Մոհամմադ Օմար, LXT – Հարցազրույցների շարքի համահիմնադիր և գործադիր տնօրեն

Մոհամմադ Օմարը համահիմնադիր և գործադիր տնօրեն է LXT, ինտելեկտուալ ինտելեկտի ուսուցման տվյալների զարգացող առաջատարը՝ խելացի տեխնոլոգիաները գլոբալ կազմակերպությունների համար, ներառյալ աշխարհի խոշորագույն տեխնոլոգիական ընկերությունները: Համագործակցելով ներդրողների միջազգային ցանցի հետ՝ LXT-ը հավաքում և նշում է տվյալներ բազմաթիվ եղանակներով՝ ձեռնարկության կողմից պահանջվող արագությամբ, մասշտաբով և շարժունությամբ: Հիմնադրվել է 2010 թվականին, LXT-ի գլխամասային գրասենյակը գտնվում է Տորոնտոյում, Կանադա, ներկայություն ունենալով ԱՄՆ-ում, Ավստրալիայում, Հնդկաստանում, Թուրքիայում, Մեծ Բրիտանիայում և Եգիպտոսում:

Կարո՞ղ եք կիսվել LXT-ի հիմքում ընկած ծագման պատմությունով:

LXT-ը հիմնադրվել է ի պատասխան այն տվյալների սուր անհրաժեշտության, որին բախվում էր իմ գործատուն տասներկու տարի առաջ: Այդ ժամանակ ընկերությանն արաբական տվյալներ էին պետք, սակայն չուներ համապատասխան մատակարարներ, որոնցից դրանք կարող էին ստանալ: Լինելով ռիսկի դիմող և ձեռներեց իր էությամբ՝ ես որոշեցի հրաժարվել իմ պաշտոնից, հիմնել նոր ընկերություն և ետ վերադառնալ՝ մեր ծառայություններն առաջարկելու իմ նախկին գործատուին: Անմիջապես մեզ տրվեցին նրանց ամենադժվար նախագծերից մի քանիսը, որոնք մենք հաջողությամբ իրականացրեցինք, և ամեն ինչ պարզապես աճեց այնտեղից: Այժմ, ավելի քան 12 տարի անց, մենք ամուր հարաբերություններ ենք հաստատել այս ընկերության հետ՝ դառնալով բարձրորակ լեզվական տվյալների հիմնական մատակարար:

Որո՞նք են AI-ի մասշտաբով տեղակայման ամենամեծ մարտահրավերներից մի քանիսը:

Դա հիանալի հարց է, և մենք իրականում ներառել ենք դա մեր վերջին հետազոտական ​​զեկույցում, Ճանապարհ դեպի AI հասունություն. Հիմնական մարտահրավերը, որը նշել են հարցվողները, իրենց գոյություն ունեցող կամ ժառանգական համակարգերի ինտեգրումն էր AI լուծումների մեջ: Սա իմաստ ունի հաշվի առնելով այն փաստը, որ մենք հարցում ենք կատարել ավելի մեծ ընկերություններին, որոնք, ամենայն հավանականությամբ, կունենան տեխնոլոգիական համակարգերի զանգված իրենց կազմակերպություններում, որոնք պետք է ռացիոնալացվեն թվային փոխակերպման ռազմավարության մեջ: Մյուս մարտահրավերները, որոնք հարցվածները բարձր են գնահատել, եղել են հմուտ տաղանդի բացակայությունը, վերապատրաստման կամ ռեսուրսների բացակայությունը և որակյալ տվյալների աղբյուրը: Ես չզարմացա այս պատասխաններից, քանի որ դրանք սովորաբար նշվում են, և, իհարկե, նաև այն պատճառով, որ տվյալների մարտահրավերը մեր կազմակերպության գոյության պատճառն է:

Երբ խոսքը վերաբերում է տվյալների մարտահրավերներին, LXT-ը կարող է և՛ տվյալների աղբյուր, և՛ պիտակավորել դրանք, որպեսզի մեքենայական ուսուցման ալգորիթմները կարողանան իմաստավորել դրանք: Մենք պատրաստ ենք դա անելու մասշտաբով և արագաշարժությամբ, ինչը նշանակում է, որ մենք շատ արագ ենք մատուցում բարձրորակ տվյալներ: Հաճախորդները հաճախ են գալիս մեզ մոտ, երբ պատրաստվում են մեկնարկին և ցանկանում են համոզվել, որ իրենց արտադրանքը լավ է ընդունվում հաճախորդների կողմից, 

Մեզ հետ աշխատելով տվյալների աղբյուրագրման և պիտակավորման համար՝ ընկերությունները կարող են լուծել իրենց ռեսուրսների և տաղանդների պակասը՝ թույլ տալով իրենց թիմերին կենտրոնանալ նորարար լուծումներ ստեղծելու վրա:

LXT-ն առաջարկում է ծածկույթ ավելի քան 750 լեզուների համար, սակայն կան թարգմանության և տեղայնացման մարտահրավերներ, որոնք դուրս են գալիս հենց լեզվի կառուցվածքից: Կարո՞ղ եք քննարկել, թե ինչպես է LXT-ն դիմակայում այս մարտահրավերներին:

Անկասկած, կան թարգմանության և տեղայնացման մարտահրավերներ, հատկապես այն ժամանակ, երբ դուք դուրս եք գալիս ամենաշատ խոսվող լեզուներից, որոնք հակված են պաշտոնական կարգավիճակ ունենալու և ստանդարտացման մակարդակին, որը համընկնում է դրան: Լեզուներից շատերը, որոնցով մենք աշխատում ենք, չունեն պաշտոնական ուղղագրություն, ուստի թիմում հետևողականությունը կառավարելը դառնում է մարտահրավեր: Մենք լուծում ենք այս և այլ մարտահրավերները, օրինակ՝ խարդախության հայտնաբերումը, որակի ապահովման համար խիստ գործընթացներ իրականացնելու միջոցով: Կրկին շատ ակնհայտ էր AI-ի հասունության հետազոտության զեկույցում, որ AI տվյալների հետ աշխատող կազմակերպությունների մեծ մասի համար որակը առաջնահերթությունների ցանկի վերևում էր: Եվ հարցված կազմակերպությունների մեծ մասը պատրաստակամություն է հայտնել ավելի շատ վճարել դա ստանալու համար: 

Ընկերությունների համար, ովքեր պահանջում են տվյալների աղբյուր և տվյալների ծանոթագրություն, հավելվածների մշակման ճանապարհորդության ժամանակ որքա՞ն պետք է սկսեն ստանալ այս տվյալները:

Մենք խորհուրդ ենք տալիս կազմակերպություններին ստեղծել տվյալների ռազմավարություն հենց որ նրանք բացահայտեն իրենց AI օգտագործման դեպքը: Սպասելը, մինչև հավելվածը մշակվի, կարող է հանգեցնել շատ անհարկի վերամշակման, քանի որ AI-ն կարող է սխալ բաներ սովորել և պետք է վերապատրաստվի որակյալ տվյալների միջոցով, ինչը կարող է ժամանակ պահանջել աղբյուրի և զարգացման գործընթացում ինտեգրվելու համար:

Ո՞րն է հիմնական կանոնը տվյալների թարմացման հաճախականության մասին իմանալու համար:

Դա իսկապես կախված է այն հավելվածի տեսակից, որը դուք մշակում եք և որքան հաճախ են այն աջակցող տվյալները զգալիորեն փոխվում: Սա նշանակում է, որ տվյալները իրական կյանքի ներկայացում են, և ժամանակի ընթացքում տվյալները պետք է թարմացվեն՝ աշխարհում տեղի ունեցողի ճշգրիտ արտացոլումը ապահովելու համար: Այս երևույթը մենք անվանում ենք մոդելային դրեյֆ, որի երկու տեսակ կա, որոնցից յուրաքանչյուրը պահանջում է ալգորիթմների վերապատրաստում:

• Հայեցակարգի շեղումը տեղի է ունենում, երբ վերապատրաստման տվյալների և AI ելքի միջև զգալի տարբերությունը փոխվում է, ինչը կարող է տեղի ունենալ հանկարծակի կամ ավելի աստիճանաբար: Օրինակ, մանրածախ առևտուրը կարող է օգտագործել հաճախորդների պատմական տվյալները՝ արհեստական ​​ինտելեկտի հավելվածը վարժեցնելու համար: Բայց երբ սպառողական իրականության մեջ տեղի է ունենում զանգվածային տեղաշարժ, ալգորիթմը պետք է վերապատրաստվի՝ դա արտացոլելու համար:

• Տվյալների տեղաշարժը տեղի է ունենում, երբ հավելվածի պատրաստման համար օգտագործվող տվյալներն այլևս չեն արտացոլում իրական տվյալները, որոնք հանդիպում են, երբ այն մտնում է արտադրություն: Դա կարող է պայմանավորված լինել մի շարք գործոններով, ներառյալ ժողովրդագրական տեղաշարժերը, սեզոնայնությունը կամ նոր աշխարհագրական տարածաշրջանում հայտի իրավիճակը:

LXT-ը վերջերս հրապարակեց զեկույցը վերնագրված «Ճանապարհ դեպի AI Maturity 2023»: Որո՞նք էին այս զեկույցի որոշ կարևոր կետեր, որոնք ձեզ զարմացրեցին:

Հավանաբար, դա չպետք է անակնկալ լիներ, բայց այն, ինչ իսկապես աչքի էր ընկնում, հավելվածների բազմազանությունն էր: Դուք կարող էիք ակնկալել, որ գործունեության երկու կամ երեք տիրույթներ կգերիշխեն, բայց երբ մենք հարցրինք, թե հարցվողները որտեղ են պլանավորում կենտրոնացնել իրենց AI-ի ջանքերը, և որտեղ են նրանք նախատեսում տեղակայել իրենց AI-ն, ի սկզբանե դա կարծես քաոս էր՝ ընդհանրապես որևէ միտումի բացակայություն: Սակայն տվյալները մաղելով և որակական պատասխանները դիտելով՝ պարզ դարձավ, որ միտումի բացակայությունը. is միտումը. Գոնե մեր հարցվողների աչքերով, եթե դուք խնդիր ունեք, ապա իրական հավանականություն կա, որ ինչ-որ մեկը աշխատում է դրա AI-ի լուծման վրա:

Generative AI-ն փոթորկի տակ է առնում աշխարհը, ի՞նչ կարծիքի եք այն մասին, թե որքան հեռու կարող են տանել արդյունաբերությունը լեզվական գեներատիվ մոդելները:

Այս մասին իմ անձնական կարծիքն այն է, որ գեներատիվ արհեստական ​​ինտելեկտի իրական ուժի առանցքը – ես ընտրում եմ այստեղ բառերն օգտագործել, քան շեշտադրման հապավումը – բնական լեզվի ըմբռնումն է: AI-ի «խելացիությունը» սովորվում է լեզվի միջոցով. բարդ խնդիրներ լուծելու և ի վերջո լուծելու կարողությունը միջնորդավորված է կրկնվող և կուտակային բնական լեզվական փոխազդեցությունների միջոցով: Սա նկատի ունենալով, ես կարծում եմ, որ լեզվի գեներացնող մոդելները մինչև վերջ կհամապատասխանեն AI-ի այլ տարրերին:

Ո՞րն է ձեր տեսլականը AI-ի ապագայի և LXT-ի ապագայի համար:

Ես էությամբ լավատես եմ, և դա կնշանակի իմ արձագանքն այստեղ, բայց արհեստական ​​ինտելեկտի ապագայի իմ տեսլականն այն է, որ այն բարելավի կյանքի որակը բոլորի համար. որպեսզի այն դարձնի մեր աշխարհն ավելի ապահով վայր, ավելի լավ վայր ապագա սերունդների համար: Միկրո մակարդակում LXT-ի իմ տեսլականն է՝ տեսնել, որ կազմակերպությունը շարունակում է հիմնվել իր ուժեղ կողմերի վրա, զարգանալ և դառնալ ընտրովի գործատու և լավ ուժ համաշխարհային հանրության համար, որը հնարավոր է դարձնում մեր բիզնեսը: Մակրո մակարդակում LXT-ի իմ տեսլականն է նշանակալից, բովանդակալից կերպով նպաստել արհեստական ​​ինտելեկտի ապագայի վերաբերյալ իմ լավատեսորեն շեղված տեսլականի իրականացմանը:

Շնորհակալություն հիանալի հարցազրույցի համար, այն ընթերցողները, ովքեր ցանկանում են ավելին իմանալ, պետք է այցելեն LXT.