스피켓랩의 안드레아 바타니, 공동 창립자 및 최고 과학자 – 인터뷰 시리즈

안드레아 바타니는 스피켓랩의 공동 창립자 및 최고 과학자입니다. 스피켓랩은 크리에이터, 플랫폼, 브랜드를 위한 오디오던스 인텔리전스와 미디어 성과를 제공하는 컨텍스추얼라이제이션 회사입니다. 스피켓랩의 자체 개발한 클레어 AI는 비정형 데이터셋의 노이즈로부터 신호를 추출하여 특히 고속 온라인 환경에서 비할 데 없는 명확성과 컨텍스트를 제공합니다.

컴퓨터 과학과 AI에 처음 관심을 가지게 된 계기는 무엇인가?

그것은 운이 좋게도 여러 가지 상황이 겹친 결과였습니다. 나는 로마 대학교에서 통계학 전공 입학 시험을 보러 갔는데, 시험 일자가 지나چ 않았습니다. 그래서 컴퓨터 과학 전공으로 지원하기로 결정했습니다. 그리고 1년 후에 통계학으로 전과할 계획이었습니다. 하지만 컴퓨터 과학 입학 시험을 보았고, 통과했습니다. 그래서 결국 통계학으로 전과하지 않았습니다. 내 관심은 실제로 컴퓨터가 자동화하는 방식과 AI가 궁극적인 자동화 기계라는 것을 깨달았을 때부터 시작되었습니다. 또한 자연어와 사람들이 그것을 사용하는 방식에 관심이 많았습니다. 고등학교에서 고전적인 연구를 했으며, 라틴어와 고대 그리스어를 공부했습니다. 그것은 기계가 단어의 흐름을 받았을 때 느끼는 것과 비슷합니다.

이전에는 아마존 구드리드의 선임 소프트웨어 엔지니어로 일했습니다. 당시 어떤 프로젝트를 진행했으며, 그 경험에서 어떤 교훈을 얻었나요?

구드리드에서 나는 여러 기계 학습 프로젝트를 진행했습니다. 스팸 감지와 책 추천 엔진의 확장을 포함한 프로젝트들이었습니다. 그 경험에서 얻은 교훈은 비즈니스와 고객의 목표에 맞는 기계 학습 메트릭스를 정의하는 것이 중요하다는 것입니다. 예를 들어, 추천 엔진은 이미 오래전부터 존재했습니다. 2009년에 넷플릭스 프라이즈 경쟁에서 더好的 영화 추천을 찾는 것이 기억나나요? 일부 최상단 솔루션은 당신이 영화를 볼 가능성이 당신이 영화를 좋아할지 여부와는 크게 관련이 없으며, 당신의 관심사와 비슷한지 여부에 더 많이 의존한다는 것을 제안했습니다. 그것은 영화의 경우에는 작동할 수 있지만, 책의 경우에는 그렇지 않습니다. 책은 90분의 짧은 시간을 투자하는 영화와는 달리 더 긴 시간을 투자하기 때문입니다. 따라서 목표를 메트릭스에 통합하는 것이 중요합니다.

스피켓랩에서 적용한 또 다른 교훈은 제품 로드맵과 통합된 전달 중심의 AI 팀을 구축하는 것입니다. 이것은 목표, 타임라인, ROI에 대한 더好的 정의를 가져오고, 팀이 탐색과 연구에만 집중하는 것이 아니라 속도와 실제성에 더 집중하도록 합니다. 넷플릭스 경쟁의 우승 팀의 모델은 실제로 통합되지 않았습니다. 이유는 실제성과 속도가 부족했기 때문입니다.

당신의 연구는 여러 저널에 발표되었습니다. 지금까지 가장 중요한 논문은 무엇이라고 생각하나요?

박사 과정 동안에 나는 기계 학습, 빅 데이터, 사회 데이터 분석, 게임 이론 등 다양한 분야의 연구자들과 협력할 수 있었습니다. 내가 가장 좋아하는 논문은 “스케일러블 K-미안스++”입니다. K-미안스는 가장 일반적으로 사용되는 비지도 클러스터링 방법 중 하나로, 데이터셋을 K개의 일관된 그룹으로 나눕니다. 하지만 데이터와 그룹이 많아지면 너무 느려집니다. 이 논문에서 우리는 동일한 정확도를 달성하면서도 방법을 병렬화하여 더 빠르게 만들 수 있는 방법을 보여줍니다. 우리의 방법은 매우 간단하며 여러 기계 학습 라이브러리에 구현되었습니다.

스피켓랩의 기원에 대해 이야기해 주시겠습니까?

구드리드에서 일한 후, 스피켓랩의 공동 창립자들과 나는 산업에서 고급 브랜드 인사이트를 얻는 데 필요한 니치 소셜 플랫폼에 대한 접근이 부족하다는 것을 깨달았습니다. AI 기술을 적용하여 이 문제를 효율적으로 해결할 수 있었습니다.

오늘날 경제에서 公司는 고객과 산업 전체를 들어야 합니다. 하지만 고객이 브랜드에 대해 말하는 많은 내용이 들리지 않습니다. 수백만 명의 사람들이 매일 트위터, 레딧, 트위치 등에서 의견을 개방적으로 표현합니다. 이것은 시장 연구자에게 매우 귀중한 자원입니다. 하지만 내용을 대규모로 컨텍스추얼라이즈하는 것이 문제입니다. 인사이트 산업은 디지털 행동과 언어의 발전에 따라가지 못했습니다.

청취 도구는 키워드와 불리언 검색에 의존하며, 특정 브랜드에 속하는 대화의 많은 부분을 놓치고 있습니다. 한편, 시장 연구 회사들은 질적 인사이트를 얻는 데 어려움을 겪고 있습니다. 수치와 비용 제한적인 방법론 사이에서 어려운 균형을 유지하려고 합니다.

간단히 말해서, 사람들은 대규모로 청중을 이해하는 데 필요한 도구가 부족했습니다. 판매 숫자와 뷰어 수는 청중 행동의 “무엇”을 대답하지만, “왜”에 대한 답은 아닙니다. 컨텍스트 없이 상관관계와 인과관계를 구분하는 것은 추측의 게임입니다. 우리는 이 공백을 인식하고, 컨텍스추얼 이해를 위한 솔루션은 무엇일지 조사했습니다. 그렇게 스피켓랩이 탄생했습니다.

스피켓랩에서 사용하는 기계 학습 기술은 무엇입니까?

우리는 스카이킷런과 같은 일반적인 라이브러리부터 피토치와 같은 딥 러닝 라이브러리에 이르기까지 다양한 기술을 사용합니다. 라이브러리 외에도 사용하는 방법론, 모델, 데이터셋은 대부분 자체 개발한 것입니다. 우리는 오프-더-쉘프 방법과 모델은 어느 정도까지밖에 가지 못한다는 것을 배웠습니다. 하지만 실제 문제를 해결하려면 목표에서 모델 아키텍처와 데이터셋까지 직접 작업해야 합니다. 예를 들어, 토픽 모델링은 텍스트 컬렉션에서 테마를 추출하는 것입니다. 스피켓랩의 “스피켓랩 컨보스”는 고객에게 청중에 대한 중요한 인사이트를 제공하며, 토픽 모델링을 하나의 신호로 사용합니다. 일반적인 토픽 모델링 방법은 LDA입니다. 하지만それは 불일치하고 예측할 수 없으며, 충분히 강력하지 않습니다. 반면에, 현대적인 사전 훈련된 모델인 버트-토픽스와 같은 모델은 강력하지만,僵硬하고 느립니다. NLP와 언어 AI는 지난 10년 동안 큰 발전을 이루었지만, 기존 모델을 제품으로 만드는 것은 아직 최적화되지 않았으며, 위험한 베팅입니다.

스피켓랩이 크리에이터, 플랫폼, 브랜드를 위한 즉각적인 오디오던스 이해를 어떻게 제공합니까?

광고주와 에이전시는 우리의 인플루언서 리더보드와 브랜드 어피니티 툴을 사용하여 다양한 카테고리에서 브랜드 안전한 커뮤니티를 가진 크리에이터를 식별합니다. 크리에이터는 도구를 사용하여 개별 스트림을 살펴보고, 가장 안전하거나 안전하지 않은 대화는 무엇인지, 어떤 대화가 후원자에게 긍정적인 참여를 유도했는지, 그리고 어디에서 더 나은 모더레이션 노력을 기울일 수 있는지 확인할 수 있습니다.

스피켓랩에서 최근에 발표한 논문인 ‘필즈굿맨: 트위치 신조어의 의미 추론’에 대해 간단히 설명해 주시겠습니까?

온라인에서 사람들이 소통하고 자신을 표현하는 방식은 점점 더 복잡하고 해석하기 어려워졌습니다. 처음에는 이모티콘이 왔습니다. 그런 다음 이모지가 왔습니다. 그리고 이제는 트위치 스트리밍 플랫폼에서 매우 인기 있는 새로운 형태의 아이콘 기반 통신인 “이모트”가 있습니다. 이모티콘과 비슷하게, 텍스트와 함께 사용되며, 의미가 그림과 명백하게 연결되지 않습니다. 현재까지 800만 개 이상의 고유한 이모트가 있으며, 매주 40만 개 이상의 이모트가 사용됩니다. 하지만 사람들은 효과적으로 이모트를 사용하여 기쁨, 무聊, 흥奮, 비꼬기 등 다양한 감정을 표현합니다. 우리의 최근 논문은 이모트의 의미를 추론하는 AI 레시피입니다. 우리의 접근 방식은 수동으로 유지되고 업데이트된 데이터셋을 필요로하지 않으며, 새로운 이모트의 지속적인 도입과 인기 있는 이모트의 의미의 발전에도自适应할 수 있습니다. 이것은 특히 이모티콘이 정치적 또는 인종적으로 로드될 때 중요합니다. 예를 들어, “TriHard”, “PogChamp”, “FeelsGoodMan”과 같은 인기 있는 이모티콘입니다. 언어의 동적 사용과 의미의 변화는 모더레이션 시스템이나 감정 분석 프레임워크에 огром한 문제를 제기합니다. 그래서 우리는 스피켓랩에서 이 문제를 올바른 방법으로 해결하고자 합니다.

스피켓랩에 대해 더 이야기해 주시겠습니까?

새로운 해를 맞아, 스피켓랩은 클라이언트를 위한 브랜드 감성에 대한 더 깊은 이해를 제공하는 새로운 툴을 개발하고 완벽하게 만들고 있습니다. 스피켓랩의 새로운 어피니티 툴은 크리에이터, 브랜드, 게임 등에 대한 청중의 어피니티를 식별하고 양적으로 분석하는 상호작용적이고 직관적인 방법을 제공합니다. 어떤 쿼리에도 대해, 툴은 관련된 언급의 빈도와 감정과 같은 여러 컨텍스추얼 신호를 포함하여 어피니티 인덱스 점수를 생성합니다. 스피켓랩의 기술 스택은 게임, 브랜드, 크리에이터 사이의 어피니티를 인덱싱하는 데 유일하게 위치하고 있습니다. 클레어, 스피켓랩의 자체 개발한 NLP AI는 매일 수백만 개의 공개된 사용자 생성 메시지를 처리하며, 그렇지 않으면 모호한 내용을 스피켓랩의 광범위한 지식 그래프 내의 엔티티에 속성화하여, 대화 주제를 식별하고, 감정을 결정하며, 안전성을 모니터링합니다. 새로운 어피니티 툴의 추가는 개발자, 크리에이터, 브랜드 등이 청중과 브랜드의 영향을 더 잘 이해할 수 있도록 합니다.

감사합니다. 더 많은 정보를 원하는 독자는 스피켓랩을 방문하시기 바랍니다.