Sujatha Sagiraju, Directrice des Produits chez Appen – Série d’entretiens

Sujatha Sagiraju est la Directrice des Produits d’Appen, elle a rejoint Appen en septembre 2021 en tant que Vice-Présidente des Produits et elle est responsable de la stratégie produit. Elle est une pionnière de la technologie avec plus de 20 ans d’expérience dans la création de services en ligne disruptifs et de plateformes d’IA/ML et de données. Elle a rejoint Appen en provenance de Microsoft (MSFT ) où elle a occupé des postes de direction dans plusieurs groupes, notamment Bing et Azure AI Platform.

Appen est le leader mondial des données pour le cycle de vie de l’IA. Avec plus de 25 ans d’expérience dans la recherche de données, l’annotation de données et l’évaluation de modèles par des humains, ils permettent aux organisations de lancer les systèmes d’intelligence artificielle les plus innovants au monde.

Qu’est-ce qui vous a initialement attiré vers l’IA ?

Lorsque j’étais chez Microsoft, j’ai travaillé dans l’organisation Azure AI. J’étais familiarisée avec le paysage de l’industrie, les clients et la transformation de l’IA qui se produit dans différents secteurs. Je pouvais voir du point de vue d’un client que les données de formation étaient un obstacle pour construire des modèles d’apprentissage automatique et j’ai vu Appen comme une opportunité de résoudre ce problème – le maillon manquant qui pourrait relier toutes les étapes du cycle de vie de l’IA.

Vous êtes actuellement la Directrice des Produits chez Appen, pouvez-vous décrire ce que ce poste implique ?

À un niveau élevé, mon équipe élabore la vision produit, la stratégie et s’aligne avec de multiples parties prenantes à travers l’organisation pour exécuter efficacement cette stratégie. Sur un plan plus personnel, je consacre beaucoup de temps à comprendre l’industrie et les clients. Avec certaines des plus grandes entreprises comme nos clients, tels que Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, il est important pour mon équipe de comprendre les scénarios et les points de douleur des clients et d’élaborer une stratégie produit qui délivre un plan de croissance. Créer une culture sûre et inclusive est également une très grande partie de mon rôle, car je me concentre sur la création d’un espace pour que nos employés partagent leurs idées, collaborent et fassent évoluer leurs carrières.

À quel point l’élaboration d’équipes diversifiées est-elle importante pour le développement de l’IA ?

C’est extrêmement important pour le développement de l’IA d’avoir des équipes diversifiées. Il y a plusieurs façons de penser à la diversité – le genre, l’âge, la race, les perspectives. La diversité des perspectives peut être la partie la plus importante pour s’assurer que vous avez des expériences et des antécédents diversifiés au sein de votre équipe. Ces expériences apportent de nouvelles idées et différentes pour élaborer le meilleur produit pour tous vos clients qui sont très diversifiés.

Comment créez-vous une culture de travail qui synergise cette diversité ?

Une culture qui promeut la diversité invite les employés à partager leurs idées et leurs perspectives. J’aime considérer différentes méthodes de communication lors des réunions d’équipe. Par exemple, lorsque je demande des commentaires lors d’une réunion d’équipe, je demande aux employés de s’exprimer directement lors de la réunion ou de m’envoyer un message après y avoir réfléchi. Je reconnais que tout le monde n’aime pas s’exprimer ou partager des commentaires immédiatement, et je veux créer une culture où cela est acceptable. Je veux un environnement sûr pour que les gens puissent exprimer leurs opinions et partager leurs idées comme ils le préfèrent. De grandes idées proviennent de toutes les équipes au sein de l’organisation. Je rencontre les équipes de vente, de marketing et d’autres équipes qui interagissent avec nos clients pour comprendre leurs besoins en matière de produit et leur perspective de travail étroitement avec les clients. Certaines des meilleures idées de produit proviennent de l’écoute attentive des points de douleur des clients – soit directement d’eux, soit des équipes qui interagissent avec nos clients chaque jour.

Hors de l’élaboration d’équipes diversifiées, quels sont les autres moyens de lutter contre les préjugés dans les algorithmes d’apprentissage automatique ?

La recherche de données inclusives, la préparation de données et l’évaluation de modèles sont critiques pour lutter contre les préjugés. Les données utilisées pour former les algorithmes doivent être inclusives de tous les utilisateurs finals ou résultats potentiels. Lorsque l’on passe par les différentes étapes du cycle de vie de l’IA, chaque étape doit être vérifiée pour les préjugés. L’IA responsable est également construite avec des ensembles de données responsables, ce qui signifie que les contributeurs sont traités équitablement. Appen a élaboré un Code de conduite pour la foule pour montrer notre engagement envers le bien-être de notre communauté.

Vous avez récemment publié un article sur une nouvelle discipline appelée Données pour le cycle de vie de l’IA. Pouvez-vous brièvement décrire ce que c’est ?

Les données pour le cycle de vie de l’IA englobent quatre étapes dans un cycle continu ; la recherche de données, la préparation de données, la construction et le déploiement de modèles, et l’évaluation de modèles par des humains. Ces étapes sont nécessaires pour délivrer des données de haute qualité pour la construction de projets d’IA. La recherche de données, la préparation de données et l’évaluation de modèles sont les plus fastidieuses et les plus intensives en données et, si elles ne sont pas bien faites, peuvent entraîner des problèmes de qualité de projet et des retards de lancement. Appen se spécialise dans ces trois étapes et s’associe stratégiquement à des fournisseurs qui se spécialisent dans la formation et le déploiement de modèles.

Quel est le rôle des données synthétiques dans les données pour le cycle de vie de l’IA ?

Les solutions de recherche de données incluent des données annotées par des humains, des ensembles de données pré-étiquetés et des données synthétiques. Les données synthétiques sont utilisées dans des cas de figure difficiles à trouver et dans des utilisations spécifiques. Les ensembles de données inclusifs couvrent tous les cas de figure et les utilisateurs finals potentiels d’un modèle d’IA, et certains nécessitent des données synthétiques pour atteindre cet objectif. La combinaison de données annotées par des humains et de données synthétiques deviendra critique pour la réussite des modèles.

Quelle est l’importance du décalage de modèle ou de la sur-ajustement avec les données pour le cycle de vie de l’IA ?

Le décalage de modèle peut être un grand problème et doit être abordé à la quatrième étape du cycle de vie de l’IA, l’évaluation de modèles par des humains. Il est essentiel que le modèle continue à fonctionner dans le monde réel et qu’il soit soumis à des tests humains. À mesure que les environnements changent et grandissent, les modèles doivent également changer. Il est important que les praticiens évaluent continuellement leurs modèles pour éviter qu’ils ne deviennent obsolètes ou biaisés. Microsoft’s Bing est un client qui utilise l’évaluation de modèles pour s’assurer que les résultats de recherche sont conformes à ses normes et que le modèle est continuellement évalué.

Y a-t-il autre chose que vous aimeriez partager sur votre travail chez Appen ?

Le travail le plus précieux chez Appen est réalisé par nos employés et leur expertise. Avec 25 ans d’expérience, Appen a construit une solide fondation avec ses employés. Nos clients font confiance à notre expertise pour délivrer des résultats de haute qualité, rapidement et à grande échelle. Appen permet la transformation de l’industrie de l’IA en fournissant des solutions pour gérer de manière transparente les données pour le cycle de vie de l’IA.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Appen.