Alexander Hudek, Kira Systemsin perustaja ja CTO – Haastattelusarja

Alex Hudek on Kira Systemsin perustaja ja CTO. Hänellä on filosofian tohtorin ja maisterin tutkinto tietojenkäsittelytieteestä Waterloo-yliopistosta, ja hänellä on myös fysiikan ja tietojenkäsittelytieteiden tutkinto Toronton yliopistosta.

Aiemmassa tutkimuksessaan bioinformaatiikan alalla hän keskittyi DNA-sequenssien välisen samankaltaisuuden etsimiseen. Hän on myös työskennellyt todistusjärjestelmiin ja tietokantakyselyiden kääntämiseen liittyvissä aiheissa.

Milloin sinusta tuli kiinnostunut koneoppimisesta ja tekoälystä?

Olen aina ollut kiinnostunut tietojenkäsittelytieteestä. Opiskellessani perustutkintoa otin kursseja suunnittelualgoritmeista, logiikasta, koneoppimisesta ja tekoälystä, numeerisesta laskennasta ja muista aiheista. Kiinnostukseni koneoppimista kohtaan kasvoi erityisesti tohtorintutkinnon aikana Waterloo-yliopistossa. Siellä käytin koneoppimismenetelmiä DNA:n tutkimiseen. Sen jälkeen syventyin formaalisiin logiikoihin postdoc-tutkijana. Logiikka ja päättely on jollain tavoin toinen puoli tekoälylähestymistapojen kolikossa, ja halusin tietää enemmän siitä.

Jotkut aiemmat tutkimuksesi bioinformaatiikan alalla keskittyivät DNA-sequenssien välisen samankaltaisuuden etsimiseen. Voitko kertoa tästä työstä?

Väitöskirjani pääasiallinen osa käsitteli realistisemman DNA-mutaatiomallin kehittämistä käyttäen piilotettuja Markov-malleja. Käytin tätä monimutkaisempaa mallia uudessa algoritmissa, joka oli suunniteltu löytämään alueita DNA:sta, jotka jakavat yhteistä alkuperää muiden lajien kanssa. Erityisesti tämä uusi algoritmi pystyy löytämään paljon heikommin sukua olevia sequenssejä kuin aiemmat algoritmit tehtävään.

Ennen tohtorintutkintoani työskentelin tutkimuslaboratoriossa, joka kuului ihmisen genomi-projektiin. Yksi merkittävimmistä projekteista, johon osallistuin, oli ihmisen kromosomin 7 ensimmäinen valmis luonnos.

Mikä oli Kira-idean alkuperä?

Kira-idea tuli yhteisöstäni, Noah Waisbergilta. Hän oli viettänyt uransa aikana tunteja sellaisessa työssä, jota olemme nyt rakentaneet tekoälylle. Se oli minusta mielenkiintoinen idea, koska se liittyi luonnolliseen kieleen, ja ongelma oli hyvin rajattu, ja näin liiketoimintamahdollisuuden. On jotain viehättävää siinä, että rakennetaan tekoälyä, joka voi ymmärtää ihmisten kieltä, koska kieli on niin läheisesti kytköksissä ihmisen kognitioon.

Voitko kuvata, mitä sopimusanalyysiohjelmisto on ja miten se hyödyttää lakimiehiä?

Kira käyttää valvottua koneoppimista, mikä tarkoittaa, että kokenut lakimies syöttää sopimuksen määräyksiä järjestelmään, joka on suunniteltu oppimaan näistä esimerkeistä. Järjestelmä tutkii tätä dataa, oppii, mikä kieli on relevanttia, ja rakentaa todennäköisyysmalleja. Nämä mallit testataan sitten joukolla annotoituja sopimuksia, joita järjestelmä ei tunne, jotta voidaan määrittää sen valmius. Tämä erittäin tarkin tekoälytekniikka voi tunnistaa ja analysoida lähes minkä tahansa määräyksen missä tahansa sopimuksessa, mikä johtaa asiakkaan ilmoittamiin aikasäästöihin 20-90%. Tämä lisääntyneen tuottavuuden auttaa lakitoimistoja lisäämällä heidän realisaatiokurssejaan, antaen heille enemmän mahdollisuuksia kasvattaa liikevaihtoaan ja säilyttää nykyisiä asiakkaitaan. Yrityksille se johtaa parempaan tuottavuuteen taloudessa vähentämällä ulkoista oikeudellista kulutusta.

Luonnollisen kielen prosessointi (NLP) on vaikeaa useille yrityksille. Voitko keskustella joistakin lisähaasteista, joita lakiterminologian ja muiden oikeudenalan ominaispiirteiden prosessoinnissa esiintyy?

Monille ihmisille oikeuden kieli voi tuntua hyvin vierailta, mutta se osoittautuu, että koneoppimisen näkökulmasta se ei olekaan niin erilainen. On muutamia erityisiä asioita; isot kirjaimet ovat tärkeämpiä, ja lauseet voivat olla paljon pidempiä kuin normaali, mutta yleensä emme ole tarvinneet merkittävästi erilaisia NLP-lähestymistapoja kuin muilla aloilla.

Toinen merkittävästi erilainen asia on tarve datan yksityisyydelle ja mukautettavuudelle. Lakimiehet ovat velvollisia pitämään asiakastietoja luottamuksellisina, ja käyttämällä niitä koneoppimistuotteessa, joka jakaa tai jakaa koulutusdataa, on ristiriidassa näiden vaatimusten kanssa. Itse asiassa edes koulutusdatan säilyttäminen usein ei ole mahdollista, koska heillä on velvollisuus poistaa asiakastiedot projektin päättymisen jälkeen. Siksi on kriittistä pystyä kouluttamaan malleja ilman toimittajia ketjussa, ja koneoppimismenetelmiä, jotka tekevät vaikeaksi tai mahdottomaksi palauttaa osan koulutusdataa tarkastelemalla oppimia malleja. Menetelmiä, jotka mahdollistavat olemassa olevan mallin päivittämisen uusilla koulutusdatilla ilman uudelleenkoulutusta alusta alkaen, ovat myös välttämättömiä.

Mukautettavuuden osalta on tarve asiakkaiden pystyä luomaan omat mallinsa. Tämä johtuu siitä, että monimutkaisempien oikeudellisten käsitteiden kohdalla voi olla kohtuullista erimielisyyttä ammattilaisten keskuudessa, ja lakitoimistot usein haluavat säätää tai luoda malleja, jotka vastaavat heidän omia ainutlaatuisia näkemyksiään.

Voitko kuvata, miten syväoppiminen käytetään datan luokitteluun Kira-ohjelmistossa?

Emme käytä paljon syväoppimista tuotteessamme, vaikka sisäinen tutkimusryhmämme viettää paljon aikaa arvioimalla ja tutkimalla syväoppimisratkaisuja. Toistaiseksi ongelmista, joita kohtaan, syväoppimismenetelmät vastaavat vain ei-syväoppimismenetelmiä tai parhaimmillaan saavuttavat vain hyvin pienen lisäyksen. Ottaen huomioon syväoppimismenetelmien valtavan laskentakapasiteetin sekä haasteet koulutusdatan yksityisyyden ylläpitämisessä, ne eivät ole olleet tarpeeksi vakuuttavia ottaakseen käyttöön.

 Tämä sanottuna, me pidämme syväoppimislähestymistapoja hyvin houkuttelevina ja uskomme, että ne voivat tulla suuriksi NLP:ssä jonain päivänä. Tämän vuoksi jatkuvasti arvioimme ja tutkimme syväoppimisen NLP-lähestymistapoja, jotta voimme olla valmiit omaksumaan ne, kun etuja alkaa ylittää haittoja.

Mitkä ovat joitakin Kira-ohjelmistossa käytettävissä olevia valmiita määräyssuosituksia?

Kira pystyy tunnistamaan ja extrahoimaan yli 1 000 valmista määräystä, pykälää ja tietokenttää (älykkäitä kenttiä). Ne liittyvät moniin eri aiheisiin, M&A Due Diligence -tyyppeihin, joita Kira alun perin suunniteltiin auttamaan, Brexitiin, Kiinteistöihin. Älykkäät kentät on kehittänyt tiimimme, johon kuuluvat kokeneet lakimiehet ja tilintarkastajat. Koneoppimisteknologiamme edellyttää, että lähes jokainen älykäs kenttä saavuttaa vähintään 90%:n palautusprosentin, mikä tarkoittaa, että ohjelmistomme löytää 90% tai enemmän määräystä, pykälää tai tietokenttää, jonka etsit sopimuksista tai asiakirjoista, vähentäen riskejä ja virheitä sopimuksen tarkastusprosessissa. Lisäksi rajattoman määrän mukautettuja kenttiä voidaan luoda/ohjeistaa lakitoimistojen toimesta Kira Quick Study -työkalulla automaattisesti tunnistamaan ja extrahoimaan merkityksellisiä tietoja.

Oikeudenala on usein tunnettu hitaudestaan omaksua uutta teknologiaa. Löydätkö, että on koulutuseste, kun on kyse lakitoimistojen kouluttamisesta?

Lakimiehet haluavat tietää, miten asiat toimivat, joten koulutus on tärkeää. Se ei ole vaikeampaa opettaa lakimiehille koneoppimista ja tekoälyä kuin muille ammattilaisille, mutta ongelmat ovat myös sosiaalisia; ihmiset usein kysyvät parhaita käytäntöjä sopeuttamaan sisäisiä prosessejaan tekoälyn käyttöön tai ovat kiinnostuneita siitä, miten he voivat käyttää tekoälyä muuttaakseen liiketoimintatarjontaaan tavalla, joka antaa heille etuja tehokkuuden parantamisen lisäksi.

Vertailukohtana siihen, kun aloimme Kira Systemsin vuonna 2011, lakitoimistot tänään ovat paljon fiksumpia AI:sta ja teknologiasta. Monilla on innovaatiotiimit, jotka ovat vastuussa tutkimasta uutta teknologiaa ja edistämästä uusien ratkaisujen omaksumista.

Onko jotain muuta, mitä haluaisit jakaa Kira Systemsista?

Akateeminen kirjallisuus ja avoimet koneoppimiskirjastot olivat olennaisia auttaakseen meitä käynnistämään yritystä. Uskomme, että avoin tieto ja ohjelmisto on valtava hyöty maailmalle. Tästä syystä olen erityisen iloinen, että tutkimusryhmämme julkaisee useiden tutkimushankkeidemme tuloksia akateemisissa lehdissä ja konferensseissa. Tämä ei ainoastaan osoita, että puskimme alan rajat eteenpäin, vaan myös antaa meille mahdollisuuden antaa takaisin yhteisöille, jotka auttoivat meitä aloittamaan, ja joista saamme edelleen paljon arvoa. Voit löytää tutkimuksemme osoitteesta https://kirasystems.com/science/.

Lisätietoja saat Kira Systemsin sivuilta Kira Systems.