wirklich zu knacken, muss man wirklich seine eigene Arbeit leisten, beginnend mit den Zielen und bis hin zur Modellarchitektur und den Datensätzen. Um ein Beispiel zu geben, ist Topic-Modellierung die Aufgabe, Themen aus einer Sammlung von Texten zu extrahieren. Unser “Spiketrap Convos” bietet unseren Kunden wichtige Erkenntnisse über ihre Zielgruppe und verwendet Topic-Modellierung als eines der Signale. Die typische Methode für Topic-Modellierung ist LDA (Latent Dirichlet Allocation), aber leider ist sie zu inkonsistent und unvorhersehbar und einfach nicht leistungsstark genug. Auf der anderen Seite des Spektrums kann man versuchen, ein modernes vorgebildetes Modell wie Bert-Topics zu verwenden, das – obwohl leistungsstark und umfassend – auch sehr starr und langsam ist. NLP und Sprach-KI haben in den letzten zehn Jahren große Fortschritte gemacht, aber bestehende Modelle in Produkte umzuwandeln, ist immer noch weit von optimal und ein riskantes Unterfangen.

Könnten Sie erläutern, wie Spiketrap ein sofortiges Verständnis der Zielgruppe für Kreative, Plattformen und Marken ermöglicht?

Werber und Agenturen verwenden unsere Influencer-Bestenlisten und Marken-Affinitätstools, um Kreative zu identifizieren, deren Gemeinschaften in verschiedenen Kategorien, einschließlich Bewertungen für toxische, anstößige und sexuelle Inhalte sowie allgemeine Gemeinschafts-Marken-Sicherheit, markensicher sind.

Kreative können das Tool verwenden, um in einzelne Streams zu tauchen und zu sehen, welche Konversationen am sichersten oder unsichersten waren, welche positive Interaktion für ihre Sponsoren antrieben und wo sie ihre Moderationsbemühungen verbessern könnten.

Ein kürzlich veröffentlichtes Papier mit dem Titel “FeelsGoodMan: Inferring Semantics of Twitch Neologisms” wurde von Spiketrap veröffentlicht. Könnten Sie dieses Papier kurz beschreiben?

Die Art und Weise, wie Menschen online kommunizieren und sich ausdrücken, ist immer komplexer und schwieriger zu entschlüsseln geworden. Zuerst kamen Emoticons :-). Dann kamen Emojis. Dann Memes… und jetzt “Emotes”, eine neue Form der ikonischen Kommunikation, die auf der Twitch-Streaming-Plattform sehr beliebt geworden ist. Sie ähneln Emojis in ihrer gemischten Verwendung mit regulärem Text und stellen ähnliche Herausforderungen wie Memes dar, da sie von Benutzern generiert werden und ihre kryptische Bedeutung keinen offensichtlichen Zusammenhang mit dem tatsächlichen Bild hat. Es gibt über 8 Millionen verschiedene Emotes, von denen über 400.000 wöchentlich verwendet werden. Menschen kommunizieren dennoch effektiv mithilfe von Emotes, um Gefühle wie Freude, Langeweile, Aufregung oder Sarkasmus auszudrücken. Unser kürzlich veröffentlichtes Papier ist ein KI-Kochbuch, um die semantische Bedeutung von Emotes abzuleiten. Unser Ansatz erfordert keine manuell kuratierte Datenbank und kann sich selbst an die ständige Einführung neuer Emotes und die Evolution der Bedeutung von Emotes anpassen. Dies ist besonders wichtig, wenn ein Emote politisch oder rassisch aufgeladen wird, was wir bei extrem beliebten Emotes wie “TriHard”, “PogChamp” und “FeelsGoodMan” gesehen haben. Die dynamische Verwendung von Sprache und Bedeutungsverschiebungen stellen enorme Probleme für Moderationssysteme oder Sentiment-Analyse-Frameworks dar, daher sind wir stolz, dieses Problem auf die richtige Weise bei Spiketrap anzugehen.

Gibt es noch etwas, das Sie über Spiketrap teilen möchten?

Wenn wir in das neue Jahr blicken, arbeitet Spiketrap daran, ein neues Tool zu entwickeln und zu perfektionieren, das eine tiefere Einsicht in die Marken-Sentiment für unsere Kunden bietet. Spiketraps neues Affinitätstool bietet eine interaktive und intuitive Möglichkeit, Zielgruppen-Affinitäten über Kreative, Marken, Spiele und mehr hinweg zu identifizieren und zu quantifizieren. Für jede gegebene Abfrage generiert das Tool Affinitäts-Index-Scores, die angeben, wie gut eine gegebene Entität positiv mit einer anderen korreliert ist. Zahlreiche kontextuelle Signale machen den Score aus, einschließlich der Häufigkeit und des Sentiments verwandter Erwähnungen. Spiketraps Technologie-Stack ist einzigartig positioniert, um Affinitäten zwischen Spielen, Marken und Kreativen zu indexieren. Clair, ihre proprietäre NLP-KI, verarbeitet Millionen von öffentlich veröffentlichten Benutzer-Generierten Nachrichten jeden Tag, attribuiert ansonsten mehrdeutigen Inhalt zu Entitäten in Spiketraps umfassendem Wissensgraphen, identifiziert Themen der Konversation, bestimmt Sentiment und überwacht Sicherheit. Die Hinzufügung des neuen Affinitätstools ermöglicht es Entwicklern, Kreativen, Marken und mehr, ihre Zielgruppe und Markenwirkung besser zu verstehen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Spiketrap besuchen.