Dani Cherkassky, CEO dan Co-Founder Kardome – Seri Wawancara

Dani Cherkassky, CEO dan Co-Founder Kardome, membawa lebih dari dua dekade pengalaman di bidang akustik, pemrosesan sinyal, dan pengembangan algoritma ke garis depan inovasi teknologi suara. Sebelum mendirikan Kardome, ia menjabat sebagai CTO di Silentium Ltd., di mana ia memimpin kolaborasi R&D dengan perusahaan Tier 1 dan lembaga penelitian. Dengan gelar Ph.D. di bidang Pemrosesan Array Mikrofon dari Universitas Bar-Ilan, Cherkassky menggabungkan keahlian teknis yang mendalam dengan misi yang jelas — untuk menghilangkan frustrasi interaksi suara modern dengan menciptakan teknologi yang benar-benar mendengarkan orang, bukan kebisingan di sekitar mereka.

Kardome adalah perintis solusi spatial hearing yang didorong oleh AI, yang memberikan interaksi suara yang jelas dan dipersonalisasi di setiap lingkungan — dari mobil dan ruang konferensi hingga rumah pintar dan ruang publik. Teknologi pengelompokan suara patennya memisahkan suara berdasarkan lokasi, memungkinkan perangkat untuk memahami setiap pembicara seolah-olah mereka adalah satu-satunya orang yang berbicara. Dirancang untuk menjadi hardware-agnostik dan siap edge, platform Kardome meningkatkan akurasi pengenalan suara, keamanan, dan pengalaman pengguna, memungkinkan generasi berikutnya dari komunikasi manusia-mesin.

Apa yang menginspirasi Anda dan Dr. Alon Slapak untuk mendirikan Kardome?

Inspirasi untuk Kardome tumbuh dari kombinasi antara ketertarikan dan frustrasi. Dengan latar belakang kami di bidang suara dan audio, baik di akademisi maupun industri, kami sangat terkesan dengan kemajuan pengenalan suara, terutama ketika jaringan neural dalam memasuki adegan.

Di laboratorium yang tenang, teknologi itu luar biasa. Namun, saat Anda melangkah ke dunia nyata, keajaiban itu menghilang. Kami mengamati bahwa di mobil yang bising, kantor yang sibuk, atau rumah yang kacau, sistem canggih yang mutakhir hampir tidak lebih baik daripada teknologi pada tahun 1990-an. Ini adalah hambatan besar bagi kemajuan.

Suara adalah cara paling alami untuk berinteraksi dengan perangkat kami, penerus sebenarnya dari antarmuka sentuh. Namun, agar itu terjadi, teknologi perlu mengatasi kekacauan kehidupan nyata. Kami memutuskan untuk membuat itu menjadi misi kami. Kami menghabiskan setahun di garasi, bergumul dengan persamaan propagasi gelombang suara dan menguji ide baru, sampai kami mencapai terobosan: demonstrasi pertama dari apa yang sekarang dikenal sebagai Teknologi Spatial Hearing Kardome.

Saat itu, kami tahu kami memiliki kunci. Kami mendirikan Kardome tidak hanya untuk membangun produk, tetapi untuk memulai revolusi dalam cara manusia dan mesin berkomunikasi.

Banyak asisten suara mengalami kesulitan dan sering membuat pengguna frustrasi ketika suara tumpang tindih atau kebisingan latar mengambil alih. Mengapa metode konvensional performa begitu buruk dalam kondisi dunia nyata?

Antarmuka suara konvensional performa buruk di dunia nyata karena perangkat lunak mereka bergantung pada metode yang terlalu sederhana untuk memahami suara. Sebagian besar sistem menggunakan beberapa mikrofon untuk menentukan arah datang suara, pendekatan yang hanya fokus pada sudut suara sambil mengabaikan informasi spasial 3D lainnya. Metode ini segera gagal dalam setiap pengaturan dunia nyata—seperti mobil, kantor, atau ruang tamu—karena lingkungan tersebut dipenuhi dengan reverberasi, di mana gelombang suara memantul dari setiap permukaan yang reflektif. Bagi sistem yang hanya memahami arah, setiap refleksi ini dipandang sebagai suara baru dari lokasi yang berbeda.

Hal ini menciptakan efek yang membingungkan, seolah-olah perangkat berada di aula ‘cermin akustik’, di mana satu suara tampaknya berasal dari ratusan arah secara bersamaan. Tidak mampu membedakan suara-suara yang berbeda dari badai refleksi, sistem tidak dapat memahami suara dengan benar. Batasan fundamental ini tepatnya mengapa teknologi suara saat ini memiliki persepsi yang buruk terhadap audio dalam skenario kehidupan nyata yang kacau dan pada akhirnya gagal berperforma dengan andal.

Teknologi Kardome memperlakukan setiap orang seolah-olah mereka adalah satu-satunya orang yang berbicara di ruangan. Apa terobosan teknis yang membuat ini memungkinkan, dan bagaimana ini berbeda dari pengenalan suara jarak jauh konvensional?

Terobosan teknis kami adalah teknologi paten yang disebut Spatial Hearing AI, yang melampaui metode konvensional yang hanya mendeteksi arah suara untuk menentukan lokasi presisi suara dalam ruang tiga dimensi. Ini bekerja dengan menganalisis pola refleksi suara secara keseluruhan dalam sebuah ruangan, memperlakukan cara suara memantul dari permukaan sebagai “sidik jari akustik” unik untuk posisi tertentu. AI kami secara pasif dan instan menginferensi sidik jari ini untuk setiap sumber suara, secara efektif memetakan lingkungan. Pendekatan berbasis lokasi ini secara fundamental berbeda dari sistem konvensional yang didorong oleh arah, yang dengan mudah dibingungkan oleh refleksi yang kami gunakan sebagai data yang berharga. Sementara mereka mendengar satu pembicara sebagai kerumunan gaung, teknologi kami menggunakan pola refleksi lengkap untuk menentukan sumber sebenarnya. Hasil praktisnya adalah perangkat yang ditenagai oleh Kardome dapat fokus pada satu orang dalam lingkungan yang bising dan mendengarnya seolah-olah mereka berbicara sendirian dalam ruangan yang tenang. Selain itu, Cognition AI memastikan bahwa sistem tidak hanya mendengar kata-kata tetapi juga memahami siapa yang mengucapkannya dan apa yang mereka maksud dalam konteks.

Suara AI dikatakan sedang mengalami “momennya seperti iPhone.” Dari perspektif Anda, apa artinya, dan seberapa dekat kita dengan adopsi arus utama yang sebenarnya?

Bagi saya, “momennya seperti iPhone” berarti suara akhirnya siap menjadi cara default kita berinteraksi dengan perangkat komputasi.

Saya melihat produsen berlomba-lomba untuk mengintegrasikan teknologi suara AI di seluruh lini produk. Mobil menjadi antarmuka suara-pertama untuk alasan keamanan. Rumah pintar membutuhkan antarmuka pengguna suara karena tidak memungkinkan untuk meletakkan layar sentuh di mana-mana. Elektronik tradisional juga menambahkan kemampuan suara karena seringkali lebih cepat daripada menavigasi menu. Sementara banyak teknologi yang mendorong adopsi suara, revolusi sebenarnya akan ditentukan oleh robotika. Ketika robot menjadi terintegrasi ke dalam rumah dan tempat kerja kita, suara akan muncul sebagai satu-satunya antarmuka alami yang efektif untuk interaksi.

Agar koeksistensi ini berjalan lancar, robot harus memahami kita pada tingkat manusia. Mereka perlu memahami konteks dan nuansa bahasa alami, bukan hanya kata kunci. Mereka memerlukan kesadaran spasial yang sangat presisi sehingga terasa ajaib—secara instingtif mengetahui bahwa Anda adalah orang yang berbicara dengan mereka, bahkan dalam ruangan yang bising. Secara kritis, kecerdasan ini harus beroperasi di tepi untuk komunikasi instan, pribadi, dan andal.

Ini bukanlah perbaikan inkremental; ini adalah perubahan fundamental dalam cara manusia dan mesin akan berinteraksi. Kami sedang membangun teknologi untuk memimpin definisi ulang itu. Saya akan mengatakan kita sekitar 24 bulan dari titik infleksi di mana suara menjadi antarmuka yang diharapkan daripada fitur yang menyenangkan.

Dalam istilah praktis, bagaimana Anda melihat spatial hearing dan cognition AI mengubah perangkat sehari-hari—dari mobil dan rumah pintar hingga perangkat yang dapat dikenakan dan ruang publik?

Transformasi ini tentang memungkinkan interaksi alami di mana pun Anda berada, tanpa harus menyesuaikan perilaku Anda untuk mengakomodasi teknologi. Di mobil, ini berarti kontrol tangan-bebas yang sebenarnya bekerja saat mengemudi dengan kecepatan jalan raya dengan musik diputar dan penumpang berbicara. Rumah pintar menjadi benar-benar cerdas ketika mereka dapat memahami siapa yang berbicara dan dari mana, menangani permintaan simultan tanpa kebingungan.

Wawasan kunci adalah bahwa spatial hearing AI tidak hanya memperbaiki pengenalan suara—tetapi memungkinkan paradigma interaksi baru. Ketika perangkat dapat memahami seluruh adegan akustik, mereka dapat berpartisipasi dalam aliran alami komunikasi manusia, bukan bergantung pada kendala buatan. Perangkat yang dapat dikenakan menjadi jauh lebih berguna ketika mereka dapat mengisolasi suara Anda dari percakapan sekitar, dan ruang publik dapat menawarkan bantuan suara pribadi. Seperti yang disebutkan untuk robotika, ini merupakan perubahan fundamental dalam cara manusia dan mesin akan berinteraksi dengan robot yang menjadi terintegrasi ke dalam kehidupan kita.

Privasi adalah kekhawatiran yang tumbuh dengan perangkat yang selalu mendengarkan. Bagaimana Kardome menyeimbangkan tuntutan pemrosesan perangkat dengan kebutuhan akan kinerja dan akurasi?

Sebagian besar solusi Voice AI saat ini beroperasi pada model hibrida, yang terdiri dari komponen edge (perangkat) dan komponen berbasis cloud. Sementara pemrosesan edge tidak menimbulkan kekhawatiran privasi karena data tidak pernah meninggalkan perangkat pengguna, pemrosesan cloud mempresentasikan tantangan signifikan terhadap privasi data.

Kardome menangani tantangan ini dengan secara signifikan memperluas kemampuan komponen edge. Dengan memproses lebih banyak data secara lokal dan mengurangi ketergantungan pada cloud, Kardome memastikan bahwa data suara sensitif tidak pernah meninggalkan perangkat, menawarkan perlindungan privasi yang superior dibandingkan dengan sistem lain di pasar.

Keakhiran utama dengan perangkat “selalu mendengarkan” bukanlah mikrofon yang menangkap audio, tetapi risiko audio tersebut diunggah ke cloud untuk dianalisis. Dalam prakteknya, biaya pemrosesan cloud yang prohibitif berarti bahwa sebagian besar sistem komersial menghindarinya, tetapi ini datang dengan harga yang tinggi: kualitas yang lebih rendah dan kurang responsif Voice UI.

Kardome menyelesaikan trade-off ini dengan membawa model bahasa yang kuat dan selalu-aktif ke perangkat edge itu sendiri. Dengan teknologi kami, adegan akustik, bahasa alami, dan konteks dianalisis secara real-time langsung di perangkat. Tidak ada data suara yang pernah diunggah atau disimpan. Pendekatan inovatif ini memungkinkan Kardome untuk menyampaikan baik privasi data yang kuat dan Voice UI yang sangat efisien, menghilangkan kompromi yang dihadapi pengguna saat ini.

Melihat industri lebih luas, apa hambatan terbesar yang masih harus diatasi oleh suara AI sebelum menjadi antarmuka dominan di seluruh elektronik konsumen?

Hambatan terbesar adalah bahwa suara AI masih tidak berkomunikasi seperti manusia. Sampai suara AI dapat mendengar dan memahami seperti manusia, dengan kesadaran konteks penuh dan kemampuan memahami aliran percakapan, itu tidak akan menjadi antarmuka utama yang orang inginkan. Hambatan teknis signifikan pada titik ini adalah bahwa sebagian besar teknologi Voice AI adalah berbasis cloud. Ini secara inheren mencegah mendengarkan terus-menerus dan sehingga memblokir pemahaman aliran percakapan.

Terobosan akan datang ketika sistem suara dapat benar-benar memahami konteks percakapan dan merespons dengan kesadaran yang sama seperti manusia. Itulah saat suara akan menjadi antarmuka dominan di seluruh elektronik konsumen.

Bagaimana Anda pikir hubungan konsumen dengan asisten suara akan berkembang sekali akurasi dan keandalan dalam lingkungan yang bising telah dipecahkan?

Sekali keandalan dan percakapan alami terpecahkan, asisten suara akan beralih dari fitur novelty menjadi antarmuka esensial yang orang bergantung sepanjang hari mereka. Ketika orang tahu suara AI akan memahami mereka dengan benar pertama kali, bahkan dalam lingkungan yang menantang, mereka akan berhenti mengakomodasi teknologi dan mulai menggunakannya secara naluriah dengan bahasa alami dan percakapan kontekstual.

Masa depan interaksi suara akan diprediksi dan proaktif. Bayangkan perangkat Anda memahami tidak hanya kata-kata Anda, tetapi nada, petunjuk emosional, dan subteks percakapan. Sistem saat ini bergumul dengan irama alami percakapan dan tidak dapat menangani interupsi, bergantian, dan pemahaman kontekstual. Manusia beradaptasi ketika diinterupsi; suara AI sering kali bingung. Bagi OEM, tantangannya adalah mengintegrasikan suara AI yang dapat menyampaikan antarmuka masa depan ini tanpa kompleksitas dan persyaratan perangkat keras dari solusi saat ini.

Akhirnya, di mana Anda melihat Kardome dan ekosistem suara AI lima tahun dari sekarang, dan apa yang akan menentukan apakah kita telah memasuki usia komputasi suara-pertama?

Lima tahun dari sekarang, suara AI akan menjadi sebanyak layar sentuh dan keyboard hari ini, dan akan diharapkan hampir di setiap perangkat komputasi. Kardome akan menjadi sistem operasional yang akan memungkinkan pengguna untuk mengoperasikan perangkat mereka dengan suara, memungkinkan interaksi alami dengan perangkat apa pun di lingkungan apa pun, dari robot, kacamata pintar, hingga mobil.

Tanda-tanda yang menentukan akan bersifat behavioral bukan teknis. Kita akan tahu kita telah mencapai komputasi suara-pertama ketika orang berhenti memikirkan perintah suara dan mulai memiliki percakapan alami dengan lingkungan mereka, ketika lingkungan multi-pengguna bekerja secara lancar, dan ketika anak-anak tumbuh dengan mengharapkan untuk berbicara dengan perangkat apa pun secara alami. Ukuran utama tidak akan menjadi seberapa canggih teknologi kita, tetapi seberapa alami manusia berinteraksi dengan dunia digital.

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