Dani Cherkassky, CEO und Mitgründer von Kardome – Interview-Serie

Dani Cherkassky, CEO und Mitgründer von Kardome, bringt über zwei Jahrzehnte Erfahrung in der Akustik, Signalverarbeitung und Algorithmusentwicklung in die Spitze der Innovationen im Bereich der Sprachtechnologie. Bevor er Kardome gründete, war er als CTO bei Silentium Ltd. tätig, wo er R&D-Kooperationen mit Unternehmen der ersten Liga und Forschungseinrichtungen leitete. Mit einem Ph.D. in Mikrofon-Array-Verarbeitung von der Bar-Ilan-Universität kombiniert Cherkassky tiefes technisches Know-how mit einer klaren Mission – die Frustrationen der modernen Sprachinteraktion zu eliminieren, indem er Technologie entwickelt, die wirklich auf Menschen hört und nicht auf den Lärm um sie herum.

Kardome ist ein Pionier im Bereich der künstlichen Intelligenz-getriebenen räumlichen Hörlösungen, die klare, personalisierte Sprachinteraktionen in jeder Umgebung ermöglichen – von Autos und Konferenzräumen bis hin zu intelligenten Häusern und öffentlichen Räumen. Die proprietäre Sprach-Clustering-Technologie trennt Stimmen basierend auf ihrer Position, sodass Geräte jeden Sprecher verstehen können, als ob er der einzige wäre, der spricht. Da die Plattform hardware-agnostisch und edge-bereit ist, verbessert Kardome die Genauigkeit der Spracherkennung, die Sicherheit und die Benutzererfahrung und ermöglicht so die nächste Generation der menschlichen Maschinenkommunikation.

Was hat Sie und Dr. Alon Slapak dazu inspiriert, Kardome zu gründen?

Die Inspiration für Kardome entstand aus einer Kombination von Faszination und Frustration. Mit unseren Hintergründen in Sprache und Audio, sowohl in der Wissenschaft als auch in der Industrie, waren wir begeistert von den Fortschritten in der Spracherkennung, insbesondere als neuronale Netze auf der Bildfläche erschienen.

In einem stillen Labor war die Technologie phänomenal. Aber sobald man in die reale Welt trat, verschwand dieser Zauber. Wir beobachteten, dass in einem lauten Auto, einem belebten Büro oder einem chaotischen Zuhause selbst fortschrittliche Systeme der Spitzenklasse kaum besser waren als die Technologie der 1990er Jahre. Dies war die große Barriere zum Fortschritt.

Die Sprache ist die natürlichste Art, mit unseren Geräten zu interagieren, der wahre Nachfolger des Touchscreens. Aber damit dies geschehen kann, muss die Technologie die Unordnung des realen Lebens überwinden. Wir haben uns entschieden, dies zu unserer Mission zu machen. Wir verbrachten ein Jahr in der Garage, um mit Schallwellen-Propagationsgleichungen zu ringen und neue Ideen zu testen, bis wir einen Durchbruch erzielten: die erste Demonstration dessen, was heute als Kardomes räumliche Hörfähigkeit bekannt ist.

In diesem Moment wussten wir, dass wir den Schlüssel gefunden hatten. Wir gründeten Kardome nicht nur, um ein Produkt zu bauen, sondern um eine Revolution in der Art und Weise zu starten, wie Menschen und Maschinen kommunizieren.

Viele Sprachassistenten haben Schwierigkeiten und verursachen oft Frustration bei den Benutzern, wenn Stimmen überlappen oder Hintergrundgeräusche die Oberhand gewinnen. Warum funktionieren herkömmliche Methoden in diesen realen Bedingungen so schlecht?

Herkömmliche Sprach-Schnittstellen funktionieren in der realen Welt schlecht, weil ihre Software auf einer übermäßig simplen Methode basiert, um Schall zu verstehen. Die meisten Systeme verwenden mehrere Mikrofone, um die Richtung des Schalls zu bestimmen, ein Ansatz, der sich nur auf den Winkel des Schalls konzentriert und andere wichtige räumliche Informationen ignoriert. Diese Methode versagt sofort in jeder realen Umgebung – wie einem Auto, einem Büro oder einem Wohnzimmer – weil diese Umgebungen mit Reverberation gefüllt sind, wo Schallwellen von jeder reflektierenden Oberfläche abprallen. Für ein System, das nur die Richtung versteht, erscheint jede dieser abprallenden Reflexionen als ein neuer Schall von einem anderen Ort.

Dies erzeugt einen desorientierenden Effekt, als ob das Gerät in einem “akustischen Spiegelkabinett” wäre, wo eine einzelne Stimme aus hunderten von Richtungen gleichzeitig zu kommen scheint. Da das System die verschiedenen Stimmen der Sprecher nicht von dem Sturm der Reflexionen unterscheiden kann, kann es den Schall nicht richtig dekodieren. Diese grundlegende Einschränkung ist genau der Grund, warum die aktuellen Sprachtechnologien eine so schlechte Wahrnehmung von Audio in realen, chaotischen Szenarien haben und letztendlich nicht zuverlässig funktionieren.

Kardomes Technologien behandeln jede Person, als ob sie die einzige sprechende Person im Raum wäre. Was ist der technische Durchbruch, der dies möglich macht, und wie unterscheidet es sich von herkömmlicher Fernfeld-Spracherkennung?

Unser technischer Durchbruch ist eine proprietäre Technologie namens räumliches Hören, die konventionelle Methoden übertrifft, die nur die Richtung eines Schalls erkennen, um stattdessen dessen genaue Position im dreidimensionalen Raum zu bestimmen. Es funktioniert, indem es das gesamte Reflexionsmuster einer Stimme in einem Raum analysiert und die komplexe Art und Weise, wie Schall von Oberflächen abprallt, als einzigartigen “akustischen Fingerabdruck” für diese spezifische Position behandelt. Unser KI-System schlussfolgert diesen Fingerabdruck für jede Schallquelle sofort und passiv und kartiert damit die Umgebung. Dieser ortsbasierte Ansatz ist grundlegend anders als konventionelle richtungsgetriebene Systeme, die leicht von den Reflexionen verwirrt werden, die wir als wertvolle Daten verwenden. Während sie eine einzelne Stimme als eine Menge von Echoen hören, verwendet unsere Technologie das gesamte Reflexionsmuster, um die tatsächliche Quelle zu bestimmen. Das praktische Ergebnis ist, dass ein Kardome-aktivierte Gerät auf eine Person in einer lauten Umgebung hören und sie hören kann, als ob sie alleine in einem stillen Raum spräche. Darüber hinaus stellt Cognition KI sicher, dass das System nicht nur die Wörter hört, sondern auch versteht, wer sie gesagt hat und was sie im Kontext bedeuten.

Es wird gesagt, dass die Sprach-KI ihr “iPhone-Moment” erlebt. Was bedeutet das aus Ihrer Perspektive, und wie nahe sind wir an einer echten Mainstream-Akzeptanz?

Für mich bedeutet der “iPhone-Moment”, dass die Sprache endlich bereit ist, die Standardmethode zu werden, mit der wir mit computergesteuerten Geräten interagieren.

Ich sehe, wie Hersteller rasch daran arbeiten, Sprach-KI-Technologien in ihre gesamten Produktlinien zu integrieren. Autos werden zu sprachgesteuerten Schnittstellen für Sicherheitsgründe. Intelligente Häuser benötigen Sprachbenutzeroberflächen, weil es nicht praktikabel ist, überall Touchscreens zu installieren. Traditionelle Elektronikgeräte fügen ebenfalls Sprachfunktionen hinzu, weil es oft schneller ist als Menüs zu navigieren. Während viele Technologien die Akzeptanz von Sprach-KI vorantreiben, wird die wahre Revolution von Robotik diktiert. Wenn Roboter in unsere Häuser und Arbeitsplätze integriert werden, wird Sprache als die einzige wirklich effektive und natürliche Schnittstelle für die Interaktion auftauchen.

Für diese nahtlose Interaktion müssen Roboter uns auf einer menschlichen Ebene verstehen. Sie müssen den Kontext und die Nuancen der natürlichen Sprache verstehen, nicht nur Schlüsselwörter. Sie benötigen ein räumliches Bewusstsein, das so präzise ist, dass es magisch erscheint – instinktiv wissen, dass Sie derjenige sind, der mit ihnen spricht, sogar in einem lauten Raum. Kritisch ist, dass diese Intelligenz auf der Edge arbeiten muss, um eine instantane, private und zuverlässige Kommunikation zu ermöglichen.

Dies ist kein inkrementeller Fortschritt; es ist ein grundlegender Wandel in der Art und Weise, wie Menschen und Maschinen interagieren werden. Wir bauen die Technologie, um diese Neufassung zu führen. Ich denke, wir sind etwa 24 Monate von dem Wendepunkt entfernt, an dem Sprache zur erwarteten Schnittstelle wird, anstatt nur ein nettes Feature zu sein.

Wie sehen Sie die Veränderung der Beziehung zwischen Verbrauchern und Sprachassistenten, sobald Genauigkeit und Zuverlässigkeit in lauten Umgebungen gelöst sind?

Wenn Zuverlässigkeit und natürliche Konversation gelöst sind, werden Sprachassistenten von einer Neuheit zu einer essentiellen Schnittstelle übergehen, auf die Menschen den ganzen Tag über angewiesen sind. Wenn Menschen wissen, dass die Sprach-KI sie richtig versteht, sogar in schwierigen Umgebungen, werden sie aufhören, die Technologie zu accommodieren, und sie instinktiv mit natürlicher Sprache und kontextuellen Gesprächen verwenden.

Die Zukunft der Sprachinteraktion wird prädiktiv und proaktiv sein. Stellen Sie sich vor, Ihr Gerät versteht nicht nur Ihre Wörter, sondern auch Ihren Ton, emotionale Hinweise und konversationellen Subtext. Aktuelle Systeme haben Schwierigkeiten mit dem natürlichen Rhythmus der Konversation und können nicht mit Unterbrechungen, abwechselndem Sprechen und kontextuellem Verständnis umgehen. Menschen passen sich an, wenn sie unterbrochen werden; Sprach-KI wird oft verwirrt. Für OEMs ist die Herausforderung, Sprach-KI zu integrieren, die diese zukünftige Schnittstelle ohne die Komplexität und Hardware-Anforderungen von heute liefern kann.

Schließlich, wie sehen Sie Kardome und das Sprach-KI-Ökosystem in fünf Jahren, und welche Meilensteine werden definieren, ob wir wirklich in das Zeitalter der sprachgesteuerten Rechnertechnik eingetreten sind?

In fünf Jahren wird die Sprach-KI so allgegenwärtig sein wie Touchscreens und Keyboards heute, und sie wird in fast jedem Rechnersystem erwartet werden. Kardome wird das Betriebssystem sein, das es Benutzern ermöglicht, ihre Geräte per Sprache zu bedienen, und ermöglicht so eine natürliche Interaktion mit jedem Gerät in jeder Umgebung, von Robotern bis hin zu intelligenten Brillen, Autos und mehr.

Die definierenden Meilensteine werden eher verhaltensbedingt als technologisch sein. Wir werden wissen, dass wir das Zeitalter der sprachgesteuerten Rechnertechnik erreicht haben, wenn Menschen aufhören, über Sprachbefehle nachzudenken, und natürliche Gespräche mit ihrer Umgebung führen, wenn multi-benutzerfähige Umgebungen nahtlos funktionieren, und wenn Kinder aufwachsen und erwarten, mit jedem Gerät auf natürliche Weise zu sprechen. Das ultimative Maß wird nicht sein, wie sophistiziert unsere Technologie wird, sondern wie natürlich Menschen mit der digitalen Welt interagieren.

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