Marc Sloan, Co-Founder & CEO van Scout – Interview Series

Marc Sloan is de Co-Founder & CEO van Scout, de werelds eerste webbrowserchatbot, een digitale assistent voor het uitvoeren van taken online. Scout suggereert nuttige dingen die het voor u kan doen op basis van wat u online doet.

Wat trok u aanvankelijk aan bij AI?

Mijn eerste ervaring met het werken aan AI was tijdens een tussenjaar dat ik doorbracht bij de natuurlijke taalverwerkingsonderzoeksgroep van GCHQ tijdens mijn bachelor. Ik zag met eigen ogen de impact die machine learning op echte problemen kon hebben en het verschil dat het maakt.

Het zette een schakelaar om in mijn hoofd over hoe computers kunnen worden gebruikt om problemen op te lossen: software engineering leert u om programma’s te maken die gegevens verwerken en resultaten produceren, maar machine learning laat u gegevens verwerken en de resultaten beschrijven die u wilt produceren om een programma te maken. Dit betekent dat u hetzelfde kader kunt gebruiken om duizenden verschillende problemen op te lossen. Voor mij voelde dit veel impactvoller dan het schrijven van een programma voor elk probleem.

Ik studeerde al optimalisatieproblemen in de wiskunde naast informatica, dus toen ik terugkeerde naar de universiteit, richtte ik me op AI en voltooide ik mijn scriptie over spraakverwerking voordat ik solliciteerde naar een PhD in Information Retrieval aan UCL.

U heeft onderzoek gedaan naar versterking van het leren in webzoekopdrachten onder supervisie van David Silver, de oprichter van AlphaGo. Kunt u enkele van deze onderzoeken bespreken?

Mijn PhD was gericht op het onderwerp van het toepassen van versterking van het leren op leren om rangschikkingen te maken in informatieopname, een veld dat ik heb helpen creëren, genaamd Dynamic Information Retrieval. Ik werd begeleid door Prof Jun Wang en Prof David Silver, beiden experts in agent-gebaseerd versterking van het leren.

Ons onderzoek keek naar hoe zoekmachines konden leren van gebruikersgedrag om zoekresultaten autonomously over tijd te verbeteren. Met behulp van een Multi-Armed Bandit-benadering zou ons systeem verschillende zoekresultaten proberen en klikgedrag verzamelen om te bepalen of ze effectief waren of niet. Het kon zich ook aanpassen aan individuele gebruikers over tijd en was bijzonder effectief in het omgaan met dubbelzinnige zoekopdrachten. Op dat moment richtte David zich diep op het Go-probleem en hij hielp me bij het bepalen van de juiste versterking van het leren van de instelling van staten en de waardefunctie voor dit specifieke probleem.

Wat zijn enkele van de ondernemingslessen die u heeft geleerd van het werken met David Silver?

Onderzoek aan UCL is vaak ondernemend. David had eerder Elixir Studios opgericht met Demis Hassabis en vervolgens DeepMind om te werken aan Alpha Go. Maar andere leden van onze Media Futures-onderzoeksgroep eindigden ook met het creëren van een reeks verschillende startups: Jun richtte Mediagamma op (versterking van het leren op online advertentie-uitgaven), Simon Chan startte prediction.io (overgenomen door SalesForce) en Jagadeesh Gorla startte Jaggu (een aanbevelingsservice voor e-commerce). Ons team besprak vaak de commerciële impact die ons onderzoek kon hebben, ik denk misschien omdat UCL’s basis in Londen een natuurlijk startpunt is voor het creëren van een bedrijf.

U heeft onlangs Scout gelanceerd, de werelds eerste webbrowserchatbot. Wat was de inspiratie achter het lanceren van Scout?

Het idee ontwikkelde zich natuurlijk uit mijn PhD-onderzoek. Ik ging rechtstreeks van het voltooien van mijn PhD naar Entrepreneur First, waar ik begon na te denken over hoe ik mijn onderzoek kon omzetten in een product.

Voordat ik dit deed, voltooide ik een stage bij Microsoft Research, waar ik mijn onderzoek toepaste op Bing. Op dat moment was de belangrijkste les die ik leerde uit mijn onderzoek dat informatiezoekopdrachten voorspeld konden worden op basis van online gebruikersgedrag. Maar ik werd gefrustreerd dat de enige echte manier om deze voorspellingen in een zoekmachine te laten zien was door auto-suggest te verbeteren. Dus ik begon na te denken over hoe de hele online ervaring van de gebruiker kon worden verbeterd met behulp van deze voorspellingen, niet alleen de zoekervaring.

Het was dit denken dat leidde tot het creëren van een browser-add-on die gebruikersgedrag observeert, voorspelt wat de gebruiker waarschijnlijk online nodig heeft en het voor hen ophaalt. Na een paar jaar experimenteren en prototypen, evolueerde dit in een chatbot-interface waar de browser ‘praat’ met u over wat u online doet en probeert u te helpen op weg.

Met welke webbrowsers zal Scout compatibel zijn?

We richten ons op Chrome op dit moment vanwege het feit dat het de meest populaire webbrowser is en een volwassen add-on-architectuur heeft, maar we hebben prototypes die werken op Firefox en Safari en zelfs een mobiele app.

De Scout-winkelfunctie klinkt alsof het gebruikers zowel tijd als geld kan besparen. Als iemand een product onderzoekt op Amazon, wat gebeurt er dan in de backend, en hoe communiceert Scout met de gebruiker?

Het idee is dat zodra u Scout hebt geïnstalleerd, u de web gewoon blijft gebruiken. Als u winkelt, bezoekt u mogelijk Amazon om producten te bekijken. Op dat moment herkent Scout dat u winkelt op Amazon en het product dat u bekijkt, en het zegt “Hallo”. Het verschijnt als een chatwidget op de webpagina, een beetje zoals Intercom werkt, behalve dat Scout op potentieel elke webpagina kan verschijnen. U kunt zien hoe het eruit ziet op mijn website.

Omdat u winkelt, zal Scout beginnen met het suggereren van manieren waarop het u kan helpen. Het zal vragen of u andere prijzen, YouTube-video’s van het product en meer wilt zien. U communiceert door op knoppen te drukken en de chatbot past de ervaring aan aan wat u wilt dat het doet. Wanneer het informatie vindt (zoals een YouTube-video), zal het deze embedden in de chatthread, net zoals een vriend media met u zou delen op WhatsApp. Na verloop van tijd hebt u een gesprek met de browser over wat u online doet, met de browser die u helpt op weg.

De verwerking van de webpagina gebeurt binnen de browser zelf. De enige informatie die onze backend ziet, is de chatthread, wat betekent dat de privacy-implicaties minimaal zijn.

We hebben een aangepaste architectuur voor het begrijpen van online browse-gedrag en het beheren van dialogen met de gebruiker. We gebruiken machine learning om te bepalen welke taken we online kunnen helpen en hoe we moeten helpen. Oorspronkelijk gebruikten we versterking van het leren om aan te passen aan gebruikersvoorkeuren over tijd. Maar een van de belangrijkste lessen die ik heb geleerd van het runnen van een AI-startup is om processen eenvoudig te houden en om alleen machine learning te gebruiken om een bestaand proces te optimaliseren. Dus in plaats daarvan hebben we nu een geavanceerd regelengine voor het beheren van taken over tijd die kan worden beheerd door versterking van het leren zodra we moeten schalen.

Wat zijn enkele voorbeelden van hoe Scout kan helpen bij evenementenplanning?

We realiseerden ons dat evenementenplanning (en reisboekingen) niet zo verschillend zijn van online winkelen. U kijkt nog steeds naar producten, leest recensies en commiteert u aan een aankoop/deelname. Dus veel van wat we hebben gebouwd voor winkelen is ook van toepassing hier.

Het grootste verschil is dat tijd en locatie nu belangrijk zijn. Dus als u bijvoorbeeld naar concertkaartjes op Ticketmaster kijkt, kan Scout het adres van de locatie identificeren en suggesties doen voor het vinden van richtingen van uw huidige locatie naar de locatie, of de prijs van een Uber, of suggereren hoe laat u moet vertrekken. Als u Scout hebt verbonden met uw agenda, kan Scout controleren of u beschikbaar bent op het tijdstip van het evenement en het toevoegen aan uw agenda.

In de toekomst voorzien we dat Scout-gebruikers in staat zullen zijn om te communiceren met hun vrienden via het platform om te bespreken wat ze online doen, zoals evenementenplanning, winkelen, werk enz.

Dialogue-triggers zullen worden gebruikt voor Scout om communicatie te initiëren. Wat zijn enkele van deze triggers?

Standaard zal Scout u niet storen tenzij het een trigger tegenkomt die aangeeft dat u mogelijk hulp nodig heeft. Er zijn verschillende soorten triggers:

• Bezoeken van een specifieke website.
• Bezoeken van een type website (zoals nieuws, winkelen enz.).
• Bezoeken van een website met een bepaald type informatie (d.w.z. een adres, een video enz.).
• Klikken op links of knoppen op webpagina’s.
• Interactie met Scout door op knoppen te drukken
• Scout ophaalt bepaalde soorten media, zoals video’s, muziek, tweets enz.

We plannen om gebruikers toe te staan om de triggers die Scout moet reageren te fine-tunen, en uiteindelijk, om hun voorkeur automatisch te leren.

Kunt u enkele van de moeilijkheden bespreken achter het waarborgen dat Scout echt behulpzaam is wanneer het besluit om met een gebruiker te communiceren zonder irritant te worden?

We nemen gebruikersbetrokkenheid zeer serieus en proberen te meten of interacties leidden tot positieve of negatieve resultaten. We proberen een goed verhouding te behouden tussen hoe vaak Scout probeert om een gesprek te starten en hoe vaak het wordt gebruikt. Maar het is een moeilijke balans om goed te krijgen en we zijn altijd bezig om te verbeteren.

Vanwege de indringende aard van dit product is het krijgen van de interface en UX goed kritiek. We hebben veel tijd besteed aan het proberen van compleet verschillende interfaces en gebruikersinteractiemethoden. Dit werk heeft ons geleid tot de huidige chatbot-achtige interface, die we vinden geeft ons de grootste flexibiliteit in de hulp die we kunnen bieden, gekoppeld aan gebruikersvertrouwdheid en minimale gebruikersinspanning voor interacties.

Kunt u andere scenario’s geven van hoe Scout eindgebruikers kan helpen?

Ons focus op dit moment is om specifieke toepassingen voor Scout te testen op de markt. Winkelen en evenementenplanning zijn al genoemd, maar we kijken ook naar hoe Scout kan helpen academici (met het vinden van onderzoeksartikelen, auteurinformatie en referentienetwerken) en zelfs gitaristen (het vinden van gitaarnoten, het afspelen van muziek en video’s naast gitaarnoten online en helpen bij het stemmen van een gitaar). We hebben ook enige tijd besteed aan het verkennen van professionele scenario’s, zoals online werving, financiële analyse en recht.

Uiteindelijk kan Scout potentieel werken op elke website en helpen in elke scenario, wat het maken van deze technologie enorm spannend maakt, maar ook moeilijk om te starten.

Is er nog iets anders dat u zou willen delen over Scout?

Als u wilt zien wat het is als uw browser met u kan praten, kunt u meer lezen op de blog van Scout.

Bedankt voor de fascinerende kijk op het ontwerpen van een unite-type chatbot. We zijn enthousiast om dit project te volgen. Bezoek de website van Marc Sloan om meer te leren.