Mohammad Omar, LXT-haastattelusarjan perustaja ja toimitusjohtaja

Mohammad Omar on yrityksen perustaja ja toimitusjohtaja LXT, nouseva johtaja tekoälyn koulutusdatassa älykkään teknologian tehostamiseksi globaaleille organisaatioille, mukaan lukien maailman suurimmat teknologiayritykset. Yhteistyössä kansainvälisen avustajaverkoston kanssa LXT kerää ja merkitsee tietoja useista eri tavoista yrityksen vaatimalla nopeudella, mittakaavalla ja ketteryydellä. Vuonna 2010 perustetun LXT:n pääkonttori sijaitsee Torontossa, Kanadassa, ja se toimii Yhdysvalloissa, Australiassa, Intiassa, Turkissa, Isossa-Britanniassa ja Egyptissä.

Voitko jakaa LXT:n taustalla olevan tarinan?

LXT perustettiin vastauksena akuuttiin tiedontarpeeseen, jonka työnantajani 12 vuotta sitten kohtasi. Tuolloin yritys tarvitsi arabiankielistä dataa, mutta sillä ei ollut oikeita toimittajia, joilta se hankkisi. Koska olen luonteeltani riskinotto ja yrittäjä, päätin erota tehtävästäni, perustaa uuden yrityksen ja kääntyä takaisin tarjoamaan palveluitamme entiselle työnantajalleni. Saimme heti heidän haastavimpia projektejaan, jotka onnistuimme toteuttamaan, ja asiat vain kasvoivat siitä eteenpäin. Nyt yli XNUMX vuotta myöhemmin olemme rakentaneet vahvan suhteen tämän yrityksen kanssa, ja siitä on tullut laadukkaan kielitiedon toimittaja.

Mitkä ovat suurimpia haasteita tekoälyn laajamittaisen käyttöönoton takana?

Se on hieno kysymys, ja sisällytimme sen itse asiassa viimeisimpään tutkimusraporttiimme, Polku tekoälyn kypsyyteen. Suurin vastaajien mainitsema haaste oli olemassa olevien tai vanhojen järjestelmiensä integrointi tekoälyratkaisuihin. Tämä on järkevää, kun otetaan huomioon se tosiasia, että tutkimme suurempia yrityksiä, joilla todennäköisimmin olisi organisaatiossaan useita teknisiä järjestelmiä, jotka on järkeistettävä digitaaliseksi muunnosstrategiaksi. Muita haasteita, joita vastaajat arvioivat korkealle, olivat osaavien kykyjen puute, koulutuksen tai resurssien puute ja laadukkaan tiedon hankinta. En yllättynyt näistä vastauksista, koska niitä yleisesti lainataan, ja tietysti myös siksi, että datahaaste on organisaatiomme syy siihen.

Mitä tulee datahaasteisiin, LXT voi sekä lähteä dataa että merkitä ne niin, että koneoppimisalgoritmit voivat ymmärtää sen. Meillä on valmiudet tehdä tämä mittakaavassa ja ketterästi, mikä tarkoittaa, että toimitamme korkealaatuista dataa erittäin nopeasti. Asiakkaat tulevat usein luoksemme, kun he valmistautuvat lanseeraukseen ja haluavat varmistaa, että asiakkaat ottavat heidän tuotteensa hyvin vastaan, 

Työskentelemällä kanssamme tietojen hankinnassa ja merkitsemisessä yritykset voivat korjata resurssi- ja osaamispulaansa antamalla tiiminsä keskittyä innovatiivisten ratkaisujen rakentamiseen.

LXT tarjoaa kattavuuden yli 750 kielelle, mutta on olemassa käännös- ja lokalisointihaasteita, jotka ylittävät itse kielen rakenteen. Voisitteko keskustella siitä, kuinka LXT kohtaa nämä haasteet?

Käännös- ja lokalisointihaasteita on varmastikin – varsinkin kun haarautuu laajimmin puhuttujen kielten ulkopuolelle, joilla on yleensä virallinen asema ja siihen liittyvä standardointitaso. Monilla kielillä, joilla työskentelemme, ei ole virallista ortografiaa, joten johdonmukaisuuden hallinta koko tiimissä on haaste. Vastaamme näihin ja muihin haasteisiin – esimerkiksi petollisen toiminnan havaitsemiseen – ottamalla käyttöön tiukat prosessit laadunvarmistusta varten. Tekoälyn kypsyystutkimusraportissa kävi jälleen selväksi, että useimmissa tekoälytietoja käsittelevissä organisaatioissa laatu oli prioriteettien kärjessä. Ja useimmat kyselyyn vastanneet organisaatiot ilmoittivat olevansa valmiita maksamaan enemmän saadakseen tämän. 

Kuinka varhaisessa vaiheessa sovelluskehitysmatkaa niiden yritysten, jotka tarvitsevat tiedon hankintaa ja datamerkintöjä, tulisi aloittaa näiden tietojen hankinta?

Suosittelemme, että organisaatiot luovat tietostrategian heti, kun ne tunnistavat tekoälyn käyttötapauksensa. Sovelluksen kehitysvaiheen odottaminen voi johtaa moniin tarpeettomiin korjauksiin, koska tekoäly voi oppia vääriä asioita ja joutua kouluttamaan uudelleen laadukkaalla tiedolla, jonka hankkiminen ja integroiminen kehitysprosessiin voi viedä aikaa.

Mikä nyrkkisääntö tietää, kuinka usein tietoja tulee päivittää?

Se riippuu todellakin kehittämäsi sovelluksen tyypistä ja siitä, kuinka usein sitä tukeva data muuttuu merkittävästi. Tämä tarkoittaa, että data edustaa todellista elämää, ja ajan mittaan dataa on päivitettävä, jotta se heijastelee tarkasti mitä maailmassa tapahtuu. Kutsumme tätä ilmiötä mallin ajautumiseksi, jota on kahta tyyppiä, joista jokainen vaatii algoritmien uudelleenkoulutusta.

• Käsitteen ajautuminen tapahtuu, kun merkittävä ero harjoitustietojen ja tekoälyn välillä muuttuu, mikä voi tapahtua yhtäkkiä tai asteittain. Jälleenmyyjä voi esimerkiksi käyttää historiallisia asiakastietoja tekoälysovelluksen kouluttamiseen. Mutta kun kuluttajatodellisuudessa tapahtuu massiivinen muutos, algoritmia on koulutettava uudelleen, jotta se heijastelee tätä.

• Tietojen ajautuminen tapahtuu, kun sovelluksen kouluttamiseen käytetyt tiedot eivät enää vastaa todellista dataa, joka on havaittu sen tullessa tuotantoon. Tämä voi johtua useista tekijöistä, kuten väestörakenteen muutoksista, kausiluonteisuudesta tai sovelluksen tilanteesta uudella maantieteellisellä alueella.

LXT julkisti hiljattain raportin nimeltä "The Path to AI Maturity 2023”. Mitkä olivat tämän raportin huomioita, jotka yllättivät sinut?

Sen ei luultavasti olisi pitänyt tulla yllätyksenä, mutta asia, joka todella erottui, oli sovellusten monimuotoisuus. Olisit voinut odottaa kahden tai kolmen toiminta-alueen hallitsevan, mutta kun kysyimme, mihin vastaajat aikoivat keskittää tekoälytyönsä ja mihin he aikoivat ottaa tekoälynsä käyttöön, se näytti aluksi kaaokselta – trendin puuttumisesta. Mutta kun seulottiin tietoja ja tarkasteltiin laadullisia vastauksia, kävi selväksi, että trendin puuttuminen is trendi. Ainakin vastaajiemme silmissä, jos sinulla on ongelma, on olemassa todellinen mahdollisuus, että joku työskentelee tekoälyratkaisun parissa.

Generatiivinen tekoäly valloittaa maailmaa. Mikä on näkemyksesi siitä, kuinka pitkälle kielelliset generatiiviset mallit voivat viedä alaa?

Henkilökohtainen näkemykseni tästä on se, että luovan tekoälyn todellisen voiman keskeinen osa – päätän käyttää tässä olevia sanoja painotuksen lyhenteen sijaan – on Natural Language Understanding. Tekoälyn "äly" opitaan kielen avulla; kyky käsitellä ja lopulta ratkaista monimutkaisia ​​ongelmia välittyy iteratiivisten ja kumulatiivisten luonnollisen kielen vuorovaikutusten kautta. Tätä silmällä pitäen uskon, että kieligeneratiiviset mallit ovat aina lukossa muiden tekoälyn elementtien kanssa.

Mikä on näkemyksesi tekoälyn ja LXT:n tulevaisuudesta?

Olen luonteeltani optimisti, ja se värittää vastaukseni tähän, mutta näkemykseni tekoälyn tulevaisuudesta on nähdä sen parantavan kaikkien elämänlaatua. jotta se tekisi maailmasta turvallisemman paikan, paremman paikan tuleville sukupolville. Mikrotasolla näkemykseni LXT:stä on nähdä organisaation jatkavan rakentamista vahvuuksiensa varaan, kasvavan ja tulevan valinnanvaraiseksi työnantajaksi ja hyvään voimaksi maailmanlaajuiselle yhteisölle, joka mahdollistaa liiketoimintamme. Makrotasolla näkemykseni LXT:stä on myötävaikuttaa merkittävällä ja mielekkäällä tavalla optimistisesti vinoutetun näkemykseni toteutumiseen tekoälyn tulevaisuudesta.

Kiitos upeasta haastattelusta, lukijoiden, jotka haluavat tietää lisää, kannattaa käydä LXT.