Σουτζάθα Σαγκιράτζου, Chief Product Officer στην Appen – Σειρά Συνεντεύξεων

Η Σουτζάθα Σαγκιράτζου είναι η Chief Product Officer στην Appen, εντάχθηκε στην Appen τον Σεπτέμβριο του 2021 ως SVP of Product και είναι υπεύθυνη για την στρατηγική του προϊόντος. Είναι μια πιονέρα της τεχνολογίας με πάνω από 20 χρόνια ευρείας εμπειρίας στη δημιουργία διαruptive μεγάλης κλίμακας online υπηρεσιών και πλατφορμών AI/ML και δεδομένων. Εντάχθηκε στην Appen από τη Microsoft (MSFT ) όπου κατέλαβε ηγετικές θέσεις σε διάφορες ομάδες, συμπεριλαμβανομένων των Bing και Azure AI Platform.

Η Appen είναι ο παγκόσμιος ηγέτης στα δεδομένα για τον κύκλο ζωής του AI. Με πάνω από 25 χρόνια εμπειρίας στη πηγή δεδομένων, την αναγραφή δεδομένων και την αξιολόγηση μοντέλων από ανθρώπους, επιτρέπουν στις οργανώσεις να εκκινήσουν τα πιο καινοτόμα συστήματα τεχνητής νοημοσύνης.

Τι σας έκανε να ενδιαφερθείτε αρχικά για το AI;

Όταν ήμουν στη Microsoft, εργαζόμουν στην οργάνωση Azure AI. Ήμουν εξοικειωμένος με το τοπίο της βιομηχανίας, τους πελάτες και τη μεταμόρφωση του AI που συμβαίνει σε διάφορους κλάδους. Μπορούσα να δω από την πλευρά του πελάτη ότι τα δεδομένα εκπαίδευσης ήταν ένα εμπόδιο για την κατασκευή μοντέλων μηχανικής μάθησης και είδα την Appen ως μια ευκαιρία να λύσω αυτό το πρόβλημα – το λείπων σύνδεσμο που θα μπορούσε να συνδέσει όλα τα στάδια του κύκλου ζωής του AI.

Είστε τώρα η Chief Product Officer στην Appen, θα μπορούσατε να περιγράψετε τι περιλαμβάνει αυτή η θέση;

Στο υψηλότερο επίπεδο, η ομάδα μου δημιουργεί την οπτική, τη στρατηγική και τη συντονίζει με διάφορους διαφορετικούς ενδιαφερόμενους σε όλη την οργάνωση για την αποτελεσματική εκτέλεσή της. Σε προσωπικό επίπεδο, περνάω σημαντικό χρόνο κατανοώντας τη βιομηχανία και τους πελάτες. Με κάποιους από τους μεγαλύτερους πελάτες μας, όπως η Amazon (AMZN ), η Google (GOOGL ), η Microsoft, η Salesforce (CRM ), η Boeing, είναι σημαντικό για την ομάδα μου να κατανοήσει τις σzenaria των πελάτων και τα σημεία πόνου και να χτίσει μια στρατηγική προϊόντος που προσφέρει σχέδιο ανάπτυξης. Η δημιουργία ενός ασφαλούς, περιεκτικού πολιτισμού είναι επίσης ένα πολύ σημαντικό μέρος του ρόλου μου, καθώς επικεντρώνομαι στη δημιουργία ενός χώρου για τους υπαλλήλους μας να μοιράζονται ιδέες, να συνεργάζονται και να αναπτύσσουν τις καριέρες τους.

Πόσο σημαντικό είναι για την ανάπτυξη του AI η δημιουργία διαφορετικών ομάδων;

Είναι εξαιρετικά σημαντικό για την ανάπτυξη του AI να υπάρχουν διαφορετικές ομάδες. Υπάρχουν διάφοροι τρόποι να σκεφτεί κανείς τη διαφορετικότητα – φύλο, ηλικία, φυλή, προοπτικές. Η διαφορετικότητα των προοπτικών μπορεί να είναι το πιο σημαντικό μέρος για να βεβαιωθείτε ότι έχετε διαφορετικά υπόβαθρα και εμπειρίες στην ομάδα σας. Αυτές οι εμπειρίες φέρνουν νέες και διαφορετικές ιδέες για να χτίσετε το καλύτερο προϊόν για όλους τους πελάτες σας που είναι πολύ διαφορετικοί.

Πώς δημιουργείτε einen πολιτισμό εργασίας που συμφωνεί με αυτή τη διαφορετικότητα;

Ein πολιτισμός που προάγει τη διαφορετικότητα προσκαλεί τους υπαλλήλους να μοιράζονται τις ιδέες και τις προοπτικές τους. Μου αρέσει να σκέφτομαι διαφορετικά μέσα επικοινωνίας όταν διεξάγω συνεδρίες ομάδας. Για παράδειγμα, όταν ζητάω σχόλια σε μια συνεδρία ομάδας, ζητάω από τους υπαλλήλους να μιλήσουν trực tiếp στη συνεδρία ή να μου στείλουν ένα μήνυμα μετά από αυτό. Αναγνωρίζω ότι όχι όλοι θα ήθελαν να μιλήσουν ή να μοιράζονται σχόλια αμέσως, και θέλω να δημιουργήσω einen πολιτισμό όπου αυτό είναι αποδεκτό. Θέλω ένα ασφαλές περιβάλλον για τους ανθρώπους να εκφράζουν τις γνώμες τους και να μοιράζονται τις ιδέες τους όπως προτιμούν. Οι велиες ιδέες έρχονται από όλες τις ομάδες μέσα στην οργάνωση. Συνάντημα με τις πωλήσεις, την marketing και άλλες ομάδες που ασχολούνται με τους πελάτες για να κατανοήσω τις ανάγκες τους με το προϊόν και την προοπτική τους που εργάζονται στενά με τους πελάτες κάθε μέρα.

Εκτός από τη δημιουργία διαφορετικών ομάδων, ποιες άλλες τρόποι για την καταπολέμηση του προκατάληψης στα αλγόριθμοι μηχανικής μάθησης;

Η περιεκτική πηγή δεδομένων, η προετοιμασία δεδομένων και η αξιολόγηση μοντέλων είναι κρίσιμες για την καταπολέμηση του προκατάληψης. Τα δεδομένα που χρησιμοποιούνται για την εκπαίδευση των αλγορίθμων πρέπει να είναι περιεκτικά για όλους τους πιθανούς τελικούς χρήστες ή αποτελέσματα. Όταν μετακινούμαστε через διάφορα στάδια του κύκλου ζωής του AI, κάθε στάδιο πρέπει να ελέγχεται για προκατάληψη. Το υπεύθυνο AI είναι επίσης χτισμένο με υπεύθυνα πηγαμένα συνόλα δεδομένων, που σημαίνει ότι οι συνεισφέροντες αντιμετωπίζονται δίκαια. Η Appen χτίστηκε ένα Crowd Code of Ethics για να δείξει την αφοσίωσή μας στο कलύτερo των συνεργατών μας.

Πρόσφατα δημοσιεύσατε ένα άρθρο που συζητάει μια νέα дисциплина, που ονομάζεται Δεδομένα για τον κύκλο ζωής του AI. Θα μπορούσατε να περιγράψετε τι είναι αυτό;

Τα Δεδομένα για τον κύκλο ζωής του AI περιλαμβάνουν τέσσερα στάδια σε έναν συνεχόμενο κύκλο: πηγή δεδομένων, προετοιμασία δεδομένων, κατασκευή και ανάπτυξη μοντέλων και αξιολόγηση μοντέλων από ανθρώπους. Αυτά τα στάδια είναι απαραίτητα για την παροχή υψηλής ποιότητας δεδομένων για την κατασκευή προτζεκτ AI. Η πηγή δεδομένων, η προετοιμασία δεδομένων και η αξιολόγηση μοντέλων είναι τα πιο χρονοβόρα και δεδομένα-εντατικά και αν δεν γίνουν καλά, possono οδηγήσει σε προβλήματα ποιότητας προτζεκτ και καθυστερήσεις. Η Appen ειδικεύεται στα τρία στάδια αυτά και στρατηγικά συνεργάζεται με παρόχους που ειδικεύονται στην εκπαίδευση και ανάπτυξη μοντέλων.

Τι είναι ο ρόλος των συνθετικών δεδομένων στον κύκλο ζωής του AI;

Οι λύσεις πηγή δεδομένων περιλαμβάνουν δεδομένα που έχουν αναγραφεί από ανθρώπους, προ-ετικετεμένα συνόλα δεδομένων και συνθετικά δεδομένα. Τα συνθετικά δεδομένα χρησιμοποιούνται σε δύσκολα-να-βρεθούν συνόλα δεδομένων και περιπτώσεις χρήσης. Τα περιεκτικά συνόλα δεδομένων καλύπτουν όλες τις περιπτώσεις χρήσης και τους πιθανούς τελικούς χρήστες ενός μοντέλου AI, και κάποια απαιτούν συνθετικά δεδομένα για να φθάσουν σε αυτό το στόχο. Η συνδυασμένη χρήση ανθρωπογενών δεδομένων και συνθετικών δεδομένων θα γίνει κρίσιμη για την επιτυχία του μοντέλου.

Πόσο μεγάλο είναι το ζήτημα της μετατόπισης μοντέλου ή της υπερ-προσαρμογής με τον κύκλο ζωής του AI;

Η μετατόπιση μοντέλου μπορεί να είναι ένα μεγάλο ζήτημα και πρέπει να αντιμετωπιστεί στο τέταρτο στάδιο του κύκλου ζωής του AI, την Αξιολόγηση Μοντέλων από Ανθρώπους. Είναι κρίσιμο ότι το μοντέλο συνεχίζει να λειτουργεί στον πραγματικό κόσμο και να γνωρίζουμε ότι πρέπει να περάσει από την αξιολόγηση ανθρώπων. Όσο τα περιβάλλοντα αλλάζουν και μεγαλώνουν, τα μοντέλα πρέπει να αλλάξουν επίσης. Είναι σημαντικό ότι οι praktikoi συνεχώς αξιολογούν τα μοντέλα τους για να αποφευχθεί η παλαιότητα ή η προκατάληψη. Η Microsoft’s Bing είναι ένας πελάτης που χρησιμοποιεί την αξιολόγηση μοντέλων για να διασφαλίσει ότι τα αποτελέσματα αναζήτησης λειτουργούν σύμφωνα με τα πρότυπά τους και το μοντέλο συνεχώς αξιολογείται.

Υπάρχει κάτι άλλο που θα ήθελε να μοιραστεί σχετικά με τη δουλειά σας στην Appen;

Η πιο πολύτιμη δουλειά στην Appen είναι από τους ανθρώπους μας και την εμπειρία τους. Με 25 χρόνια εμπειρίας, η Appen έχει χτίσει μια ισχυρή βάση με τους υπαλλήλους της. Οι πελάτες μας εμπιστεύονται την εμπειρία μας για την παροχή υψηλής ποιότητας αποτελεσμάτων, γρήγορα και σε κλίμακα. Η Appen ενεργοποιεί τη μεταμόρφωση της βιομηχανίας του AI παρέχοντας λύσεις για την άρτια διαχείριση των Δεδομένων για τον κύκλο ζωής του AI.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν την Appen.