Dan O’Connell, Chief Strategy Officer bei Dialpad – Interview-Serie

Dan ist der Chief Revenue Officer bei Dialpad. Zuvor war er der CEO von TalkIQ, einem Start-up für Echtzeit-Spracherkennung und natürliche Sprachverarbeitung, das Dialpad im Mai 2018 übernommen hat. Vor TalkIQ hatte er verschiedene Führungspositionen im Vertrieb bei AdRoll und Google (GOOGL ) inne.

Dialpad ist eine künstliche Intelligenz-basierte Cloud-Kommunikationsplattform, die es einfacher und effizienter macht, mit Ihrem Team zu verbinden und zusammenzuarbeiten

Sie waren zuvor der CEO von TalkIQ, einem Start-up für Echtzeit-Spracherkennung und natürliche Sprachverarbeitung, das Dialpad im Mai 2018 übernommen hat. Was war das Geheimrezept hinter diesem Start-up, das es so erfolgreich in der Spracherkennungstechnologie gemacht hat?

Es war eine Kombination aus mehreren Faktoren: Timing, Menschen und Fokus. Automatisierte Spracherkennung (ASR) ist nicht neu, sie existiert bereits seit Jahrzehnten – viel länger, als die meisten Menschen denken. Während dieser Zeit (und insbesondere in den letzten fünf Jahren) hat die ASR-Technologie von der erhöhten Rechenleistung, der Cloud, der Verfügbarkeit von Datensätzen und der massenhaften Verbreitung von Smart-Speakern auf dem Consumer-Markt profitiert. All diese Faktoren haben zu einer Verbesserung der Genauigkeit der Transkriptionen geführt.

Darüber hinaus hatten wir das Glück, Spezialisten (wie Linguisten) mit Hackern zu kombinieren. Und wenn ich von Hackern spreche, meine ich Ingenieure, die Produkte schnell auf den Markt bringen können – sie treiben die Innovation voran und lösen Probleme schnell. Und obwohl ihre Lösungen nicht immer elegant sind, sind sie in der Regel die schnellsten und ermöglichen es uns, als Innovator an der Spitze zu gelten – was sich aus Marketing- und Vertriebsperspektive gut verkaufen lässt. Diese Geschichte spielt gut, wenn man ein Start-up aufbaut und versucht, Geld aufzubringen.

Wir hatten also Experten auf dem Gebiet, natürliche Trends auf dem Markt, ein riesiges blaues Meer, wenn es um die Anwendung der Technologie im Unternehmen geht, und ein Team mit einer Erfolgsbilanz bei der Einführung innovativer Technologien mit wiederholbaren GTM-Bewegungen.

Zuletzt haben wir einen anderen Ansatz verfolgt, um das Problem zu lösen. Traditionelle Transkriptions-Engines funktionierten wie Tonbandaufnahmen. Man nahm einen Anruf auf; man speicherte die Audio-Datei; man gab sie an die Transkriptions-Engine weiter; und nach einer Weile erhielt man die Ausgabe. Anfangs dauerte es 30 Minuten, um einen 30-minütigen Anruf zu transkribieren, so dass man über reale Verzögerungen bei der Skalierung sprach.

Wir wollten dieses Problem lösen und eine Streaming- oder Echtzeit-Transkriptions-Engine aufbauen, die keine Audio-Datei benötigt. Dies mag heute ein bisschen neu klingen, aber vor einigen Jahren gab es keine Streaming-Engine, die Echtzeit-Longform-8khz-Audio (was meine elegante Art ist, von schlechter Qualität zu sprechen, d. h. nicht Stereo-Qualität – 44khz) verarbeiten konnte. Wir wollten keine Tonbandaufnahme bauen.

Wir wollten eine Echtzeit-Engine aufbauen, um Gespräche zu verstehen und zu analysieren. Wenn wir das könnten, dann wären die Möglichkeiten endlos, weil man dann Workflows automatisieren und alle möglichen coolen Dinge tun kann, die bisher noch nicht gemacht wurden. Und großes Lob an Jim Palmer, Etienne Manderscheid, Kevin James, Noah Gaspar und viele andere für die Erstellung dieser Art von Echtzeit-Engine.

Können Sie die Übergangsphase nach der Übernahme von TalkIQ durch Dialpad im Mai 2018 besprechen?

Die Übernahmephase war tatsächlich super reibungslos. Dialpad war ein Partner von TalkIQ und unsere Produktteams waren bereits wöchentlich vor Ort bei Dialpad. Und ich hatte zuvor mit den Mitgründern Craig Walker und Brian Peterson bei Google zusammengearbeitet und war begeistert von der Aussicht, mit ihnen zusammenzuarbeiten.

Wir sahen alle die Zukunft auf die gleiche Weise, nämlich dass diese Technologien (ASR/NLP) in einer Kommunikations-/Kollaborationsplattform disruptiv für den Markt und spielverändernd für Unternehmen sein könnten. Dies ist einer der Gründe, warum wir fast sofort nach dem Abschluss der Übernahme eine Finanzierungsrunde von 50 Mio. US-Dollar unter der Führung von ICONIQ auflegten. Investoren sahen die Chance in der Zukunft dieser Technologien und des Teams, das an diesen Problemen arbeitet.

Bei TalkIQ waren wir im Grunde ein Start-up, das gleichzeitig drei verschiedene Start-ups sein wollte: Wir bauten unseren eigenen Telefoniestack, unsere eigene Spracherkennung und unsere eigene NLP-Technologie auf. Diese sind drei schwierige Probleme, die gelöst werden müssen. Dialpad hatte bereits erfolgreich die Telefoniseite geknackt, so dass die Übernahmoefferte, als sie kam, eine leichte Entscheidung war. Wir sahen Dialpad als die innovativste Geschäftskommunikationsplattform im Raum und unsere Vision für die Zukunft der Geschäftskommunikation stimmte sehr gut überein.

Welche verschiedenen maschinellen Lernalgorithmen werden bei Dialpad eingesetzt?

Unser natives Voice-Intelligence-(Vi)-Engine nutzt künstliche Intelligenz und maschinelles Lernen, um Organisationen dabei zu helfen, Verkäufe zu steigern, wettbewerbsfähige Erkenntnisse zu gewinnen, den Kundenservice zu verbessern und effizientere Online-Meetings zu ermöglichen.

Die ASR- und NLP-Technologien von TalkIQ werden verwendet, um Gespräche von Sprach- und Videotelefonaten in Echtzeit zu erfassen. Gleichzeitig ermöglicht uns unsere eigene Technologie, eingehende Gesprächsdaten zu verarbeiten und genau zu erfassen und in ein leicht lesbares Format zu transkribieren.

Das integrierte maschinelle Lernen hilft Vi, sich im Laufe der Zeit zu verbessern. Je mehr Sie Vi verwenden, desto mehr lernt es und desto besser wird es darin, Gespräche zu verarbeiten. Mit der Zeit werden die Transkripte genauer und Vi wird in der Lage sein, die feineren Nuancen der Gespräche zu verarbeiten.

Dialpad hat kürzlich einen wichtigen Meilenstein in der KI erreicht, nachdem es über eine Milliarde Minuten Sprache analysiert hat. Welche Arten von Tests wurden durchgeführt, um diese Ergebnisse zu quantifizieren?

Wir haben eine Sammlung von Testsets, die Audio und die dazugehörige Transkription enthalten, die als Grundwahrheit dessen gilt, was in der Audio gesagt wurde. Wir senden das gleiche Audio an jeden Wettbewerber und erhalten eine Transkription zurück, die wir dann mit der Grundwahrheit vergleichen. Wir berechnen die Anzahl der Fehler, um einen Genauigkeitsprozentsatz zu bestimmen. Wir haben uns seit der Übernahme von TalkIQ im April 2018 mit Google verglichen und hatten immer eine geringere Genauigkeit, bis jetzt.

Welche sind einige der wichtigsten Unterschiede zwischen Dialpads proprietärer Voice-Intelligence-(Vi)-Engine und konkurrierenden Engines?

Einer der größten Unterschiede ist, dass wir länger an dieser Technologie arbeiten als unsere Wettbewerber, was bedeutet, dass wir mehr Daten analysiert haben, um sicherzustellen, dass unsere Technologie die genaueste ist. Wir haben über eine Milliarde Minuten Sprachkommunikation analysiert und verarbeiten monatlich etwa 90 Millionen Minuten mit unserem Vi-Engine. In diesem Sinne sind wir buchstäblich Jahre vor unseren Wettbewerbern.

Ein weiterer Unterschied ist unser maßgeschneiderter und skalierbarer Ansatz für Sprachmodelle. Für jeden Kunden bauen wir eine Datenbank mit firmenspezifischen Schlüsselwörtern auf, um die Genauigkeit durch Schlüsselwort-Boosting zu erhöhen. Zum Beispiel würde unser System für einen Benutzer, der seinen Namen “Kathryn” buchstabiert und bei einem Unternehmen namens Skribbl arbeitet, die richtigen Namen richtig buchstabieren, während andere Modelle sie wahrscheinlich falsch buchstabieren würden (z. B. “Katherine” und “Scribble”).

Was sind Ihre persönlichen Ansichten zur Zukunft der natürlichen Sprachverarbeitung? Wie lange wird es dauern, bis die KI nahezu 100 % oder sogar 100 % Genauigkeit erreicht?

Perfekte Genauigkeit ist fast unerreichbar. Vielleicht werde ich eines Tages überrascht (ich hoffe es!). Ich denke, wir werden sehr, sehr nah dran kommen, aber nicht perfekt. Der Grund dafür ist, dass automatische Spracherkennung (und anschließend NLP) fast unendliche Probleme zu lösen hat: Akzente, Mikrofonproximität, Hintergrundgeräusche, Verbindungsprobleme, verschiedene Mikrofontypen, wie schnell jemand spricht, Artikulation, Kontext (Sara vs. Sarah vs. Serra), Akronyme, Umgangssprache und so weiter. Obwohl ich gerne sagen würde, dass wir es schaffen werden, denke ich, dass wir sehr nah dran kommen werden, aber die letzten Meter, oder 1-2 % in Bezug auf Genauigkeit, werden herausfordernd sein.

Das sagte, denke ich, dass es einige interessante Entwicklungen im Bereich der Lesbarkeit geben wird. Heute, wenn man eine Gesprächstranskription überprüft, kann sie wie ein Bewusstseinsstrom lesen. Wir sprechen natürlich in einer fließenden Weise, verwenden durchgängige Sätze, wiederholen Wörter, beginnen Sätze neu – wir tun all diese Dinge, die wir in einer geschriebenen Form nicht tun würden. Es gibt einige einzigartige Möglichkeiten, wenn es um die Erstellung einer lesbaren Version einer Transkription geht – einer, die Redundanzen entfernt, Punktuierung vorhersagt oder verbessert und die Transkription fein justiert oder optimiert, um sie lesbarer zu machen.

In meinem Verständnis gibt es zwei Versionen: die wörtliche Version, die so nah wie möglich an 100 % ist (durchgängige Sätze und alles), und dann gibt es eine verbesserte Version, die viel einfacher zu verdauen ist, dank Punktuierung und Optimierungen.

Und das führt uns auf den Weg, ob wir ein Gespräch auf seine bedeutendsten Teile synthetisieren können? Braucht man eine vollständige Transkription oder braucht man eine genaue Zusammenfassung, die für die Lesbarkeit formatiert ist?

Es hängt sicherlich vom Anwendungsfall ab, aber das ist es, was in diesem Bereich interessant und aufregend ist. Wir sind vielleicht im dritten Inning dessen, was möglich ist, und wir haben noch nicht einmal die Innovation von Workflows erreicht, bei denen wir NLP als “kontextbewusst” sehen werden, wie z. B. die Verwendung vorheriger Gespräche, um die Genauigkeit zu verbessern.

Je spezifischer der Kontext ist, den die Modelle lernen können, desto besser. Stellen Sie sich vor, diesen Kontext über mehrere Gespräche hinweg zu teilen und ihn kontinuierlich für ML zu adaptieren, um cleverer zu werden. Kontextbewusste Technologie ist auch wichtig, um die Genauigkeit zu verbessern, angesichts der enormen Unterschiede in der Art, wie wir kommunizieren. Was für Menschen wie feine linguistische Unterschiede erscheint, ist sehr schwer für ein ML-Modell zu duplizieren.

Welche Dienstleistungen bietet Dialpad seinen Kunden derzeit an?

Dialpad ist eine intelligentere Art zu arbeiten. Wir haben die Plattform für die heutige moderne, hybride Arbeitskraft aufgebaut – um Menschen und Teams effizienter, effektiver und engagierter von überall auf der Welt zu machen. Wir bieten ein nahtloses Geschäftserlebnis – Anrufe, Chat, Videokonferenzen und Callcenter – mit unübertroffener Qualität, Sicherheit und Zuverlässigkeit. Dialpad liefert dieses Erlebnis als eine einheitliche, cloudbasierte Plattform, die wirtschaftlich, einfach zu bereitstellen und leicht zu verwalten ist.

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

2020 war ein monumentales Jahr für das Unternehmen, was wirklich erstaunlich ist, wenn man bedenkt, was die Welt erlebt hat (und weiterhin erlebt). Wir haben unsere Belegschaft verdoppelt, 100 Mio. US-Dollar an Finanzierungsmitteln gesichert, ein Unternehmen übernommen und all dies getan, während unsere Kundenbasis exponentiell gewachsen ist.

Da die Arbeit von überall aus hier, um zu bleiben, erwarten wir, dass dieses Wachstum anhält, und wir freuen uns auf das kommende Jahr. Wir glauben, dass die Arbeit-von-überall-Bewegung den Bedarf an innovativen Technologien, die Mitarbeiter cleverer und nicht härter arbeiten lassen, erhöhen wird. Unternehmen werden auf KI setzen, um Effizienzen zu straffen, monotone Aufgaben zu eliminieren und Mitarbeiter zu ermöglichen, sich auf größere Prioritäten zu konzentrieren. Dialpad ist gut gerüstet, um diese Bedürfnisse zu erfüllen.

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