Phil Hall, Chief Growth Officer at LXT – Συνέντευξη Σειράς

O Chief Growth Officer της LXT, Phil Hall είναι ένας πρώην εκτελεστικός της Appen και μέλος του Forbes Technology Council. Στη θέση του στην Appen, διηύθυνε einen τομέα με περισσότερους από 1.000 υπαλλήλους και έπαιξε βασικό ρόλο στην επίτευξη 17 συνεχόμενων ετών αύξησης των εσόδων με συνεχώς ισχυρή κερδοφορία. Στη σημερινή του θέση στη LXT, εργάζεται με μια ομάδα ειδικών που έχουν επιλεγεί με προσοχή για την επίτευξη φιλόδοξων στόχων αύξησης.

LXT είναι ένας αναδυόμενος ηγέτης στα δεδομένα εκπαίδευσης AI για την ενδυνάμωση της έξυπνης τεχνολογίας για τις παγκόσμιες οργανώσεις, συμπεριλαμβανομένων των μεγαλύτερων τεχνολογικών εταιρειών στον κόσμο. Σε συνεργασία με ένα διεθνές δίκτυο συνεισφερόντων, η LXT συλλέγει και αναノτάζει δεδομένα σε πολλαπλά modality με την ταχύτητα, την κλίμακα και την ευελιξία που απαιτούνται από τις επιχειρήσεις. Έχουν μια παγκόσμια εμπειρία που εκτείνεται σε περισσότερες από 115 χώρες και 750 γλωσσικές τοποθεσίες. Ιδρυθείσα το 2010, η LXT έχει την έδρα της στο Τορόντο, Καναδάς, με παρουσία στις Ηνωμένες Πολιτείες, την Αυστραλία, την Αίγυπτο, το Ηνωμένο Βασίλειο και την Τουρκία. Η εταιρεία εξυπηρετεί πελάτες στη Βόρεια Αμερική, την Ευρώπη, την Ασία-Ειρηνικό και τη Μέση Ανατολή.

Πότε ανακάλυψα για πρώτη φορά ότι είμαι παθιασμένος με τη γλώσσα;

Έχω ενδιαφερθεί για τη γλώσσα όσο θυμάμαι, αλλά όσον αφορά την άμεση εμπλοκή μου με τη γλώσσα και τη γλωσσολογία, υπήρχε ένα σημαντικό σημείο καμπής για μένα. Καταλάβαμε πολύ sớm ότι ένα από τα παιδιά μας ήταν δυσλεξικό και όταν μιλήσαμε στο σχολείο τους για πρόσθετη υποστήριξη, μας είπαν ότι ενώ υπήρχαν προγράμματα που θα μπορούσαν να έχουν πρόσβαση, υπήρχαν επίσης πράγματα που θα μπορούσα να κάνω ως εθελοντής στο σχολείο για να βοηθήσω την κόρη μου και άλλα παιδιά. Πήγε καλά και από εκεί πήγα να σπουδάσω γλωσσολογία και βρέθηκα να διδάσκω σε δύο από τα πανεπιστήμια εδώ στη Σίδνεϋ.

Διδάξατε γλωσσολογία πριν να μεταφερθείτε στο χώρο των δεδομένων ομιλίας, τι σας ενέπνευσε να αλλάξετε τον επικεντρωμένο σας;

Η Appen με έδρα τη Σίδνεϋ ήταν ακριβώς στην quá trình μετάβασης από ένα operation που λειτουργούσε από ένα δωμάτιο σε ένα σπίτι σε μια πλήρως εμπορική λειτουργία. Μου είπαν ότι αναζητούσαν γλωσσολόγους (ίσως πιο ακριβώς, έναν γλωσσολόγο!) και μου giới thiệuθηκαν οι ιδρυτές Julie και Chris Vonwiller. Η μετάβαση ήταν σταδιακή και διάρκεσε περίπου δύο χρόνια. Ήμουν διστακτικός να εγκαταλείψω τη διδασκαλία – να εργαζόμαστε με υψηλού επιπέδου φοιτητές ήταν και εμπνευστικό και πολύ διασκεδαστικό. Αλλά ιδιαίτερα κατά τη διάρκεια εκείνων των πιονιέρων ετών, λύνω δύσκολα προβλήματα μαζί με τους ηγέτες της γλωσσικής τεχνολογίας και τα επίπεδα ενθουσιασμού ήταν υψηλά. Πολλά από αυτά που θεωρούνται αυτονόητα σήμερα, ήταν πολύ δύσκολα εκείνη την εποχή.

Βγήκατε από τη συνταξιοδότηση για να ενταχθείτε στη LXT. Τι σας мотίβισε να το κάνετε αυτό;

Αυτό είναι ένα ενδιαφέρον ερώτημα, καθώς απολάμβανα πραγματικά τον εαυτό μου στη συνταξιοδότηση. Στην πραγματικότητα, ο συνιδρυτής και CEO μας Mohammad Omar με approached μήνες πριν από την αρχική του ερώτηση, καθώς ζούσα μια χαλαρή ζωή και δεν είχα σκεφτεί πραγματικά να επιστρέψω στην πλήρη απασχόληση. Μετά τη συμφωνία να κάνουμε την πρώτη κλήση όπου ο Mo ρώτησε για τη δυνατότητα να ενταχθώ στη LXT, περίμενα να ακούσω πολιτικά και να αρνηθώ.

Αλλά στο τέλος, η ευκαιρία ήταν απλά πολύ καλή για να αντισταθώ.

Καθώς μιλούσα με τον Mohammad και άλλα μέλη της ομάδας της LXT, αναγνώρισα αμέσως μια κοινή страсть για τη γλώσσα. Η ομάδα που είχε συναθροίσει ο Mohammad ήταν γεμάτη με δημιουργικούς σκέπτες με απεριόριστη ενέργεια που ήταν πλήρως αφοσιωμένοι στην αποστολή της εταιρείας.

Καθώς έμαθα περισσότερα για την ευκαιρία με τη LXT, κατάλαβα ότι ήταν μια ευκαιρία που δεν ήθελα να χάσω. Εδώ ήταν μια εταιρεία με τεράστια δυνατότητα να επεκταθεί και να αναπτυχθεί σε ένα χώρο που είμαι παθιασμένος. Και καθώς η αγορά για τα AI συνεχίζει να αυξάνεται εκθετικά, η ευκαιρία να βοηθήσουμε περισσότερες οργανώσεις να μεταβούν από την πειραματική στη παραγωγή είναι ένα ενθουσιαστικό που είμαι πολύ ευτυχισμένος να είμαι μέρος του.

Τι είναι κάποια από τα τρέχοντα προβλήματα πίσω από την απόκτηση δεδομένων σε κλίμακα;

Τα προβλήματα είναι τόσο ποικίλα όσο και οι εφαρμογές που τα οδηγούν.

Από μια πρακτική προοπτική, τα προβλήματα περιλαμβάνουν αυθεντικότητα, αξιοπιστία, ακρίβεια, ασφάλεια και την εγγύηση ότι τα δεδομένα είναι κατάλληλα για τον σκοπό – και αυτό είναι χωρίς να ληφθούν υπόψη τα αυξανόμενα νομικά και ηθικά προβλήματα που είναι εγγενή στην απόκτηση δεδομένων.

Για παράδειγμα, η ανάπτυξη τεχνολογίας για την υποστήριξη των αυτόνομων οχημάτων απαιτεί τη συλλογή極 बडων όγκων δεδομένων σε πολλαπλά σενάρια, ώστε το αυτοκίνητο να κατανοήσει πώς να ανταποκριθεί σε πραγματικές καταστάσεις. Υπάρχουν άπειρες πιθανές περιπτώσεις που μπορείτε να συναντήσετε ενώ οδηγείτε, οπότε τα αλγόριθμοι που τροφοδοτούν αυτά τα οχήματα χρειάζονται datasets που καλύπτουν τα πάντα, από δρόμους μέχρι σήματα στάσης μέχρι αντικείμενα που πέφτουν. Και αν πολλαπλασιάσετε αυτό με τον αριθμό των καιρικών συμβάντων που μπορεί να συμβούν, ο όγκος των δεδομένων που απαιτούνται αυξάνεται εκθετικά. Οι αυτοκινητοβιομηχανίες που εισέρχονται στον αυτόνομο χώρο χρειάζονται να καθιερώσουν một αξιόπιστο pipeline δεδομένων, και να το κάνουν αυτό μόνοι τους θα χρειαζόταν τεράστιους πόρους.

Ένα άλλο σενάριο είναι η επέκταση ενός υπάρχοντος προϊόντος φωνητικής AI σε νέες αγορές για την κατοχή μεριδίου αγοράς και νέων πελατών. Αυτό απαιτεί απαραίτητα δεδομένα γλώσσας, και για να επιτύχει ακρίβεια, είναι κρίσιμο να πηγήσει δεδομένα ομιλίας από φυσικούς ομιλητές σε ποικίλους δημογραφικούς προφίλ. Μόλις συλλεχθούν τα δεδομένα, τα αρχεία ομιλίας πρέπει να μεταγραφούν για να εκπαιδεύσουν τους αλγόριθμους NLP του προϊόντος. Να το κάνετε αυτό για πολλές γλώσσες και στους όγκους δεδομένων που απαιτούνται για να είναι αποτελεσματικά είναι εξαιρετικά δύσκολο για τις εταιρείες να το κάνουν μόνοι τους, ιδιαίτερα αν δεν έχουν την εσωτερική εμπειρία σε αυτόν τον τομέα.

Αυτά είναι μόνο δύο παραδείγματα των πολλών προβλημάτων που υπάρχουν με τη συλλογή δεδομένων για τα AI σε κλίμακα, αλλά όπως μπορείτε να φανταστείτε, η αυτοματοποίηση του σπιτιού, τα δεδομένα κινητών συσκευών και τα βιομετρικά δεδομένα συλλογής έχουν επίσης τα δικά τους συγκεκριμένα προβλήματα.

Τι είναι τα τρέχοντα τρόποι με τους οποίους η LXT πηγαίνει και αναノτάζει δεδομένα;

Στη LXT, συλλέγουμε και αναノτάζουμε δεδομένα διαφορετικά για κάθε πελάτη, καθώς όλες οι ενεργειές μας είναι προσαρμοσμένες για να ικανοποιήσουν τις προδιαγραφές των πελατών μας. Εργαζόμαστε σε ποικιλία τύπων δεδομένων, συμπεριλαμβανομένων ήχου, εικόνας, ομιλίας, κειμένου και βίντεο. Για τις συλλογές δεδομένων, εργαζόμαστε με ένα παγκόσμιο δίκτυο συμβατών για να συλλέξουμε δεδομένα σε αυτές τις διαφορετικές modalities. Οι συλλογές peuvent να κυμαίνονται από την απόκτηση δεδομένων σε πραγματικές συνθήκες, όπως σπίτια, γραφεία ή μέσα σε αυτοκίνητο, μέχρι στο στούντιο με έμπειρους μηχανικούς στην περίπτωση ορισμένων έργων συλλογής δεδομένων ομιλίας.

Οι ικανότητές μας σε δεδομένα annotation επίσης εκτείνονται σε πολλαπλά modality. Η εμπειρία μας ξεκίνησε στο χώρο της ομιλίας και τα τελευταία 12 χρόνια abbiamo expandido σε περισσότερες από 115 χώρες και περισσότερες από 750 γλωσσικές τοποθεσίες. Αυτό σημαίνει ότι εταιρείες όλων των μεγεθών μπορούν να βασιστούν στη LXT για να βοηθήσουν στην διείσδυση σε μια ευρεία γκάμα αγορών και να κατακτήσουν νέους τομείς πελατών. Πρόσφατα abbiamo expandido σε δεδομένα κειμένου, εικόνας και βίντεο, και η εσωτερική μας πλατφόρμα χρησιμοποιείται για να παραδώσει υψηλής ποιότητας δεδομένα στους πελάτες μας.

Ένα άλλο ενθουσιαστικό τομέα αύξησης για μας έχει sido η ασφαλής annotation εργασία. Μόνο φέτος expandido την ασφαλή εγκατάσταση ISO 27001 από δύο σε πέντε τοποθεσίες παγκοσμίως. Έχουμε τώρα αναπτύξει ένα playbook που μας ermögνίζει να καθιερώσουμε νέες εγκαταστάσεις σε λίγους μήνες. Οι υπηρεσίες στις οποίες εστιάζουμε σε αυτές τις ασφαλείς εγκαταστάσεις είναι目前 speech δεδομένα annotation και μεταγραφή, αλλά μπορούν να χρησιμοποιηθούν για annotation σε πολλά δεδομένα τύπους.

Γιατί είναι η πηγή δεδομένων με αυτόν τον τρόπο μια ανώτερη εναλλακτική λύση στη συνθετική δεδομένα;

Η συνθετική δεδομένα είναι μια ενθουσιαστική εξέλιξη στον τομέα της AI και είναι κατάλληλη για συγκεκριμένες περιπτώσεις, ιδιαίτερα για τις περιπτώσεις που είναι δύσκολο να συλλεχθούν στον πραγματικό κόσμο. Η χρήση της συνθετικής δεδομένων είναι σε αύξηση, ιδιαίτερα στις πρώτες φάσεις της ωριμότητας της AI, καθώς οι εταιρείες είναι ακόμη σε πειραματικό режим. Ωστόσο, η δική μας έρευνα δείχνει ότι καθώς οι οργανώσεις ωριμάζουν τις στρατηγικές τους AI και推 more μοντέλα στην παραγωγή, είναι πολύ πιο πιθανό να χρησιμοποιούν επιβλεπόμενες ή ημι-επιβλεπόμενες μεθόδους μηχανικής μάθησης που βασίζονται σε δεδομένα που έχουν αναノτάζονται από ανθρώπους.

Οι άνθρωποι είναι απλά καλύτεροι από τους υπολογιστές στην κατανόηση των νюανς για να δημιουργήσουν τα δεδομένα που χρειάζονται για να εκπαιδεύσουν τα μοντέλα ML να εκτελέσουν με υψηλή ακρίβεια, και η ανθρώπινη επιτήρηση είναι επίσης κρίσιμη για να μειώσει την προκατάληψη.

Γιατί είναι αυτά τα δεδομένα τόσο σημαντικά για την ομιλία και την επεξεργασία φυσικής γλώσσας;

Για τα αλγόριθμοι ομιλίας και φυσικής γλώσσας να λειτουργήσουν αποτελεσματικά στις προοριζόμενες αγορές, χρειάζονται να εκπαιδευτούν με μεγάλα όγκους δεδομένων που προέρχονται από φυσικούς ομιλητές που έχουν τον πολιτιστικό контέκστ της τελικής χρήσης. Χωρίς αυτά τα δεδομένα, η υιοθέτηση της φωνητικής AI θα έχει σοβαρές περιορισμοί.

Επιπλέον, το περιβάλλον πρέπει να ληφθεί υπόψη κατά τη συλλογή δεδομένων ομιλίας. Αν η λύση φωνητικής AI που εκπαιδεύεται θα χρησιμοποιηθεί σε ένα αυτοκίνητο, για παράδειγμα, υπάρχουν διαφορετικές οδικές και καιρικές συνθήκες που επηρεάζουν την ομιλία και πρέπει να ληφθούν υπόψη. Αυτά είναι σύνθετα σενάρια όπου ένας έμπειρος συνεργάτης δεδομένων μπορεί να βοηθήσει.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστείτε σχετικά με τη LXT;

Πρώτα, θέλω να ευχαριστήσω για την ευκαιρία να μοιραστούμε την ιστορία μας! Θα ήθελα να τονίσω ότι η εταιρεία μας είναι αφοσιωμένη στην βοήθεια των οργανισμών όλων των μεγεθών να επιτύχουν με τις πρωτοβουλίες τους AI. Chúng tôi abbiamo επικεντρωθεί στην παράδοση των προσαρμοσμένων δεδομένων AI σε εταιρείες σε όλο τον κόσμο για πάνω από 12 χρόνια και θα ήταν ευτυχισμένοι να συνδεθούν με οποιονδήποτε που αναζητά να δημιουργήσει ένα αξιόπιστο pipeline δεδομένων για να υποστηρίξει τα έργα τους AI. Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν LXT.