Dan O’Connell, Chief Strategy Officer at Dialpad – Haastattelusarja

Dan on Dialpadin Chief Revenue Officer. Aikaisemmin hän oli TalkIQ:n toimitusjohtaja, joka on reaaliaikainen puheentunnistus- ja luonnollisen kielen prosessointiin erikoistunut start-up, jonka Dialpad hankki toukokuussa 2018. Ennen TalkIQ:ia hän työskenteli erilaisissa myyntijohtajan tehtävissä AdRollissa ja Googlella.

Dialpad on tekoälykäyttöinen pilvipohjainen viestintäalusta, joka tekee tiimisi yhdistämisen ja yhteistyön helpommaksi ja tehokkaammaksi

Olit aikaisemmin TalkIQ:n toimitusjohtaja, joka on reaaliaikainen puheentunnistus- ja luonnollisen kielen prosessointiin erikoistunut start-up, jonka Dialpad hankki toukokuussa 2018. Mikä oli tämän start-upin salaisuus, joka mahdollisti sen menestyksen puheentunnistusteknologiassa?

Se oli yhdistelmä useita tekijöitä: ajoitus, ihmiset ja fokus. Automatisoitu puheentunnistusteknologia ei ole uusi, se on ollut olemassa vuosikymmeniä — paljon kauemmin kuin ihmiset ajattelevat. Tänä aikana (ja erityisesti viimeiset viisi vuotta) puheentunnistusteknologia on hyötynyt lisääntyneestä laskentakapasiteetista, pilvestä, datan saatavuudesta ja älypuhelinten massoihmisten käytöstä kuluttajamarkkinoilla. Kaikki nämä asiat ovat johtaneet transkriptien tarkkuuden lisääntymiseen.

Lisäksi meillä oli onni yhdistää erikoistuneita asiantuntijoita (kuten kielitieteestä) “hakkerien” kanssa. Ja kun sanon hakkerit, tarkoitan insinöörejä, jotka voivat nopeasti saada tuotteet markkinoille — he ajavat innovaatiota ja ratkaisevat ongelmia nopeasti. Vaikka he eivät aina olekaan kaikkein elegantimpia ratkaisuja, ne ovat yleensä nopeimpia ja mahdollistavat olemisen innovaattorina, joka on “veren ja märän” reunalla — mikä on jotain, mitä voidaan hyödyntää markkinoinnissa ja myyntipuheessa. Tämä tarina toimii hyvin, kun rakennetaan start-upia ja yritetään kerätä rahoitusta.

Meillä oli alan asiantuntijoita, markkinatrendejä, valtava “sininen valtameri” soveltamalla teknologiaa yrityksissä ja tiimi, jolla on historia saada innovatiivisia teknologioita markkinoille toistettavilla GTM-liikkeillä.

Lopuksi otimme erilaisen lähestymistavan ongelman ratkaisemiseksi. Perinteiset transkriptioohjelmat toimivat kuin nauhoitukset. Sinä nauhoitat puhelun; sinä tallennat äänitiedoston; sinä laitat sen transkriptioohjelmaan; ja jonkin ajan kuluttua sinä saat tulokseksi transkriptin. Aluksi 30 minuutin puhelu kesti 30 minuuttia transkriptoida, joten puhutaan todellisista viiveistä suurella mittakaavalla.

Me halusimme ratkaista tämän ongelman ja rakentaa virtaavaa tai reaaliaikaista transkriptioohjelmaa, joka ei tarvitse äänitiedostoa. Tämä saattaa kuulostaa hieman uudelta tänä päivänä, mutta vuosia sitten ei ollut olemassa virtaavaa ohjelmaa, joka voisi käsitellä reaaliaikaisia, pitkiä ääni- (8 kHz, mikä on minun “hienostuneella” tavalla sanoa huonoa äänenlaatua, eli ei stereolaatua, 44 kHz) ääniä. Emme halunneet rakentaa nauhuria.

Me halusimme rakentaa reaaliaikaisen moottorin ymmärtämään ja analysoimaan keskusteluja. Jos voisimme tehdä sen, niin mahdollisuudet olisivat loputtomat, koska voisimme sitten automatisoida työnkulkuja ja tehdä kaikenlaisia viihdyttäviä asioita, joita ei ole tehty aiemmin. Iso kiitos Jim Palmerille, Etienne Manderscheidille, Kevin Jamesille, Noah Gasparille ja monille muille ollessaan ensimmäisiä, jotka rakensivat tällaisen reaaliaikaisen moottorin.

Voitko keskustella siirtymävaiheesta Dialpadin hankittua TalkIQ:n toukokuussa 2018?

Hankintavaihe oli itse asiassa erittäin sujuva. Dialpad oli TalkIQ:n kumppani ja tuotejoukkueemme oli jo säännöllisesti paikan päällä Dialpadilla. Ja minä olin aiemmin työskennellyt yhdessä perustajien Craig Walkerin ja Brian Petersonin kanssa Googlella ja olin innoissani mahdollisuudesta liittyä heidän joukkoonsa.

Me kaikki näimme tulevaisuuden samalla tavalla siinä, että nämä teknologiat (ASR/NLP) yhdistettynä viestintä- ja yhteistyöalustaan voivat olla markkinamuutos ja pelimuutos liike-elämälle. Tämä on yksi syy, miksi hankinnan sulkemisen jälkeen nousimme nopeasti 50 miljoonan dollarin rahoituskierrokselle, jota johti ICONIQ. Sijoittajat näkivät mahdollisuuden tulevaisuuden sovelluksissa ja tiimissä, joka työskentelee näiden ongelmien parissa.

Me olimme TalkIQ:ssa perustajina yrittäjiä, jotka yrittivät olla kolme eri start-upia kerran: me rakensimme oman puhelinpinon, puheentunnistusmoottorin ja sisäisen NLP-teknologian. Nämä ovat kolme haastavaa ongelmaa ratkaista. Dialpad oli jo onnistuneesti ratkaissut puhelinpinon, joten kun hankintatarjous tuli, se oli helppo päätös. Me näimme Dialpadin innovatiivisimpana liikeviestintäalustana, ja visiomme tulevaisuuden liikeviestinnästä sopi hyvin yhteen.

Mitkä ovat erilaisia koneoppimisen teknologioita, joita käytetään Dialpadissa?

Meidän alkuperäinen Voice Intelligence (Vi™) -moottorimme hyödyntää tekoälyä ja koneoppimista auttaakseen organisaatioita ajamaan myyntiä, saamaan kilpailuetua, parantamaan asiakaspalvelua ja pitämään tehokkaampia verkkokokouksia.

TalkIQ:n ASR- ja NLP-teknologiat käytetään ottaen vastaan keskustelut ääni- ja videopuheluista reaaliajassa. Samalla meidän oma teknologia mahdollistaa meidän prosessoida saapuvat keskusteludata ja tallentaa ja transkriptoida ne tarkasti helppolukeiseen muotoon.

Sisäänrakennettu koneoppiminen auttaa Viä parantamaan ajan myötä. Mitä enemmän sinä käytät Viä, sitä enemmän se oppii ja sitä paremmaksi se tulee prosessoimaan keskusteluja. Ajan myötä puheluiden transkriptit tulevat tarkemmaksi, ja Vi pystyy prosessoimaan hienostuneempia keskustelun nuansseja.

Dialpad saavutti äskettäin merkittävän tekoälysaavutuksen analysoituaan yli miljardi minuuttia ääntä, ja vertailutestit osoittivat, että Dialpadin transkriptiomalli ylitti kilpailijoiden, mukaan lukien Googleen parannetun puhelinmallin. Mitkä testit tehtiin tuloksien mittaamiseksi?

Meillä on kokoelma testijoukkoja, jotka sisältävät ääni- ja vastaavan transkriptin, jota pidetään keskustelun totuutena. Me lähettämme saman äänen jokaiselle kilpailijalle ja saamme transkriptin takaisin, jonka vertaamme totuuteen. Me laskemme virheiden määrän määrittääkseni tarkkuusprosentin. Olemme vertailleet itseämme Googleen siitä lähtien, kun TalkIQ hankittiin huhtikuussa 2018, ja meillä on aina ollut alempi tarkkuus, kunnes nyt.

Mitkä ovat Dialpadin omistaman Voice Intelligence (Vi™) -moottorin avaineroja kilpailevien moottorien verrattuna?

Yksi suurimmista eroista on, että me olemme tehneet tätä pidempään kuin kilpailijamme, mikä tarkoittaa, että me olemme analysoineet enemmän dataa varmistaaksemme, että teknologiamme on tarkin. Me olemme analysoineet yli miljardi minuuttia ääniviestintää ja prosessoimme noin 90 miljoonaa minuuttia kuussa Vi-moottorillamme. Tässä suhteessa olemme kirjaimellisesti vuosia edellä kilpailijoita.

Toinen ero on meidän mukautettu ja skaalautuva lähestymistapa kielimalleihin. Jokaiselle asiakkaalle me rakennamme tietokannan yrityskohtaisista avainsanoista, jotta voimme suorittaa avainsanan korostusta parantamaan tarkkuutta. Esimerkiksi, jos käyttäjä kirjoittaa nimensä “Kathryn” ja työskentelee yrityksessä nimeltä Skribbl, järjestelmämme kirjoittaa oikeat nimet oikein, kun taas muut mallit kirjoittaisivat ne siten, kuin ne kuulostavat (esim. “Katherine” ja “scribble”).

Mitkä ovat sinun henkilökohtaiset näkymät luonnollisen kielen prosessoinnin tulevaisuudesta? Kuinka kauan kestää, kunnes tekoäly saavuttaa lähes 100 prosentin tai jopa 100 prosentin tarkkuuden?

Täydellinen tarkkuus on lähes saavuttamaton. Ehkä joskus olen yllättynyt (toivon niin!). Luulen, että pääsemme hyvin, hyvin lähelle, mutta ei täydelliseen tarkkuuteen. Syy on, että automaattinen puheentunnistus (ja siten myös NLP) on lähes ääretön ongelmien joukko ratkaista: aksentit, mikrofonien läheisyys, taustahäly, yhteyden ongelmia, erilaisia mikrofoneja, puhumisen nopeus, lausuminen, konteksti (Sara vs Sarah vs Serra), akronyymit, slangi ja niin edelleen. Vaikka toivon voivani sanoa, että pääsemme sinne, luulen, että pääsemme hyvin lähelle, mutta viimeinen maili, tai 1-2 prosenttia tarkkuuden suhteen, tulee olemaan haasteellista.

Sanon kuitenkin, että luulen, että tulee olemaan mielenkiintoisia kehityksiä lukukelpoisuuden suhteen. Tänä päivänä, kun tarkastelet keskustelun transkriptiä, se voi lukea kuin ajatuksien virtana. Puhumme luonnollisesti sulavasti, käytämme pitkiä lauseita, toistamme sanoja, aloitamme lauseet uudelleen — me teemme kaikenlaista, mitä emme tekisi kirjoitettuna muodossa. On joitain ainutlaatuisia mahdollisuuksia, kun on kyse siitä, että on olemassa lukukelpoisempi versio transkriptistä — yksi, joka poistaa turhauttavuudet, ennustaa tai parantaa välimerkkejä ja hienostaa tai optimoi transkriptin lukukelpoisuuden kannalta.

Mielestäni on kaksi versiota: sana sanalta -versio, joka on mahdollisimman lähellä 100 prosenttia keskustelun totuutta (mukaan lukien pitkät lauseet), ja sitten on parannettu versio, joka on paljon helpompi sulattaa kielenkäytön ja välimerkkien ansiosta.

Ja tämä johtaa meidät siihen, voimmeko syntetisoida keskustelun sen merkittävimmistä osista? Tarvitseeko sinä koko transkriptin vai tarvitsetko tarkin yhteenveto, joka on muotoiltu lukukelpoisuuden kannalta?

Se riippuu sinun käyttötarkoituksestasi, mutta tämä on mielenkiintoista ja jännittävää tässä tilassa. Olemme ehkä kolmannessa vuorossa siinä, mitä on mahdollista, ja emme ole vielä edes päässeet innovaatioiden työnkulkuihin, joissa NLP tulee “kontekstiaavaksi”, kuten käyttäen aiempia keskusteluja parantamaan tarkkuutta.

Mitä enemmän mallien kontekstia on, sitä paremmin ne oppivat. Ajattele jaettua kontekstia useiden keskustelujen yli ja jatkuvasti sopeutuvaa kontekstia koneoppimisen älykkyyden parantamiseksi. Kontekstiaavainen teknologia on myös tärkeää parantamaan tarkkuutta, kun otetaan huomioon suuret erot, joita on siinä, miten viestimme. Se, mikä saattaa vaikuttaa ihmisille vain hienovaraisilta kielellisiltä eroilta, on hyvin vaikeaa kouluttaa koneoppimismalliä jäljittelemään.

Mitkä ovat Dialpadin nykyisiä palveluita asiakkailleen?

Dialpad on älykkäämpi tapa työskennellä. Olemme rakentaneet alustan nykypäivän modernille, hybridi-työvoimolle — mahdollistaen ihmisten ja tiimien olla tehokkaampia, vaikuttavampia ja sitoutuneempia missä tahansa maailmassa. Tarjoamme vaivattoman liikeviestintäkokemuksen — puhelut, chat, videoneuvottelut ja asiakaspalvelukeskukset — joka on yhdistetty pilvipohjaiseen alustaan, joka on taloudellinen, helppo ottaa käyttöön ja helppo hallita.

Onko sinulla jotain muuta, mitä haluaisit jakaa Dialpadista?

Vuosi 2020 oli merkittävä vuosi yritykselle, mikä on hämmästyttävää ajatella, kun otetaan huomioon, mitä maailma on kokenut (ja jatkaa kokemista). Me kaksinkertaistimme henkilöstömme, turvasimme 100 miljoonan dollarin rahoituksen, hankimme yrityksen ja teimme sen, kun asiakaskunta kasvoi eksponentiaalisesti.

Kun etätyö on täällä jäädäkseen, odotamme tämän kasvun jatkuvan, ja olemme innoissamme tulevasta vuodesta. Uskomme, että “työ mistä tahansa” -liike lisää tarvetta innovatiivisille teknologioille, jotka auttavat työntekijöitä työskentelemään älykkäämmin — ei kovemmin. Yritykset kääntyvät tekoälyn puoleen saadakseen aikaan toiminnan sujuvuutta, poistamaan arkiset tehtävät ja antamaan työntekijöiden keskittyä suurempiin prioriteetteihin. Dialpad on hyvin soveltuva tyytyämään näihin tarpeisiin.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Dialpad:ssa.