닐 야거 박사, 프레이즈의 공동 창립자이자 최고 과학자 – 인터뷰 시리즈

닐 야거 박사는 프레이즈의 최고 과학자이며, 프레이즈 방법의 설계자입니다. 프레이즈 방법은 AI를 활용한 коп라이팅 도구로, 세계적으로 잘 알려진 브랜드들을 위한 마케팅 복지를 최적화하는 데 도움을 주었습니다. 이러한 브랜드들에는 이베이, 그루폰, 버진 등이 있으며, 20개 이상의 언어로 제공됩니다.

야거 박사는 10개 이상의 학술 논문을 저술했으며, 데이터 마이닝에 관한 책을 저술했으며, 여러 특허를 보유하고 있습니다. 그는 인공지능 상업화를 선도하는 전문가 중 한 명으로, 호주 뉴사우스웨일즈 대학교에서 컴퓨터 과학 박사 학위를 취득했습니다.

20년간 기술 산업에서 활동한 바, 이전에 관련된 AI 관련 역할은 무엇입니까?

2000년대 중반부터 인공지능 관련 연구에 참여했습니다. 그러나 그때는 ‘통계적 패턴 인식’이라고 불렀습니다. 몇 년 후에는 ‘기계 학습’이라고 불리게 되었으며, 최근에는 ‘인공지능’이라고 불리우게 되었습니다. 그러나 이 용어는 부담을 가질 수 있으며, 기술에 대한 오해를 불러일으킬 수 있습니다.

이전에는 신호 처리와 컴퓨터 비전 분야에서 연구를 진행했습니다. 프레이즈에 참여하기 전까지는 자연어 처리에 대한 경험이 없었습니다. 그러나 언어는 인공지능에서 가장 어려운 문제라는 것을 알게 되었습니다.

2008년에 저술한 ‘생체 정보 시스템 및 데이터 분석: 설계, 평가 및 데이터 마이닝’이라는 책은 통계와 기계 학습을 결합하여 생체 정보 데이터를 평가하고 해석하는 방법을 제공합니다. 이 분야는 책이 출판된 이후 어떻게 발전했습니까?

딥 러닝은 컴퓨터 비전, 언어 처리, 기계 학습 분야에서 큰 변화를 가져왔습니다. 이 책을 다시 쓴다면, 딥 러닝에 대한 내용을 포함해야 할 것입니다.

딥 러닝은 2012년 이미지넷 대회에서 우승한 이후로 급격히 발전했습니다. 이 대회는 컴퓨터가 이미지의 내용을 인식하는 대회입니다. 이 이후로, 기존의 모델들은 모두 구식이 되었습니다. 딥 러닝 알고리즘은 외부에서 개발되었으며, 기존 모델들을 큰 차이로 앞섰습니다. 이것은 인공지능 산업에 큰 영향을 미쳤습니다.

이 분야는 아직도 빠르게 발전하고 있습니다. 프레이즈를 설립한 지 몇 년밖에 되지 않았지만, 이미 많은 변화가 있었습니다. 예를 들어, 현재 사용하는 딥 러닝 도구들은 프레이즈를 설립할 때는 존재하지 않았습니다. 이러한 발전은 새로운 도전을 가져옵니다.

프레이즈는 어떤 기능을 수행합니까?

프레이즈는 두 가지 문제를 해결합니다. 첫째, 마케팅 복지를 작성하는 문제입니다. 현재는 이메일, 애드워즈, 소셜 미디어, 인쇄 등 다양한 광고 채널이 있습니다. 높은 품질의 복지를 작성하는 것은 어려운 일입니다. 프레이즈는 자동으로 복지를 생성하여 이 문제를 해결합니다. 둘째, 복지의 효과를 최적화하는 문제입니다. 프레이즈는 기계 학습을 사용하여 복지의 효과를 예측하고 최적화합니다.

자연어 처리와 딥 러닝을 활용하여 광고 복지를 개선하는 아이디어는 어떻게 생각하게 되셨습니까?

디지털 마케팅 캠페인의 효과를 최대화하는 것은 새로운 아이디어는 아닙니다. 그러나 대부분의 경우, 광고의 언어는 최적화되지 않는 경우가 많습니다. 프레이즈를 설립할 때, 우리는 이 문제를 해결하기로 결정했습니다. 언어는 인공지능에서 가장 어려운 문제입니다.

프레이즈는 20개 이상의 언어로 마케팅 복지를 개선할 수 있습니다. 외국어로 작업할 때 발생하는 고유한 자연어 처리 문제는 무엇입니까?

최근에 추가된 언어는 러시아어입니다. 러시아어는 슬라브어族의 언어로, 다른 인도유럽어族의 언어와는 다릅니다. 이 경우, 언어 생성 시스템에 새로운 규칙을 추가해야 했습니다. 이는 언어 문제뿐만 아니라 소프트웨어 개발 문제이기도 합니다. 개발자가 모국어로 작업할 때, 오류를 쉽게 발견할 수 있습니다. 그러나 러시아어나 일본어와 같은 경우, 개발자가 모국어가 아니면 오류를 발견하기 어렵습니다. 따라서, 모국어 사용자가 QA 과정에 참여하는 것이 중요합니다.

외국어뿐만 아니라, 지역적인 차이도 있습니다. 예를 들어, 영어는 미국, 영국, 호주, 캐나다 등에서 사용되는 언어입니다. 각 지역마다 철자, 문법, 단어가 다를 수 있습니다. 예를 들어, 영국에서는 “have a look”을 사용하지만, 미국에서는 “take a look”을 사용합니다. 또한, 단어의 의미도 지역마다 다를 수 있습니다. 예를 들어, “rubber”는 영국에서는 지우개지만, 북미에서는 콘돔을 의미합니다. 이러한 지역적인 차이를 처리하기 위해서는, 자연어 생성 시스템이 유연해야 합니다.

프레이즈에서 딥 러닝은 어떻게 사용됩니까?

프레이즈의 기술에는 두 가지 주요 AI 구성 요소가 있습니다. 첫째, 자연어 생성(NLG)입니다. 이는 언어를 생성하는 것입니다. 둘째, 딥 러닝입니다. 이는 성능을 최적화하는 것입니다. 성능은 상황에 따라 다를 수 있습니다. 예를 들어, 이메일 제목의 경우, 목표는 수신자가 이메일을 열어 내용을 확인하는 것입니다. 페이스북의 경우, 목표는 좋아요나 공유를 최대화하는 것입니다.大量의 역사적 데이터가 있는 경우, 기계 학습을 사용하여 언어의 효과를 예측하고 최적화할 수 있습니다.

딥 러닝은 전통적인 기계 학습 접근 방식보다 몇 가지 장점을 제공합니다. 전통적인 기계 학습의 경우, 개발자가 언어의 가장 중요한 특징을 결정해야 합니다. 예를 들어, 단어, 길이, 이모티콘 사용 등입니다. 그러나 딥 러닝의 경우, 원시 텍스트를 모델에 입력하여 언어의 기계적 표현을 생성할 수 있습니다. 이는 개발자의 편향을 제거하고, 강력한 접근 방식입니다. 그러나, 모델의 동작을 이해하기 어려울 수 있습니다. “설명 가능성”은 딥 러닝 커뮤니티에서 활발하게 연구되는 분야입니다. 그러나, 시스템의 복잡성과 우리의 이해력 사이에는 근본적인 트레이드오프가 있습니다. 인간의 언어는 복잡하므로, 성공적인 자연어 처리 솔루션은 일반적으로 높은 복잡성을 가집니다.

프레이즈는 브랜드의 고유한 톤을 사용하여 마케팅 복지를 작성할 수 있습니다. 이 기능은 어떻게 수행됩니까?

새로운 고객을 등록할 때, 우리는 고객의 브랜드 스타일을了解하기 위해 정보를 수집합니다. 이는 공식 브랜드 가이드라인, 역사적인 마케팅 캠페인, 그리고 언어 기술자들이 개발한 질문지입니다. 이러한 정보를 사용하여, 고객 전용 언어 모델을 구축합니다. 언어 모델은 생성형 모델로, 고객의 고유한 스타일로 새로운 언어를 생성할 수 있습니다.

언어 모델은 언제든지 업데이트할 수 있습니다. 예를 들어, 현재는 코로나19 위기가 진행 중입니다. 언어 팀은 언어 모델을 검토하여 부적절한 언어가 생성되지 않도록 합니다. 예를 들어, “이번 거래는 바이러스적으로 전파됩니다!”라는 문장은 몇 달 전에는 무해했지만, 현재는 부적절한 언어입니다. 이는 시스템의 유연성을 보여줍니다.

프레이즈를 시작하려면 어떤 데이터가 필요한가요?

정확하게 말하면, 시작하기 위해 많은 데이터가 필요하지 않습니다. 첫 번째 단계는 적합한 프로젝트 영역을 식별하는 것입니다. 예를 들어, 주간 프로모션 이메일의 제목입니다. 이 경우, 상대적으로 큰 대상이 있어야 하며, 통신은 정기적으로 이루어져야 합니다. 프로젝트를 식별한 후, 언어 모델을 구축하기 위해 주제와 브랜드 음성에 대한 정보가 필요합니다. 프레이즈는 성능 결과를 지속적으로 측정하고 추적해야 합니다. 기계 학습을 사용하는 솔루션으로, 이러한 정보를 시스템에 피드백하여 지속적으로 최적화할 수 있습니다.

프레이즈에 대해 더 공유하고 싶은 내용이 있나요?

파리, 빅토리아, 그리고 저는 5년 전 프레이즈를 설립했습니다. 그때, 우리는 다른 스타트업들이 유사한 제품을 개발할 것이라고 생각했습니다. 그러나, 우리는 이러한 경쟁자가 나타나지 않는다는 사실에 놀랐습니다. 언어는 매우 어려운 문제입니다. 우리는 다른 사람들이 유사한 제품을 개발하려고 시도했지만, 초기 연구 개발 단계에서 실패했다고 생각합니다. 이는 우리의 기술이 얼마나 고유한지 보여줍니다.

자연어 처리, 자연어 생성, 딥 러닝에 대한 정보를 제공해 주셔서 감사합니다. 자세한 정보를 원하시면 프레이즈를 방문하십시오.