Ryan Kolln, Appenin toimitusjohtaja – Haastattelusarja

Liittyessään Appen AI:hin vuonna 2018 corporate developmentin varajohtajana, hän johti strategisia yritysostojen kuten Figure Eightin ja Quadrantin, ja tuki Kiinan ja liittovaltion osastojen perustamista. Ennen nimitystään toimitusjohtajaksi, hän toimi operatiivisena johtajana, joka valvoi globaaleja operaatioita ja strategiaa.

Yli 20 vuoden kokemuksella teknologiasta ja telekommunikaatioalasta, miten on muotoillut lähestymistapanne Appenin johdossa nopeasti kehittyvässä tekoälymaisemassa?

Uraani alkoi telekommunikaatioinsinöörinä, jossa roolini oli rakentaa ja optimoida verkkoja, ja se sisälsi valtavasti dataa, analytiikkaa ja innovatiivisia ratkaisuja verkko- ja asiakaskokemuksen parantamiseksi.

MBA-tutkinnon suorittamisen jälkeen New Yorkin yliopistossa, tämä kehittyi johtamistehtäviin teknologisen strategian ja fuusioiden sekä yritysostojen parissa, jossa keskityin laajempiin strategisiin kysymyksiin, kuten uusiin trendeihin, sijoitusmahdollisuuksiin ja liiketoimintamalleihin. Tämä tausta on antanut minulle syvän ymmärryksen sekä teknisistä että liiketoiminnallisten näkökulmista uusista teknologioista.

Appenilla työskentelemme tekoälyn ja datan risteyksessä, ja kokemukseni on mahdollistanut minun johtaa yritystä ja navigoida monimutkaisuuksissa nopeasti kehittyvässä tekoälytilassa, jossa on suuria kehityksiä äänitunnistuksessa, NLP:ssä, suositussysteemeissä ja nyt generatiivisessa tekoälyssä. Tämä strateginen visio on kriittinen, kun tekoäly jatkaa muokkaamasta teollisuutta maailmanlaajuisesti.

Olet ollut Appenilla vuodesta 2018, ja olet johtanut suuria yritysostoja kuten Figure Eight ja Quadrant. Miten nämä strategiset siirrot ovat asemoinneet Appenin johtavaksi tekoälydatapalveluiden toimijaksi, ja mitä näet seuraavaksi suurena mahdollisuutena yritykselle?

Figure Eightin ja Quadrantin yritysostot olivat avainasemassa laajentamassa tekoälydatamme erityisesti datamerkinnän ja geolokointitiedustelun alueilla. Figure Eightin datamerkintäalusta oli erityisen vaikuttava. Alusta on erittäin mukautettavissa, ja olemme käyttäneet sitä useissa eri aloissa. Viimeaikaisemmin olemme käyttäneet alustaa suorittamaan useimmat generatiivisen tekoälyn datavirrat.

Lisäksi yritysostoihin, noin viisi vuotta sitten perustimme Kiinaan Appen China -operaation. Olemme nyt Kiinan suurin tekoälydata-yritys, ja liikevaihtomme on lähes kaksinkertainen lähimmän kilpailijamme verrattuna.

Eteenpäin katsoen, Appenin fokus on generatiivisen tekoälyn kehittämisessä ja omaksumisessa. On suuria kasvumahdollisuuksia sekä mallinrakentajilla että yrityksillä, jotka haluavat omaksua generatiivisen tekoälyn tuotteisiinsa ja operaatioihinsa. Uskomme, että olemme vasta aloittamassa suurimman tekoälyaallon.

Tekoälymallien kehittämisessä datan laatu on kriittinen. Voitko kertoa, miten Appen varmistaa datan tarkkuuden, monimuotoisuuden ja merkityksellisyyden, erityisesti korkealaatuisen LLM-koulutusdatan kasvavan kysynnän valossa?

Appenin vahvuus on kykymme luoda korkealaatuista dataa johdonmukaisesti ja suurissa määrin. Työskentelemme läheisesti asiakkaidemme kanssa ymmärtääksemme heidän tekoälymallien tavoitteita ja kehittääksemme korkealaatuista dataa heidän tarpeisiinsa monikerroksisen lähestymistavan kautta, joka yhdistää automaattisia työkaluja ja ihmisten palautetta. Meillä on yli 1 miljoonan ihmisen työvoima yli 200 maassa, mikä mahdollistaa datan keräämisen laajasta perspektiivistä ja kokemuksista, erityisesti herkkien alojen kuten luonnollisen kielen prosessoinnin ja tietokoneen näön osalta.

Synteettinen data on saavuttamassa suosiota, ja Appenin sijoitus Mindtechiin korostaa kiinnostusta tähän alueeseen. Voitko keskustella synteettisen ja verkkokaivauksesta peräisin olevan datan hyödyistä ja haitoista verrattuna joukkorahoituksella kerättyyn dataan tekoälymallien kouluttamisessa, ja miten näet synteettisen datan täydentävän Appenin joukkorahoituksella kerättyä dataa?

Laadukas data on kriittinen, mutta se voi olla kallista ja aikaa vievää tuottaa, joten synteettinen data on saavuttamassa suosiota. Se toimii hyvin rakenteisessa datasta perinteisissä tekoäly/ML-tehtävissä, erityisesti aloilla, joilla on tiukat tietosuojasäännökset, kuten terveydenhuollossa ja rahoituksessa, koska se välttää henkilökohtaisten tietojen käytön.

Synteettinen data puuttuu usein todellisen maailman datan syvyydestä ja monimuotoisuudesta, erityisesti monimutkaisissa generatiivisissa tekoälytehtävissä, jotka vaativat monimuotoisuutta ja syvää asiantuntemusta. Se voi myös jatkua virheitä tai harhaa alkuperäisestä datasta. Verkkokaivauksella kerätty data, jota yleisesti käytetään LLM:ien kouluttamiseen, esittää omat haasteensa, kuten matalan laadun sisällön, harhan ja virheellisen tiedon, joiden käsittely vaatii huolellista käsittelyä.

Joukkorahoituksella kerätty data, jota Appen erikoistuu, on edelleen “todellinen totuus”. Ihmisen asiantuntemus on välttämätöntä luoda monimuotoinen ja kompleksinen data, jota tarvitaan tekoälymallien tarkkuuden parantamiseksi ja varmistamiseksi, että ne ovat linjassa ihmisten arvojen kanssa.

Näen synteettisen datan täydentävän ihmisten merkittyä dataa. Vaikka synteettinen data voi kiihdyttää prosessin osia, ihmisten merkitty data takaa, että mallit heijastelevat todellisen maailman monimuotoisuutta. Yhdessä ne tarjoavat tasapainotetun lähestymistavan korkealaatuisen koulutusdatan luomiseksi tekoälylle.

EU:n tekoälylakia ja muita kansainvälisiä sääntöjä muokkaa tekoälykehityksen eettisiä standardeja. Miten näet näiden sääntöjen vaikuttavan Appenin toimintaan ja laajemmin tekoälyalaan?

EU:n tekoälylakia ja muita kansainvälisiä sääntöjä on todennäköistä, että ne vaikuttavat Appenin toimintaan asettamalla uusia eettisiä standardeja tekoälymallien kehittämiselle ja suorituskyvylle. Saattaa nähdä muutoksia siinä, miten käsittelemme dataa, varmistamme mallien reiluutta ja osoitamme eettisiä huolenaiheita. Tämä voi johtaa tiukempiin prosesseihin ja mahdollisiin sopeutumisiin lähestymistavassamme mallien kouluttamiseen ja validointiin.

Laajemmin, nämä säännöt todennäköisesti ajavat alaa kohti korkeampia eettisiä standardeja, lisäävät yhdenmukaisuuskustannuksia ja hidastavat joitain innovaation osia. Ne kuitenkin myös ajavat kohti suurempaa vastuullisuutta ja avoimuutta, mikä voi lopulta johtaa vastuullisempaan ja kestävämpään tekoälykehitykseen.

Tekoälyssä on kasvava huoli harhaisuudesta. Miten Appen varmistaa, että tekoälymalleja kouluttavat datat ovat eettisesti hankittuja ja vapaat harhaisuudesta, erityisesti herkkien alojen kuten luonnollisen kielen prosessoinnin ja tietokoneen näön osalta?

Toimimme aktiivisesti vähentääksemme harhaisuutta edistämällä monimuotoisuutta ja inklusiivisuutta projekteissamme. On rohkaisevaa nähdä, että monet asiakkaistamme ovat keskittyneitä kaappaamaan laajat demografiat datan keräämisessä ja mallien arvioinnissa. Globaalin työvoiman ansiosta, joka asuu useimmissa maissa, voimme kerätä dataa laajasta perspektiivistä ja kokemuksista, mikä on erityisen tärkeää herkkien alojen kuten luonnollisen kielen prosessoinnin ja tietokoneen näön osalta.

Vuodesta 2019 lähtien olemme muodostaneet parhaat käytännöt Joukkorahoituksen eettisiin periaatteisiin, jotka osoittavat sitoutumisemme monimuotoisuuteen, reiluuteen ja joukkorahoituksen hyvinvointiin. Tähän sisältyy sitoutumisemme reiluun palkkaamiseen, varmistamiseen, että joukkorahoituksen ääni kuullaan, ja tiukkaan tietosuojan suojaamiseen. Noudattamalla näitä periaatteita pyrimme toimittamaan korkealaatuista, eettisesti hankittua dataa, joka tukee vastuullista tekoälykehitystä.

Tekoäly integroituu yhä enemmän teollisuuteen, kuten autoteollisuuteen, mainontaan ja AR/VR:ään. Miten Appen asemoi itsensä täyttämään kasvavaa kysyntää erikoistuneelle koulutusdatalle näillä aloilla?

27 vuoden ajan olemme toimittaneet erikoistuneita koulutusdataa monimuotoiselle joukolle teollisuusaloja ja sovelluksia, ja jatkamme evoluutiota asiakkaidemme tarpeiden mukaisesti.

Esimerkiksi autoteollisuudessa työskentelimme johtavien autonvalmistajien ja sisätilojen ratkaisujen toimittajien kanssa kehittääksemme ajoneuvojen sisätilojen puhejärjestelmiä. Nyt autamme asiakkaitamme uusilla aloilla, kuten videodatan keräämisessä kuljettajien turvallisuuden parantamiseksi seuraamalla kuljettajien häiriintymistä.

Mainonnassa auttimme johtavaa mainosalustaa parantamaan mainosten laatua ja tarkkuutta suurella monivuotisella ohjelmalla, jossa oli yli 7 miljoonaa arviointia. Nyt, kun monet alustat omaksuvat generatiivisen tekoälyn ratkaisuja, joukkorahoituksellamme arvioimme ei vain mainosten merkityksellisyyttä vaan myös generoituja mainosten laatua.

Olemme pystyneet tähän kaikkeen robustin annotaatioalustamme ansiosta, joka voidaan mukauttaa tukemaan monimutkaisia työvirtoja ja erilaisia datamuotoja, kuten tekstiä, ääntä, kuvaa, videota ja monimuotoista annotaatiota. Mutta lopulta, kykymme sopeutua muuttuvaan teollisuuteen perustuu syvään asiantuntemukseemme datasta tekoälykehitykseen ja vahvaan kumppanuuteen asiakkaidemme kanssa.

Appen on ollut johtava korkealaatuisten datan toimittaja monille tekoälysovelluksille. Miten näet Appenin roolin kehittyvän, kun generatiivinen tekoäly ja LLM:t jatkavat kehittymistä ja vaikuttavat globaaleihin markkinoihin?

Generatiivinen tekoäly ja LLM:t muokkaavat teollisuutta, ja jatkamme korkealaatuisten datan toimittamista näiden edistysten tukemiseksi. Globaaleissa markkinoissa kykymme kerätä dataa yli 200 maasta ja yli 500 kielellä tulee olemaan arvokasta, ja meillä on vahva historia tässä, kun autimme yrityksiä kuten Microsoftia käynnistämään konekäännösmallit yli 110 kielelle.

Kun LLM-sovellusten käyttöönotto kasvaa, näen kasvavan tarpeen ihmisten loppukäyttäjien mukauttamiseksi, mukaan lukien paikallistamiskyky varmistamaan kieli- ja kulttuurinuanien käsittely eri globaaleissa markkinoissa. Olemme sitoutuneita auttamaan yrityksiä kehittämään tekoälyjärjestelmiä, jotka ovat sekä suorituskykyisiä että vastuullisia varmistamalla, että käytetty koulutusdata on monimuotoista, merkityksellistä ja eettisesti hankittua.

Appen on tunnettu maailman edistyneimmistä LLM:istä. Mitkä innovaatiot datan annotoinnissa ja keräämisessä Appen keskittyy parantamaan näiden mallien suorituskykyä?

Jatkuvasti innovoimme datan annotaatio- ja keräämismenetelmiämme parantamaan LLM:ien suorituskykyä. Yksi keskittyminen on datan annotoinnin tehokkuuden ja tarkkuuden parantaminen edistyneiden AI-työkalujen avulla, jotka auttavat suorittamaan ja automatisoimaan osia prosessista säilyttäen korkeat laatusäännöt.

Voicelemme datapistekohtia, jotka vaativat lisää ihmisten panostusta, varmistaen, että annotointityöt on kohdistettu sinne, missä ne tekevät suurimman vaikutuksen. Olemme integroineet alustoomme ominaisuuksia kuten Model Mate, jota voidaan käyttää kiihdyttämään datatuotantoa ja parantamaan datan laatua. Olemme myös keskittyneet parhaisiin käytäntöihin osallistujien hallinnassa, mikä on tärkeää, kun tehtävien monimutkaisuus kasvaa.

Kyky ymmärtää osallistujien suorituskykyä ja antaa palautetta jatkuvasti parantamaan ihmisten luomaa datan laatua. Nämä innovaatiot mahdollistavat toimittaa korkealaatuista, suurimittaista dataa, jota tarvitaan maailman johtavien LLM:ien voimakkaaseen ja hienosäätöön.

Kun siirryt uuteen rooliin toimitusjohtajana, mitkä ovat ensisijaiset tavoitteesi Appenille seuraavien vuosien aikana, ja miten aiot ajaa yrityksen kasvua kilpailukykyisessä tekoälymaisemassa?

Toimitusjohtajana strategiset tavoitteeni on suunniteltu varmistamaan Appenin johtajuus kilpailukykyisessä tekoälymaisemassa:

• Generatiivisen tekoälyn mallien kehittäminen: Viimeisen 18 kuukauden aikana generatiivinen tekoäly on muodostunut tärkeäksi osaksi palveluvalikoimaamme, ja 28 %:ia konsernin liikevaihdosta tuli generatiivisen tekoälyyn liittyvistä projekteista kesäkuussa 2024, verrattuna 8 %:iin tammikuussa. Näemme merkittävän potentiaalin generatiivisen tekoälyn markkinassa, joka on ennustettu saavuttavan 1,3 biljoonaa dollaria vuoteen 2032 mennessä.
• Generatiivisen tekoälyn mallien omaksuminen: Näemme kasvua uusissa segmenteissä, kun yritykset hyödyntävät generatiivisen tekoälyn ratkaisuja. Vaikka generatiivisen tekoälyn projekteja, jotka saavuttavat käyttöönoton, on vähän, odotamme, että vuosien 2024/25 aikana siirrytään kokeilusta tuotantoon, mikä ajaa kysyntää räätälöidystä korkealaatuisesta ja erikoistuneesta datasta.
• Datavalmistelun prosessin optimointi ja automatisointi: Käyttämällä AI:ta laadunvarmistukseen ja automatisoimalla tiettyjä datavalmistelun vaiheita. Tämä mahdollistaa datan laadun parantamisen samalla, kun parannamme operatiivista tehokkuutta ja parannamme bruttomarginaalejamme.
• Joukkorahoittajien kokemuksen kehittäminen: Uusi CrowdGen-alustamme mahdollistaa projektien nopean ja joustavan skaalauksen asiakkaiden tarpeiden mukaisesti, hyödyntäen AI:ta automaattisessa seulonnassa ja projektin sopimisessa. Tämä myös parantaa osallistujien kokemusta henkilökohtaisella tuella. Appen on ollut aikainen omaksumassa läpinäkyvyyttä, monimuotoisuutta ja reiluutta datan keräämisessä, ja jatkamme sitoutumista Joukkorahoituksen eettisiin periaatteisiin.

Nämä tavoitteet asemoivat Appenin kestävälle kasvulle ja innovaatioille kehittyvässä tekoälymaisemassa.

Kiitos haastattelusta, kehotamme lukijoita, jotka haluavat oppia lisää, vierailemaan Appenilla.