Sujatha Sagiraju, Chief Product Officer di Appen – Serie di Interviste

Sujatha Sagiraju è il Chief Product Officer di Appen, si è unita ad Appen nel settembre 2021 come SVP of Product e si occupa della strategia del prodotto. È una pioniera della tecnologia con oltre 20 anni di esperienza nel costruire servizi online su larga scala e piattaforme di intelligenza artificiale/machine learning e dati. Si è unita ad Appen da Microsoft, dove ha ricoperto ruoli di leadership in diversi gruppi, tra cui Bing e Azure AI Platform.

Appen è il leader globale nei dati per il ciclo di vita dell’AI. Con oltre 25 anni di esperienza nella raccolta dei dati, annotazione dei dati e valutazione dei modelli da parte degli esseri umani, abilita le organizzazioni a lanciare i sistemi di intelligenza artificiale più innovativi del mondo.

Cosa ti ha inizialmente attratto verso l’AI?

Quando ero a Microsoft, ho lavorato nell’organizzazione Azure AI. Ero familiare con il panorama dell’industria, i clienti e la trasformazione dell’AI che sta avvenendo in diversi settori. Potevo vedere dal punto di vista di un cliente che i dati di training erano un ostacolo alla costruzione di modelli di apprendimento automatico e ho visto Appen come un’opportunità per risolvere quel problema – il collegamento mancante che potrebbe collegare tutte le fasi del ciclo di vita dell’AI.

Attualmente sei il Chief Product Officer di Appen, potresti descrivere cosa comporta questo ruolo?

Al livello più alto, il mio team costruisce la visione del prodotto, la strategia e si allinea con diverse parti interessate in tutta l’organizzazione per eseguirla efficacemente. A un livello più personale, dedico molto tempo a comprendere l’industria e i clienti. Con alcune delle più grandi aziende come nostri clienti, come Amazon, Google, Microsoft, Salesforce, Boeing, è importante per il mio team comprendere gli scenari dei clienti e i punti deboli e costruire una strategia di prodotto che offra un piano di crescita. Costruire una cultura sicura e inclusiva è anche una parte molto importante del mio ruolo, poiché mi concentro sulla creazione di uno spazio in cui i nostri dipendenti possano condividere idee, collaborare e far crescere le loro carriere.

Quanto è importante per lo sviluppo dell’AI avere team diversificati?

È estremamente importante per lo sviluppo dell’AI avere team diversificati. Ci sono diversi modi di pensare alla diversità – genere, età, razza, prospettive. La diversità di prospettive può essere la parte più importante per assicurarsi di avere background e esperienze diversificate nel team. Queste esperienze portano nuove e diverse idee per costruire il miglior prodotto per tutti i clienti che sono molto diversificati.

Come crei una cultura di lavoro che sinergizzi questa diversità?

Una cultura che promuove la diversità invita i dipendenti a condividere le loro idee e prospettive. Mi piace considerare diversi metodi di comunicazione quando conduco riunioni di squadra. Ad esempio, quando chiedo un feedback in una riunione di squadra, chiedo ai dipendenti di parlare direttamente nella riunione o di inviarmi un messaggio dopo averci pensato. Riconosco che non tutti vorranno parlare o condividere feedback subito, e voglio creare una cultura in cui ciò è accettabile. Voglio un ambiente sicuro in cui le persone possano esprimere le loro opinioni e condividere le loro idee come preferiscono. Le grandi idee provengono da tutti i team all’interno dell’organizzazione. Mi incontro con i team di vendita, marketing e altri team che si occupano dei clienti per comprendere le loro esigenze con il prodotto e la loro prospettiva lavorando a stretto contatto con i clienti. Alcune delle migliori idee di prodotto provengono dall’ascolto attento dei punti deboli dei clienti – direttamente da loro o dai team che interagiscono con i nostri clienti ogni giorno.

Oltre ad avere team diversificati, quali sono altri modi per combattere i pregiudizi negli algoritmi di machine learning?

La raccolta dei dati inclusiva, la preparazione dei dati e la valutazione dei modelli sono fondamentali per combattere i pregiudizi. I dati utilizzati per addestrare gli algoritmi devono essere inclusivi di tutti i potenziali utenti finali o risultati. Quando si passa attraverso le diverse fasi del ciclo di vita dell’AI, ogni fase deve essere verificata per i pregiudizi. L’AI responsabile è anche costruita con set di dati responsabilmente fonte, significa che i contributori sono trattati in modo equo. Appen ha costruito un Crowd Code of Ethics per mostrare il nostro impegno nel benessere della nostra Crowd.

Hai recentemente pubblicato un articolo che discute una nuova disciplina, chiamata Data for AI Lifecycle. Potresti descrivere brevemente cosa è?

I dati per il ciclo di vita dell’AI comprendono quattro fasi in un ciclo continuo; raccolta dei dati, preparazione dei dati, costruzione e distribuzione del modello e valutazione del modello da parte degli esseri umani. Queste fasi sono necessarie per fornire dati di alta qualità per la costruzione di progetti di intelligenza artificiale. La raccolta dei dati, la preparazione dei dati e la valutazione del modello sono le fasi più laboriose e intense in termini di dati e se non vengono eseguite correttamente, possono portare a problemi di qualità del progetto e ritardi nel lancio. Appen si specializza in queste tre fasi e si associa strategicamente con fornitori che si specializzano nella formazione e nella distribuzione dei modelli.

Qual è il ruolo dei dati sintetici nel Data for AI lifecycle?

Le soluzioni di raccolta dei dati includono dati annotati da esseri umani, set di dati pre-etichettati e dati sintetici. I dati sintetici vengono utilizzati in set di dati difficili da trovare e casi d’uso. I set di dati inclusivi coprono tutti i casi d’uso e i potenziali utenti finali di un modello di intelligenza artificiale e alcuni richiedono dati sintetici per raggiungere questo obiettivo. La combinazione di dati annotati da esseri umani e dati sintetici diventerà critica per il successo del modello.

Quanto grande è il problema della deriva del modello o del sovrapprendimento con il Data for AI lifecycle?

La deriva del modello può essere un grande problema e deve essere affrontata nella quarta fase del ciclo di vita dell’AI, la valutazione del modello da parte degli esseri umani. È fondamentale che il modello continui a funzionare nel mondo reale e che debba essere sottoposto a test da parte degli esseri umani. Poiché gli ambienti cambiano e crescono, i modelli devono cambiare anche loro. È importante che gli operatori valutino continuamente i loro modelli per prevenire che diventino obsoleti o distorti. Microsoft’s Bing è un cliente che utilizza la valutazione del modello per assicurarsi che i risultati di ricerca siano conformi agli standard e che il modello sia continuamente valutato.

C’è qualcos’altro che vorresti condividere sul tuo lavoro ad Appen?

Il lavoro più prezioso ad Appen è fatto dalle nostre persone e dalla loro esperienza. Con 25 anni di esperienza, Appen ha costruito una solida base con i suoi dipendenti. I nostri clienti si fidano della nostra esperienza per fornire risultati di alta qualità, rapidamente e su larga scala. Appen sta abilitando la trasformazione dell’industria dell’AI fornendo soluzioni per gestire in modo semplice il Data for AI lifecycle.

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