Andrea Vattani, Co-Founder & Chief Scientist di Spiketrap – Seri Wawancara

Andrea Vattani adalah Co-Founder & Chief Scientist di Spiketrap, sebuah perusahaan kontekstualisasi yang memberdayakan kecerdasan audiens dan kinerja media untuk kreator, platform, dan merek. Teknologi AI Clair yang dimiliki memisahkan sinyal dari kebisingan dataset yang tidak terstruktur, menyediakan klaritas dan konteks yang tak tertandingi, terutama dalam lingkungan online dengan kecepatan tinggi.

Apa yang awalnya menarik Anda ke ilmu komputer dan AI?

Ini adalah kombinasi dari keadaan yang menguntungkan, saya datang ke Universitas Roma untuk mengikuti tes penerimaan jurusan Statistik, dan ternyata saya terlambat sehari! Saya disarankan untuk mendaftar ke jurusan Ilmu Komputer sebagai gantinya dan pindah ke departemen Statistik setahun kemudian. Saya mengikuti tes penerimaan Ilmu Komputer (yang diadakan hari itu!) dan lulus… tidak pernah pindah ke Statistik! Minat saya pada AI benar-benar dimulai ketika saya menyadari bagaimana komputer dapat membantu Anda mengotomatisasi hal-hal, dan AI adalah mesin otomatisasi yang ultimate. Selain itu, bahasa alami dan bagaimana orang menggunakannya selalu menarik bagi saya: saya fokus pada studi klasik di sekolah menengah, mempelajari bahasa Yunani kuno dan Latin, yang mungkin mirip dengan bagaimana mesin merasa ketika diberi aliran kata-kata.

Sebelumnya Anda bekerja sebagai Senior Lead Software Engineer di Amazon (AMZN ) Goodreads, apa saja proyek yang Anda kerjakan dan apa saja kesan Anda dari pengalaman tersebut?

Di Goodreads, saya bekerja pada beberapa proyek pembelajaran mesin yang termasuk deteksi spam dan penskalaan mesin rekomendasi buku. Kesimpulan saya dari waktu saya di sana adalah memahami pentingnya mendefinisikan metrik ML yang sesuai dengan tujuan bisnis dan pelanggan. Misalnya, mesin rekomendasi telah ada selama bertahun-tahun. Ingatlah kompetisi “Netflix (NFLX ) Prize” pada tahun 2009 untuk menemukan rekomendasi film yang lebih baik? Beberapa wawasan dari solusi teratas menunjukkan bahwa kemungkinan Anda menonton film tidak banyak dipengaruhi oleh apakah Anda akan menyukainya atau tidak, tetapi sebagian besar karena kesamaan dengan minat Anda. Ini mungkin berlaku untuk film, karena itu adalah komitmen singkat 90 menit, tetapi untuk buku itu tidak sama. Mengintegrasikan tujuan yang tepat ke dalam metrik Anda adalah kunci.

Belajar lain yang saya terapkan di Spiketrap adalah membangun tim AI yang berorientasi pada pengiriman dan terintegrasi dengan roadmap produk daripada tim yang terisolasi hanya fokus pada eksplorasi dan penelitian. Ini mengarah pada definisi tujuan, timeline, dan pemahaman ROI yang lebih baik. Ini juga secara alami memfavoritkan tim untuk fokus pada kecepatan dan praktikality model daripada hanya melihat akurasi. Kembali ke contoh kompetisi Netflix, model tim pemenang tidak pernah diintegrasikan karena tidak cukup praktis meskipun akurasi yang ditingkatkan.

Penelitian Anda telah dipublikasikan di berbagai jurnal, apa menurut Anda yang paling penting?

Selama Ph.D. saya, saya beruntung dapat berkolaborasi dengan beberapa peneliti dari berbagai bidang, termasuk pembelajaran mesin, “big data”, analisis data sosial, dan teori permainan. Sebuah makalah yang saya sukai karena kesederhanaan dan keterapannya adalah “Scalable K-Means++” : K-means++ adalah metode clustering tak terawasi yang digunakan secara luas untuk membagi dataset menjadi K kelompok kohesif. Ini melakukan ini dengan menambahkan satu kelompok pada satu waktu, sehingga ketika Anda memiliki banyak data dan kelompok, itu menjadi terlalu lambat. Dalam makalah itu, kami menunjukkan bagaimana Anda dapat mencapai akurasi yang sama, jika tidak lebih baik, dengan memparalelisasi metode. Metodologi kami sangat sederhana dan telah diimplementasikan dalam beberapa perpustakaan pembelajaran mesin.

Bisakah Anda membagikan kisah di balik Spiketrap?

Setelah bekerja di Goodreads, saya dan co-founder Spiketrap, Kieran dan Virgilio, memahami ada celah di industri untuk mengakses wawasan merek yang canggih dari platform sosial khusus. Dengan menerapkan teknologi AI, kami dapat menangani masalah ini dengan cara yang efisien.

Di ekonomi saat ini, sangat penting bagi perusahaan untuk mendengarkan pelanggan dan industri mereka secara keseluruhan. Namun, banyak dari apa yang pelanggan katakan tentang merek tidak terdengar. Jutaan orang mengungkapkan pendapat mereka secara terbuka setiap hari, di seluruh platform seperti Twitter, Reddit, Twitch, dan lain-lain. Ini terbukti menjadi sumber daya yang sangat berharga bagi peneliti pasar, asalkan konten dapat dikontekstualisasi dalam skala besar. Masalahnya adalah industri wawasan belum mengikuti perilaku digital dan bahasa yang berkembang.

Alat mendengarkan masih bergantung pada kata kunci dan pencarian boolean, melewatkan banyak percakapan yang bisa dan seharusnya dikaitkan dengan merek tertentu. Sementara itu, perusahaan penelitian pasar telah terjebak dalam tindakan seimbang yang semakin sulit, mencoba menentukan wawasan kualitatif dari metode kuantitatif dan terbatas biaya.

Singkatnya, orang-orang kekurangan alat yang mereka butuhkan untuk memahami audiens mereka dalam skala besar. Angka penjualan dan jumlah pemirsa menjawab “apa” dari perilaku audiens, tetapi tidak “mengapa”. Tanpa konteks, menentukan apa yang berkorelasi versus penyebab adalah permainan tebak-tebakan. Mengenali kekosongan ini, kami menyelidiki apa yang terlihat seperti solusi untuk pemahaman kontekstual, dan Spiketrap lahir.

Apa saja teknologi pembelajaran mesin yang digunakan di Spiketrap?

Kami menggunakan berbagai teknologi, dari Scikit-learn biasa hingga perpustakaan pembelajaran dalam seperti Pytorch. Selain perpustakaan, metodologi, model, dan dataset yang kami gunakan sebagian besar bersifat propietary. Kami telah belajar bahwa metode dan model siap pakai hanya membawa Anda sejauh itu, tetapi untuk benar-benar memecahkan masalah, Anda benar-benar perlu memasukkan pekerjaan Anda sendiri, mulai dari tujuan dan mendapatkan ke arsitektur model dan dataset. Untuk memberikan contoh, pemodelan topik adalah tugas untuk mengekstrak tema dari koleksi teks. “Spiketrap Convos” kami menyediakan wawasan penting bagi pelanggan kami tentang audiens mereka, dan menggunakan pemodelan topik sebagai salah satu sinyal. Metode go-to biasa untuk pemodelan topik adalah LDA (Latent Dirichlet Allocation), tetapi sayangnya itu terlalu tidak konsisten dan tidak dapat diprediksi dan tidak cukup kuat. Di sisi lain spektrum, Anda dapat mencoba model pra-pelatihan modern seperti Bert-Topics, yang -meskipun kuat dan komprehensif- juga sangat kaku dan lambat. NLP dan AI bahasa telah membuat lompatan besar dalam dekade terakhir, tetapi mengambil model yang ada untuk mengubahnya menjadi produk masih jauh dari optimal dan taruhan yang berisiko.

Bisakah Anda menjelaskan bagaimana Spiketrap memberdayakan pemahaman audiens instan untuk kreator, platform, dan merek?

Periklan dan agen menggunakan papan peringkat influencer dan alat afinitas merek kami untuk mengidentifikasi kreator yang komunitasnya aman merek di berbagai kategori, termasuk nilai untuk konten beracun, cabul, dan seksual – serta keamanan merek komunitas secara keseluruhan.

Kreator dapat menggunakan alat ini untuk memasuki aliran individu dan melihat percakapan mana yang paling atau kurang aman, yang mengarah pada keterlibatan positif bagi sponsor mereka, dan di mana mereka mungkin dapat meningkatkan upaya moderasi mereka.

Sebuah makalah baru berjudul ‘FeelsGoodMan: Inferring Semantics of Twitch Neologisms‘ diterbitkan oleh Spiketrap. Bisakah Anda menjelaskan apa makalah ini?

Cara orang berkomunikasi dan mengekspresikan diri secara online telah menjadi semakin kompleks dan menantang untuk diuraikan. Pertama kali muncul emotikon :-). Kemudian muncul emoji . Kemudian muncul meme… dan sekarang “emotes”, bentuk baru komunikasi berbasis ikon yang telah menjadi sangat populer di platform streaming Twitch. Sedikit mengingatkan pada emoji karena penggunaan campuran dengan teks biasa, mereka menyajikan tantangan serupa dengan meme dalam hal bahwa mereka dibuat oleh pengguna dan makna kriptiknya tidak memiliki koneksi yang jelas dengan gambar yang sebenarnya. Ada lebih dari 8 juta emotes yang berbeda hingga saat ini dengan lebih dari 400.000 digunakan setiap minggu. Meskipun demikian, orang berkomunikasi secara efektif dengan menggunakannya untuk mengekspresikan berbagai perasaan seperti kegembiraan, kebosanan, kegembiraan, atau sarkasme. Makalah terbaru kami adalah buku masak AI untuk menginfer makna semantik emotes. Pendekatan kami tidak memerlukan pemeliharaan dan pembaruan dataset yang dikurasi secara manual, dan dapat beradaptasi dengan sendirinya terhadap pengenalan emotes baru serta evolusi makna emotes populer. Ini sangat penting ketika emote mendapatkan muatan politik atau rasial, yang telah kami lihat terjadi dengan emotes yang sangat populer, seperti “TriHard”, “PogChamp”, dan “FeelsGoodMan”. Penggunaan dinamis bahasa dan pergeseran makna menyajikan masalah besar bagi sistem moderasi atau kerangka kerja analisis sentimen, jadi kami bangga untuk menangani masalah ini dengan cara yang tepat di Spiketrap.

Apakah ada yang lain yang ingin Anda bagikan tentang Spiketrap?

Ketika kita melihat ke depan ke tahun baru, Spiketrap bekerja pada pengembangan dan penyempurnaan alat baru yang akan memberikan pemahaman yang lebih dalam tentang sentimen merek bagi klien kami. Alat Afinitas Spiketrap menyediakan cara interaktif dan intuitif untuk mengidentifikasi dan mengkuantifikasi afinitas audiens di seluruh kreator, merek, game, dan lain-lain. Untuk setiap kueri, alat tersebut menghasilkan skor indeks afinitas yang menunjukkan seberapa baik entitas yang diberikan berkorelasi positif dengan yang lain. Banyak sinyal kontekstual yang membentuk skor, termasuk frekuensi dan sentimen dari penyebutan yang terkait. Tumpukan teknologi Spiketrap secara unik diposisikan untuk mengindeks afinitas antara game, merek, dan kreator. Clair, AI NLP propietary, memproses jutaan pesan yang diposting secara publik oleh pengguna setiap hari, mengatribusikan konten yang tidak jelas ke entitas dalam grafik pengetahuan Spiketrap yang luas, mengidentifikasi topik percakapan, menentukan sentimen, dan memantau keamanan. Penambahan Alat Afinitas baru memberdayakan pengembang, kreator, merek, dan lain-lain untuk lebih memahami audiens dan dampak merek mereka.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Spiketrap.