Andrea Vattani, Spiketrapin perustaja ja tieteilijä – Haastattelusarja

Andrea Vattani on Spiketrapin perustaja ja tieteilijä, joka on kehittänyt kontekstualisointiyhtiön, joka mahdollistaa yleisön älymystön ja median suorituskyvyn luomisen luojille, alustoille ja brändeille. Omistaja Clair AI poistaa melun ja hälyn epäjärjestyistä tietokannoista ja tarjoaa poikkeuksellista selkeyttä ja kontekstia, erityisesti nopeissa verkkoympäristöissä.

Mikä alun perin kiinnosti sinua tietokoneiden tieteeseen ja tekoälyyn?

Se oli yhdistelmä onnekkaista olosuhteista. Menin Rooman yliopistoon osallistumaan tilastotieteen pääsykokeeseen, ja kävikin niin, että olin myöhässä! Minulle neuvoitiin hakemaan tietokoneen tieteen sijaan ja siirtymään takaisin tilastotieteen laitokseen vuoden kuluttua. Menin tietokoneen tieteen pääsykokeeseen (joka oli sinä päivänä!) ja sain hyväksytyn… enkä koskaan siirtynyt takaisin tilastotieteen laitokseen! Minun kiinnostukseni tekoälyyn alkoi todella, kun tajusin, miten tietokoneet voivat auttaa automatisoimisessa, ja tekoäly on viimekätinen automaatio. Luonnollinen kieli ja sen käyttö ovat aina kiinnostaneet minua: opiskelin klassisia tutkimuksia lukiossa, ja tutkin muinaista kreikkaa ja latinaa, mikä on ehkä samanlaista kuin miten kone tuntuu, kun se saa virtaa sanoista.

Entä mitä sinä työskentelit Amazon (AMZN ) Goodreadsin johtavana ohjelmistosuunnittelijana, mitkä olivat joitain projekteja, joissa sinä työskentelit, ja mitkä olivat avainopetuksia sinun kokemuksestasi?

Goodreadsin aikana työskentelin useissa koneoppimisprojekteissa, mukaan lukien roskapostin havaitseminen ja kirjarekommendaatiojen skaalautuminen. Minun otteani aikani siellä oli oppia määrittelemään koneoppimisen mittareita, jotka vastaavat liiketoiminnan ja asiakkaiden tavoitteita. Esimerkiksi suositusmoottorit ovat olleet olemassa jo hyvin kauan. Muistatko “Netflix (NFLX ) -palkinnon” kilpailun vuonna 2009, jossa etsittiin parempia elokuvasuositoksia? Joistakin näkemyksistä, jotka voittivat, selvisi, että mahdollisuus katsoa elokuvaa ei juurikaan riipu siitä, pidätkö siitä tai ei, vaan enemmän siitä, onko se vastaavaa kuin mielenkiintosi. Tämä saattaa toimia elokuville, koska se on lyhyt 90 minuutin sitoutuminen, mutta kirjoille se ei ole tapa. Mittareiden oikean tavoitteen määrittäminen on avainasia.

Mitä sinun tutkimuksesi on julkaistu useissa lehdissä, mitä sinun mielestäsi on ollut tärkein tutkimuspaperi tähän asti?

Väitöskirjani aikana olin onnekas voidessani tehdä yhteistyötä useiden tutkijoiden kanssa eri aloilta, mukaan lukien koneoppiminen, “big data”, sosiaalisen datan analyysi ja peliteoria. Yksi tutkimuspaperi, josta pidän yksinkertaisuutensa ja soveltuvuutensa vuoksi, on “Scalable K-Means++”: K-means++ on yleisesti käytetty valvottu klusterointimenetelmä, jolla voidaan jakaa tietokanta K yhtenäiseen ryhmään. Se tekee tämän lisäämällä yhden ryhmän kerrallaan, joten kun sinulla on paljon dataa ja ryhmiä, se muuttuu liian hitaaksi. Tutkimuksessamme osoitamme, miten voit saavuttaa saman, ellei jopa paremman, tarkin, rinnakkaisella menetelmällä. Metodimme on erittäin yksinkertainen ja on toteutettu useissa koneoppimisen kirjastoissa.

Voitko kertoa Spiketrapin syntytarinaa?

Goodreadsin jälkeen minä ja Spiketrapin perustajat, Kieran ja Virgilio, ymmärsivät, että alan tarvitsi keinoja päästä edistyneisiin brändinäkymiin nišien sosiaalisilta alustoilta. Tekoälytekniikoiden soveltamisella voimme ratkaista ongelman tehokkaasti.

Nykytaloudessa on olennaista, että yritykset kuuntelevat asiakkaitaan ja heidän alanansa kokonaisuutta. Asiakkaat ilmaisevat mielipiteitään avoimesti joka päivä useilla alustoilla, kuten Twitterissä, Redditissä, Twitchissä ja muissa. Tämä on erittäin arvokas resurssi markkinatutkimukselle, edellyttäen, että sisältö voidaan kontekstualisoida laajassa mittakaavassa. Ongelmana on, että markkinatutkimuksen alan ei ole kehittynyt digitaalisten käyttäytymisen ja kielen mukana.

Kuuntelutyökalut riippuvat edelleen avainsanoista ja boolelaisista hakukielistä, ja ne eivät havaitse suurta osaa keskustelusta, joka voisi ja pitäisi liittyä tiettyyn brändiin. Markkinatutkimuksen yritykset ovat joutuneet yhä vaikeampaan tasapainoiluun, yrittäen saada kvalitatiivisia näkemyksiä määrällisistä ja kustannusrajoitettujen menetelmien kautta.

Lyhyesti sanottuna, ihmisillä ei ole ollut tarvittavia työkaluja ymmärtääkseen yleisöään laajassa mittakaavassa. Myyntiluvut ja katselijamäärät vastaavat “mitä”-kysymyksiin yleisön käyttäytymisestä, mutta eivät “miksi”-kysymyksiin. Ilman kontekstia on vaikea arvioida, mikä on korrelaatiota ja mikä on syytä ja seurausta. Tunnistettuamme tämän tyhjiön, ryhdyimme tutkimaan, miltä kontekstualisointiratkaisu näyttäisi, ja Spiketrap syntyi.

Mitä tekoälytekniikoita Spiketrapissa käytetään?

Käytämme useita tekniikoita, aina Scikit-learnistä syvään oppimiseen, kuten Pytorch. Ohjelmakirjastojen lisäksi metodologiamme, mallimme ja tietokannat ovat pääosin omia. Olemme oppineet, että valmiit menetelmät ja mallit vievät sinut vain tiettyyn pisteeseen, mutta todellinen ongelmanratkaisu vaatii omia töitä, alkaen tavoitteista ja päätyen mallin arkkitehtuuriin ja tietokantoihin. Esimerkiksi aiheen mallinnus on tehtävä, jossa haetaan teemoja kokoelmasta tekstejä. “Spiketrap Convos” tarjoaa asiakkaillemme tärkeitä näkemyksiä heidän yleisöstään ja käyttää aiheen mallinnusta yhtenä signaalina. Tavallinen aiheen mallinnuksen menetelmä on LDA (Latent Dirichlet Allocation), mutta valitettavasti se on liian epävakaa ja ennustamaton, eikä se ole riittävän voimakas. Toisaalta voit kokeilla modernia esikoulutettua mallia, kuten Bert-Topics, joka on voimakas ja kattava, mutta myös jähmeä ja hidas. Kielen ja kieli-ai:n on tehty jättimäisiä harppauksia viime vuosikymmenen aikana, mutta olemassa olevien mallien muuttaminen tuotteiksi on edelleen kaukana optimaalisesta ja riskialttiista.

Voitko selittää, miten Spiketrap mahdollistaa välittömän ymmärryksen yleisöstä luojille, alustoille ja brändeille?

MAINONTAAJAT ja -toimistot käyttävät meidän vaikuttajalistauksia ja brändisuosittelutyökaluja tunnistamaan luojia, joiden yhteisöt ovat bränditurvallisia useissa kategoriassa, mukaan lukien arvosanat myrkyllisille, rivoille ja seksuaalisille sisällöille, sekä yleinen yhteisön bränditurvallisuus.

Luojat voivat käyttää työkalua tutustumalla yksittäisiin virtauksiin ja nähdä, mitkä keskustelut olivat turvallisimpia tai vähiten turvallisia, mitkä ajoi positiivista sitoutumista heidän sponsoreidensa puolesta, ja missä he voivat parantaa moderointiponnisteluitaan.

Viimeaikainen tutkimus, “FeelsGoodMan: Inferring Semantics of Twitch Neologisms”, on julkaistu Spiketrapissa. Voitko kertoa lyhyesti, mitä tämä tutkimus on?

Ihmiset ovat kommunikoineet ja ilmaisseet itseään yhä monimutkaisemmin ja haasteellisemmin verkkoympäristössä. Ensimmäiseksi tuli emojit 🙂. Sitten tuli meemit… ja nyt “emootit”, uusi ikonipohjainen viestintätapa, josta on tullut erittäin suosittu Twitch-ströimisalustalla. Jossain määrin muistuttaa emojien sekoittumista tekstin kanssa, mutta ne esittävät samanlaisia haasteita kuin meemit, koska ne ovat käyttäjien luomia ja niiden salaperäinen merkitys ei ole ilmeistä. On yli 8 miljoonaa erilaista emootia, ja yli 400 000 käytetään viikoittain. Ihmiset kommunikoivat kuitenkin tehokkaasti niiden avulla ilmaisemalla tunteita, kuten iloa, boikotia, jännitystä tai sarkasmia. Viimeisin tutkimuksemme on tekoälyresepti emootien semanttisen merkityksen selvittämiseksi. Lähestymistapaamme ei vaadi ylläpidettävää tietokantaa, ja se pystyy sopeutumaan jatkuvasti uusien emootien esittelyyn ja suosittujen emootien merkityksen kehitykseen. Tämä on erittäin tärkeää, kun emootit saavat poliittisen tai rodullisen merkityksen, kuten on tapahtunut erittäin suosittujen emootien, kuten “TriHard”, “PogChamp” ja “FeelsGoodMan”, kohdalla. Kielen dynaaminen käyttö ja merkityksen muutokset aiheuttavat valtavat ongelmat moderointijärjestelmiin tai mielipidemallirakenteisiin, joten olemme ylpeitä siitä, että otamme tämän ongelman oikein Spiketrapissa.

Onko sinulla jotain muuta, mitä haluaisit jakaa Spiketrapista?

Kun katselemme eteenpäin uuteen vuoteen, Spiketrap kehittää ja täydentää uutta työkalua, joka tarjoaa syvemmän ymmärryksen brändien suhtautumisesta asiakkaisiimme. Spiketrapin uusi Affinity-työkalu tarjoaa interaktiivisen ja helppokäyttöisen tavan tunnistaa ja määrittää yleisön suhdetta luojien, brändien, pelien ja muiden välillä. Kunkin kyselyn kohdalla työkalu luo affiniteettipisteitä, jotka osoittavat, miten hyvin tietty entiteetti on positiivisesti korreloitu toiseen. Useat kontekstuaaliset signaalit muodostavat pisteitä, mukaan lukien liittyvien mainintojen frekvenssi ja mieliala. Spiketrapin teknologia on ainutlaatuinen, ja se pystyy indeksoimaan affiniteetteja pelien, brändien ja luojien välillä. Omistaja Clair, tekoäly, prosessoi miljoonia julkisesti julkaistuja käyttäjien luomia viestejä joka päivä, ja liittää epäselvän sisällön entiteetteihin Spiketrapin laajassa tietokannassa, tunnistaa aiheita, määrittää mielialan ja seuraa turvallisuutta. Uuden Affinity-työkalun lisääminen antaa kehittäjille, luojille, brändeille ja muille mahdollisuuden ymmärtää yleisöään ja brändivaikutustaan paremmin.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Spiketrap-sivustolla.