Sujatha Sagiraju, Chief Product Officer bij Appen – Interviewreeks

Sujatha Sagiraju is de Chief Product Officer bij Appen, ze trad bij Appen in september 2021 als SVP van Product en is verantwoordelijk voor de productstrategie. Ze is een technologiepionier met meer dan 20 jaar brede ervaring in het opbouwen van disruptieve grote online diensten en AI/ML- en dataplatforms. Ze kwam bij Appen vanuit Microsoft (MSFT ), waar ze leiderschapsrollen had in verschillende groepen, waaronder Bing en Azure AI Platform.

Appen is de wereldleider in data voor de AI-lifecycle. Met meer dan 25 jaar ervaring in datasourcing, data-annotatie en modelbeoordeling door mensen, maken ze het mogelijk voor organisaties om de meest innovatieve kunstmatige intelligentiesystemen ter wereld te lanceren.

Wat trok je aanvankelijk aan bij AI?

Toen ik bij Microsoft werkte, werkte ik in de Azure AI-organisatie. Ik was bekend met het industrielandschap, de klanten en de AI-transformatie die plaatsvindt in verschillende industrieën. Ik kon vanuit het oogpunt van een klant zien dat trainingsdata een belemmering vormden voor het opbouwen van machine learning-modellen en ik zag Appen als een kans om dat probleem op te lossen – de ontbrekende schakel die alle fasen van de AI-lifecycle kon verbinden.

Je bent momenteel de Chief Product Officer bij Appen, kun je beschrijven wat deze functie inhoudt?

Op het hoogste niveau bouwt mijn team de productvisie, -strategie en -aligneert met meerdere verschillende stakeholders in de organisatie om deze effectief uit te voeren. Op een meer persoonlijk niveau besteed ik veel tijd aan het begrijpen van de industrie en de klanten. Met enkele van de grootste bedrijven als onze klanten, zoals Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, is het belangrijk voor mijn team om de klantscenario’s en pijnpunten te begrijpen en een productstrategie te bouwen die een groeiplan levert. Het creëren van een veilige, inclusieve cultuur is ook een heel belangrijk onderdeel van mijn rol, aangezien ik me richt op het creëren van een ruimte waar onze medewerkers ideeën kunnen delen, samenwerken en hun carrière kunnen ontwikkelen.

Hoe belangrijk is het voor AI-ontwikkeling om diverse teams te hebben?

Het is extreem belangrijk voor AI-ontwikkeling om diverse teams te hebben. Er zijn een aantal manieren om aan diversiteit te denken – geslacht, leeftijd, ras, perspectieven. De diversiteit van perspectieven kan het belangrijkste deel zijn van het zorgen dat je diverse achtergronden en ervaringen in je team hebt. Die ervaringen brengen nieuwe en verschillende ideeën met zich mee om het beste product voor al je klanten te bouwen, die heel divers zijn.

Hoe creëer je een werkcultuur die deze diversiteit synergiseert?

Een cultuur die diversiteit bevordert, nodigt medewerkers uit om hun ideeën en perspectieven te delen. Ik hou ervan om verschillende methoden van communicatie te overwegen wanneer ik teamvergaderingen houd. Bijvoorbeeld, wanneer ik om feedback vraag in een teamvergadering, vraag ik medewerkers om rechtstreeks in de vergadering te spreken of me een bericht te sturen nadat ze erover hebben nagedacht. Ik erken dat niet iedereen wil spreken of feedback geven meteen, en ik wil een cultuur creëren waarin dat acceptabel is. Ik wil een veilige omgeving waar mensen hun mening kunnen geven en hun ideeën kunnen delen op een manier die voor hen het beste werkt. Grote ideeën komen uit alle verschillende teams binnen de organisatie. Ik ontmoet sales-, marketing- en andere klantgerichte teams om hun behoeften met het product en hun perspectief te begrijpen, aangezien ze nauw samenwerken met onze klanten. Sommige van de beste productideeën komen van het luisteren naar de pijnpunten van de klanten – ofwel rechtstreeks van hen, ofwel van teams die elke dag met onze klanten werken.

Buiten het hebben van gediversifieerde teams, zijn er andere manieren om vooroordelen in machine learning-algoritmes te bestrijden?

Inclusieve datasourcing, datapreparatie en modelbeoordeling zijn cruciaal om vooroordelen te bestrijden. De data die wordt gebruikt om de algoritmes te trainen, moet inclusief zijn voor alle potentiële eindgebruikers of resultaten. Wanneer je door de verschillende fasen van de AI-lifecycle gaat, moet elke fase worden gecontroleerd op vooroordelen. Verantwoordelijke AI wordt ook gebouwd met verantwoordelijk gesourcede datasets, wat betekent dat de bijdragers eerlijk worden behandeld. Appen heeft een Crowd Code of Ethics opgesteld om onze toewijding aan het welzijn van onze Crowd te laten zien.

Je hebt onlangs een artikel gepubliceerd over een nieuwe discipline, genaamd Data voor de AI-lifecycle. Kun je dat kort beschrijven?

De Data voor de AI-lifecycle omvat vier fasen in een continue cyclus; datasourcing, datapreparatie, modelbouw en -implementatie, en modelbeoordeling door mensen. Deze fasen zijn noodzakelijk om hoogwaardige data te leveren voor het opbouwen van AI-projecten. Datasourcing, datapreparatie en modelbeoordeling zijn de meest arbeidsintensieve en data-intensieve fasen en als ze niet goed worden uitgevoerd, kunnen ze leiden tot kwaliteitsproblemen en vertragingen bij de lancering. Appen specialiseert zich in die drie fasen en werkt strategisch samen met aanbieders die zich specialiseren in modeltraining en -implementatie.

Wat is de rol van synthetische data in de Data voor de AI-lifecycle?

Datasourcingoplossingen omvatten door mensen geannoteerde data, pre-geëtiketteerde datasets en synthetische data. Synthetische data wordt gebruikt in moeilijk te vinden datasets en use cases. Inclusieve datasets dekken alle use cases en potentiële eindgebruikers van een AI-model, en sommige vereisen synthetische data om dat doel te bereiken. De combinatie van door mensen geannoteerde data en synthetische data zal kritiek zijn voor modelsucces.

Hoe groot is het probleem van modeldrift of overfitting met de Data voor de AI-lifecycle?

Modeldrift kan een groot probleem zijn en moet worden aangepakt in de vierde fase van de AI-lifecycle, Modelbeoordeling door mensen. Het is cruciaal dat het model blijft werken in de echte wereld en dat het moet worden getest door mensen. Naarmate omgevingen veranderen en groeien, moeten modellen ook veranderen. Het is belangrijk dat beoefenaars hun modellen voortdurend evalueren om te voorkomen dat ze verouderd of vooroordeelkundig worden. Microsofts Bing is een klant die modelbeoordeling gebruikt om ervoor te zorgen dat zoekresultaten naar hun standaard presteren en het model voortdurend wordt geëvalueerd.

Is er nog iets anders dat je wilt delen over je werk bij Appen?

Het meest waardevolle werk bij Appen wordt gedaan door onze mensen en hun expertise. Met 25 jaar ervaring heeft Appen een sterke basis gebouwd met zijn medewerkers. Onze klanten vertrouwen onze expertise om hoogwaardige resultaten te leveren, snel en op grote schaal. Appen maakt de AI-industrietransformatie mogelijk door oplossingen te bieden om de Data voor de AI-lifecycle naadloos te beheren.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Appen bezoeken op Appen.