Sujatha Sagiraju, Directora de Producto en Appen – Serie de Entrevistas

Sujatha Sagiraju es la Directora de Producto en Appen, se unió a Appen en septiembre de 2021 como Vicepresidenta de Producto y es responsable de la estrategia de producto. Es una pionera en tecnología con más de 20 años de experiencia en la creación de servicios en línea disruptivos y plataformas de AI/ML y datos a gran escala. Se unió a Appen desde Microsoft (MSFT ), donde ocupó puestos de liderazgo en varios grupos, incluidos Bing y Azure AI Platform.

Appen es el líder global en datos para el Ciclo de Vida de la IA. Con más de 25 años de experiencia en la obtención de datos, anotación de datos y evaluación de modelos por humanos, permiten a las organizaciones lanzar los sistemas de inteligencia artificial más innovadores del mundo.

¿Qué te atrajo inicialmente a la IA?

Cuando estaba en Microsoft, trabajé en la organización de Azure AI. Estaba familiarizada con el panorama de la industria, los clientes y la transformación de la IA que está ocurriendo en diferentes industrias. Podía ver desde la perspectiva de un cliente que los datos de entrenamiento eran un obstáculo para construir modelos de aprendizaje automático y vi a Appen como una oportunidad para resolver ese problema: el eslabón perdido que podría conectar todas las etapas del ciclo de vida de la IA.

Actualmente eres la Directora de Producto en Appen, ¿podrías describir qué implica este puesto?

En el nivel más alto, mi equipo construye la visión, la estrategia y la alinea con múltiples partes interesadas en la organización para ejecutarla de manera efectiva. En un nivel más personal, dedico mucho tiempo a comprender la industria y los clientes. Con algunas de las empresas más grandes como nuestros clientes, como Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, es importante que mi equipo comprenda los escenarios y los puntos de dolor de los clientes y construya una estrategia de producto que entregue un plan de crecimiento. Construir una cultura segura e inclusiva es también una parte muy importante de mi función, ya que me enfoco en crear un espacio para que nuestros empleados compartan ideas, colaboren y crezcan en sus carreras.

¿Cuán importante es para el desarrollo de la IA fomentar equipos diversos?

Es extremadamente importante para el desarrollo de la IA tener equipos diversos. Hay varias formas de pensar en la diversidad: género, edad, raza, perspectivas. La diversidad de perspectivas puede ser la parte más importante para asegurarse de que se tienen antecedentes y experiencias diversas en el equipo. Esas experiencias aportan nuevas y diferentes ideas para construir el mejor producto para todos los clientes, que son muy diversos.

¿Cómo creas una cultura laboral que sinergice esta diversidad?

Una cultura que promueve la diversidad invita a los empleados a compartir sus ideas y perspectivas. Me gusta considerar diferentes métodos de comunicación cuando realizo reuniones de equipo. Por ejemplo, cuando solicito retroalimentación en una reunión de equipo, pido a los empleados que hablen directamente en la reunión o me envíen un mensaje después de que hayan reflexionado sobre ello. Reconozco que no todos querrán hablar o compartir retroalimentación de inmediato, y quiero crear una cultura en la que eso sea aceptable. Quiero un entorno seguro para que las personas expresen sus opiniones y compartan sus ideas de la manera que prefieran. Las grandes ideas provienen de todos los equipos dentro de la organización. Me reúno con los equipos de ventas, marketing y otros equipos que interactúan con nuestros clientes para comprender sus necesidades con el producto y su perspectiva al trabajar estrechamente con los clientes. Algunas de las mejores ideas de producto provienen de escuchar atentamente los puntos de dolor de los clientes, ya sea directamente de ellos o de los equipos que interactúan con nuestros clientes cada día.

¿Cuáles son otras formas de luchar contra los sesgos en los algoritmos de aprendizaje automático, aparte de tener equipos diversificados?

La obtención de datos inclusivos, la preparación de datos y la evaluación de modelos son fundamentales para luchar contra los sesgos. Los datos utilizados para entrenar los algoritmos deben ser inclusivos de todos los posibles usuarios finales o resultados. Al moverse a través de las diferentes etapas del ciclo de vida de la IA, cada etapa debe ser verificada en busca de sesgos. La IA responsable también se construye con conjuntos de datos obtenidos de manera responsable, lo que significa que los contribuyentes son tratados de manera justa. Appen creó un Código de Ética para la Multitud para demostrar nuestro compromiso con el bienestar de nuestra Multitud.

Recientemente publicaste un artículo sobre una nueva disciplina llamada Datos para el Ciclo de Vida de la IA. ¿Podrías describir brevemente en qué consiste?

Los Datos para el ciclo de vida de la IA abarcan cuatro etapas en un ciclo continuo: obtención de datos, preparación de datos, creación y despliegue de modelos, y evaluación de modelos por humanos. Estas etapas son necesarias para entregar datos de alta calidad para la construcción de proyectos de IA. La obtención de datos, la preparación de datos y la evaluación de modelos son las etapas más laboriosas y intensivas en datos, y si no se realizan bien, pueden generar problemas de calidad en el proyecto y retrasos en el lanzamiento. Appen se especializa en esas tres etapas y se asocia estratégicamente con proveedores que se especializan en la capacitación y despliegue de modelos.

¿Cuál es el papel de los datos sintéticos en los Datos para el Ciclo de Vida de la IA?

Las soluciones de obtención de datos incluyen datos anotados por humanos, conjuntos de datos preetiquetados y datos sintéticos. Los datos sintéticos se utilizan en conjuntos de datos difíciles de encontrar y casos de uso. Los conjuntos de datos inclusivos abarcan todos los casos de uso y los posibles usuarios finales de un modelo de IA, y algunos requieren datos sintéticos para alcanzar ese objetivo. La combinación de datos anotados por humanos y datos sintéticos se volverá crítica para el éxito del modelo.

¿Cuán grande es el problema del desplazamiento del modelo o la sobreamplitud con los Datos para el Ciclo de Vida de la IA?

El desplazamiento del modelo puede ser un gran problema y debe abordarse en la cuarta etapa del ciclo de vida de la IA, la Evaluación de Modelos por Humanos. Es fundamental que el modelo siga funcionando en el mundo real y que sepa que debe someterse a pruebas humanas. A medida que los entornos cambian y crecen, los modelos también deben cambiar. Es importante que los practicantes evalúen continuamente sus modelos para evitar que se vuelvan obsoletos o sesgados. Microsoft’s Bing es un cliente que utiliza la evaluación de modelos para asegurarse de que los resultados de búsqueda se desempeñen según su estándar y el modelo se evalúe continuamente.

¿Hay algo más que te gustaría compartir sobre tu trabajo en Appen?

El trabajo más valioso en Appen es el de nuestra gente y su experiencia. Con 25 años de experiencia, Appen ha construido una base sólida con sus empleados. Nuestros clientes confían en nuestra experiencia para entregar resultados de alta calidad, rápidamente y a gran escala. Appen está permitiendo la transformación de la industria de la IA al proporcionar soluciones para gestionar de manera fluida los Datos para el Ciclo de Vida de la IA.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar Appen.