Phil Hall, Directeur de la croissance de LXT – Série d’entretiens

Le directeur de la croissance de LXT, Phil Hall, est un ancien dirigeant d’Appen et membre du Conseil technologique de Forbes. Dans son rôle de direction chez Appen, il a dirigé une division de plus de 1 000 employés et a joué un rôle clé dans la réalisation de 17 années consécutives de croissance des revenus avec une rentabilité constamment solide. Dans son rôle actuel chez LXT, il travaille avec une équipe d’experts sélectionnés pour atteindre des objectifs de croissance ambitieux.

LXT est un leader émergent dans les données de formation d’IA pour alimenter les technologies intelligentes des organisations mondiales, y compris les plus grandes entreprises technologiques du monde. En partenariat avec un réseau international de contributeurs, LXT collecte et annoté des données sur plusieurs modalités avec la vitesse, l’échelle et l’agilité requises par les entreprises. Ils ont une expertise mondiale qui s’étend sur plus de 115 pays et 750 locaux linguistiques. Fondé en 2010, LXT a son siège social à Toronto, au Canada, avec des bureaux aux États-Unis, en Australie, en Égypte, au Royaume-Uni et en Turquie. La société sert des clients en Amérique du Nord, en Europe, en Asie-Pacifique et au Moyen-Orient.

Quand avez-vous découvert pour la première fois que vous étiez passionné par la langue ?

J’ai toujours été fasciné par la langue, mais en termes d’engagement direct avec la langue et la linguistique, il y a eu un point de départ important pour moi. Nous avons réalisé très tôt que l’un de nos enfants était dyslexique, et lorsque nous avons parlé à son école à propos d’un soutien supplémentaire, ils nous ont dit qu’il y avait des programmes auxquels ils pouvaient accéder, mais qu’il y avait également des choses que je pouvais faire en tant que bénévole à l’école pour aider notre fille et d’autres enfants. Cela s’est bien passé, et à partir de là, j’ai poursuivi des études en linguistique et j’ai fini par enseigner dans deux universités ici à Sydney.

Vous enseigniez la linguistique avant de passer à l’espace des données de parole, qu’est-ce qui vous a inspiré à changer de direction ?

Appen, basé à Sydney, passait juste d’une opération gérée depuis une pièce de la maison à une entreprise commerciale à part entière. On m’a dit qu’ils cherchaient des linguistes (peut-être plus précisément, un linguiste !) et j’ai été présenté aux fondateurs Julie et Chris Vonwiller. La transition a été progressive et s’est étalée sur environ deux ans. J’étais réticent à quitter l’enseignement – travailler avec des étudiants de haut niveau était à la fois inspirant et amusant. Mais surtout pendant ces années pionnières, j’ai résolu des problèmes difficiles aux côtés des principaux experts mondiaux en technologie linguistique, et les niveaux d’excitation étaient élevés. Beaucoup de choses qui sont considérées comme acquises aujourd’hui étaient très difficiles à l’époque.

Vous êtes sorti de la retraite pour rejoindre LXT. Qu’est-ce qui vous a motivé à le faire ?

C’est une question intéressante, car j’appréciais vraiment ma retraite. En fait, notre co-fondateur et PDG, Mohammad Omar, m’a abordé des mois avant que je réponde à sa première demande, car j’avais une vie détendue et n’avais pas vraiment songé à revenir au travail à plein temps. Après avoir accepté de prendre le premier appel où Mo m’a demandé si je voulais rejoindre LXT, j’ai pensé que j’allais simplement écouter poliment et refuser.

Mais finalement, l’opportunité était simplement trop bonne pour être résistée.

En parlant avec Mohammad et les autres membres de l’équipe de LXT, j’ai immédiatement reconnu une passion partagée pour la langue. L’équipe que Mohammad avait rassemblée était composée de penseurs créatifs avec une énergie sans limites qui étaient pleinement engagés dans la mission de l’entreprise.

À mesure que j’en apprenais davantage sur l’opportunité avec LXT, j’ai réalisé que c’était une occasion que je ne voulais pas laisser passer. Voici une entreprise avec un potentiel massif pour se développer et grandir dans un domaine que j’adore. Et à mesure que le marché de l’IA continue de croître de manière exponentielle, l’opportunité d’aider davantage d’organisations à passer de l’expérimentation à la production est une perspective excitante dont je suis très heureux de faire partie.

Quels sont certains des défis actuels liés à l’acquisition de données à grande échelle ?

Les défis sont aussi variés que les applications qui les motivent.

D’un point de vue pratique, les défis incluent l’authenticité, la fiabilité, l’exactitude, la sécurité et la garantie que les données sont adaptées à leur objectif – et cela sans tenir compte du nombre croissant de défis juridiques et éthiques inhérents à l’acquisition de données.

Par exemple, le développement de la technologie pour soutenir les véhicules autonomes nécessite la collecte de volumes extrêmement importants de données sur une multitude de scénarios afin que la voiture comprenne comment réagir aux situations du monde réel. Il y a un nombre infini de cas de bord que l’on peut rencontrer en conduisant, donc les algorithmes qui alimentent ces véhicules ont besoin de jeux de données qui couvrent tout, des rues aux panneaux stop, en passant par les objets qui tombent. Et si vous multipliez cela par le nombre d’événements météorologiques qui peuvent survenir, le volume de données de formation nécessaires augmente de manière exponentielle. Les entreprises du secteur automobile qui se lancent dans l’espace autonome ont besoin d’établir un pipeline de données fiable, et le faire seuls prendrait une quantité massive de ressources.

Un autre cas d’utilisation est l’expansion d’un produit de reconnaissance vocale existant vers de nouveaux marchés pour capter des parts de marché et de nouveaux clients. Cela nécessite inévitablement des données linguistiques, et pour atteindre une précision, il est essentiel de trouver des données de parole provenant de locuteurs natifs issus de divers profils démographiques. Une fois les données collectées, les fichiers audio doivent être transcrits pour former les algorithmes de traitement automatique des langues naturelles du produit. Faire cela pour plusieurs langues et aux volumes de données nécessaires pour être efficace est extrêmement difficile pour les entreprises qui le font seules, en particulier si elles manquent d’expertise interne dans ce domaine.

Ceci n’est que deux exemples des nombreux défis qui existent avec la collecte de données pour l’IA à grande échelle, mais comme vous pouvez l’imaginer, l’automatisation à domicile, les données des appareils mobiles et la collecte de données biométriques ont chacune leurs propres défis spécifiques.

Quelles sont les méthodes actuelles utilisées par LXT pour collecter et annoter des données ?

Chez LXT, nous collectons et annotons des données différemment pour chaque client, car tous nos engagements sont adaptés pour répondre aux spécifications de nos clients. Nous travaillons sur une variété de types de données, notamment audio, image, parole, texte et vidéo. Pour les collections de données, nous travaillons avec un réseau mondial de sous-traitants pour collecter des données dans ces différentes modalités. Les collections peuvent aller de la collecte de données dans des environnements réels tels que les foyers, les bureaux ou les voitures, à des studios avec des ingénieurs expérimentés dans le cas de certains projets de collecte de données vocales.

Nos capacités d’annotation de données s’étendent également sur plusieurs modalités. Notre expérience a commencé dans l’espace de la parole et, au cours des 12 dernières années, nous nous sommes étendus à plus de 115 pays et plus de 750 locaux linguistiques. Cela signifie que les entreprises de toutes tailles peuvent compter sur LXT pour les aider à pénétrer un large éventail de marchés et à capturer de nouveaux segments de clients. Plus récemment, nous nous sommes étendus au texte, à l’image et à la vidéo, et notre plateforme interne est utilisée pour fournir des données de haute qualité à nos clients.

Un autre domaine d’expansion passionnant pour nous a été notre travail d’annotation sécurisé. Juste cette année, nous avons étendu notre empreinte d’installation sécurisée ISO 27001 de deux à cinq emplacements dans le monde. Nous avons maintenant développé un livre de jeu qui nous permet d’établir de nouvelles installations en quelques mois. Les services que nous mettons l’accent sur ces installations sécurisées sont actuellement l’annotation et la transcription des données vocales, mais ils peuvent être utilisés pour l’annotation de nombreux types de données.

Pourquoi la collecte de données de cette manière est-elle une alternative supérieure aux données synthétiques ?

Les données synthétiques sont un développement passionnant dans le domaine de l’IA et conviennent bien à des cas d’utilisation spécifiques, en particulier les cas de bord difficiles à capturer dans le monde réel. L’utilisation de données synthétiques est en augmentation, en particulier dans les premières étapes de la maturité de l’IA, car les entreprises sont encore en mode expérimental. Cependant, nos propres recherches montrent qu’à mesure que les organisations mûrissent leurs stratégies d’IA et poussent davantage de modèles en production, elles sont beaucoup plus susceptibles d’utiliser des méthodes d’apprentissage automatique supervisées ou semi-supervisées qui reposent sur des données annotées par l’homme.

Les humains sont simplement meilleurs que les ordinateurs pour comprendre les nuances nécessaires pour créer les données nécessaires pour former les modèles de ML à des niveaux de précision élevés, et la surveillance humaine est également cruciale pour réduire les préjugés.

Pourquoi ces données sont-elles si importantes pour la parole et le traitement automatique des langues ?

Pour que les algorithmes de parole et de traitement automatique des langues fonctionnent efficacement sur les marchés visés, ils ont besoin d’être formés avec de grandes quantités de données provenant de locuteurs natifs qui ont le contexte culturel des utilisateurs finals qu’ils représentent. Sans ces données, l’adoption de l’IA vocale aura des limites graves.

En outre, l’environnement doit être pris en compte lors de la collecte de données vocales. Si la solution d’IA vocale en formation sera utilisée dans une voiture, par exemple, il y a différents conditions routières et météorologiques qui affectent la parole et qui doivent être prises en compte. Ce sont des scénarios complexes où un partenaire de données expérimenté peut aider.

Y a-t-il autre chose que vous aimeriez partager à propos de LXT ?

Tout d’abord, je tiens à vous remercier de me donner l’opportunité de partager notre histoire ! Je voudrais souligner que notre entreprise est engagée à aider les organisations de toutes tailles à réussir leurs initiatives d’IA. Nous nous sommes concentrés sur la fourniture de données d’IA hautement personnalisées aux entreprises du monde entier pendant plus de 12 ans et nous serions ravis de nous connecter avec quiconque souhaitant créer un pipeline de données fiable pour soutenir ses projets d’IA.

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