Ο James Kaplan, Διευθύνων Σύμβουλος & Συνιδρυτής της MeetKai Metaverse – Σειρά Συνεντεύξεων

Ο James Kaplan είναι διευθύνων σύμβουλος και συνιδρυτής της MeetKai, μιας εταιρείας τεχνητής νοημοσύνης, εικονικής πραγματικότητας και αναζήτησης μέσω συνομιλίας με έδρα το Λος Άντζελες της Καλιφόρνιας. Η εταιρεία πρωτοπορεί στον ανταγωνισμό για την ομιλία με AI, με πρωτόγνωρες λειτουργίες. Η συνομιλιακή τεχνητή νοημοσύνη της κατανοεί πιο σύνθετη ομιλία και παρέχει εξατομικευμένα αποτελέσματα μέσα από φυσικές συζητήσεις για πολλά θέματα και σε διαφορετικές πραγματικότητες. Η τεχνολογία της MeetKai διατίθεται παγκοσμίως μέσω iOS, Google Play και AppGallery.

Είχατε πάθος για την τεχνητή νοημοσύνη ήδη από τα έξι σας χρόνια. Πώς γνωρίσατε για πρώτη φορά αυτή την τεχνολογία;

Η πρώτη μου επαφή με την AI ήταν μέσα από τα βιντεοπαιχνίδια. Αρχικά προσπαθούσα να καταλάβω πώς λειτουργούσε η AI στο Oregon Trail. Δεν ήταν ιδιαίτερα έξυπνη, αλλά παρέμενε μια μορφή AI. Το ενδιαφέρον μου μεγάλωσε όταν άρχισα να παίζω MMORPG. Μου άρεσαν πολύ τα διαδικτυακά παιχνίδια, αλλά μισούσα τις επαναλαμβανόμενες ενέργειες για τη συλλογή αντικειμένων. Έτσι άρχισα να γράφω bots.

Ποιες ήταν μερικές από τις πρώτες εφαρμογές AI που προγραμματίσατε;

Η συγγραφή bots για MMO ήταν η πρώτη μου ουσιαστική απόπειρα ανάπτυξης μιας συγκεκριμένης μορφής AI. Στην αρχή ήταν απλά και έμοιαζαν περισσότερο με μακροεντολές παρά με τεχνητή νοημοσύνη. Όσο μεγάλωνα και βελτιωνόταν η ανίχνευση bots στα παιχνίδια, έπρεπε να μοιάζουν ολοένα περισσότερο με πραγματικούς παίκτες. Πάντα απολάμβανα να γράφω bots. Όταν ήμουν στο σχολείο έγραψα ένα για να κερδίσω έναν διαγωνισμό της Taylor Swift, και πράγματι ήρθε να εμφανιστεί! Έγραψα επίσης το πρώτο bot για το Pokémon Go και, δυστυχώς, προκάλεσα τον αποκλεισμό πολλών χρηστών όταν έχασα το ενδιαφέρον μου για την αποφυγή της ανίχνευσης.

Ξεκινήσατε τη MeetKai το 2018, απογοητευμένος από τους τότε φωνητικούς βοηθούς AI. Γιατί οι περισσότεροι βοηθοί προσφέρουν μια υποτονική εμπειρία;

Το βασικό πρόβλημα είναι ότι εξαρτώνται υπερβολικά από εξωτερικά API για την εκτέλεση των αιτημάτων. Ακόμη και όταν ελέγχουν οι ίδιοι την εκτέλεση, όπως η Alexa στην αναζήτηση ηλεκτρονικού εμπορίου, αντιμετωπίζουν τα ίδια προβλήματα. Πώς μπορείς να περιμένεις εξυπνάδα από έναν φωνητικό βοηθό που απλώς μετατρέπει την ομιλία σε κείμενο και το βάζει σε μια μηχανή αναζήτησης κειμένου; Ξεκινήσαμε τη MeetKai με την ιδέα ότι θα μπορούσαμε να κάνουμε ένα άλμα, ελέγχοντας ολόκληρη τη διαδικασία επεξεργασίας του φωνητικού βοηθού από άκρο σε άκρο. Αναπτύξαμε μια μηχανή αναζήτησης μέσω συνομιλίας αντί για λέξεις-κλειδιά, ώστε να υποστηρίζουμε πιο σύνθετα ερωτήματα και συζητήσεις. Οι άλλοι βοηθοί μένουν σε υποτονικές εμπειρίες επειδή δεν μπορούν να χτίσουν συνομιλίες πολλών γύρων πάνω σε τέτοιους περιορισμούς. Θέλουμε να φτάσουμε εκεί, αλλά βρισκόμαστε ακόμη σε πολύ πρώιμο στάδιο επέκτασης της τεχνολογίας μας ώστε να καλύπτει τόσους τομείς όσους οι υπάρχοντες πάροχοι.

Ποιες είναι οι προκλήσεις κατανόησης και επεξεργασίας φυσικής γλώσσας για μια σύγχρονη εμπειρία φωνητικού βοηθού;

Βασική πρόκληση για την κατανόηση φυσικής γλώσσας, ή NLU, της επόμενης γενιάς είναι να ξεπεράσει τις προθέσεις και τις οντότητες. Οι περισσότερες προσεγγίσεις παραμένουν παραδοσιακές: κάθε εκφώνηση ταξινομείται σε μια πρόθεση και στη συνέχεια τα tokens της επισημαίνονται ως οντότητες με ένα μοντέλο επισήμανσης ακολουθίας. Θα μπορούσα να απαριθμήσω δεκάδες προβλήματα. Τα σημαντικότερα είναι:

1. Η ταξινόμηση πρόθεσης χωρίς συμφραζόμενα αποτυγχάνει σε μια συνομιλία πολλών γύρων. Οι περισσότερες προσεγγίσεις προσέχουν μόνο το απομαγνητοφωνημένο κείμενο, όχι ποιος είναι ο χρήστης ή τι του αρέσει, αλλά μόνο τι μόλις ρώτησε. Αυτό είναι ιδιαίτερα σημαντικό όταν λέει κάτι πολύ σύντομο. Το «cosmopolitan», για παράδειγμα, μπορεί να σημαίνει το ποτό ή το περιοδικό, ανάλογα με το άτομο.
2. Τα μοντέλα αναγνώρισης οντοτήτων δεν αποδίδουν καλά σε οτιδήποτε δεν είναι κατηγορική τιμή. Τα μεγάλα γλωσσικά μοντέλα δεν προσαρμόζονται αρκετά γρήγορα σε νέες οντότητες που συναντώνται στον πραγματικό κόσμο, επειδή δεν υπάρχουν στο σύνολο δεδομένων τους. Η AI χρειάζεται πιο εξελιγμένη αναγνώριση οντοτήτων, λαμβάνοντας υπόψη βαθύτερα συμφραζόμενα. Η τοποθεσία του χρήστη, για παράδειγμα, πρέπει να επηρεάζει σημαντικά το αν μια φράση ερμηνεύεται ως όνομα εστιατορίου ή ως κάτι άλλο.
3. Οι σχέσεις μεταξύ οντοτήτων δεν λαμβάνονται επαρκώς υπόψη. Το αγαπημένο μου παράδειγμα είναι η συχνή αποτυχία των μηχανών αναζήτησης στην άρνηση. Δοκιμάστε να ζητήσετε από άλλους φωνητικούς βοηθούς μια ταινία χωρίς ρομαντικό στοιχείο και θα καταλάβετε.

Οι περισσότεροι φωνητικοί βοηθοί απλώς μετατρέπουν την ομιλία σε κείμενο και κάνουν μια αναζήτηση Google. Πώς διαφέρει η MeetKai AI;

Η κύρια διαφορά στην αναζήτηση είναι ότι χρησιμοποιούμε ένα πολύ πλουσιότερο μοντέλο κατανόησης γλώσσας για να βρίσκουμε τα ίδια τα αντικείμενα και όχι απλώς ιστοσελίδες. Στην αναζήτηση «ταινίες του Tom Cruise χωρίς δράση», η Google ψάχνει σελίδες με τα tokens Tom Cruise, ταινίες και δράση. Η MeetKai καταλαβαίνει ότι ο Tom Cruise είναι ηθοποιός, οι ταινίες είναι η κατηγορία μέσου που ζητείται και η δράση είναι το ανεπιθύμητο είδος. Έτσι πραγματοποιούμε πολύ πιο έξυπνες αναζητήσεις.

Η MeetKai παρουσίασε πρόσφατα τον πρώτο της κόσμο VR για τον τρόπο ζωής, το MeetKai Metaverse. Τι ακριβώς είναι αυτή η εφαρμογή;

Οι περισσότερες εταιρείες του μετασύμπαντος δουλεύουν στην αλληλεπίδραση ανθρώπου με άνθρωπο. Το περιεχόμενο είναι συνήθως είτε σαν κινούμενο σχέδιο είτε απλώς βίντεο 360 μοιρών. Εμείς εστιάζουμε σε μια εντελώς διαφορετική οπτική: άνθρωπος με AI. Αναπτύσσουμε ένα μετασύμπαν όπου όλοι οι χαρακτήρες με τους οποίους αλληλεπιδράτε λειτουργούν με την προηγμένη συνομιλιακή AI μας. Εργαζόμαστε επίσης στη διαδικαστική παραγωγή του περιβάλλοντος, ώστε να φαίνεται πιο ρεαλιστικό και εμβυθιστικό από άλλες λύσεις. Οι δύο πρώτοι κόσμοι μας αφορούν τον διαλογισμό και τα μουσεία. Στον πρώτο ψηφιοποιήσαμε έναν ειδικό στο Wing Chun και δημιουργήσαμε για πρώτη φορά έναν χαρακτήρα AI που διδάσκει επαναστατικές τεχνικές διαλογισμού για χαλάρωση. Στον δεύτερο δημιουργήσαμε ένα διαρκώς αναπτυσσόμενο μουσείο τέχνης, με επιμελητή AI που απαντά σε ερωτήσεις για τα έργα και προσφέρει ξεναγήσεις.

Ποια είναι μερικά παραδείγματα χρήσης της AI σε αυτό το μετασύμπαν;

Χρησιμοποιούμε AI σε τρία σημεία:

1. Για τις συνομιλιακές δυνατότητες κάθε χαρακτήρα του μετασύμπαντός μας.
2. Για τη δυναμική δημιουργία περιεχομένου που προσφέρεται με φωνητική καθοδήγηση, όπως συνεδρίες διαλογισμού και ξεναγήσεις σε γκαλερί στις δύο πρώτες εμπειρίες μας.
3. Για τη διαδικαστική παραγωγή του τρισδιάστατου χώρου αντί της χειροκίνητης διάταξής του.

Ποιο είναι το όραμά σας για το μέλλον των φωνητικών βοηθών;

Για να έχουν μέλλον, οι φωνητικοί βοηθοί πρέπει να εξελιχθούν πολύ πέρα από ένα σύστημα εντολών. Αυτό απαιτεί βαθιά τεχνογνωσία και δυνατότητες σε πολλούς συγκεκριμένους τομείς. Πιστεύω ότι η σύνθεση διαφορετικών, εξειδικευμένων φωνητικών βοηθών θα είναι το κλειδί για έναν ευρύτερα ευφυή μετα-βοηθό. Αυτό διαφέρει ριζικά από τις προσπάθειες να γίνουν όλα ταυτόχρονα που βλέπουμε από την πρώτη εμφάνιση των φωνητικών βοηθών.

Θα θέλατε να μοιραστείτε κάτι ακόμη για τη MeetKai ή το MeetKai Metaverse;

Βρισκόμαστε ακόμη στην αρχή του οδικού χάρτη μας. Τελικός στόχος είναι να αναπαράγουμε στο μετασύμπαν οποιαδήποτε εμπειρία της πραγματικής ζωής και μετά να την ξεπεράσουμε. Θέλουμε να εξαλείψουμε τους απαγορευτικούς παράγοντες κόστους και χρόνου που περιορίζουν αυτές τις εμπειρίες στην πραγματικότητα. Το μετασύμπαν μπορεί να μας επιτρέψει να ζούμε πλουσιότερες ζωές, όχι να τις αντικαταστήσει. Παραμένουν αρκετές τεχνικές προκλήσεις, αλλά έχουμε σαφή και εφικτά ορόσημα, εφόσον το υλικό συνεχίσει να βελτιώνεται. Συνεργαζόμαστε στενά με εταίρους υλικού για να προχωρήσει γρήγορα ο χώρος της VR. Θέλουμε επίσης η εμπειρία μας να είναι προσβάσιμη και έξω από τη VR. Θα ανακοινώσουμε περισσότερα τους επόμενους μήνες.

Ευχαριστώ για την εξαιρετική συνέντευξη. Ανυπομονώ να παρακολουθήσω την πρόοδο της δικής σας εκδοχής του μετασύμπαντος. Οι αναγνώστες που θέλουν περισσότερες πληροφορίες μπορούν να επισκεφθούν τη MeetKai.