ダン・オコネル、Dialpadのチーフストラテジー担当者 – インタビュー・シリーズ

ダンは、Dialpadのチーフレベニューオフィサーです。以前は、TalkIQのCEOでした。TalkIQは、リアルタイムの音声認識と自然言語処理のスタートアップで、Dialpadが2018年5月に買収しました。TalkIQ以前は、AdRollとGoogleでさまざまなセールスリーダーシップの役割を果たしました。

Dialpadは、AIを利用したクラウドコミュニケーション・プラットフォームで、チームとつながり、コラボレーションすることをより簡単に、効率的にします。

あなたは以前、TalkIQのCEOでした。TalkIQは、Dialpadが2018年5月に買収しました。音声認識技術で成功したこのスタートアップの秘密は何ですか?

それは、タイミング、人、焦点の組み合わせでした。自動音声認識（ASR）技術は新しいものではなく、数十年前からあります。ただし、過去5年間で、ASR技術は、コンピューティングパワーの向上、クラウド、データセットの可用性、スマートスピーカーの大規模な採用により、精度が向上しました。

これらのトレンドに加えて、私たちは幸運にも、言語学の専門家と、製品を迅速に市場に導入できるエンジニアを組み合わせることができました。私は、イノベーションを推進し、問題を迅速に解決することができるエンジニアを指しています。彼らは、最も優雅な解決策ではないかもしれませんが、最も迅速な解決策であり、革新的なものです。彼らは、スタートアップを構築し、資金を調達しようとする際に、重要な役割を果たします。

私たちは、分野の専門家、市場のトレンド、企業でこの技術を適用するための広大なブルー・オーシャン、イノベーションを推進し、問題を解決する能力を持つチームを持っていました。

最後に、私たちは問題を解決するための異なるアプローチを取りました。従来のトランスクリプション・エンジンは、テープレコーダーのように機能しました。通話を記録し、オーディオファイルを保存し、トランスクリプション・エンジンを通して、後で出力を受け取りました。初期の30分間の通話は30分間トランスクリプションするため、スケールで実際の遅延が発生しました。

私たちは、この問題を解決し、オーディオファイルを必要としないストリーミングまたはリアルタイムのトランスクリプション・エンジンを構築したいと考えました。これは、数年前には新しいことではありませんでしたが、当時は、8kHz（低品質のオーディオ、例えばステレオ品質ではありません）の長時間のオーディオを処理できるストリーミング・エンジンはありませんでした。私たちは、テープレコーダーを構築したくなかったのです。

私たちは、会話を理解し、分析するためのリアルタイム・エンジンを構築したいと考えました。そうすれば、機会は無限にあり、ワークフローを自動化し、以前にはできないことを行うことができます。ジム・パーマー、エティエンヌ・マンダーシェイド、ケビン・ジェームズ、ノア・ガスパーなど、最初にこのようなリアルタイム・エンジンを構築した人々に感謝します。

TalkIQがDialpadに買収された後の移行期間についてお話しください。

買収のプロセスは実際に非常にスムーズでした。Dialpadは既にTalkIQのパートナーでした。私たちの製品チームはすでにDialpadに週に1回出向いており、Dialpadの共同創設者であるクレイグ・ウォーカーとブライアン・ピーターソンと以前Googleで一緒に仕事をしていました。

私たちはすべて、同じように未来を見ていました。ASR/NLP技術がコミュニケーション/コラボレーション・プラットフォームに組み込まれると、市場に革命をもたらし、ビジネスにとってゲームチェンジャーになるという考えでした。これが、買収が完了した直後に50Mドルの資金調達をICONIQが主導した理由の1つです。投資家は、技術の将来的な応用とチームの問題解決能力を見て、機会を見いだしました。

TalkIQでは、基本的に3つのスタートアップを同時に構築しようとしていました。私たちは独自のテレフォニースタック、音声認識エンジン、社内NLP技術を構築しようとしていました。これらはすべて、難しい問題でした。Dialpadはすでにテレフォニーの側面を解決していたため、買収のオファーが来たとき、簡単な決定でした。私たちは、Dialpadを最も革新的なビジネス・コミュニケーション・プラットフォームと見なし、ビジネス・コミュニケーションの将来のビジョンが非常に一致していました。

Dialpadで使用されているさまざまな機械学習技術についてお話しください。

私たちのネイティブ・ボイス・インテリジェンス（Vi）エンジンは、AIとMLを利用して、組織が売上を促進し、競争上の洞察を得て、顧客サービスを向上させ、オンライン・ミーティングをより効率的に行うことを支援します。

TalkIQからのASRとNLP技術を使用して、リアルタイムで音声とビデオ通話からの会話を処理します。同時に、私たちの独自の技術を使用して、会話データを処理し、業界をリードする精度で正確にキャプチャしてトランスクリプションします。

組み込まれたMLにより、Viは時間の経過とともに改善されます。Viを使用するほど、Viは会話を処理する能力が向上し、会話の微妙なニュアンスをより正確に処理できるようになります。

Dialpadは最近、1億分以上の音声データを分析した後、AIの重要なマイルストーンを達成しました。ベンチマークテストでは、DialpadのトランスクリプションモデルはGoogleの強化されたテレフォニー・モデルを上回りました。どのようなテストが行われたのでしょうか?

私たちは、オーディオと、それに対応するトランスクリプションを含むテストセットのコレクションを持っています。トランスクリプションは、オーディオで話されたものの真実であると考えられます。私たちは、同じオーディオを各競合他社に送り、トランスクリプションを返信として受け取り、それを真実と比較して、精度のパーセンテージを計算します。2018年4月のTalkIQ買収以来、Googleと比較して、常に低い精度でしたが、現在はそうではありません。

Dialpadの独自のボイス・インテリジェンス（Vi）エンジンと競合他社のエンジンの主な違いは何ですか?

最大の違いは、私たちがこれまでに最も多くのデータを分析し、技術が最も正確であるということです。私たちは10億分以上の音声コミュニケーションを分析し、毎月約9,000万分のViエンジンを処理しています。この点では、私たちは競合他社よりも数年先を行っています。

別の違いは、言語モデルへのカスタマイズとスケーラビリティのアプローチです。各顧客のために、会社固有のキーワードのデータベースを構築して、キーワードのブーストを実行して精度を向上させます。たとえば、ユーザーが「Kathryn」という名前で「Skribbl」という会社で働いている場合、私たちのシステムは「Kathryn」と「Skribbl」という名前を正しくスペルできますが、他のモデルは「Katherine」と「scribble」とスペルする可能性があります。

自然言語処理の将来についてのあなたの個人的な見解は何ですか? AIがほぼ100％、または100％の精度に到達するまでにどれくらいの時間がかかりますか?

完全な精度は、ほぼ達成不可能です。もしかしたら、いつか驚かされるかもしれません（私はそう希望しています！）。私は、非常に近い精度に達することはできますが、完全な精度に達することはできないと思います。理由は、自動音声認識（およびその後のNLP）には、無限に近い問題があるためです。アクセント、話し手の位置、背景ノイズ、接続の問題、さまざまなマイク、話し手の話すスピード、発音、コンテキスト（Sara vs Sarah vs Serra）、頭字語、スラングなどです。これらすべての問題を解決することは難しいと思います。

ただし、読みやすさの点では、興味深い開発が行われると思います。現在、会話のトランスクリプションを確認すると、思いつきの流れのように読みます。私たちは自然に、流暢に話し、文を繰り返し、文を再開します。会話のトランスクリプションをより読みやすいバージョンにしたいと思います。冗長性を除去し、句読点を予測し、トランスクリプションを最適化して、より読みやすくします。

私の考えでは、2つのバージョンがあります。1つは、会話の完全なバージョン（100％に近い）で、文法の間違いなどがあります。もう1つは、トランスクリプションを最適化して、より読みやすくしたバージョンです。

これは、会話をその最も重要な部分に絞り込むことができるかどうかという疑問に至ります。完全なトランスクリプションが必要ですか、または正確な要約が必要ですか?

これは、ユースケースによって異なりますが、これがこの分野で興味深いことです。私たちは、可能なことの3番目のイニングにあり、まだイノベーションのワークフローをみていません。ここで、NLPはより「コンテキスト・アウェア」になります。前の会話を使用して精度を向上させます。

モデルが学習するコンテキストが具体的であるほど、精度が向上します。コンテキストを共有して、MLをより賢くします。コンテキストが重要です。人間にとっては、言語の微妙な違いはささいなものですが、MLモデルを複製するのは非常に難しいです。

Dialpadは現在、クライアントにどのようなサービスを提供していますか?

Dialpadは、より賢く働くためのスマートな方法です。私たちは、今日の現代のハイブリッド・ワークフォースのためにプラットフォームを構築しました。人々とチームが、どこからでも効率的に、効果的に、関与することができるようにします。私たちは、呼び出し、チャット、ビデオ会議、コールセンターを含むシームレスなビジネス・コミュニケーションのエクスペリエンスを提供します。Dialpadは、質、セキュリティ、信頼性が無比なクラウドベースのプラットフォームで、経済的で、展開が簡単で、管理が簡単です。

Dialpadについてさらに何か共有したいことはありますか?

2020年は、会社にとって記念すべき年でした。世界が経験した（そして続けている）こととは裏腹に、驚くべきことです。私たちは従業員数を2倍にし、1億ドルの資金を調達し、会社を買収し、顧客ベースを指数関数的に成長させました。

リモート・ワークがここに残ることを私たちは予想しています。この成長は続くでしょう。私たちは、ワーク・フロム・エニウェアのムーブメントが、従業員が賢く働くためのイノベーションを必要とすることを強化することを予想しています。企業は、効率を向上させ、退屈なタスクを排除し、従業員がより大きな優先事項に集中できるようにAIを利用するでしょう。Dialpadは、これらのニーズに応えるために適しています。

素晴らしいインタビュー、詳細はDialpadを訪れてください。