Pavel Osokin, AMAI:n toinen perustaja ja toimitusjohtaja – haastattelusarja

Pavel Osokin on San Franciscossa toimivan AMAI-startupin toinen perustaja ja toimitusjohtaja. Yritys kehittää tekoälypohjaisia puhemoottoreita. Pavel johtaa Amain toimintaa ja strategiaa tavoitteenaan saada yrityksen puheteknologia maailman jokaiseen puhelimeen. AMAI on kehittänyt tekoälyäänen, jota 97 prosenttia käyttäjistä ei pystynyt erottamaan aidosta ihmispuheesta.

Olet ollut elinikäinen yrittäjä, joka on perustanut ensimmäisen yrityksensä 13-vuotiaana. Mikä oli ensimmäinen yrityksesi ja mikä mielestäsi motivoi tätä yrittäjähenkisyyttä?

En kutsuisi sitä yritykseksi, mutta ansaitsin ensimmäiset rahani myymällä tavaroita eteenpäin tai pesemällä autoja kadulla vesiämpärin avulla. Motivaationi oli, että halusin Coken tai Snickersin, ja vanhemmillani ei ollut rahaa. Voisin joko odottaa, että rahaa ilmestyisi, tai ansaita sen itse. Odottaminen ei ole minulle mieluista.

Voitko kertoa AMAI:n syntytarinan?

Kysyin kumppaniltani: “Mitä yritykset ympäri maailmaa tarvitsevat?” Tässä keskustelussa tajusin, että jokainen yritys etsii “myyntiä”. Aloimme tekemään robotteja, jotka voivat kommunikoida asiakkaiden kanssa ja myydä tuotteita sähköpostitse ja viestisovellusten kautta. Toisaalta se ei ollut mitenkään uutta, koska chatbotteja on paljon saatavilla. Ajattelimme, että jos nämä robotit voivat myös tehdä puheluita, se olisi kiva. Koska markkinoilla oli vain vähän hyviä ratkaisuja, loimme oman synteettisen puheäänen prototyypin, ja ensimmäisten myyntien jälkeen hylkäsimme robotin ja keskityimme TTS:ään.

Mitä AMAI tarkalleen ottaen tarkoittaa?

Se tulee sanoista I’m AI eli olen tekoäly (I’m artificial intelligence).

Voitko keskustella joistakin haasteista, jotka liittyvät huipputasoisen tekstistä puheeksi -teknologian suunnitteluun?

Huipputasoisen tekstistä puheeksi -teknologian suunnittelu tarjoaa useita haasteita. Ensimmäinen niistä on aineistojen kerääminen. Neuroverkon kouluttamiseen tarvitaan naisten ja miesten ääniä eri ikäluokissa, ja mitä enemmän, sen parempi. Toiseksi äänen on muistutettava hyvin läheisesti luonnollista ääntä. Paras menetelmä on testata eri koneoppimismalleja ja kokeilla jatkuvasti äänen eri käyttötapauksia. Erityisesti on löydettävä ongelmallisin näyte ja käsiteltävä se erikseen. Pitkällä aikavälillä voi olla vaikea arvioida, onko ääni parantunut vai heikentynyt ja mihin suuntaan sitä pitäisi kehittää.

Mitä haasteita on puheentunnistuksessa, kun ihmiset vuorovaikuttavat AMAI:n ääniälyteknologian kanssa?

On satoja yrityksiä, jotka työskentelevät äänen tunnistamisen parissa, koska se on helpompi kehittää. Ongelma, jolle ei ole ratkaisua, on lapsen äänen tunnistaminen. Lasten puheessa on varhaisella iällä monia erityispiirteitä, joten on vaikea ottaa kaikki ne huomioon. Kuitenkin olemme työskennelleet ratkaisun parissa, ja olemme hyvin lähellä tulosten julkistamista. Pian tekoälymme pystyy siis vuorovaikutukseen ongelmitta sekä aikuisten että lasten kanssa.

Mitä ovat joitakin suosittuja käyttötarkoituksia AMAI:lle?

Tällä hetkellä se on äänikirjojen dubbaus ja yritysten käyttö asiakaspalvelukeskuksissa.

Mitä kieliä on tällä hetkellä tarjolla, ja mitkä kielet ovat parhaillaan kehitteillä?

Usean puhujan järjestelmämme kattaa kaksi kieltä, venäjän ja englannin. Ideana on, että yhdellä kielellä luotu ääni voi puhua myös kaikkia muita kieliä mallissamme. Tällä hetkellä keräämme dataa 40:lle muulle kielelle, ja pian meillä on 42 kieltä.

Mikä on visiosi ääniavustajien tulevaisuudesta?

Uskon, että ääniavustajat siirtyvät metaversumiin, ja tutkimme näitä mahdollisuuksia. Jos integroidaan avustaja älykaiuttimien tai verkkoselaimen kanssa, enemmän ihmisiä käyttävät äänihakuja ja vuorovaikuttavat avustajan kanssa joka päivä. Voit puhua jääkaappiin tai TV:hen.

Onko mitään muuta, mitä haluaisit jakaa AMAI:sta?

AMAI käyttää vain omaa tekniikkaansa.

Kiitos haastattelusta. Lukijoiden, jotka haluavat tietää lisää, kannattaa tutustua yritykseen AMAI:hin.