Sujatha Sagiraju, Chief Product Officer bei Appen – Interview-Serie

Sujatha Sagiraju ist die Chief Product Officer bei Appen, sie trat Appen im September 2021 als SVP of Product bei und ist für die Produktstrategie verantwortlich. Sie ist eine Technologiepionierin mit über 20 Jahren breiter Erfahrung im Aufbau disruptiver groß angelegter Online-Dienste und AI/ML- und Datenplattformen. Sie kam von Microsoft (MSFT ), wo sie Führungspositionen in verschiedenen Gruppen innehatte, darunter Bing und Azure AI Platform.

Appen ist der globale Marktführer im Bereich Daten für den AI-Lebenszyklus. Mit über 25 Jahren Erfahrung in der Datenbeschaffung, Datenannotation und Modellbewertung durch Menschen ermöglicht es Organisationen, die innovativsten künstlichen Intelligenz-Systeme der Welt zu starten.

Was hat Sie ursprünglich zur KI hingezogen?

Als ich bei Microsoft war, arbeitete ich in der Azure-AI-Organisation. Ich war mit der Branche, den Kunden und der AI-Transformation vertraut, die in verschiedenen Branchen stattfindet. Ich konnte aus der Sicht eines Kunden sehen, dass Trainingsdaten ein Hindernis für den Aufbau von Machine-Learning-Modellen waren, und ich sah Appen als eine Gelegenheit, dieses Problem zu lösen – das fehlende Glied, das alle Stadien des AI-Lebenszyklus verbinden könnte.

Sie sind derzeit die Chief Product Officer bei Appen, können Sie diese Position beschreiben?

Im höchsten Maße baut mein Team die Produktvision, -strategie und stimmt diese mit verschiedenen Stakeholdern innerhalb der Organisation ab, um diese effektiv umzusetzen. Auf persönlicher Ebene verbringe ich viel Zeit damit, die Branche und die Kunden zu verstehen. Da einige der größten Unternehmen wie Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ) und Boeing unsere Kunden sind, ist es wichtig, dass mein Team die Kundenzenarien und Schmerzpunkte versteht und eine Produktstrategie entwickelt, die einen Wachstumsplan liefert. Die Schaffung einer sicheren, inklusiven Kultur ist auch ein sehr wichtiger Teil meiner Rolle, da ich mich darauf konzentriere, einen Raum für unsere Mitarbeiter zu schaffen, in dem sie Ideen teilen, zusammenarbeiten und ihre Karrieren vorantreiben können.

Wie wichtig ist es für die KI-Entwicklung, diverse Teams zu fördern?

Es ist extrem wichtig für die KI-Entwicklung, diverse Teams zu haben. Es gibt verschiedene Arten, über Vielfalt nachzudenken – Geschlecht, Alter, Rasse, Perspektiven. Die Vielfalt der Perspektiven kann der wichtigste Teil sein, um sicherzustellen, dass Sie diverse Hintergründe und Erfahrungen in Ihrem Team haben. Diese Erfahrungen bringen neue und unterschiedliche Ideen, um das beste Produkt für alle Ihre Kunden zu entwickeln, die sehr vielfältig sind.

Wie schaffen Sie eine Arbeitskultur, die diese Vielfalt synergisiert?

Eine Kultur, die Vielfalt fördert, lädt Mitarbeiter ein, ihre Ideen und Perspektiven zu teilen. Ich bevorzuge es, verschiedene Kommunikationsmethoden bei Team-Meetings zu verwenden. Zum Beispiel, wenn ich in einem Team-Meeting um Feedback bitte, bitte ich die Mitarbeiter, direkt im Meeting zu sprechen oder mir eine Nachricht zu senden, nachdem sie darüber nachgedacht haben. Ich erkenne an, dass nicht jeder gerne spricht oder Feedback gibt, und ich möchte eine Kultur schaffen, in der das akzeptabel ist. Ich möchte eine sichere Umgebung schaffen, in der Menschen ihre Meinungen und Ideen teilen können, wie sie es bevorzugen. Große Ideen kommen aus allen verschiedenen Teams innerhalb der Organisation. Ich treffe mich mit den Vertriebs-, Marketing- und anderen kundenorientierten Teams, um ihre Bedürfnisse in Bezug auf das Produkt und ihre Perspektive bei der Arbeit mit Kunden zu verstehen. Einige der besten Produktideen kommen aus dem intensiven Zuhören der Schmerzpunkte der Kunden – entweder direkt von ihnen oder von Teams, die jeden Tag mit unseren Kunden interagieren.

Außerhalb der Schaffung diverser Teams, gibt es andere Möglichkeiten, um Bias in Machine-Learning-Algorithmen zu bekämpfen?

Inklusive Datenbeschaffung, Datenpräparation und Modellbewertung sind entscheidend, um Bias zu bekämpfen. Die Daten, die für die Trainingsalgorithmen verwendet werden, müssen alle potenziellen Endnutzer oder Ergebnisse umfassen. Wenn man durch die verschiedenen Stadien des AI-Lebenszyklus geht, muss jedes Stadium auf Bias überprüft werden. Verantwortungsvolle KI wird auch mit verantwortungsvoll beschafften Datensätzen aufgebaut, was bedeutet, dass die Mitwirkenden fair behandelt werden. Appen hat einen Crowd-Code-of-Ethics entwickelt, um unsere Hingabe an das Wohlergehen unseres Crowds zu zeigen.

Sie haben kürzlich einen Artikel veröffentlicht, in dem Sie eine neue Disziplin besprechen, die als Daten für den AI-Lebenszyklus bezeichnet wird. Können Sie diese bitte kurz beschreiben?

Die Daten für den AI-Lebenszyklus umfassen vier Stadien in einem kontinuierlichen Zyklus: Datenbeschaffung, Datenpräparation, Modellaufbau und -bereitstellung sowie Modellbewertung durch Menschen. Diese Stadien sind notwendig, um hochwertige Daten für den Aufbau von KI-Projekten zu liefern. Datenbeschaffung, Datenpräparation und Modellbewertung sind die arbeitsintensivsten und datenintensivsten Stadien, und wenn sie nicht gut durchgeführt werden, können sie zu Qualitätsproblemen und Verzögerungen bei der Bereitstellung führen. Appen spezialisiert sich auf diese drei Stadien und kooperiert strategisch mit Anbietern, die sich auf Modelltraining und -bereitstellung spezialisieren.

Was ist die Rolle von synthetischen Daten im Daten-Lebenszyklus für KI?

Datenbeschaffungslösungen umfassen menschlich annotierte Daten, vorkonfigurierte Datensätze und synthetische Daten. Synthetische Daten werden in schwer zu findenden Datensätzen und Anwendungsfällen eingesetzt. Inklusive Datensätze umfassen alle Anwendungsfälle und potenziellen Endnutzer eines KI-Modells, und einige erfordern synthetische Daten, um dieses Ziel zu erreichen. Die Kombination aus menschlich annotierten Daten und synthetischen Daten wird für den Erfolg des Modells entscheidend sein.

Wie groß ist das Problem des Modell-Drifts oder Overfitting im Daten-Lebenszyklus für KI?

Modell-Drift kann ein großes Problem sein und muss im vierten Stadium des AI-Lebenszyklus, der Modellbewertung durch Menschen, angegangen werden. Es ist entscheidend, dass das Modell weiterhin in der realen Welt funktioniert und dass es einer menschlichen Überprüfung unterzogen wird. Da sich Umgebungen ändern und wachsen, müssen auch die Modelle angepasst werden. Es ist wichtig, dass Praktiker ihre Modelle kontinuierlich bewerten, um zu verhindern, dass sie veraltet oder voreingenommen werden. Microsofts Bing ist ein Kunde, der die Modellbewertung nutzt, um sicherzustellen, dass die Suchergebnisse seinen Standards entsprechen und das Modell kontinuierlich bewertet wird.

Gibt es noch etwas, das Sie über Ihre Arbeit bei Appen teilen möchten?

Die wertvollste Arbeit bei Appen wird von unseren Mitarbeitern und ihrer Expertise geleistet. Mit 25 Jahren Erfahrung hat Appen eine starke Grundlage mit seinen Mitarbeitern aufgebaut. Unsere Kunden vertrauen unserer Expertise, um hochwertige Ergebnisse schnell und im großen Maßstab zu liefern. Appen ermöglicht die Transformation der KI-Industrie, indem es Lösungen bereitstellt, um die Daten für den AI-Lebenszyklus nahtlos zu verwalten.

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