Τάιλερ Γουάιτσμαν, Συνιδρυτής & Διευθυντής Τμήματος Τεχνητής Νοημοσύνης στην Speechify – Σειρά Συνεντεύξεων

Ο Τάιλερ Γουάιτσμαν είναι ο Συνιδρυτής, Διευθυντής Τμήματος Τεχνητής Νοημοσύνης & Προέδρος στην Speechify, την εφαρμογή text-to-speech số 1 στον κόσμο, με πάνω από 100.000 αξιολογήσεις 5 αστέρων. Ο Γουάιτσμαν είναι απόφοιτος του Πανεπιστημίου Στάνφορντ, όπου έλαβε πτυχίο στη μαθηματική και master στη Επιστήμη Υπολογιστών με ειδίκευση στην Τεχνητή Νοημοσύνη. Έχει επιλεγεί από το περιοδικό Inc. ως ένας από τους 50 καλύτερους επιχειρηματίες και έχει παρουσιαστεί στο Business Insider, TechCrunch, LifeHacker, CBS, μεταξύ άλλων εκδόσεων. Η έρευνά του για το master του εστιάστηκε στην τεχνητή νοημοσύνη και την σύνθεση ομιλίας, όπου η τελική του εργασία είχε τον τίτλο: «CloneBot: Προσαρμοσμένες Προβλέψεις Απάντησης σε Διαλόγους».

Ξεκινήσατε να προγραμματίζετε όταν ήταν μόνο 9 ετών, τι σας έκανε να ενδιαφερθείτε για την επιστήμη των υπολογιστών;

Ήμουν πολύ εθισμένος ως παιδί με το Dragon Ball Z και ήθελα να μάθω να κάνω animation. Μάθησα το Adobe (ADBE ) Flash και το Photoshop και έφτιαξα τις δικές μου animations του Goku σε μια σελίδα φαν που είχα φτιάξει. Λίγο μετά, άρχισα να μαθαίνω για συστήματα και αλγόριθμους και όταν έμαθα ότι μπορούσα να προγραμματίζω για να ζήσω, ήταν πολύ ενθουσιαστικό. Νόμιζα ότι ήταν απλά ένα χόμπι όπως το παιχνίδι.

Στη συνέχεια, άρχισα να κατασκευάζω εφαρμογές για iPhone όταν ήταν μόνο 12 ετών, ποιες ήταν κάποιες από αυτές τις εφαρμογές;

Μια εφαρμογή ονομάζεται Black SMS που επιτρέπει στους ανθρώπους να στέλνουν κρυπτογραφημένα μηνύματα κειμένου μεταξύ τους. Μια άλλη εφαρμογή ονομάζεται Frontback που επιτρέπει στους χρήστες να λένε.selfies και φωτογραφίες του τι υπάρχει μπροστά τους την ίδια στιγμή.

Μπορείτε να συζητήσετε την έρευνά σας στο Πανεπιστήμιο Στάνφορντ και πώς επικεντρώθηκε στην επεξεργασία φυσικής γλώσσας και σύνθεση ομιλίας;

Η έρευνά μου κάλυψε πολλές χρήσεις για δίκτυα μετασχηματισμού, συμπεριλαμβανομένων μοντέλων γεννήτριας γλώσσας για chat, ετικέτες μέρους του λόγου, πρόβλεψη στίξης και σύνθεση ομιλίας. Η βελτιστοποίηση της έξοδος των νευρωνικών δικτύων για κινητές CPU ήταν ένας πρωταρχικός στόχος και αυτό μεταφράστηκε άμεσα στις离 tuyến φωνές που είναι διαθέσιμες στο Speechify, οι οποίες λειτουργούν ακόμη και σε λειτουργία αεροπλάνου.

Μπορείτε να μοιραστείτε την ιστορία της γέννησης του Speechify;

Είμαι τυφλός σε ένα μάτι και ο αδελφός μου Κλίφ έχει δυσλεξία. Έχουμε χρησιμοποιήσει audiobooks και τεχνολογία audio text-to-speech για όσο καιρό μπορούμε να θυμόμαστε για να διαβάσουμε βιβλία όπως το Harry Potter. Όταν μεγαλώσαμε και άρχισα να χρησιμοποιούμε περισσότερη τεχνολογία, αρχίσαμε να συνειδητοποιούμε ότι υπήρχε μια ευκαιρία να κατασκευάσουμε καλύτερες εφαρμογές text-to-speech στο web και κινητά με καλύτερες φωνές χάρη στις προόδους της Τεχνητής Νοημοσύνης και μια καλύτερη εμπειρία χρήστη. Έτσι, αποφασίσαμε να το κάνουμε στην Speechify.

Ποια είναι κάποια από τα διαφορετικά τεχνολογικά χαρακτηριστικά της Τεχνητής Νοημοσύνης που χρησιμοποιούνται στο Speechify;

Έχουμε υιοθετήσει προηγμένα τεχνολογικά χαρακτηριστικά για προηγμένα αρχιτεκτονικά σχέδια— μετασχηματιστές/συσσωρευτές, μεγάλης κλίμακας προ-εκπαίδευση, κατανεμημένη εκπαίδευση, συσσώρευση gradient, αυτο-κωδικοποιημένα.latent χώροι, διάχυση, ανταγωνιστικά δίκτυα και μοντέλα γλώσσας. Χρησιμοποιούμε υποστηρικτικές τεχνικές για επεξεργασία χαρακτηριστικών που περιβάλλουν φωνητική, πίτσας και συναισθήματα, για να μοντελοποιήσουμε καλύτερα την ομιλία.

Ποια είναι κάποια από τα προβλήματα πίσω από την κατασκευή μιας εφαρμογής text-to-speech;

Ένα κλειδί πρόβλημα είναι η κατασκευή υψηλής ποιότητας φωνών που ακούγονται σαν πραγματικοί άνθρωποι και όχι ρομπότ. Ο στόχος μας είναι οι άνθρωποι να μην μπορούν να διακρίνουν τη διαφορά μεταξύ του πώς ακούγονται οι φωνές μας και του πώς ακούγονται οι άνθρωποι, ώστε οι χρήστες μας να είναι άνετοι ακούγοντας περιεχόμενο στο Speechify για μεγάλα χρονικά διαστήματα. Ένα δεύτερο πρόβλημα είναι η διανομή των μοντέλων Τεχνητής Νοημοσύνης μας σε εκατομμύρια χρήστες. Είναι ένα πράγμα να κατασκευάσουμε υψηλής ποιότητας φωνές Τεχνητής Νοημοσύνης και άλλο να βεβαιωθούμε ότι εκατομμύρια χρήστες σε όλο τον κόσμο θα μάθουν γι’ αυτές και θα τις χρησιμοποιήσουν.

Το Speechify είναι η εφαρμογή номер 1 στην κατηγορία του στο app store, τι αποδίδετε αυτή τη επιτυχία;

Πιστεύουμε ότι έχουμε κατασκευάσει τα καλύτερα προϊόντα στην αγορά για ανθρώπους που θέλουν να ακούσουν το ανάγνωσμα που χρειάζονται – είτε είναι μαθητές με εργασία, επαγγελματίες που διαβάζουν για δουλειά, είτε αναγνώστες που θέλουν να ψυχαγωγηθούν. Έχουμε την καλύτερη επιλογή φωνών, συμπεριλαμβανομένων διασημοτήτων όπως ο Snoop Dogg, και την καλύτερη διεπαφή χρήστη για τους ανθρώπους να ανεβάσουν και να αποκτήσουν πρόσβαση στο περιεχόμενο που θέλουν να καταναλώσουν. Και η εμπειρία χρήστη μας είναι ομαλή σε όλο το οικοσύστημα του Speechify – μπορείτε να αρχίσετε να ακούτε ένα άρθρο στο υπολογιστή σας και στη συνέχεια να συνεχίσετε να ακούτε στο τηλέφωνό σας.

Ποια είναι κάποια από τις μεγαλύτερες περιπτώσεις χρήσης για αυτή την εφαρμογή;

Το γεννητικό AI του Speechify λύνει πραγματικά προβλήματα για μαθητές που θέλουν να ολοκληρώσουν πολλή εργασία γρηγορότερα, πραγματικούς ανθρώπους με δυσλεξία και ADHD που έχουν δυσκολία στο διάβασμα, ηλικιωμένους με χαμηλή όραση, επαγγελματίες που θέλουν να διαβάσουν περισσότερα και να είναι πιο παραγωγικοί, συγγραφείς που θέλουν να ακούσουν το έργο τους, ακουστικούς μαθητές και πολλούς άλλους.

Τι είναι η όρασή σας για το μέλλον της Τεχνητής Νοημοσύνης;

Θέλουμε την Τεχνητή Νοημοσύνη – και συγκεκριμένα τις φωνές Τεχνητής Νοημοσύνης – να εξαλείψουν τα εμπόδια στην εκπαίδευση ανεξάρτητα από το επίπεδο εισοδήματος, τις διαφορές μάθησης, τη γεωγραφία ή τη γλώσσα. Βλέπουμε την Τεχνητή Νοημοσύνη ως ένα εργαλείο για το κοινωνικό καλό για να ανεβάσουμε την ποιότητα ζωής που μπορούν να ζήσουν οι άνθρωποι μέσω της βελτίωσης της εκπαίδευσής τους.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν Speechify.