Dan O’Connell, Chief Strategy Officer i Dialpad – Intervju-serie

Dan er Chief Revenue Officer i Dialpad. Tidligere var han CEO i TalkIQ, et start-up som jobbet med sanntidsspråk-gjenkjenning og naturlig språkbehandling som Dialpad kjøpte opp i mai 2018. Før TalkIQ, hadde han ulike salgslederstillinger i AdRoll og Google (GOOGL ).

Dialpad er en AI-drevet skybasert kommunikasjonsplattform som gjør det enklere og mer effektivt å koble til og samarbeide med ditt team

Du var tidligere CEO i TalkIQ, et start-up som jobbet med sanntidsspråk-gjenkjenning og naturlig språkbehandling som Dialpad kjøpte opp i mai 2018. Hva var hemmeligheten bak dette start-upet som gjorde det så suksessfullt i tale-gjenkjenningsteknologi?

Det var en kombinasjon av flere ting: tid, mennesker og fokus. Automatisk tale-gjenkjenning (ASR) teknologi er ikke ny, det har eksistert i tiår — mye lenger enn folk tror. Under denne tiden (og, enda mer, de siste fem årene), har ASR-teknologien blitt bedre på grunn av økt datakraft, skyen, tilgjengelighet av datasett og masse-tilpasning av smarte høyttalere på forbrukermarkedet. Alle disse tingene har ført til økt nøyaktighet i transkripsjoner.

På toppen av disse trendene, var vi også heldige å kombinere spesialister (slik som lingvister) med “hakkere”. Og når jeg sier “hakkere”, mener jeg ingeniører som kan raskt få produkter til markedet — de driver innovasjon og løser problemer raskt. Og selv om de ikke alltid er de mest elegante løsningene, er de vanligvis de raskeste og lar deg bli sett på som en innovator på “bleeding edge” — noe som blir noe du kan utnytte fra et markeds- og salgsstandpunkt. Denne historien spiller godt når du bygger ditt start-up og prøver å samle inn penger.

Så, vi hadde eksperter på området, naturlige trender på markedet, en enorm blå osean når det gjelder å bruke teknologien i bedriftsverdenen og et team med en rekord av å bringe innovative teknologier til markedet med gjentakende GTM-bevegelser.

Til slutt, tok vi en annen tilnærming for å løse problemet. Tradisjonelle transkripsjonsmotorer fungerte som lydopptak. Du opptar et samtale; du lagrer lydfilen; du setter den gjennom din transkripsjonsmotor; og etter hvert får du utskrift. Til å begynne med, ville en 30-minutters samtale ta 30 minutter å transkribere, så du snakker om virkelige forsinkelser i skala.

Vi ønsket å løse dette problemet og bygge en strømmende eller sanntidstranskripsjonsmotor som ikke trenger en lydfil. Dette kan høres litt nytt nå, men for noen år siden var det ingen strømmemotor som kunne håndtere sanntid langvarig 8khz (som er min fancy måte å si dårlig kvalitet lyd på, dvs. ikke stereo kvalitet — 44khz) lyd. Vi ønsket ikke å bygge en lydopptaker.

Vi ønsket å bygge en sanntidsmotor for å forstå og analysere samtaler. Hvis vi kunne gjøre det, så ville mulighetene være endeløse fordi du da kan begynne å automatisere arbeidsflyter og gjøre alle slags kule ting som ikke er gjort før. Og stor takk til Jim Palmer, Etienne Manderscheid, Kevin James, Noah Gaspar og en rekke andre for å være de første til å bygge denne type sanntidsmotor.

Kunne du diskutere overgangsperioden etter at Dialpad kjøpte opp TalkIQ i mai 2018?

Oppkjøpsfasen var faktisk super smidig. Dialpad var en TalkIQ-partner og våre produktteam var allerede på Dialpad hver uke. Og, jeg hadde tidligere jobbet med medgründerne Craig Walker og Brian Peterson i Google og var spennende på å samarbeide med dem.

Vi så alle fremtiden på samme måte, nemlig at disse teknologiene (ASR/NLP) innbakt i en kommunikasjons-/samarbeidsplattform kunne være disruptivt for markedet og spillendeendrende for bedrifter. Dette er en av grunnene til at, nesten umiddelbart etter at oppkjøpet var fullført, samlet vi inn 50 millioner dollar i en runde ledet av ICONIQ. Investorer så mulighetene i fremtiden og teamet som jobbet med disse problemene.

Ved TalkIQ, var vi grundig et start-up som prøvde å være tre forskjellige start-up på samme tid: Vi bygde vår egen telefoni-stakk, tale-gjenkjenning-motor og egen NLP-teknologi. Disse er tre vanskelige problemer å løse. Dialpad hadde allerede suksessfullt knust telefoni-delen, så når oppkjøpsbudskapet kom, var det en enkel beslutning. Vi så på Dialpad som den mest innovative bedriftskommunikasjonsplattformen i rommet, og vår visjon for fremtiden av bedriftskommunikasjon stemte veldig godt overens.

Hva er noen av de forskjellige maskinlærings-teknologiene som brukes i Dialpad?

Vår native Voice Intelligence (Vi™) motor benytter AI og ML for å hjelpe organisasjoner drive salg, få konkurransefortrinn, heve kundeservice og ha mer effektive nett-møter.

ASR- og NLP-teknologier fra TalkIQ brukes til å ta imot samtaler fra tale- og video-samtaler i sanntid. Samtidig lar vår egen teknologi oss å prosessere innkommende samtaledata og nøyaktig fange og transkribere den med bransjeledende nøyaktighet til en enkel å lese format.

Bygget-inn ML hjelper Vi å forbedre seg over tid. Jo mer du bruker Vi, jo mer lærer den og jo bedre blir den til å prosessere samtaler. Over tid, vil samtale-transkripsjoner øke i nøyaktighet, og Vi vil kunne prosessere de mer subtile nyansene i samtalen.

Dialpad nådde nylig et stort AI-mål etter å ha analysert over en milliard minutter med tale, og benchmark-tester viste at Dialpads transkripsjonsmodell overgikk større konkurrenter, inkludert Googles forbedrede telefoni-modell. Hva slags tester ble utført for å kvantifisere disse resultater?

Vi har en samling av testsett som inneholder lyd og den tilhørende transkripsjon som anses for å være “ground truth” for hva som ble sagt i lyden. Vi sender samme lyd til hver konkurrent og mottar en transkripsjon tilbake, som vi så sammenligner med “ground truth”. Vi beregner antall feil for å bestemme en nøyaktighetsprosent. Vi har sammenlignet oss med Google siden TalkIQ-oppkjøpet i april 2018, og har alltid hatt lavere nøyaktighet før nå.

Hva er noen av de viktigste forskjellene bak Dialpads egen Voice Intelligence (Vi™) motor og konkurranse-motorer?

En av de største forskjellene er at vi har gjort dette lengre enn konkurrenter, noe som betyr at vi har analysert mer data for å sikre at vår teknologi er den mest nøyaktige. Vi har analysert over en milliard minutter med talekommunikasjon og prosesserer omtrent 90 millioner minutter i måneden med vår Vi-motor. I denne sammenhengen er vi bokstavelig talt år foran konkurransen.

En annen forskjell er vår tilpassede og skalerbare tilnærming til språkmodeller. For hver kunde, bygger vi en database med firma-spesifikke nøkkelord så vi kan utføre nøkkelord-forbedring for å forbedre nøyaktigheten. For eksempel, for en bruker som staver sitt navn “Kathryn” og jobber i et firma som heter Skribbl, ville vårt system stave navnene riktig, mens andre modeller ville stave dem som de høres ut (dvs. “Katherine” og “scribble”).

Hva er dine personlige syn på fremtiden for naturlig språkbehandling? Hvor lenge vil det ta før AI når nær 100% eller til og med 100% nøyaktighet?

Fullstendig nøyaktighet er nær umulig å oppnå. Kanskje en dag vil jeg bli overrasket (jeg håper det!). Jeg tror vi kommer til å nå veldig, veldig nær, men ikke fullstendig. Grunnen er at automatisk tale-gjenkjenning (og deretter NLP) har nær-uendelige problemer å løse: aksenter, nærhet til mikrofoner, bakgrunnsstøy, tilkoblingsproblemer, forskjellige typer mikrofoner, hvor raskt noen snakker, uttale, kontekst (Sara vs Sarah vs Serra), forkortelser, slang og så videre. Mens jeg ville elske å si at vi kommer til å nå det, tror jeg vi kan nå veldig nær, men de siste milene, eller 1-2% i nøyaktighet, vil være utfordrende.

Det er sagt, tror jeg det vil være noen veldig interessante utviklinger når det gjelder lesbarhet. I dag, når du gjennomgår en samtale-transkripsjon, kan det lese som en strøm av bevissthet. Vi snakker naturlig i en flytende måte, bruker gjentakelser, gjentar setninger — vi gjør alle slags ting som vi ikke ville gjøre i en skrevet form. Det er noen unike muligheter når det gjelder å ha en mer lesbar versjon av en transkripsjon — en som fjerner redundanser, forbedrer punktering og finjusterer eller optimaliserer transkripsjonen for å gjøre den mer lesbar.

I mitt sinne, er det to versjoner: den ordrette versjonen som er så nær 100% som mulig av en samtale (gjentakelser og alt), og så er det en forbedret versjon som er mye enklere å fordøye på grunn av punktering og optimalisering.

Og dette leder oss ned veien til om vi kan syntetisere en samtale til dens mest meningsfulle deler? Trenger du en fullstendig transkripsjon eller trenger du en nøyaktig sammenfatting formatert for lesbarhet?

Det avhenger absolutt av din brukssak, men dette er hva som er interessant og spennende om dette området. Vi er kanskje i tredje inning av hva som er mulig, og vi har ikke engang kommet inn i innovasjonen av arbeidsflyter hvor vi vil se NLP bli mer “kontekst-bevisst”, som å bruke tidligere samtaler til å forbedre nøyaktigheten.

Jo mer spesifik kontekst modellene har å lære fra, jo bedre. Tenk på å dele samme kontekst over flere samtaler og kontinuerlig tilpasse konteksten for ML å bli smartere. Kontekst-bevisst teknologi er også viktig for å forbedre nøyaktigheten når det gjelder de store forskjellene i måten vi kommuniserer på. Hva som kan se ut som subtile lingvistiske forskjeller for mennesker, er svært vanskelig å trene en ML-modell til å duplisere.

Hva er noen av tjenestene som Dialpad tilbyr kundene sine?

Dialpad er en smartere måte å jobbe på. Vi har bygget plattformen for dagens moderne, hybrid-arbeidsstyrke — empowerment av mennesker og team til å være mer effektive, effektive og engasjert fra hvor som helst i verden. Vi tilbyr en sammenhengende bedriftskommunikasjons-erfaring — samtale, chat, video-konferanser og kontakt-sentre — med ubestridt kvalitet, sikkerhet og pålitelighet. Dialpad leverer denne erfaringen som en samlet, skybasert plattform som er økonomisk, enkel å distribuere og enkel å håndtere.

Er det noe annet du ville like å dele om Dialpad?

2020 var et monumentalt år for selskapet, noe som er virkelig fantastisk å tenke på gitt hva verden opplevde (og fortsatt opplever). Vi doblet antall ansatte, sikret 100 millioner dollar i finansiering, kjøpte opp et selskap og gjorde det mens vår kundebase vokste eksponentielt.

Med hjemme-arbeid her for å bli, forventer vi at denne veksten vil fortsette, og vi er spente på året som kommer. Vi tror at arbeid-fra-hjem-bevegelsen vil øke behovet for innovative teknologier som hjelper ansatte å jobbe smartere — ikke hardere. Selskaper vil vende seg til AI for å strømlinje effektiviteter, eliminere rutineoppgaver og la ansatte fokusere på større prioriteringer. Dialpad er godt posisjonert til å imøtekomme disse behovene. Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Dialpad.