Olga Megorskaya, Tolokan perustaja ja toimitusjohtaja – Haastattelusarja

Olga Megorskaya, Tolokan perustaja ja toimitusjohtaja, on johtanut yritystä vuodesta 2020 lähtien ja ohjannut sen alkuperäisestä joukkoräätälöinnistä merkittäväksi toimijaksi tekoälydatapalveluissa. Ennen Tolokan perustamista ja johtamista hän työskenteli yli kymmenen vuotta Yandexilla, jossa hän toimi lopulta joukkoräätälöinnin ja alustojen johtajana. Siellä hän rakensi ja laajensi joukkoräätälöinti-infrastruktuuria koneoppimismalleja varten, kuten hakua, ääntä, puhetta, itseohjautuvaa ajamista, sisällönmoderaatiota ja muita. Olga Megorskayan johdolla Toloka on profiloinut itsensä globaaleksi datakumppaniksi tekoälylle — yhdistämällä koneoppimisteknologian ihmisen asiantuntemukseen tukemaan koulutusta, arviointia ja turvallisuutta laajamittaisille tekoälymalleille ja -agenteille.

Toloka on Alankomaissa sijaitseva yritys, jonka pääkonttori sijaitsee Amsterdamissa. Toloka tarjoaa laadukkaita, asiantuntijavalittuja tietoja tekoälykehitykseen, aina merkintöistä ja annotaatioista räätälöityihin tietokantoihin valvottuun hienosäätöön (SFT) ja vahvistettuun oppimiseen ihmisten palautteesta (RLHF). Yritys tukee laajaa valikoimaa modaaluuksia — tekstiä, kuvaa, ääntä, videota — ja käyttää alan asiantuntijoita yhdessä globaalin joukkoräätälöinnin kanssa toimittamaan skaalautuvia, tarkkoja tietoja edistyneiden tekoälyagenttien ja laajamittaisen kielen mallien kouluttamiseen ja arviointiin. Heidän palvelunsa parantavat kykyjä, kuten päättelyä, monikielisen ymmärtämistä, kuvan ja äänen tuottamista sekä tekoälyturvallisuutta eri aloilla ja sovelluksissa.

Miten vuosien varrella rakentamasi ihmisten ja koneiden yhteistyössä toimivat järjestelmät Yandexilla vaikuttivat siihen, että perustit Tolokan ja miten se kokemus on vaikuttanut visioosi Tolokan roolista tekoälykehityksessä?

Eräänä hetkenä tajusimme, että Toloka oli kasvanut ulos alkuperäisestä yrityksestään. Tekoälytutkijat ympäri maailmaa käyttivät alustaa, ja tunnistimme, että yritys voisi saavuttaa enemmän itsenäisenä. Seurauksena Toloka pystyi nojautumaan satojen tekoälytiimien kertyneeseen kokemukseen koulutusdatan keräämisestä kaikenlaisille tekoälyratkaisuille — verkkojen hakua, ääniohjattavuutta, GenAI-keskusteluroboteja ja tekoälyagenteja. Olemme yhdistäneet asiantuntemuksemme ihmisten työn hallinnassa tekoälyagenttien kehittämiseen ja luoneet uuden tuotteen, Tendemin.

Olet todennut, ettei todellinen mullistus tule täysin autonomisista agenteista. Mikä johti sinut tulokseen, että hybridiset agentit — yhdistämällä tekoälyautomatiikkaa ja ihmisen arvostelukykyä — ovat lopulta voittava malli?

Vaikka uskon, että tekoälyratkaisut monilla aloilla tulevat pian saavuttamaan hämmästyttävän laadun, joka tyydyttää täysin asiakkaiden tarpeita, on aina olemassa pitkä häntä tapauksia, joita perusmallit eivät koskaan ole optimoitu. Tässä hybridimalli ylittää sekä tekoäly- että ihmisperäiset ratkaisut lähitulevaisuudessa. Olemme nähneet saman kaavan toistuvan useiden viime vuosien aikana: tekoäly voi skaalata tehtäviä kauniisti, mutta se kamppailee hienovaraisuuden, kontekstin ja arvostelupäätösten kanssa, jotka ovat tärkeitä liiketoiminnan asetuksissa. Ammattilaiset haluavat nopeutta, mutta he tarvitsevat myös luotettavuutta — täysin autonomiset agentit eivät voi taata sitä tänään. Hybridijärjestelmät voittavat, koska ne ratkaisevat molemmat puolet yhtälöä. Tekoäly hoitaa sen, mihin se on parhaiten soveltuva: nopeus, rakenne ja toistettavuus. Ihmisen asiantuntemus täyttää aukot: epäselvyydet, reunatapaukset ja tulkinta. Kun yhdistät molemmat luonnostaan, saat työnkulun, joka on sekä nopea että luotettava. Se on malli, johon ammattilaiset lopulta turvautuvat.

Milkojen tehtävien kohdalla tekoäly murtuu epäselvyydessä ja moniasioiden päättelyssä. Mitkä tehtävät paljastavat nämä rajoitukset selkeimmin?

Pitkän aikavälin tehtävät — ne, jotka vaativat useiden lähteiden yhdistämistä, ristiriitaisten tietojen sovittamista, kontekstin tulkintaa ja joita ihmiset voisivat suorittaa useiden tuntien tai jopa päivien ajan — altistavat tekoälyn nykyisille rajoituksille. Esimerkkejä ovat markkinatutkimus, kilpailijoiden analyysi, pitkien asiakirjojen tiivistäminen, alkuperäisen sisällön luominen sekaisin syötteistä tai oivallusten poimiminen, jotka riippuvat ihmisen hienovaraisuudesta eikä mallin tunnistamisesta. Tekoäly on erinomainen tuottamaan ensimmäinen versio. Mutta heti, kun tehtävä vaatii priorisointia, arvostelua tai epäselvyyden sovittamista, luotettavuus laskee terävästi. Siinä vaiheessa ihmisen asiantuntijat ovat olennaisia.

Monet ammattilaiset käyttävät tekoälyä, mutta eivät vieläkään täysin luota siihen. Miten lähestymistapanne rakentaa luottamusta siinä, että todellinen työ voidaan delegoida tekoälyjärjestelmiin?

Luottamus paranee, kun ihmiset eivät enää joutuisi korjaamaan tekoälyn tulostetta. Lähestymistapaamme luottamus rakentuu integroimalla ihmiset työnkulkuun alusta alkaen, eikä vain tekoälyn epäonnistumisen kiihdytysreitiksi. Jokainen tehtävä Tendemissä kulkee tekoälyprojektinjohtajan kautta, joka päättää, mitä pitäisi automatisoida ja mitä vaatii ihmisen asiantuntemusta. Sen jälkeen sekä automaattiset tarkastukset että ihmisen laadunvarmistus varmistavat, että lopputuote on tarkka, täydellinen ja liiketoimintavalmis. Ammattilaisille tämä tarkoittaa, että he voivat delegoida työn ja odottaa todella vahvistettua tulosta, eikä vain luonnosta, jonka heidän on korjattava.

Mitkä mekanismit varmistavat, että ihmisten asiantuntijat prosessissa ylläpitävät korkealaatuisen tulosteen ilman työnkulun hidastamista?

Kaksi asiaa mahdollistaa tämän:

• Erikoistuminen suurella mittakaavalla. Tendemin verkostoon kuuluvat asiantuntijat on valittu, koulutettu ja sovittu alan mukaan. He eivät ole yleisiä freelancer-ehdokkaita, jotka yrittävät sopeutua lennossa — he ovat jo valmiita tiettyihin tehtäviin.
• Kerrostettu laadunvarmistus ja älykäs reititys. Tekoäly hoitaa perusaskelten, jotta ihmisasiantuntijat voivat keskittyä osiin, jotka vaativat arvostelua. Sitten on toinen kerros automaattista laadunvarmistusta ja tarvittaessa ihmisen tarkastusta. Tämä pitää ihmiset mukana siellä, missä he antavat eniten arvoa, eikä siellä, missä he luovat pullonkauloja.

Tuloksena on nopeus, joka vastaa automaatiota, tarkin laatu, joka vastaa asiantuntijan tarkastusta.

Tarkasteltaessa aloja, joissa tarkin tarkkuus ja mukautuvuus ovat vaadittuja, miten hybridijärjestelmät voivat tarjota vahvistettavuutta ja tarkastettavuutta, johon liiketoiminta voi luottaa?

Hybridijärjestelmät mahdollistavat luonnostaan tarkastettavuuden, koska jokainen vaihe työnkulussa on seurattu, attribuoitu ja laadunvarmistettu. Tiedät, mitkä osat on automatisoitu, mitkä on suorittanut valitut asiantuntijat ja mitkä laadunvarmistusvaiheet ovat vahvistaneet tuloksen. Säänneltyissä aloissa tämä prosessi on olennainen. Et enää riipu mustan laatikon tekoälypäätöksestä; sinulla on vahvistettu arvion, korjauksen ja hyväksynnän ketju. Se tekee hybridijärjestelmistä soveltuvia aloille, joilla tarkkuus ja mukautuvuus eivät voi olla valinnaisia.

Mitä tietotyon kategorioita odotat siirtyvän hybridisiin agenteihin ensimmäisenä ja mitkä ovat hitaimpia omaksumaan tätä mallia?

Kokonaisuutena olen sitä mieltä, että hybridimalli on helpompi omaksua kuin tekoälymalli, joten odotan, että melkein mikä tahansa ala voidaan kattaa tällä mallilla — ero on vain tekoälyn ja ihmisten osallistumisen suhteessa. Varhaisimmat omaksujat ovat rooleja, joissa nopeus ja tarkkuus molemmat ovat tärkeitä, mutta työ on silti hyvin toistuva. Olemme jo nähneet vahvaa vetovoimaa konsultoinnista, markkinoinnista, myyntioperaatioista, tutkimuksesta ja sisällön luomisesta. Monet haastavimmat (ja ehkä mielenkiintoisimmat) alueet ratkaistaavaksi ovat lähempänä fyysistä maailmaa, kuten arkkitehtuuri ja rakennus. Mutta näen myös selvän teknologisen polun, joka vie meidät sinne.

Miten organisaatiot hyötyvät toiminnallisesti siirtymällä freelancer-hallinnoituun työhön hybridisiin agenteihin?

Hybridit poistavat kaksi suurinta tehokkuutta freelancer-hallinnoituissa töissä: hallinnon ylijäämä ja epävakaa laatu. Organisaatiot ja ammattilaiset eivät enää tarvitse palkata, valita, kouluttaa, johtaa tai korjata freelancer-ehdokkaita. Hybridisi agenti hoitaa työnkulun orkestraation automaattisesti, määrittäen oikean yhdistelmän tekoälyä ja ihmisen asiantuntemusta kullekin vaiheelle. Tämä vähentää käännytyksen aikaa, standardisoi tuloksen laatua ja skaalaa työtä ilman, että henkilöstöä on lisättävä. Lyhykäisyydessä: saat automaation nopeuden ja asiantuntijatiimin luotettavuuden ilman, että jompaa kumpaa on hallinnoitava.

Miten hybridijärjestelmien saavutettua laajaa hyväksyntää odotat sen vaikuttavan laajempaan freelancer- ja gig-talouteen?

Luulen, että se muuttaa freelancer-taloutta, eikä korvaa sitä. Sen sijaan, että freelancerit viettävät aikaa matalan tasoisissa, toistuvissa tehtävissä, he voivat liittyä hybridijärjestelmiin erityisalojen asiantuntijoina. Työ muuttuu järjestelmällisemmäksi: korkeamman arvon, ennalta arvioitavammaksi, vakaammaksi ja stabiilimmaksi. Sen sijaan, että freelancerit etsivät epävakaita projekteja, asiantuntijat voivat osallistua laajamittaisesti alustoilla kuten Tendem, joissa heidän taitonsa on sovittu oikeisiin tehtäviin ja tuetaan tekoälyjärjestelmillä, jotka poistavat byrokratian.

Katsottaessa eteenpäin muutaman vuoden päähän, miltä “tekoälylle delegoiminen” näyttää, kun hybridiset agentit tulevat vakiintuneiksi digitaalisen työn parissa?

Delegoiminen tulee tuntumaan enemmän kuin työn antaminen kykyväelle tiimille. Kuvailet haluamasi lopputuloksen, ja hybridisi agenti jakaa sen alitehtäviksi, sovittaa oikean tekoälyn ja ihmisen asiantuntemuksen sekoituksen, varmistaa tulokset ja toimittaa valmiin tuotteen — kaiken muutamassa tunnissa. Siirtymä on tekoälyn käytöstä työkaluna luottamiseen tekoälyyn projektipäällikkönä, joka valvoo koko työnkulkua. Silloin tapahtuu todellinen delegoiminen: kun ammattilaiset voivat luottaa järjestelmään toimittamaan lopputuloksen, eikä vain aloittavan pisteen.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tolokan verkkosivuilla.