Phil Hall, Chief Growth Officer di LXT – Seri Wawancara

LXT Chief Growth Officer Phil Hall adalah mantan eksekutif Appen dan Forbes Technology Council member. Di peran kepemimpinannya di Appen, ia memimpin divisi dengan lebih dari 1.000 staf dan memainkan peran kunci dalam mencapai 17 tahun pertumbuhan pendapatan berturut-turut dengan profitabilitas yang kuat. Di perannya saat ini dengan LXT, ia bekerja dengan tim ahli yang dipilih untuk mencapai tujuan pertumbuhan yang ambisius.

LXT adalah 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 dibutuhkan oleh perusahaan. Mereka memiliki keahlian global yang mencakup lebih dari 115 negara dan 750 lokasi bahasa. Didirikan pada tahun 2010, LXT berkantor pusat di Toronto, Kanada dengan kehadiran di Amerika Serikat, Australia, Mesir, Inggris, dan Turki. Perusahaan ini melayani pelanggan di Amerika Utara, Eropa, Asia Pasifik, dan Timur Tengah.

Kapan Anda pertama kali menemukan bahwa Anda memiliki minat pada bahasa?

Saya telah tertarik dengan bahasa selama yang saya ingat, tetapi dalam hal keterlibatan langsung saya dengan bahasa dan linguistik, ada satu titik balik yang signifikan bagi saya. Kami menyadari bahwa salah satu anak kami memiliki disleksia, dan ketika kami berbicara dengan sekolah tentang dukungan tambahan, mereka mengatakan bahwa sementara ada program yang dapat diakses, ada juga hal-hal yang dapat saya lakukan sebagai sukarelawan di sekolah untuk membantu anak kami dan anak-anak lain. Hal itu berjalan dengan baik, dan dari sana saya melanjutkan untuk mempelajari linguistik dan akhirnya mengajar di dua universitas di Sydney.

Anda mengajar linguistik sebelum Anda beralih ke ruang data suara, apa yang menginspirasi Anda untuk mengubah fokus?

Appen yang berbasis di Sydney baru saja membuat transisi dari menjadi operasi yang dijalankan dari ruang tamu rumah menjadi operasi komersial yang sepenuhnya. Saya diberitahu bahwa mereka sedang mencari ahli linguistik (mungkin lebih akurat, seorang ahli linguistik!) dan saya diperkenalkan dengan pendiri Julie dan Chris Vonwiller. Transisi itu berlangsung selama sekitar dua tahun. Saya ragu-ragu untuk meninggalkan mengajar – bekerja dengan siswa yang berprestasi tinggi sangat menginspirasi dan menyenangkan. Tapi terutama selama tahun-tahun perintis, saya memecahkan masalah sulit bersama para ahli teknologi bahasa terkemuka di dunia, dan tingkat kegembiraan sangat tinggi. Banyak hal yang dianggap biasa hari ini, sangat menantang pada saat itu.

Anda keluar dari pensiun untuk bergabung dengan LXT. Apa yang memotivasi Anda untuk melakukan ini?

Itu adalah pertanyaan yang menarik karena saya benar-benar menikmati diri saya di pensiun. Bahkan, co-founder dan CEO kami Mohammad Omar mendekati saya beberapa bulan sebelum saya merespons pertanyaan awalnya, karena saya sedang menikmati gaya hidup yang santai dan belum mempertimbangkan untuk kembali bekerja full-time.

Tapi pada akhirnya, kesempatan itu terlalu baik untuk ditolak.

Ketika berbicara dengan Mohammad dan anggota tim LXT lainnya, saya langsung mengenali kesamaan minat pada bahasa. Tim yang Mohammad kumpulkan dipenuhi dengan pemikir kreatif dengan energi tak terbatas yang sepenuhnya berkomitmen pada misi perusahaan.

Ketika saya mempelajari lebih lanjut tentang kesempatan dengan LXT, saya menyadari bahwa itu adalah kesempatan yang tidak ingin saya lewatkan. Di sini ada perusahaan dengan potensi besar untuk berkembang dan tumbuh di bidang yang saya minati. Dan karena pasar AI terus tumbuh secara eksponensial, kesempatan untuk membantu lebih banyak organisasi berpindah dari eksperimen ke produksi adalah kesempatan yang sangat menggembirakan yang saya sangat senang untuk menjadi bagian darinya.

Apa beberapa tantangan saat ini di balik pengumpulan data skala besar?

Tantangan itu sebanyak aplikasi yang mengarahkannya.

Dari perspektif praktis, tantangan termasuk otentikasi, keandalan, akurasi, keamanan, dan memastikan bahwa data tersebut sesuai dengan tujuan – dan itu belum mempertimbangkan jumlah tantangan hukum dan etika yang semakin banyak dalam pengumpulan data.

Sebagai contoh, pengembangan teknologi untuk mendukung kendaraan otonom memerlukan pengumpulan volume data yang sangat besar di berbagai skenario sehingga mobil dapat memahami bagaimana merespons situasi dunia nyata. Ada banyak kasus tepi yang dapat dihadapi saat mengemudi, sehingga algoritma yang memuat kendaraan tersebut memerlukan dataset yang mencakup segala sesuatu dari jalan hingga tanda berhenti hingga benda jatuh. Dan jika Anda mengalikan itu dengan jumlah peristiwa cuaca yang dapat terjadi, jumlah data pelatihan yang dibutuhkan meningkat secara eksponensial. Perusahaan otomotif yang memasuki ruang otonom memerlukan pipa data yang andal, dan melakukan itu sendiri akan membutuhkan sumber daya yang sangat besar.

Contoh lain adalah perluasan produk AI suara yang ada ke pasar baru untuk mengambil bagian pasar dan pelanggan baru. Ini pada akhirnya memerlukan data bahasa, dan untuk mencapai akurasi, sangat penting untuk mendapatkan data suara dari penutur asli di berbagai profil demografi. Setelah data dikumpulkan, file suara perlu ditranskrip untuk melatih algoritma NLP produk. Melakukan ini untuk beberapa bahasa dan pada volume data yang dibutuhkan untuk efektif sangat menantang bagi perusahaan untuk dilakukan sendiri, terutama jika mereka kekurangan keahlian internal di bidang ini.

Ini hanya dua contoh dari banyak tantangan yang ada dengan pengumpulan data untuk AI skala besar, tetapi seperti yang dapat Anda bayangkan, otomatisasi rumah, perangkat mobile, dan pengumpulan data biometrik masing-masing memiliki tantangan spesifik mereka sendiri.

Apa cara saat ini LXT mengumpulkan dan menandai data?

Di LXT, kami mengumpulkan dan menandai data secara berbeda untuk setiap klien, karena semua keterlibatan kami disesuaikan untuk memenuhi spesifikasi klien. Kami bekerja di berbagai jenis data, termasuk audio, gambar, suara, teks, dan video. Untuk pengumpulan data, kami bekerja dengan jaringan kontraktor global untuk mengumpulkan data dalam modality yang berbeda. Pengumpulan dapat berkisar dari mengumpulkan data di pengaturan dunia nyata seperti rumah, kantor, atau di dalam mobil, hingga di studio dengan insinyur berpengalaman dalam kasus proyek pengumpulan data suara tertentu.

Kemampuan penandaan data kami juga mencakup beberapa modality. Pengalaman kami dimulai di ruang suara dan selama 12 tahun terakhir kami telah berkembang ke lebih dari 115 negara dan lebih dari 750 lokasi bahasa. Ini berarti bahwa perusahaan dari semua ukuran dapat mengandalkan LXT untuk membantu mereka memasuki berbagai pasar dan mengambil segmen pelanggan baru. Baru-baru ini kami telah berkembang ke teks, gambar, dan video data, dan platform internal kami digunakan untuk menyampaikan data berkualitas tinggi kepada pelanggan kami.

Area pertumbuhan lain yang menarik bagi kami telah menjadi fasilitas anotasi aman kami. Hanya tahun ini kami memperluas jejak fasilitas aman ISO 27001 dari dua menjadi lima lokasi di seluruh dunia. Kami telah mengembangkan buku pedoman yang memungkinkan kami untuk membangun fasilitas baru dalam beberapa bulan. Layanan yang kami fokuskan di fasilitas aman ini saat ini adalah anotasi data suara dan transkripsi, tetapi mereka dapat digunakan untuk anotasi di berbagai jenis data.

Mengapa mengumpulkan data dengan cara ini merupakan alternatif yang lebih unggul daripada data sintetis?

Data sintetis adalah perkembangan yang menarik di bidang AI dan sangat sesuai untuk kasus penggunaan tertentu, terutama kasus tepi yang sulit ditangkap di dunia nyata. Penggunaan data sintetis meningkat, terutama pada tahap awal kematangan AI ketika perusahaan masih dalam mode eksperimen. Namun, penelitian kami sendiri menunjukkan bahwa ketika organisasi matang strategi AI mereka dan mendorong lebih banyak model ke produksi, mereka lebih mungkin menggunakan metode pembelajaran mesin yang diawasi atau semi-diawasi yang bergantung pada data yang dianotasi manusia.

Manusia jauh lebih baik daripada komputer dalam memahami nuansa untuk menciptakan data yang dibutuhkan untuk melatih model ML untuk berkinerja dengan akurasi tinggi, dan pengawasan manusia juga sangat penting untuk mengurangi bias.

Mengapa data ini sangat penting untuk pengolahan bahasa alami dan pengenalan suara?

Untuk algoritma pengolahan bahasa alami dan pengenalan suara bekerja efektif di pasar yang dimaksud, mereka perlu dilatih dengan volume data yang besar yang berasal dari penutur asli yang memiliki konteks budaya dari pengguna akhir yang mereka wakili. Tanpa data ini, adopsi AI suara akan memiliki keterbatasan yang parah.

Selain itu, lingkungan perlu diperhitungkan saat mengumpulkan data suara. Jika solusi AI suara yang sedang dilatih akan digunakan di dalam mobil, misalnya, ada kondisi jalan dan cuaca yang berbeda yang mempengaruhi suara dan perlu diperhitungkan. Ini adalah skenario yang kompleks di mana mitra data yang berpengalaman dapat membantu.

Apakah ada yang ingin Anda bagikan tentang LXT?

Pertama, saya ingin berterima kasih atas kesempatan untuk membagikan cerita kami! Saya ingin menekankan bahwa perusahaan kami berkomitmen untuk membantu organisasi dari semua ukuran untuk sukses dengan inisiatif AI mereka. Kami telah fokus pada penyampaian data AI yang sangat disesuaikan kepada perusahaan di seluruh dunia selama lebih dari 12 tahun dan kami akan senang untuk terhubung dengan siapa saja yang ingin membuat pipa data yang andal untuk mendukung proyek AI mereka.

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