Marc Sloan, Co-Pendiri & CEO Scout – Seri Wawancara

Marc Sloan adalah Co-Pendiri & CEO Scout, browser web chatbot pertama di dunia, asisten digital untuk melakukan apa saja secara online. Scout menyarankan hal-hal yang berguna yang dapat dilakukan untuk Anda berdasarkan apa yang Anda lakukan secara online.

Apa yang awalnya menarik Anda ke AI?

Pengalaman pertama saya bekerja dengan AI adalah selama tahun jeda yang saya habiskan bekerja di tim penelitian pemrosesan bahasa alami di GCHQ selama saya mengambil gelar sarjana. Saya melihat langsung dampak yang dapat dibuat oleh pembelajaran mesin pada masalah dunia nyata dan perbedaan yang dibuat.

Ini mengaktifkan saklar di pikiran saya tentang bagaimana komputer dapat digunakan untuk memecahkan masalah: teknik perangkat lunak mengajarkan Anda untuk membuat program yang mengambil data dan menghasilkan hasil, tetapi pembelajaran mesin memungkinkan Anda untuk mengambil data dan menggambarkan hasil yang ingin Anda hasilkan untuk menghasilkan program. Artinya Anda dapat menggunakan kerangka yang sama untuk memecahkan ribuan masalah yang berbeda. Bagi saya ini terasa jauh lebih berdampak daripada harus menulis program untuk setiap masalah.

Saya sudah mempelajari masalah optimisasi dalam matematika bersama dengan ilmu komputer, jadi setelah saya kembali ke universitas, saya fokus pada AI dan menyelesaikan disertasi saya tentang pemrosesan ucapan sebelum mendaftar untuk PhD di bidang Pencarian Informasi di UCL.

Anda melakukan penelitian tentang pembelajaran penguatan di pencarian web di bawah bimbingan David Silver, pendiri AlphaGo. Bisakah Anda membahas beberapa penelitian ini?

Disertasi saya tentang topik menerapkan pembelajaran penguatan pada masalah peringkat pembelajaran di bidang pencarian informasi, bidang yang saya bantu ciptakan yang disebut Pencarian Informasi Dinamis. Saya dibimbing oleh Prof Jun Wang dan Prof David Silver, keduanya ahli di bidang pembelajaran penguatan berbasis agen.

Penelitian kami melihat bagaimana mesin pencari dapat belajar dari perilaku pengguna untuk meningkatkan hasil pencarian secara otonom dari waktu ke waktu. Dengan menggunakan pendekatan Multi-Armed Bandit, sistem kami akan mencoba peringkat pencarian yang berbeda dan mengumpulkan perilaku klik untuk menentukan apakah mereka efektif atau tidak. Ini juga dapat beradaptasi dengan pengguna individu dari waktu ke waktu dan sangat efektif dalam menangani kueri pencarian yang ambigu. Pada saat itu, David sangat fokus pada masalah Go dan dia membantu saya menentukan pengaturan pembelajaran penguatan yang tepat untuk masalah ini.

Apa beberapa pelajaran kewirausahaan yang Anda pelajari dari bekerja dengan David Silver?

Penelitian di UCL sering kali bersifat kewirausahaan. David sebelumnya telah mendirikan Elixir studios dengan Demis Hassabis dan kemudian bergabung dengan DeepMind untuk mengerjakan Alpha Go. Namun, anggota lain dari grup penelitian Media Futures kami juga akhirnya memulai berbagai startup: Jun mendirikan Mediagamma (menerapkan RL pada pengeluaran iklan online), Simon Chan memulai prediction.io (diakuisisi oleh SalesForce) dan Jagadeesh Gorla memulai Jaggu (layanan rekomendasi untuk e-commerce). Tim kami sering membahas dampak komersial yang dapat dibuat oleh penelitian kami, saya pikir mungkin karena UCL berbasis di London membuatnya menjadi titik awal alami untuk membuat bisnis.

Anda baru-baru ini meluncurkan Scout, browser web chatbot pertama di dunia. Apa yang memotivasi Anda untuk meluncurkan Scout?

Gagasan itu secara alami berkembang dari penelitian PhD saya. Saya langsung bergabung dengan Entrepreneur First setelah menyelesaikan PhD saya, di mana saya mulai memikirkan bagaimana saya dapat mengubah penelitian saya menjadi produk.

Sebelum saya memulai ini, saya menyelesaikan magang di Microsoft (MSFT ) Research di mana saya menerapkan penelitian saya pada Bing. Pada saat itu, hal utama yang saya pelajari dari penelitian saya adalah bahwa pencarian informasi dapat diprediksi berdasarkan perilaku pengguna online. Namun, saya menjadi frustrasi karena satu-satunya cara untuk menyajikan prediksi ini di mesin pencari adalah dengan membuat auto-suggest lebih baik. Jadi, saya mulai memikirkan bagaimana pengalaman online pengguna secara keseluruhan dapat ditingkatkan menggunakan prediksi ini, bukan hanya pengalaman pencarian.

Ini membawa saya dan co-pendiri saya di Entrepreneur First untuk menciptakan add-on browser yang mengamati perilaku pengguna, memprediksi apa yang pengguna butuhkan selanjutnya secara online, dan mengambilnya untuk mereka. Setelah beberapa tahun melakukan eksperimen dan prototipe, ini berkembang menjadi antarmuka chatbot di mana browser “berbicara” dengan Anda tentang apa yang Anda lakukan secara online dan mencoba membantu Anda di sepanjang jalan.

Browser web mana yang akan kompatibel dengan Scout?

Kami fokus pada Chrome saat ini karena merupakan browser web paling populer dan memiliki arsitektur add-on yang matang, tetapi kami memiliki prototipe yang berfungsi pada Firefox dan Safari, bahkan aplikasi mobile.

Asisten belanja Scout tampaknya dapat menyelamatkan pengguna waktu dan uang. Jika seseorang sedang meneliti produk di Amazon (AMZN ), apa yang terjadi di backend, dan bagaimana Scout berinteraksi dengan pengguna?

Gagasan itu adalah bahwa setelah Anda menginstal Scout, Anda hanya terus menggunakan web seperti biasa. Jika Anda berbelanja, Anda mungkin mengunjungi Amazon untuk melihat produk. Pada titik ini, Scout mengenali bahwa Anda berbelanja di Amazon, dan produk yang Anda lihat, dan itu akan mengatakan “Halo”. Ini muncul sebagai widget obrolan di halaman web, seperti bagaimana Intercom bekerja, kecuali Scout dapat muncul di hampir semua halaman web. Anda dapat melihat seperti apa itu di situs web saya.

Karena Anda berbelanja, itu akan mulai menyarankan cara membantu. Ini akan bertanya apakah Anda ingin melihat ulasan online, harga lain, video YouTube dari produk, dan lain-lain. Anda berinteraksi dengan menekan tombol dan chatbot menyesuaikan pengalaman dengan apa yang Anda inginkan. Setiap kali itu menemukan informasi (seperti video YouTube), itu akan menyematkannya dalam utas obrolan, seperti bagaimana teman dapat berbagi media dengan Anda di WhatsApp. Dari waktu ke waktu, Anda berakhir dengan memiliki dialog dengan browser tentang apa yang Anda lakukan secara online, dengan browser membantu Anda di sepanjang jalan.

Pengolahan halaman web terjadi dalam browser itu sendiri. Informasi yang hanya kami lihat di backend adalah utas obrolan, yang berarti bahwa implikasi privasi minimal.

Kami memiliki arsitektur khusus untuk memahami perilaku browsing online dan mengelola dialog dengan pengguna. Kami menggunakan pembelajaran mesin untuk mengidentifikasi tugas apa yang dapat kami bantu secara online dan bagaimana kami harus membantu. Awalnya, kami menggunakan pembelajaran penguatan untuk beradaptasi dengan preferensi pengguna dari waktu ke waktu. Namun, salah satu pelajaran terbesar yang saya pelajari dari menjalankan startup AI adalah untuk menjaga proses sederhana dan mencoba hanya menggunakan pembelajaran mesin untuk mengoptimalkan proses yang ada. Jadi, sekarang kami memiliki mesin aturan yang canggih untuk menangani tugas dari waktu ke waktu yang dapat dikelola oleh pembelajaran penguatan sekali kami perlu meningkatkan skala.

Apa contoh lain tentang bagaimana Scout dapat membantu pengguna akhir?

Kami menyadari bahwa perencanaan acara (dan pemesanan perjalanan) tidak terlalu berbeda dari berbelanja secara online. Anda masih melihat produk, membaca ulasan, dan berkomitmen untuk membeli/menghadiri. Jadi, banyak dari apa yang kami bangun untuk berbelanja juga berlaku di sini.

Perbedaan terbesar adalah bahwa waktu dan lokasi sekarang menjadi penting. Jadi, misalnya, jika Anda melihat tiket konser di Ticketmaster, Scout dapat mengidentifikasi alamat venue dan menyarankan menemukan arah dari lokasi Anda saat ini ke sana, atau menemukan harga Uber, atau menyarankan kapan Anda harus berangkat. Jika Anda telah menghubungkan Scout ke kalender Anda, maka Scout dapat memeriksa apakah Anda tersedia pada waktu acara dan menambahkannya ke kalender Anda.

Di masa depan, kami membayangkan pengguna Scout dapat berkomunikasi dengan teman-teman mereka melalui platform untuk membahas hal-hal yang mereka lakukan secara online, seperti perencanaan acara, berbelanja, bekerja, dan lain-lain.

Pemicu dialog akan digunakan untuk Scout memulai komunikasi. Apa saja pemicu tersebut?

Secara default, Scout tidak akan mengganggu Anda kecuali jika itu menemukan pemicu yang menunjukkan bahwa Anda mungkin membutuhkan bantuan. Ada beberapa jenis pemicu:

• Mengunjungi situs web tertentu.
• Mengunjungi jenis situs web tertentu (seperti berita, belanja, dll.).
• Mengunjungi situs web yang berisi jenis informasi tertentu (misalnya alamat, video, dll.).
• Mengklik tautan atau tombol di halaman web.
• Berinteraksi dengan Scout dengan menekan tombol
• Scout mengambil jenis media tertentu seperti video, musik, tweet, dll.

Kami berencana untuk memungkinkan pengguna untuk menyesuaikan jenis pemicu yang mereka inginkan Scout untuk merespons, dan akhirnya, belajar preferensi mereka secara otomatis.

Bisakah Anda membahas beberapa kesulitan di balik memastikan bahwa Scout benar-benar membantu ketika itu memutuskan untuk berinteraksi dengan pengguna tanpa menjadi mengganggu?

Kami sangat serius dalam mempertimbangkan keterlibatan pengguna dan mencoba mengukur apakah interaksi mengarah pada hasil positif atau negatif. Kami mencoba mempertahankan rasio yang baik untuk seberapa sering Scout mencoba memulai percakapan dan seberapa sering itu digunakan. Namun, ini adalah keseimbangan yang sulit untuk dicapai dan kami selalu mencoba meningkatkannya.

Karena sifat invasif dari produk ini, mendapatkan antarmuka dan UX yang tepat sangat kritis. Kami telah menghabiskan banyak waktu mencoba antarmuka dan metode interaksi pengguna yang berbeda. Pekerjaan ini telah membawa kami ke antarmuka chatbot gaya saat ini, yang kami temukan memberi kami fleksibilitas terbesar dalam membantu yang dapat kami berikan, dipasangkan dengan kenalan pengguna dan upaya minimal pengguna untuk interaksi.

Bisakah Anda menyediakan skenario lain tentang bagaimana Scout dapat membantu pengguna akhir?

Fokus kami saat ini adalah dalam menguji aplikasi pasar tertentu untuk Scout. Berbelanja dan perencanaan acara telah disebutkan sebelumnya, tetapi kami juga melihat bagaimana Scout dapat membantu akademisi (dengan menemukan makalah penelitian, detail penulis, dan jaringan referensi) dan bahkan gitaris (menemukan lembar musik gitar, memainkan musik dan video di sepanjang lembar musik online, dan membantu menyetem gitar). Kami juga telah menghabiskan waktu untuk menjelajahi skenario profesional seperti perekrutan online, analisis keuangan, dan hukum.

Akhirnya, Scout dapat berpotensi bekerja di situs web mana pun dan membantu dalam skenario apa pun, yang membuat teknologi ini sangat menarik, tetapi juga membuatnya sulit untuk memulai.

Apakah ada yang lain yang ingin Anda bagikan tentang Scout?

Jika Anda ingin melihat seperti apa jika browser Anda bisa berbicara dengan Anda, Anda dapat membaca lebih lanjut di blog Scout.

Terima kasih atas pandangan menarik tentang merancang jenis chatbot yang unik. Kami sangat bersemangat untuk mengikuti proyek ini. Silakan kunjungi situs web Marc Sloan untuk mempelajari lebih lanjut.