Mohammad Abu Sheikh, Fondateur et PDG de CNTXT AI – Série d’entretiens

Mohammad Abu Sheikh est en train de transformer le paysage de l’IA dans la région MENA, en passant d’une consommation passive à une innovation souveraine. En tant que PDG de CNTXT AI et fondateur d’un fonds d’investissement de 10 millions de dollars dans l’IA, il a dirigé trois sorties réussies et sécurisé plus d’un milliard de dollars de financement. Son travail jette les bases d’un écosystème d’IA enraciné dans la langue, la culture et la souveraineté des données.

Nous avons vu l’abondance de données sous-utilisées dans cette partie du monde. Beaucoup de problèmes liés à la mise à l’échelle de l’IA venaient du manque de préparation des données — ce qui a finalement signifié un manque de préparation à l’IA. C’est pourquoi nous avons créé CNTXT AI.

Initialement, nous résolvions les mêmes problèmes que nous avions rencontrés lors de la création de LocAI… Nous avons vu ces défis de visu en travaillant avec AI71, TII et G42 (IIAI). Alors que nous aidions ces entités à résoudre ces problèmes, la vision est devenue plus claire et l’entreprise a simplement continué à grandir.

Vous avez joué un rôle clé dans la création de la plus grande bibliothèque numérique arabe pour la formation de l’IA. Quels ont été les plus grands défis pour y parvenir, et comment les avez-vous surmontés ?

La qualité était l’un des plus grands défis. Un autre était la disponibilité limitée de données de haute qualité en arabe en ligne : l’arabe est sérieusement sous-représenté. Seule une petite partie du contenu en arabe a été numérisée, et seulement 3-5 % de tout le contenu en ligne est en arabe. C’est presque rien. Nous avons surmonté ce problème en déployant des étiqueteurs de données, des annotateurs et des scientifiques pour numériser, créer et curer les données nous-mêmes.

CNTXT AI opère à l’intersection de la culture et de l’informatique. Comment équilibrez-vous l’innovation de pointe en IA avec l’objectif de créer des solutions culturellement pertinentes pour la région MENA ?

Nous construisons des modèles ancrés dans la culture dès le départ. De l’infrastructure au produit final, la culture est intégrée dès le début — ce n’est pas quelque chose que nous ajoutons plus tard. Nous concevons, innovons et construisons en tenant compte des cultures, des dialectes et des besoins spécifiques de la région, dès le premier jour. L’arabe est une langue, mais elle porte de nombreux dialectes et contextes culturels à travers la région, nous construisons donc des produits locaux pour les pays locaux. Et nous le faisons en travaillant avec des annotateurs locaux, des personnes sur le terrain, dans leurs propres pays.

Vous avez également co-fondé LocAI et dirigé le fonds SMPL AI. Comment ces entreprises complètent-elles la mission de CNTXT AI ?

LocAI est la couche d’application — la partie avec laquelle les gens interagissent réellement. Elle repose directement sur les données et les infrastructures construites par CNTXT AI. C’est ce qui l’a rendue réussie : elle transforme les fondations d’IA fournies par CNTXT AI en solutions réelles que les gens peuvent utiliser.

SMPL AI, en revanche, est à propos de donner en retour à la communauté. Il se concentre sur l’investissement dans les startups en phase de démarrage et sur l’aide à la construction de l’écosystème régional d’IA. Nous partageons les outils et les leçons que nous avons apprises en construisant nous-mêmes l’IA, afin que les fondateurs puissent grandir plus rapidement et éviter les pièges courants.

Munsit a été qualifié de modèle de reconnaissance vocale arabe le plus précis au monde. Qu’est-ce qui a motivé le développement de ce modèle, et pourquoi maintenant ?

Ce qui a motivé le développement de ce modèle était simple : le besoin.

Nous construisons toujours par nécessité. Nous avons regardé le marché et vu que le paysage était mature — les agences gouvernementales et les clients privés demandaient tous une solution comme celle-ci.

Les modèles existants n’étaient simplement pas à la hauteur de la tâche. La plupart sont construits sur la technologie anglaise, puis adaptés. Ils ne sont pas conçus pour l’arabe dès le départ, et certainement pas pour les problèmes spécifiques que nous résolvons.

Nous avons donc décidé de construire le nôtre. C’est arabe d’abord — par conception.

La recherche derrière Munsit introduit une approche d’apprentissage faiblement supervisée. Pouvez-vous expliquer ce que cela signifie et pourquoi cela était essentiel pour la formation de la reconnaissance vocale arabe à grande échelle ?

L’annotation est coûteuse. Nous devions donc aller au-delà des méthodes traditionnelles qui dépendent de grandes quantités de transcription manuelle. L’apprentissage faiblement supervisé nous a aidés à passer à l’échelle sans avoir à étiqueter chaque fichier audio à la main — ce qui est particulièrement important pour l’arabe, une langue avec des données limitées et de nombreux dialectes différents.

Au lieu d’utiliser des enregistrements audio transcrits professionnellement, nous avons commencé avec 30 000 heures de discours arabe non étiqueté. Nous avons construit un pipeline d’annotation qui génère, filtre et nettoie les meilleurs en utilisant des vérifications automatisées. Cela nous a donné un jeu de données de haute qualité de 15 000 heures — tout sans transcription manuelle.

Cette approche a rendu possible la formation de notre modèle à partir de zéro, en capturant la richesse du discours arabe parlé à travers des situations de la vie réelle, rapidement et de manière rentable. Sans cette méthode, la construction d’un système de reconnaissance vocale arabe à cette échelle aurait pris des années et des millions en effort manuel.

Munsit a surpassé les modèles d’OpenAI, de Microsoft (MSFT ) et de Meta sur plusieurs benchmarks. Qu’est-ce que cette réalisation dit sur l’avenir de l’innovation de l’IA arabe ?

L’avenir de l’IA arabe est entre nos mains ; et c’est exactement ce que cette réalisation prouve. Nous ne pouvons plus nous permettre de dépendre de technologies que nous ne possédons pas ou de tiers qui ne donnent pas la priorité à notre région.

Munsit montre que nous pouvons construire une IA de classe mondiale, à partir de la région, pour la région — en utilisant les talents locaux pour résoudre les problèmes locaux. C’est un signal clair que la prochaine vague d’innovation de l’IA arabe viendra de l’intérieur.

Comment voyez-vous Munsit évoluer dans les prochaines versions, et quels sont les prochains fronts pour la reconnaissance vocale arabe chez CNTXT ?

Vous devrez simplement attendre et voir. Ce que je peux dire, c’est que nous avons une nouvelle gamme de solutions d’IA arabe de première classe en cours de route — toutes alimentées par Munsit et d’autres modèles que nous construisons actuellement chez CNTXT AI. C’est juste le début.

Vous parlez souvent de l’importance de l’« IA souveraine ». Qu’est-ce que ce terme signifie pour vous, et pourquoi est-il critique pour le Golfe et la région MENA plus large ?

Pour moi, l’IA souveraine signifie avoir la pleine propriété et le contrôle sur les données, les infrastructures et les modèles qui façonnent notre avenir. C’est critique parce que nous devons posséder notre propre destin, et que cela commence par les données.

La souveraineté des données est tout. Les données sont précieuses, et nous devons nous assurer qu’elles restent entre nos mains.

Nous ne pouvons pas nous permettre de confier notre avenir et de rester inactifs pendant que d’autres construisent la technologie pour nous. L’avenir de l’IA dans cette région viendra de cette région. C’est exactement ce que nous travaillons à réaliser.

Comment voyez-vous CNTXT AI façonnant l’écosystème de l’IA au Moyen-Orient au cours des cinq prochaines années ?

En permettant une véritable préparation à l’IA. Nous allons comprendre ce dont les entreprises et les gouvernements ont besoin, construire les stratégies de données et d’IA, puis les aider à construire, tester, déployer et mettre à l’échelle.

Si les données sont le nouvel or, alors les données non structurées sont de l’or non raffiné — plein de potentiel mais inutile jusqu’à ce qu’elles soient traitées. C’est pourquoi nous avons construit CNTXT AI pour aider les organisations à nettoyer, structurer et activer leurs données. Car c’est là que commence la véritable transformation de l’IA.

De votre point de vue en tant qu’entrepreneur et investisseur, quels conseils donneriez-vous aux autres fondateurs qui construisent des startups d’IA sur les marchés émergents ?

Commencez maintenant. Déplacez-vous rapidement. Échouez rapidement, apprenez plus rapidement et continuez à itérer.

Le plus important, c’est de construire pour résoudre de vrais problèmes. Restez proche du terrain — écoutez les utilisateurs, pas seulement l’hype. Sur les marchés émergents, la pertinence et l’adaptabilité sont clés.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter CNTXT AI.