Dr. Neil Yager, Co-Founder dan Ilmuwan Utama Phrasee – Seri Wawancara

Dr. Neil Yager adalah Ilmuwan Utama Phrasee, dan arsitek metode Phrasee, sebuah alat penulisan konten yang ditenagai AI yang telah membantu mengoptimalkan konten pemasaran untuk beberapa merek terkenal di dunia, termasuk eBay, Groupon, dan Virgin – plus banyak lagi, dari Australia hingga Amerika, dalam lebih dari 20 bahasa, dari Inggris hingga Jepang.

Dr. Yager telah menulis lebih dari selusin publikasi akademis, menulis buku tentang penambangan data, dan memegang beberapa paten. Sebagai salah satu ahli terkemuka di dunia dalam komersialisasi kecerdasan buatan, ia memegang gelar PhD dalam Ilmu Komputer dari Universitas New South Wales di Australia.

Anda adalah veteran industri teknologi selama 20 tahun, apa saja peran terkait AI yang pernah Anda jalani sebelumnya?

Saya telah terlibat dalam pekerjaan terkait AI sejak PhD saya di pertengahan 2000-an. Namun, bidang ini telah mengalami beberapa perubahan nama sejak saat itu. Misalnya, 15 tahun yang lalu saya mempelajari “pengenalan pola statistik”. Beberapa tahun kemudian, ini lebih dikenal sebagai “pembelajaran mesin”, yang merupakan nama yang lebih menarik. Lebih baru, pembelajaran mesin (dan “pembelajaran dalam” khususnya) telah menjadi sinonim dengan “kecerdasan buatan” secara umum. Saya memiliki perasaan campur aduk tentang hal ini. Di satu sisi, pekerjaan saya dengan Phrasee telah mengajarkan saya tentang pentingnya branding. Di sisi lain, istilah “kecerdasan buatan” membawa bagasi dan dapat menyebabkan kesalahpahaman tentang teknologi. Saya bertanya-tanya di mana kita akan berada jika kita semua masih menyebutnya “pengenalan pola statistik”.

Sebagian besar pekerjaan saya sebelumnya berada di bidang pengolahan sinyal dan penglihatan komputer. Saya tidak memiliki banyak pengalaman dengan pengolahan bahasa alami sebelum Phrasee. Saya sejak itu telah belajar bahwa bahasa adalah masalah yang paling sulit dalam AI.

Pada 2008, Anda menulis buku bersama yang berjudul ‘Sistem Biometrik dan Analisis Data: Desain, Evaluasi, dan Penambangan Data‘, yang menggabungkan aspek statistik dan pembelajaran mesin untuk memberikan panduan komprehensif tentang evaluasi, interpretasi, dan pemahaman data biometrik. Di luar sumber daya komputasi yang lebih banyak, apakah Anda percaya bahwa bidang ini telah berkembang sejak buku ini diterbitkan? Bisakah Anda menjelaskan bagaimana?

Pembelajaran dalam telah mengubah bidang penglihatan komputer, pengolahan bahasa, dan pembelajaran mesin sejak saya menulis buku itu. Tidak mungkin menulis buku itu hari ini tanpa bagian tentang pembelajaran dalam.

Revolusi pembelajaran dalam benar-benar dimulai pada 2012 ketika model pembelajaran dalam memenangkan kompetisi yang disebut ImageNet. ImageNet adalah dataset pengenalan objek visual di mana komputer menentukan apa yang ada dalam gambar (misalnya “anjing” atau “balon”). Selama beberapa dekade, peneliti telah membuat kemajuan inkremental pada dataset benchmark seperti ini. Setiap subbidang beroperasi secara independen dan sangat bergantung pada keahlian domain-spesifik. Hampir semalam, semua model yang dibangun dengan susah payah selama bertahun-tahun menjadi usang. Algoritma pembelajaran dalam yang dirancang oleh orang luar memenangkan kompetisi dengan margin yang signifikan. Ini mengubah industri AI.

Bidang ini masih bergerak cepat dan telah berkembang bahkan sejak memulai Phrasee beberapa tahun yang lalu. Misalnya, alat pembelajaran dalam yang kami gunakan sekarang tidak ada saat kami mendirikan perusahaan. Kecepatan inovasi membawa tantangan tersendiri.

Bisakah Anda berbagi dengan kami apa yang dapat dilakukan Phrasee untuk bisnis?

Phrasee memecahkan dua masalah untuk bisnis. Pertama, ada masalah menulis konten pemasaran. Sekarang ada lebih banyak saluran iklan daripada sebelumnya (misalnya email, AdWords, media sosial, cetak, podcast, dll). Sulit untuk menulis konten untuk semua saluran ini yang berkualitas tinggi dan sesuai dengan gaya dan nada suara merek. Phrasee menangani masalah skala dengan menghasilkan konten secara otomatis. Kedua, penting bahwa semua bahasa yang digunakan efektif. Tidak hanya Phrasee menghasilkan bahasa, tetapi juga menggunakan pembelajaran mesin untuk memprediksi dampak pesan dan mengoptimalkan sesuai dengan itu.

Apa yang menarik Anda untuk menggunakan Pengolahan Bahasa Alami (NLP) dan Pembelajaran Dalam untuk meningkatkan kekuatan konten iklan?

Menggunakan AI untuk memaksimalkan dampak kampanye pemasaran digital bukanlah ide baru. Ada tim orang dengan gelar PhD dalam fisika yang telah direkrut untuk bekerja pada optimasi iklan. Namun, dalam sebagian besar kasus, mereka fokus pada hal-hal seperti segmentasi audiens, personalisasi, waktu pengiriman, penempatan iklan, font, dll. Ketika kami pertama kali mempertimbangkan ide untuk Phrasee, kami menyadari bahwa hampir semua hal tentang iklan dioptimalkan kecuali bahasa yang sebenarnya digunakan! Kami mengidentifikasi ini sebagai celah di pasar, dan kesempatan besar.

Phrasee dapat meningkatkan konten pemasaran dalam lebih dari 20 bahasa, termasuk Jepang. Bisakah Anda membahas beberapa masalah unik Pengolahan Bahasa Alami yang dihadapi dengan bahasa asing?

Penambahan terbaru ke dalam himpunan bahasa yang didukung adalah Rusia. Ini adalah bahasa Slavia, dan sangat berbeda dari bahasa Indo-Eropa lainnya. Dalam hal ini, perlu membangun aturan baru ke dalam sistem generasi bahasa kami sehingga outputnya lancar dan gramatikal benar. Ini bukan hanya masalah bahasa. Ini juga masalah pengembangan perangkat lunak. Ketika output sistem kami berada dalam bahasa asli pengembang, relatif mudah untuk mendeteksi kesalahan dan memverifikasi bahwa semuanya berfungsi dengan benar. Namun, ketika bekerja dengan Rusia atau Jepang, kami bisa mengeluarkan nonsens dan tidak memiliki ide. Penting untuk memiliki penutur asli yang terlibat dalam proses QA.

Tantangan tidak hanya dengan bahasa asing. Ada beberapa perbedaan regional yang menarik juga. Misalnya, bahasa Inggris memiliki variasi ejaan untuk AS, Inggris, Australia, Kanada, dll. Selain itu, ada perbedaan gramatikal. Dalam bahasa Inggris Inggris, Anda “melihat”, sedangkan dalam bahasa Inggris Amerika, Anda “mengambil lihat”. Makna kata juga dapat bervariasi dari tempat ke tempat. Sebuah “karet” adalah penghapus di Inggris, tetapi kondom di Amerika Utara! Agar sistem NLG dapat digunakan untuk aplikasi bisnis, mereka perlu menangani semua kehalusan ini.

Bisakah Anda berbagi beberapa detail tentang bagaimana pembelajaran dalam digunakan dalam Phrasee?

Ada 2 komponen AI utama dalam teknologi Phrasee. Yang pertama adalah Generasi Bahasa Alami (NLG), yang sebenarnya menghasilkan bahasa. Yang kedua adalah pembelajaran dalam, dan fokusnya adalah pada kinerja. Kinerja dapat berarti hal yang berbeda tergantung pada konteks. Misalnya, tujuan dari subjek email adalah untuk menggoda penerima untuk membuka email dan melihat konten di dalamnya. Untuk Facebook (META ), tujuannya mungkin untuk memaksimalkan suka atau bagikan. Dengan volume data historis yang besar, memungkinkan untuk menemukan tren dan pola yang halus yang tidak pernah akan diperhatikan oleh manusia. Ini adalah masalah pembelajaran mesin standar.

Pembelajaran dalam menawarkan beberapa kelebihan atas pendekatan pembelajaran mesin tradisional. Dengan pembelajaran mesin tradisional, ada fokus kuat pada “pengembangan fitur”. Ini berarti bahwa pengembang perlu memutuskan apa yang mereka percayai sebagai fitur paling penting dari bahasa. misalnya, kata, panjang, penggunaan emoji, dll. Masalahnya adalah bahwa ini terbatas oleh keterampilan dan imajinasi insinyur. Namun, dengan pembelajaran dalam, teks mentah dimasukkan ke dalam model, dan membangun representasi mesin sendiri dari bahasa (ini dikenal sebagai pembelajaran ujung-ke-ujung). Oleh karena itu, bebas dari bias manusia dan merupakan pendekatan yang kuat. Namun, kelemahannya adalah bahwa dapat sulit untuk memahami mengapa model berperilaku dengan cara itu. “Keterjelasan” adalah area penelitian aktif dalam komunitas pembelajaran dalam. Namun, ada tradeoff fundamental antara kompleksitas sistem dan kemampuan kita untuk memahaminya. Bahasa manusia kacau, sehingga solusi NLP yang sukses biasanya memiliki tingkat kompleksitas yang tinggi.

Salah satu fungsionalitas Phrasee adalah kemampuan untuk menulis dalam nada unik merek, bisakah Anda menjelaskan bagaimana ini dilakukan?

Ketika kami mendaftar pelanggan baru, hal pertama yang kami lakukan adalah mengumpulkan informasi tentang gaya komunikasi merek mereka. Ini termasuk pedoman merek formal, kampanye pemasaran sebelumnya, dan serangkaian kuesioner yang kami kembangkan untuk tujuan ini. Semua informasi ini digunakan oleh tim bahasa internal kami untuk membangun “model bahasa” khusus pelanggan. Model bahasa kami adalah generatif, yang berarti bahwa mereka dapat menghasilkan bahasa yang belum pernah dilihat sebelumnya dalam gaya unik pelanggan.

Model bahasa dapat diperbarui kapan saja. Misalnya, saat ini kami berada di puncak krisis COVID-19. Tim bahasa kami meninjau model kami untuk memastikan bahwa bahasa yang tidak pantas tidak dapat dibuat. Sebuah frasa seperti “Penawaran ini sedang viral!” mungkin tidak berbahaya beberapa bulan yang lalu, tetapi jelas tidak pantas di tengah-tengah pandemi global. Ini menunjukkan fleksibilitas sistem kami.

Apa jenis data yang dibutuhkan oleh perusahaan yang ingin memulai dengan Phrasee?

Untuk jujur, tidak banyak data yang dibutuhkan untuk memulai dengan kami. Langkah pertama adalah mengidentifikasi area proyek yang sesuai. Misalnya, ini mungkin subjek email promosi mingguan. Idealnya, ini akan memiliki audiens yang relatif besar dan komunikasi yang teratur. Setelah proyek diidentifikasi, kami membutuhkan informasi tentang topik yang dimaksud dan suara merek untuk membangun model bahasa. Phrasee membutuhkan hasil kinerja secara terus-menerus. Karena solusi kami menggunakan pembelajaran mesin, penting untuk mengukur dan melacak metrik kunci dari waktu ke waktu. Informasi ini diberikan kembali ke sistem kami sehingga dapat terus mengoptimalkan untuk keterlibatan.

Apakah ada yang lain yang ingin Anda bagikan tentang Phrasee?

Ketika Parry, Victoria, dan saya memulai Phrasee lima tahun yang lalu, kami yakin bahwa ini hanya akan menjadi masalah waktu sebelum banyak startup lain muncul dengan produk serupa. Rencana kami adalah untuk mendapatkan keunggulan atas kompetisi dan tetap satu langkah di depan. Namun, kami terkejut dengan kurangnya pesaing di ruang ini. Di mana semua orang lain? Saya pikir ada beberapa alasan untuk ini, tetapi salah satu alasan utama adalah bahwa bahasa adalah masalah yang sangat sulit. Saya curiga orang lain telah mencoba membuat produk serupa tetapi gagal pada tahap R&D awal. Ini adalah bukti seberapa unik teknologi kami.

Terima kasih atas wawancara yang informatif tentang Pengolahan Bahasa Alami, Generasi Bahasa Alami, dan Pembelajaran Dalam. Untuk mempelajari lebih lanjut, pengunjung dapat mengunjungi Phrasee.