Fluent.aiのCTO兼創設者、Vikrant Tomar – インタビュー・シリーズ

Vikrant Tomarは、Fluent.aiのCTO兼創設者です。Fluent.aiは、デバイスOEMとサービスプロバイダー向けの音声理解とボイスユーザーインターフェイスのソフトウェアです。

音声認識の音響モデリングを研究するきっかけとなったのは何ですか？

実際、デバイスと人間が会話するのと同じように話すことができるというビジョンが私を魅了しました。私は大学の最終年時に音声認識を研究し始めました。そのとき、私は研究に興味を持ち始め、音声認識のコースと関連する研究プロジェクトに取り組みました。私はInterSpeechカンファレンスで研究論文を発表することができました。これは、私が長期的に音声認識の研究に取り組む決意を固めるきっかけとなりました。

2015年にFluent.aiを立ち上げたときの経緯を教えてください。

私は長い間起業家精神を持っています。大学時代に友人2人と一緒に会社を立ち上げようとしたのですが、様々な理由で失敗しました。McGill大学での博士課程のとき、モントリオールのスタートアップシーンに注目し、TandemLaunchというスタートアップファウンドリーと出会いました。そこでFluent.aiを創設しました。博士課程の終わり頃で、私は再び起業を真剣に考えるようになりました。研究や他の音声研究グループとの関わりを通じて、私は多くの音声認識の方法が音声からテキストへの転写と自然言語処理に焦点を当てていることを実感しました。しかし、これには大きなギャップがありました。多くの人々が音声ソリューションを利用できないでいます。そうした方法では、少数言語のモデルを開発することは非現実的です。さらに、多くの方言や言語には明確な書き言葉がないのです。私の家族も私の開発したツールを利用できませんでした。そうしたことから、私は別の方法で音声モデルを作成することを考え始めました。KU Leuven University（KUL）での研究成果を基に、Fluent.aiの最初のステップを踏み出すことができました。

Fluent.aiの直感的な音声理解ソリューションについて説明してください。

Fluent.aiの音声認識ソリューションは、人間が言語を学習し認識する方法からインスピレーションを得ています。従来の音声認識システムは、入力された音声をテキストに転写し、そのテキストから意味を抽出します。しかし、人間はそうではありません。子供が読み書きを知らないとき、言葉を話すことができます。Fluent.aiのディープラーニングベースのモデルは、テキストへの転写を必要とせずに、音声から直接意味を抽出することができます。技術的には、これは真のSpoken Language Understandingです。このアプローチにはいくつかの利点があります。従来の音声認識は、複数のモジュールを組み合わせて応答を生成する非最適なアプローチです。Fluent.aiの自動インテント認識（AIR）システムは、エンドツーエンド最適化されています。全てのモジュールが共同で最適な解を提供するように設計されています。また、従来の音声認識システムに存在する計算負荷の高いモジュールを削減することができます。こうして、低メモリの音声認識システムを実現し、40KBのRAMで50MHzの低電力マイクロコントローラー上で動作させることができます。さらに、私たちのSpoken Language UnderstandingベースのAIRシステムは、言語間の類似性を独自の方法で活用し、複数の言語を同じモデルで認識する機能を提供します。

雑音問題を克服するためのAIの課題について教えてください。

雑音は音声認識の最大の課題の1つです。様々な種類の雑音があり、それぞれが音声のスペクトルに異なる影響を与えます。時には、雑音はマイクの応答にも影響を与えることがあります。多くの場合、音声信号と雑音信号を分離することは不可能です。雑音は、音声スペクトルから情報をマスキングしたり、完全に削除したりすることがあります。どちらの場合も、精度が低下します。一定の雑音は容易に除去できますが、バックグラウンドノイズや音楽などの雑音は除去が難しいです。

Edge AIについて説明し、Fluent.aiがどのように利用しているか教えてください。

Edge AIは、低電力デバイスでAIアプリケーションを実行するさまざまな方法を指す用語です。Fluent.aiでは、エッジデバイスで高品質のSpoken Language Understandingを実現することに焦点を当てています。低電力コンピューティングデバイスで入力された音声を認識する効率的なアルゴリズムを開発しました。こうして、データをクラウドサーバーに送信せずに、デバイス自体で音声データを処理することができます。ユーザーのプライバシーが保護され、クラウドサーバーとデバイスの間でデータを送信する必要がないため、遅延も減少します。

その他の機械学習技術について教えてください。

私たちの主な焦点は、ディープラーニングベースの音声認識アプローチです。強化学習（RL）方法やAutoMLを使用して、AIモデルを最適化しています。また、モデル圧縮や数学的アプローチを使用して、モデル性能を最適化しています。

次の5年間で、自然言語理解と自然言語処理がどのように進化すると思いますか？

私は、システムがより自然なインタラクションを提供するようになることを予想しています。現在のシステムは、単純な質問に答えたり、声によるインターネット検索を行ったりすることができますが、より高度な機能が必要です。より多くのソリューションが、ユーザーの質問に完全に答えることができるようになるでしょう。また、プライバシーも重要な課題です。現在の多くのソリューションは、クラウドサーバーにユーザーの声データを送信するため、プライバシーが懸念されます。エッジAIやデバイス内で自然言語処理を行うソリューションが増えるでしょう。さらに、音声認識技術は、現在の限界を超えて、より多くの言語や方言をサポートするようになるでしょう。

Fluent.aiについてさらに何か教えてください。

音声技術は近年大きな進歩を遂げてきましたが、まだ成長の余地があります。Fluent.aiでは、新しいユースケースを探求し、継続的に革新を起こしています。COVID-19のパンデミックにより、高触媒エリアへの需要が高まり、ボイスエナブルドテクノロジーへの需要も高まっています。Fluent.aiのソリューションは、多言語対応で、オフラインで動作し、プライバシーも保護するため、こうした需要に応えることができます。これらの機能は、音声技術の未来を形作るでしょう。

素晴らしいインタビュー、詳しく知りたい読者はFluent.aiを訪れてください。

[1] https://www.researchgate.net/profile/Farzaneh_Sheikhnezhad_Fard/publication/341083699_Nasil_Neural_Archit