Mohammad Omar, Co-Founder & CEO of LXT – Interview Series

Mohammad Omar adalah Co-Founder & CEO of LXT, pemimpin baru di bidang pelatihan data AI untuk memberdayakan teknologi cerdas bagi organisasi global, termasuk perusahaan teknologi terbesar di dunia. Dalam kemitraan dengan jaringan kontributor internasional, LXT mengumpulkan dan menandai data di berbagai modality dengan kecepatan, skala, dan fleksibilitas yang diperlukan oleh perusahaan. Didirikan pada tahun 2010, LXT berkantor pusat di Toronto, Kanada dengan kehadiran di Amerika Serikat, Australia, India, Turki, UK dan Mesir.

Apakah Anda bisa berbagi cerita tentang asal-usul LXT?

LXT didirikan sebagai respons atas kebutuhan akan data yang dihadapi oleh perusahaan tempat saya bekerja dua belas tahun yang lalu. Pada saat itu, perusahaan tersebut membutuhkan data Arab, tetapi tidak memiliki penyedia yang tepat untuk mendapatkannya. Sebagai seorang yang suka mengambil risiko dan memiliki semangat wirausaha, saya memutuskan untuk mengundurkan diri dari peran saya, mendirikan perusahaan baru, dan menawarkan layanan kami kepada mantan perusahaan saya. Langsung saja kami diberi beberapa proyek yang paling menantang, yang kami selesaikan dengan sukses, dan semuanya berkembang dari sana. Sekarang, lebih dari 12 tahun kemudian, kami telah membangun hubungan yang kuat dengan perusahaan tersebut, menjadi penyedia data bahasa berkualitas tinggi.

Apa beberapa tantangan terbesar di balik penerapan AI secara besar-besaran?

Itu adalah pertanyaan yang bagus, dan kami sebenarnya telah memasukkannya dalam laporan penelitian terbaru kami, The Path to AI Maturity. Tantangan terbesar yang disebutkan oleh responden adalah mengintegrasikan sistem yang ada atau warisan ke dalam solusi AI. Ini masuk akal mengingat bahwa kami melakukan survei pada perusahaan yang lebih besar yang kemungkinan memiliki berbagai sistem teknis di seluruh organisasi yang perlu dirasionalisasi ke dalam strategi transformasi digital. Tantangan lain yang responden anggap penting adalah kurangnya talenta terampil, kurangnya pelatihan atau sumber daya, dan sumber data berkualitas. Saya tidak terkejut dengan respons ini karena mereka sering disebutkan, dan juga karena tantangan data adalah alasan keberadaan organisasi kami.

Ketika datang ke tantangan data, LXT dapat baik menyediakan data dan menandainya sehingga algoritma pembelajaran mesin dapat memahaminya. Kami dilengkapi untuk melakukan ini dengan skala dan fleksibilitas, yang berarti bahwa kami menyampaikan data berkualitas tinggi dengan sangat cepat. Klien sering datang kepada kami ketika mereka siap untuk meluncurkan dan ingin memastikan produk mereka diterima dengan baik oleh pelanggan,

Dengan bekerja sama dengan kami untuk menyediakan dan menandai data, perusahaan dapat mengatasi kekurangan sumber daya dan talenta dengan memungkinkan tim mereka untuk fokus pada membangun solusi inovatif.

LXT menawarkan cakupan untuk lebih dari 750 bahasa, tetapi ada tantangan terjemahan dan lokalasi yang melampaui struktur bahasa itu sendiri. Apakah Anda bisa membahas bagaimana LXT menghadapi tantangan ini?

Tentu ada tantangan terjemahan dan lokalasi – terutama ketika Anda bercabang ke luar dari bahasa yang paling umum yang cenderung memiliki status resmi dan tingkat standarisasi yang terkait dengan itu. Banyak bahasa yang kami kerjakan tidak memiliki ejaan resmi, sehingga mengelola konsistensi di seluruh tim menjadi tantangan. Kami mengatasi tantangan ini dan lainnya – seperti deteksi perilaku penipuan – dengan memiliki proses yang ketat untuk jaminan kualitas. Lagi pula, itu sangat jelas dalam laporan penelitian kematangan AI bahwa bagi sebagian besar organisasi yang bekerja dengan data AI, kualitas berada di atas daftar prioritas. Dan sebagian besar organisasi yang disurvei menyatakan kesediaan untuk membayar lebih untuk mendapatkannya.

Bagi perusahaan yang memerlukan sumber data dan anotasi data, seberapa awal dalam perjalanan pengembangan aplikasi mereka harus mulai menyediakan data ini?

Kami merekomendasikan bahwa organisasi membuat strategi data segera setelah mereka mengidentifikasi kasus penggunaan AI mereka. Menunggu sampai aplikasi sedang dalam pengembangan dapat menyebabkan banyak pekerjaan yang tidak perlu, karena AI mungkin belajar hal yang salah dan harus dilatih ulang dengan data berkualitas, yang dapat memakan waktu untuk disediakan dan diintegrasikan ke dalam proses pengembangan.
Apa aturan praktis untuk mengetahui seberapa sering data harus diperbarui?

Itu benar-benar tergantung pada jenis aplikasi yang sedang dikembangkan dan seberapa sering data yang mendukungnya berubah secara signifikan. Ini berarti bahwa data adalah representasi dari kehidupan nyata, dan seiring waktu, data harus diperbarui untuk memberikan refleksi yang akurat tentang apa yang terjadi di dunia. Kami menyebut fenomena ini sebagai model drift, yang terdiri dari dua jenis, masing-masing memerlukan pelatihan ulang algoritma.

• Concept drift terjadi ketika perbedaan signifikan antara data pelatihan dan output AI berubah, yang dapat terjadi secara tiba-tiba atau lebih bertahap. Sebagai contoh, pengecer mungkin menggunakan data pelanggan historis untuk melatih aplikasi AI. Tetapi ketika perubahan besar dalam kenyataan konsumen terjadi, algoritma harus dilatih ulang untuk mencerminkan hal ini.

• Data drift terjadi ketika data yang digunakan untuk melatih aplikasi tidak lagi mencerminkan data yang sebenarnya ditemui ketika memasuki produksi. Ini dapat disebabkan oleh berbagai faktor, termasuk pergeseran demografi, musiman atau situasi aplikasi di wilayah geografis baru.

LXT baru-baru ini merilis laporan yang berjudul “The Path to AI Maturity 2023“. Apa beberapa kesimpulan dalam laporan ini yang membuat Anda terkejut?

Itu mungkin tidak boleh membuat saya terkejut, tetapi hal yang benar-benar menonjol adalah keragaman aplikasi. Anda mungkin berharap dua atau tiga domain aktivitas untuk mendominasi, tetapi ketika kami bertanya di mana responden berencana untuk fokus upaya AI mereka, dan di mana mereka berencana untuk menerapkan AI, itu awalnya terlihat seperti kekacauan – tidak adanya tren sama sekali. Tetapi setelah menyaring data, dan melihat respons kualitatif, menjadi jelas bahwa tidak adanya tren adalah tren. Setidaknya melalui mata responden kami, jika Anda memiliki masalah, maka ada kemungkinan nyata bahwa seseorang bekerja pada solusi AI untuk itu.
AI generatif sedang mengambil alih dunia, apa pandangan Anda tentang seberapa jauh model bahasa generatif dapat membawa industri?

Pandangan pribadi saya tentang hal ini adalah bahwa inti dari kekuatan Kecerdasan Buatan Generatif – saya memilih untuk menggunakan kata-kata di sini daripada singkatan untuk penekanan – adalah Pemahaman Bahasa Alam. ‘Kecerdasan’ AI dipelajari melalui bahasa; kemampuan untuk mengatasi dan akhirnya memecahkan masalah yang kompleks dimediasi melalui interaksi bahasa alam yang berulang dan kumulatif. Dengan ini dalam pikiran, saya percaya bahwa model bahasa generatif akan berjalan seiring dengan elemen lain dari AI.
Apa visi Anda untuk masa depan AI dan untuk masa depan LXT?

Saya adalah seorang optimis oleh natur dan itu akan mewarnai respons saya di sini, tetapi visi saya untuk masa depan AI adalah untuk melihatnya memperbaiki kualitas hidup bagi semua orang; untuk membuat dunia kita lebih aman, lebih baik untuk generasi mendatang. Pada tingkat mikro, visi saya untuk LXT adalah untuk melihat organisasi terus membangun kekuatan, tumbuh dan menjadi pilihan kerja, dan kekuatan untuk kebaikan, untuk komunitas global yang membuat bisnis kami memungkinkan. Pada tingkat makro, visi saya untuk LXT adalah untuk berkontribusi dalam cara yang signifikan, bermakna untuk pemenuhan visi saya yang optimis untuk masa depan AI.

Terima kasih atas wawancara yang bagus, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi LXT.