Dani Cherkassky, CEO e Co-Fondatore di Kardome – Serie di Interviste

Dani Cherkassky, CEO e Co-Fondatore di Kardome, porta oltre due decenni di esperienza nel campo dell’acustica, dell’elaborazione dei segnali e dello sviluppo di algoritmi alla forefront della innovazione tecnologica della voce. Prima di fondare Kardome, ha ricoperto il ruolo di CTO presso Silentium Ltd., dove ha guidato collaborazioni di R&D con aziende di Tier 1 e istituzioni di ricerca. Con un dottorato in Microphone Array Processing presso l’Università Bar-Ilan, Cherkassky combina una profonda competenza tecnica con una missione chiara — eliminare le frustrazioni dell’interazione vocale moderna creando tecnologie che ascoltino veramente le persone, non il rumore intorno a loro.

Kardome è una pioniera di soluzioni di ascolto spaziale basate su intelligenza artificiale che forniscono interazioni vocali personalizzate e chiare in qualsiasi ambiente — dalle auto alle sale conferenze, dalle case intelligenti agli spazi pubblici. La sua tecnologia di clustering vocale proprietaria separa le voci in base alla posizione, consentendo ai dispositivi di capire ogni speaker come se fosse l’unica persona che parla. Progettata per essere hardware-agnostica e pronta per l’edge, la piattaforma di Kardome migliora l’accuratezza del riconoscimento vocale, la sicurezza e l’esperienza utente, alimentando la prossima generazione di comunicazione uomo-macchina.

Cosa ti ha ispirato, insieme al Dr. Alon Slapak, a fondare Kardome?

L’ispirazione per Kardome è nata da una combinazione di fascino e frustrazione. Con le nostre esperienze nel campo della voce e dell’audio, sia in ambito accademico che industriale, eravamo entusiasti dei progressi nel riconoscimento vocale, in particolare quando le reti neurali profonde sono entrate in scena.

In un laboratorio tranquillo, la tecnologia era fenomenale. Ma il momento in cui si usciva nel mondo reale, quella magia scompariva. Abbiamo osservato che in un’auto rumorosa, in un ufficio affollato o in una casa caotica, i sistemi avanzati e all’avanguardia erano a malapena migliori della tecnologia degli anni ’90. Questo era il grande ostacolo al progresso.

La voce è il modo più naturale per interagire con i nostri dispositivi, il vero successore del touchscreen. Ma perché questo accada, la tecnologia deve superare il caos della vita reale. Abbiamo deciso di farne la nostra missione. Abbiamo trascorso un anno in garage, lottando con le equazioni di propagazione delle onde sonore e testando nuove idee, fino a quando non abbiamo raggiunto una svolta: la prima dimostrazione di ciò che ora è noto come tecnologia di ascolto spaziale di Kardome.

In quel momento, sapevamo di avere la chiave. Abbiamo fondato Kardome non solo per costruire un prodotto, ma per avviare una rivoluzione nel modo in cui le persone e le macchine si comunicano.

Molti assistenti vocali lottano e spesso frustrano gli utenti quando le voci si sovrappongono o il rumore di fondo prende il sopravvento. Perché i metodi convenzionali si eseguono così male in queste condizioni del mondo reale?

I sistemi di interfaccia vocale convenzionali si eseguono male nel mondo reale perché il loro software si basa su un metodo eccessivamente semplicistico per comprendere il suono. La maggior parte dei sistemi utilizza più microfoni per determinare la direzione di arrivo di un suono, un approccio che si concentra solo sull’angolo di un suono ignorando altre informazioni spaziali cruciali in 3D. Questo metodo fallisce immediatamente in qualsiasi ambiente del mondo reale — come un’auto, un ufficio o una sala — perché questi ambienti sono pieni di riverberazione, dove le onde sonore rimbalzano su ogni superficie riflettente. Per un sistema che comprende solo la direzione, ogni una di queste riflessioni è percepita come un nuovo suono proveniente da una direzione diversa.

Questo crea un effetto disorientante, come se il dispositivo fosse in una “sala degli specchi acustici”, dove una sola voce sembra provenire da centinaia di direzioni simultaneamente. Incapace di distinguere le voci distinte degli speaker dal turbine di riflessi, il sistema non può decodificare correttamente il paesaggio sonoro. Questa limitazione fondamentale è esattamente il motivo per cui le tecnologie vocali attuali hanno una percezione così scarsa dell’audio in scenari reali caotici e, in ultima analisi, falliscono nell’eseguire in modo affidabile.

Le tecnologie di Kardome trattano ogni persona come se fosse l’unica a parlare nella stanza. Qual è il punto di svolta tecnico che rende ciò possibile e come si differenzia dal riconoscimento vocale convenzionale a lungo raggio?

La nostra svolta tecnica è una tecnologia proprietaria chiamata Intelligenza Artificiale di Ascolto Spaziale, che supera i metodi convenzionali che rilevano solo la direzione di un suono per individuare invece la sua posizione precisa nello spazio tridimensionale. Funziona analizzando l’intero modello di riflessione che una voce crea all’interno di una stanza, trattando il modo complesso in cui il suono rimbalza sulle superfici come un “impronta digitale acustica” unica per quella posizione specifica. La nostra IA inferisce istantaneamente e passivamente questa impronta per ogni sorgente sonora, mappando efficacemente l’ambiente. Questo approccio basato sulla posizione è fondamentalmente diverso dai sistemi convenzionali guidati dalla direzione, che si confondono facilmente dalle stesse riflessioni che utilizziamo come dati preziosi. Mentre essi sentono un singolo speaker come una folla di echi, la nostra tecnologia utilizza l’intero modello di riflessione per individuare la fonte effettiva. Il risultato pratico è che un dispositivo abilitato Kardome può concentrarsi su una persona in un ambiente rumoroso e sentirla come se stesse parlando da solo in una stanza tranquilla. Inoltre, l’IA di Cognizione assicura che il sistema non solo senta le parole, ma comprenda anche chi le ha dette e cosa significano nel contesto.

Si dice che l’intelligenza artificiale vocale stia avendo il suo “momento iPhone”. Dal tuo punto di vista, cosa significa e quanto siamo vicini all’adozione mainstream vera e propria?

Per me, il “momento iPhone” significa che la voce è finalmente pronta a diventare il modo predefinito per interagire con i dispositivi computazionali.

Vedo i produttori che gareggiano per integrare le tecnologie di intelligenza artificiale vocale in tutta la gamma dei loro prodotti. Le auto stanno diventando interfacce vocali primarie per motivi di sicurezza. Le case intelligenti necessitano di interfacce utente vocali perché non è fattibile mettere touchscreen ovunque. Anche i dispositivi elettronici tradizionali stanno aggiungendo funzionalità vocali perché spesso è più veloce rispetto alla navigazione dei menu. Mentre molte tecnologie stanno guidando l’adozione della voce, la vera rivoluzione sarà dettata dai robot. Man mano che i robot si integrano nelle nostre case e luoghi di lavoro, la voce emergerà come l’unica interfaccia veramente efficace e naturale per l’interazione.

Perché questa coesistenza sia senza soluzione di continuità, i robot devono capirci a livello umano. Devono comprendere il contesto e la sfumatura del linguaggio naturale, non solo le parole chiave. Richiedono una consapevolezza spaziale così precisa che sembra magica — capire istintivamente che tu sei la persona che parla con loro, anche in una stanza rumorosa. È fondamentale che questa intelligenza operi sull’edge per una comunicazione istantanea, privata e affidabile.

Questo non è un miglioramento incrementale; è un cambiamento fondamentale nel modo in cui gli esseri umani e le macchine interagiranno. Stiamo costruendo la tecnologia per guidare questa ridefinizione. Direi che siamo a circa 24 mesi dall’inflection point in cui la voce diventerà l’interfaccia prevista piuttosto che una caratteristica “nice to have”.

In termini pratici, come pensi che l’ascolto spaziale e l’intelligenza artificiale di cognizione trasformeranno i dispositivi di tutti i giorni — dalle auto alle case intelligenti, dai dispositivi indossabili agli spazi pubblici?

La trasformazione consiste nel consentire un’interazione naturale ovunque ti trovi, senza dover adattare il tuo comportamento per accomodare la tecnologia. Nelle auto, significa un controllo veramente senza mani che funziona mentre si guida a velocità autostradale con la musica che suona e i passeggeri che parlano. Le case intelligenti diventano veramente intelligenti quando possono capire chi sta parlando e da dove, gestendo richieste simultanee senza confusione.

La chiave di lettura è che l’intelligenza artificiale di ascolto spaziale non migliora solo il riconoscimento vocale — consente paradigmi di interazione completamente nuovi. Quando i dispositivi possono comprendere l’intera scena acustica, possono partecipare al flusso naturale della comunicazione umana, piuttosto che affidarsi a vincoli artificiali. I dispositivi indossabili diventano molto più utili quando possono isolare la tua voce dalle conversazioni circostanti, e gli spazi pubblici possono offrire assistenza vocale personalizzata ma privata. Come menzionato per i robot, ciò costituisce un cambiamento fondamentale nel modo in cui gli esseri umani e le macchine interagiranno con i robot che si integrano nelle nostre vite.

La privacy è una preoccupazione crescente con i dispositivi sempre in ascolto. Come Kardome bilancia la domanda di elaborazione sul dispositivo con la necessità di prestazioni e accuratezza?

La stragrande maggioranza delle soluzioni di intelligenza artificiale vocale attuali opera su un modello ibrido, composto da un componente sul dispositivo (edge) e un componente basato su cloud. Mentre l’elaborazione sul dispositivo non presenta problemi di privacy poiché i dati non lasciano mai il dispositivo dell’utente, l’elaborazione basata su cloud presenta una sfida significativa per la privacy dei dati.

Kardome affronta questa sfida ampliando notevolmente le capacità del componente edge. Elaborando più dati localmente e riducendo la dipendenza dal cloud, Kardome garantisce che i dati vocali sensibili non lascino mai il dispositivo, offrendo una protezione della privacy superiore rispetto ad altri sistemi sul mercato.

Una preoccupazione significativa con i dispositivi “sempre in ascolto” non è il microfono che cattura l’audio, ma piuttosto il rischio che quell’audio venga caricato sul cloud per l’analisi. Nella pratica, il costo proibitivo dell’elaborazione continua sul cloud significa che la maggior parte dei sistemi commerciali lo evita, ma ciò avviene a un prezzo elevato: una qualità inferiore e un’interfaccia utente vocale meno reattiva.

Kardome risolve questo compromesso portando potenti modelli linguistici sempre attivi sull’edge del dispositivo stesso. Con la nostra tecnologia, la scena acustica, il linguaggio naturale e il contesto vengono tutti analizzati in tempo reale direttamente sul dispositivo. Nessun dato vocale viene mai caricato o salvato. Questo approccio innovativo consente a Kardome di offrire sia una robusta protezione della privacy dei dati che un’interfaccia utente vocale altamente efficiente, eliminando il compromesso che gli utenti attualmente affrontano.

Guardando l’industria più in generale, quali sono gli ostacoli più grandi che l’intelligenza artificiale vocale deve ancora superare prima di diventare l’interfaccia dominante in tutta l’elettronica di consumo?

L’ostacolo più grande è che l’intelligenza artificiale vocale non comunica ancora come gli esseri umani. Fino a quando l’intelligenza artificiale vocale non potrà ascoltare e capire come gli esseri umani, con una piena consapevolezza del contesto e la capacità di comprendere il flusso conversazionale, non diventerà l’interfaccia principale che le persone desiderano che sia. Un ostacolo tecnico significativo in questo momento è che la maggior parte della tecnologia di intelligenza artificiale vocale è basata su cloud. Ciò impedisce fondamentalmente l’ascolto continuo e quindi blocca la comprensione del flusso conversazionale.

La svolta arriverà quando i sistemi vocali potranno veramente comprendere il contesto conversazionale e rispondere con la stessa consapevolezza intuitiva degli esseri umani. È allora che la voce diventerà l’interfaccia dominante in tutta l’elettronica di consumo.

Come pensi che la relazione dei consumatori con gli assistenti vocali evolverà una volta che accuratezza e affidabilità in ambienti rumorosi saranno risolte?

Una volta che affidabilità e conversazione naturale saranno risolte, gli assistenti vocali passeranno da caratteristiche di novità a interfacce essenziali di cui le persone dipendono durante tutta la giornata. Quando le persone sanno che l’intelligenza artificiale vocale capirà loro correttamente al primo tentativo, anche in ambienti sfidanti, smetteranno di adattarsi alla tecnologia e inizieranno a utilizzarla istintivamente con linguaggio naturale e conversazioni contestuali.

Il futuro dell’interazione vocale sarà predittivo e proattivo. Immagina il tuo dispositivo che capisce non solo le tue parole, ma anche il tuo tono, i segnali emotivi e il sottotesto conversazionale. I sistemi attuali lottano con il ritmo naturale della conversazione e non possono gestire interruzioni, turni di parola e comprensione contestuale. Gli esseri umani si adattano quando vengono interrotti; l’intelligenza artificiale vocale spesso si confonde. Per gli OEM, la sfida è integrare l’intelligenza artificiale vocale che possa offrire questa interfaccia futura senza la complessità e le esigenze hardware delle soluzioni attuali.

Infine, dove vedi Kardome e l’ecosistema di intelligenza artificiale vocale tra cinque anni, e quali saranno i punti di riferimento che definiranno se abbiamo veramente entrato nell’era del computing vocale?

Tra cinque anni, l’intelligenza artificiale vocale sarà così onnipresente come i touchscreen e i tastieri sono oggi, e sarà prevista in quasi ogni dispositivo computazionale. Kardome sarà il sistema operativo che consentirà agli utenti di operare i loro dispositivi con la voce, abilitando un’interazione naturale con qualsiasi dispositivo in qualsiasi ambiente, dai robot agli occhiali intelligenti, dalle auto alle case.

I punti di riferimento definitori saranno comportamentali piuttosto che tecnologici. Sapremo di aver raggiunto il computing vocale quando le persone smetteranno di pensare ai comandi vocali e inizieranno ad avere conversazioni naturali con il loro ambiente, quando gli ambienti multi-utente funzioneranno senza soluzione di continuità, e quando i bambini cresceranno aspettandosi di parlare con qualsiasi dispositivo in modo naturale. La misura ultima non sarà quanto sofisticata diventerà la nostra tecnologia, ma quanto naturalmente gli esseri umani interagiranno con il mondo digitale.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Kardome.