साक्षात्कार
डैन ओ’कॉनेल, डायलपैड के मुख्य रणनीति अधिकारी – साक्षात्कार श्रृंखला
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
डैन डायलपैड में मुख्य राजस्व अधिकारी हैं। इससे पहले, वह टॉकआईक्यू के सीईओ थे, जो एक वास्तविक समय भाषण मान्यता और प्राकृतिक भाषा प्रसंस्करण स्टार्टअप था जिसे डायलपैड ने मई 2018 में अधिग्रहित किया था। टॉकआईक्यू से पहले, उन्होंने एडरोल और गूगल में विभिन्न बिक्री नेतृत्व पदों पर काम किया था।
(GOOGL )डायलपैड एक एआई-संचालित क्लाउड संचार मंच है जो आपकी टीम के साथ जुड़ने और सहयोग करने को आसान और अधिक कुशल बनाता है
आप पहले टॉकआईक्यू के सीईओ थे, जो एक वास्तविक समय भाषण मान्यता और प्राकृतिक भाषा प्रसंस्करण स्टार्टअप था जिसे डायलपैड ने मई 2018 में अधिग्रहित किया था। इस स्टार्टअप के पीछे का जादू क्या था जिसने इसे भाषण मान्यता प्रौद्योगिकी में इतना सफल बनाया?
यह कई चीजों का संयोजन था: समय, लोग, और फोकस। स्वचालित भाषण मान्यता (एएसआर) प्रौद्योगिकी नई नहीं है, यह दशकों से आसपास है — लोगों की तुलना में बहुत लंबे समय से। इस समय (और, अधिक से, पिछले पांच वर्षों में), एएसआर प्रौद्योगिकी ने बढ़ी हुई कंप्यूटिंग शक्ति, क्लाउड, डेटासेट की उपलब्धता और उपभोक्ता बाजारों में स्मार्ट स्पीकर्स के व्यापक अपनाने से लाभ उठाया है। इन सभी चीजों ने प्रतिलिपि की सटीकता में वृद्धि की है।
इन रुझानों के शीर्ष पर, हम भाषाविदों के साथ हैकर्स को जोड़ने के लिए भाग्यशाली थे। और जब मैं हैकर्स कहता हूं, तो मेरा मतलब उन इंजीनियरों से है जो उत्पादों को जल्दी से बाजार में ला सकते हैं — वे नवाचार को बढ़ावा देते हैं और समस्याओं का समाधान जल्दी से करते हैं। और जबकि वे हमेशा सबसे आकर्षक समाधान नहीं हो सकते हैं, वे आमतौर पर सबसे तेज़ होते हैं और आपको नवाचार के क्षेत्र में एक अग्रणी के रूप में देखा जा सकता है — जो एक स्टार्टअप के निर्माण और धन जुटाने के लिए एक अच्छी कहानी है।
इसलिए, हमारे पास क्षेत्र में विशेषज्ञ थे, बाजार में प्राकृतिक रुझान, उद्यम में प्रौद्योगिकी को लागू करने के लिए एक विशाल नीला महासागर और एक टीम थी जिसके पास नवाचारी प्रौद्योगिकी को बाजार में लाने और दोहराने योग्य जीटीएम गतिविधियों का एक ट्रैक रिकॉर्ड था।
अंत में, हमने समस्या का समाधान करने के लिए एक अलग दृष्टिकोण लिया। पारंपरिक प्रतिलिपि इंजन टेप रिकॉर्डिंग की तरह काम करते थे। आप एक कॉल रिकॉर्ड करते हैं; आप ऑडियो फ़ाइल को सहेजते हैं; आप इसे अपने प्रतिलिपि इंजन में डालते हैं; और बाद में आपको अपना आउटपुट मिलता है। शुरू में, 30 मिनट का कॉल 30 मिनट का लेन-देन लेता था, इसलिए आप वास्तविक देरी की बात कर रहे हैं।
हम इस समस्या का समाधान करना चाहते थे और एक स्ट्रीमिंग या वास्तविक समय प्रतिलिपि इंजन बनाना चाहते था जिसे ऑडियो फ़ाइल की आवश्यकता नहीं है। यह आज थोड़ा नया लगता है, लेकिन वर्षों पहले कोई स्ट्रीमिंग इंजन नहीं था जो वास्तविक समय में लंबे समय तक 8kHz (जो मेरे लिए एक फैंसी तरीका है जो कहता है कि गरीब गुणवत्ता वाला ऑडियो है, अर्थात, स्टीरियो गुणवत्ता नहीं है — 44kHz) ऑडियो को संभाल सकता है। हम एक टेप रिकॉर्डर नहीं बनाना चाहते थे।
हम एक वास्तविक समय इंजन बनाना चाहते थे जो बातचीत को समझने और विश्लेषण करने में सक्षम हो। अगर हम ऐसा कर सकते थे, तो अवसर अंतहीन होंगे क्योंकि आप तब कार्य प्रवाह को स्वचालित करने और पहले से नहीं किए गए कई शांत चीजें कर सकते हैं। और जिम पामर, एटीने मैंडरशेड, केविन जेम्स, नूह गैस्पार और कई अन्य लोगों को यह प्रकार का वास्तविक समय इंजन बनाने वाले पहले व्यक्ति होने के लिए बड़ा धन्यवाद।
डायलपैड द्वारा टॉकआईक्यू के अधिग्रहण के बाद संक्रमणकालीन अवधि पर चर्चा कर सकते हैं?
अधिग्रहण चरण वास्तव में बहुत चिकना था। डायलपैड टॉकआईक्यू का साथी था और हमारी उत्पाद टीमें पहले से ही डायलपैड में साप्ताहिक आधार पर थीं। और, मैंने पहले गूगल में क्रेग वॉकर और ब्रायन पीटरसन के साथ काम किया था और उनके साथ टीम बनाने की संभावना के बारे में उत्साहित था।
हम सभी ने भविष्य को एक ही तरह से देखा कि ये प्रौद्योगिकियां (एएसआर/एनएलपी) एक संचार/सहयोग मंच में बेक्ड हो सकती हैं जो बाजार के लिए विघटनकारी और व्यवसायों के लिए खेल-परिवर्तनकारी हो सकती हैं। यही कारण है कि अधिग्रहण बंद होने के तुरंत बाद, हमने $50M का दौर बढ़ाया, जिसका नेतृत्व आईसीओएनआईक्यू ने किया। निवेशकों ने भविष्य में प्रौद्योगिकियों के अनुप्रयोग और टीम को देखा जो इन समस्याओं पर काम कर रही थी।
टॉकआईक्यू में, हम मूल रूप से तीन अलग-अलग स्टार्टअप के रूप में काम कर रहे थे: हम अपना खुद का टेलीफोनी स्टैक, भाषण मान्यता इंजन और इन-हाउस एनएलपी प्रौद्योगिकी बना रहे थे। ये तीन कठिन समस्याएं हैं जिन्हें हल करना है। डायलपैड ने पहले से ही टेलीफोनी पहलू को सफलतापूर्वक हल कर लिया था, इसलिए जब अधिग्रहण प्रस्ताव आया, तो यह एक आसान निर्णय था। हमने डायलपैड को स्थान में सबसे नवाचारी व्यवसाय संचार मंच के रूप में देखा और हमारी दृष्टि भविष्य के व्यवसाय संचार के साथ बहुत अच्छी तरह से संरेखित थी।
डायलपैड में उपयोग की जाने वाली कुछ अलग मशीन लर्निंग प्रौद्योगिकियां क्या हैं?
हमारा मूल वॉइस इंटेलिजेंस (वीआई) इंजन एआई और एमएल का लाभ उठाता है ताकि संगठनों को बिक्री चलाने, प्रतिस्पर्धी अंतर्दृष्टि प्राप्त करने, ग्राहक सेवा को बढ़ाने और अधिक कुशल ऑनलाइन बैठकें आयोजित करने में मदद मिल सके।
टॉकआईक्यू से एएसआर और एनएलपी प्रौद्योगिकियों का उपयोग वास्तविक समय में वॉइस और वीडियो कॉल से बातचीत को ग्रहण करने के लिए किया जाता है। साथ ही, हमारी प्रोप्राइटरी तकनीक हमें आगामी बातचीत डेटा को संसाधित करने और इसे उद्योग-अग्रणी सटीकता के साथ एक आसानी से पढ़ने योग्य प्रारूप में कैप्चर और प्रतिलिपि बनाने की अनुमति देती है।
निर्मित एमएल वीआई को समय के साथ बेहतर बनाने में मदद करता है। जितना अधिक आप वीआई का उपयोग करते हैं, उतना ही यह सीखता है और बातचीत को संसाधित करने में बेहतर होता जाता है। समय के साथ, कॉल प्रतिलिपि की सटीकता में वृद्धि होगी और वीआई बातचीत के अधिक सूक्ष्म बारीकियों को संसाधित करने में सक्षम होगा।
डायलपैड ने हाल ही में एक प्रमुख एआई मील का पत्थर हासिल किया है जब यह एक अरब मिनट से अधिक वॉइस का विश्लेषण करता है, तो बेंचमार्क परीक्षणों से पता चलता है कि डायलपैड का प्रतिलिपि मॉडल प्रमुख प्रतियोगियों को पार कर गया है, जिसमें गूगल का उन्नत टेलीफोनी मॉडल भी शामिल है। इन परिणामों को मापने के लिए किस प्रकार के परीक्षण किए गए थे?
हमारे पास एक परीक्षण सेट का संग्रह है जिसमें ऑडियो और साथ ही साथ माना जाता है कि भाषण क्या कहा गया था इसका साथी प्रतिलिपि है। हम उसी ऑडियो को प्रत्येक प्रतियोगी को भेजते हैं और एक प्रतिलिपि वापस प्राप्त करते हैं, जिसे हम तब मूल प्रतिलिपि के साथ तुलना करते हैं। हम त्रुटियों की संख्या की गणना करते हैं ताकि सटीकता प्रतिशत निर्धारित किया जा सके। हम अप्रैल 2018 में टॉकआईक्यू अधिग्रहण के बाद से गूगल के साथ तुलना कर रहे हैं, और हमेशा कम सटीकता थी जब तक कि अब नहीं।
डायलपैड के प्रोप्राइटरी वॉइस इंटेलिजेंस (वीआई) इंजन और प्रतिस्पर्धी इंजनों के पीछे कुछ प्रमुख अंतर क्या हैं?
सबसे बड़े अंतरों में से एक यह है कि हमने इसे दूसरों की तुलना में अधिक समय से किया है, जिसका अर्थ है कि हमने अपनी प्रौद्योगिकी को सबसे सटीक बनाने के लिए अधिक डेटा का विश्लेषण किया है। हमने एक अरब मिनट से अधिक वॉइस संचार का विश्लेषण किया है और हमारे वीआई इंजन के साथ प्रति माह लगभग 90 मिलियन मिनट की प्रक्रिया करते हैं। इस संबंध में, हम प्रतिस्पर्धा से सालों आगे हैं।
एक और अंतर यह है कि हमारा अनुकूलित और स्केलेबल दृष्टिकोण भाषा मॉडल के लिए है। प्रत्येक ग्राहक के लिए, हम कंपनी-विशिष्ट कीवर्ड का एक डेटाबेस बनाते हैं ताकि हम सटीकता में सुधार के लिए कीवर्ड बूस्टिंग कर सकें। उदाहरण के लिए, एक उपयोगकर्ता जो अपना नाम ‘कैथरीन’ और कंपनी ‘स्क्रिब्बल’ में काम करता है, हमारी प्रणाली उचित नामों को सही ढंग से वर्तनी देगी, जबकि अन्य मॉडल उन्हें ऐसा करेंगे जैसा वे लगते हैं (अर्थात “कैथरीन” और “स्क्रिबल”)।
प्राकृतिक भाषा प्रसंस्करण के भविष्य पर आपके व्यक्तिगत दृष्टिकोण क्या हैं? एआई को लगभग 100% या यहां तक कि 100% सटीकता तक पहुंचने में कितना समय लगेगा?
निरपेक्ष सटीकता लगभग अप्राप्य है। शायद, कभी मैं आश्चर्यचकित हो जाऊंगा (मुझे आशा है!)। मुझे लगता है कि हम बहुत, बहुत करीब आ जाएंगे लेकिन सही नहीं। कारण यह है कि स्वचालित भाषण मान्यता (और परिणामस्वरूप एनएलपी) को हल करने के लिए लगभग अंतहीन समस्याएं हैं: उच्चारण, माइक्रोफोन के पास, पृष्ठभूमि शोर, कनेक्टिविटी समस्याएं, विभिन्न प्रकार के माइक्रोफोन, किसी की बात की गति, उच्चारण, संदर्भ (सारा बनाम साराह बनाम सेरा) , संक्षिप्त नाम, उपनाम और इतने पर। जबकि मैं यह कहना चाहूंगा कि हम वहां पहुंच जाएंगे, मुझे लगता है कि हम बहुत करीब आ जाएंगे, लेकिन अंतिम मील, या सटीकता के संदर्भ में, 1-2% चुनौतीपूर्ण होगा।
