スパイク・トラップのAndrea Vattani、共同創設者兼チーフサイエンティスト – インタビュー・シリーズ

Andrea Vattaniは、Spiketrapの共同創設者兼チーフサイエンティストです。Spiketrapは、クリエイター、プラットフォーム、ブランド向けのオーディエンスインテリジェンスとメディアパフォーマンスを提供するコンテキスト化企業です。独自のClair AIは、非構造化データセットのノイズからシグナルを抽出して、並外れた明確性とコンテキストを提供します。特に、高速度のオンライン環境内でです。

コンピューターサイエンスとAIに興味を持ったきっかけは何ですか?

それは幸運な出来事の積み重ねでした。ローマ大学で統計学の入学試験を受けるために現れましたが、試験はすでに終了していました。コンピューターサイエンスの入学試験を受けることを勧められ、1年後には統計学部に戻る予定でした。しかし、コンピューターサイエンスの入学試験を受け、合格しました。統計学部に戻ることはありませんでした。AIに興味を持ったきっかけは、コンピューターが自動化することができることに気づいたことです。AIは究極の自動化マシナリーです。自然言語と人間がそれを使う方法にも興味があります。高校では古典研究をしており、古代ギリシャ語とラテン語を勉強していました。これは、機械が単語のストリームを与えられたときと似ています。

以前、アマゾンのGoodreadsでシニアリードソフトウェアエンジニアとして働いていました。そこで何らのプロジェクトに取り組んでいたのですか? その経験から得た主な教訓は何ですか?

Goodreadsでは、スパム検出や本のレコメンドエンジンのスケーリングを含む複数の機械学習プロジェクトに取り組みました。そこでの経験から得た教訓は、ビジネス目標と顧客目標に合ったMLメトリクスを定義することの重要性です。例えば、レコメンドエンジンはすでに長い間存在しています。2009年のNetflix (NFLX ) Prizeコンペティションを覚えていますか? 映画のレコメンドを改善するために。上位の解決策から得られた洞察は、映画を見るかどうかの確率はあなたの興味とあまり関係がないことを示しています。むしろ、あなたの興味と似ているかどうかが重要です。映画の場合、90分間のコミットメントなので機能しますが、書籍の場合そうではありません。目標をメトリクスに組み込むことが重要です。

Spiketrapで適用した別の教訓は、AIチームをデリバリー指向で、プロダクトロードマップに統合することです。目標、タイムライン、ROIの理解がより良くなります。また、チームがモデルアーキテクチャやデータセットに重点を置くようになります。Netflixコンペティションの例で言えば、勝者のモデルは実用的ではなかったため、統合されませんでした。

あなたの研究は多くのジャーナルに掲載されています。どれが最も重要な論文だったと思いますか?

博士課程で、機械学習、ビッグデータ、ソーシャルデータ分析、ゲーム理論の分野の研究者と共同研究を行いました。簡単で応用可能な論文としては、「Scalable K-Means++」があります。K-Means++は、データセットをKつのコヒーレントなグループに分割するために使用される一般的な無監督クラスタリング方法です。ただし、大量のデータとグループがある場合、非常に遅くなります。この論文では、並列化することで同じ、またはそれ以上の精度を達成する方法を示しています。私たちの方法論は非常に単純で、多くの機械学習ライブラリに実装されています。

Spiketrapの創設ストーリーを共有してください。

Goodreadsでの仕事を終えた後、Spiketrapの共同創設者であるKieranとVirgilioと私は、ニッチなソーシャルプラットフォームからの高度なブランドインサイトへのアクセスに対する業界のギャップを認識しました。AI技術を適用することで、この問題を効率的に解決することができます。

今日の経済では、企業が顧客と業界全体に耳を傾けることが重要です。ただし、ブランドについて話している多くのことが聞かれません。毎日、Twitter、Reddit、Twitchなどのプラットフォームで、数百万の人々が意見を表明しています。これは、市場調査員にとって非常に貴重なリソースですが、コンテキスト化することができなければなりません。ただし、インサイト業界はデジタル行動と言語の進化に追いついていません。

リスニングツールは依然としてキーワードとブール演算検索に依存しており、ブランドに関連する会話の多くを逃しています。市場調査会社は、定性的洞察を量的でコストに制約された方法論から導き出すために、難しいバランスを取ることに苦労しています。

簡単に言えば、人々はオーディエンスを理解するために必要なツールが不足しています。売上高とビューカウントはオーディエンスの行動の「何」を答えるものですが、「なぜ」を答えるものではありません。コンテキストがなければ、相関と因果関係を判断するのは推測のゲームです。この空白を認識し、コンテキスト理解の解決策について調査し、Spiketrapが生まれました。

Spiketrapではどのような機械学習技術を使用していますか?

Scikit-learnやPytorchなどのディープラーニングライブラリを使用しています。ライブラリ以外の方法論、モデル、データセットはほとんど独自のものです。オフザシェルフの方法やモデルはあまりにも限界があり、問題を真正に解決するには独自の努力が必要です。例えば、トピックモデリングはテキストコレクションからテーマを抽出するタスクです。Spiketrap Convosは、顧客にオーディエンスに関する重要な洞察を提供し、トピックモデリングを使用しています。典型的なトピックモデリングの方法はLDAですが、不一致で予測できないため、また十分な力がないため、不十分です。一方、Bert-Topicsなどの事前学習モデルは強力ですが、硬いですし、遅いです。NLPと言語AIは過去10年で飛躍的に進歩しましたが、既存のモデルを製品に変えることはまだ最適化されていません。

Spiketrapはどのようにしてクリエイター、プラットフォーム、ブランドに瞬間的なオーディエンス理解を提供していますか?

広告主と代理店は、Spiketrapのインフルエンサー・リーダーボードとブランドアフィニティ・ツールを使用して、ブランドセーフなコミュニティを持つクリエイターを特定しています。クリエイターは、ツールを使用して個々のストリームを調べて、どの会話が最も、または最も安全でなかったか、スポンサーにとってどの会話が肯定的だったか、モデレーション努力を改善する方法を確認できます。

最近、Spiketrapは「FeelsGoodMan：Twitch Neologismsのセマンティクスを推測する」という論文を発表しました。この論文について簡単に説明してください。

オンラインでのコミュニケーションと表現は、複雑で難しいものになりました。最初は顔文字が現れ、次に絵文字、そしてミーム、そして今では「emotes」と呼ばれるアイコンベースのコミュニケーション形式がTwitchストリーミングプラットフォームで人気になりました。絵文字と同様に、テキストと組み合わせて使用され、意味は実際の画像とは明らかな関連性がありません。現在、800万以上のユニークなemotesがあり、週に40万以上が使用されています。まだ、人々は効果的にコミュニケーションをとっています。喜び、退屈、興奮、皮肉など、様々な感情を表現しています。私たちの最近の論文は、emotesのセマンティックな意味を推測するためのAIのレシピです。私たちのアプローチでは、手動でキュレーションされたデータセットのメンテナンスと更新は必要ありません。また、新しいemotesの導入や人気のemotesの意味の変化にも自己適応できます。これは、特に「TriHard」、「PogChamp」、「FeelsGoodMan」などの人気のemotesが政治的または人種的意味合いを持つ場合に重要です。言語のダイナミックな使用と意味の変化は、モデレーションシステムやセンチメント分析フレームワークにとって大きな問題を引き起こします。Spiketrapでは、この問題を正しく解決することに自信を持っています。

Spiketrapについてさらに何か共有したいことがありますか?

新しい年を見据えて、Spiketrapはクライアント向けにブランドセンチメントのより深い理解を提供する新しいツールの開発と完善に取り組んでいます。Spiketrapの新しいアフィニティツールは、クリエイター、ブランド、ゲームなど間のオーディエンスのアフィニティを特定して量化するためのインタラクティブで直感的な方法を提供します。ツールは、関連するメンションの頻度やセンチメントなど、複数のコンテキストシグナルを使用して、アフィニティインデックススコアを生成します。Spiketrapのテクノロジースタックは、ゲーム、ブランド、クリエイター間のアフィニティをインデックス化するために独自に位置付けられています。独自のNLP AIであるClairは、毎日数百万の公開ユーザー生成メッセージを処理し、エンティティに不明なコンテンツを属性化し、トピックを特定し、センチメントを決定し、セーフティを監視しています。新しいアフィニティツールの追加により、開発者、クリエイター、ブランドなどがオーディエンスとブランドの影響をさらに理解することができます。

素晴らしいインタビュー、詳細を知りたい読者はSpiketrapを訪問してください。