Mohammad Omar, medgrunnlegger og CEO av LXT – Intervju-serie

Mohammad Omar er medgrunnlegger og CEO av LXT, en fremvoksende leder innen AI-treningdata for å aktivere intelligent teknologi for globale organisasjoner, inkludert verdens største teknologiselskaper. I samarbeid med et internasjonalt nettverk av bidragsytere, samler LXT inn og annoterer data på flere modi med den hastighet, skala og fleksibilitet som kreves av bedriftene. Grunnlagt i 2010, har LXT hovedkontor i Toronto, Canada, med en tilstedeværelse i USA, Australia, India, Tyrkia, Storbritannia og Egypt.

Kan du dele historien bak LXT?

LXT ble grunnlagt som en respons på et akutt behov for data som min arbeidsgiver for tolv år siden hadde. På den tiden trengte selskapet arabisk data, men hadde ikke de riktige leverandørene å hente det fra. Som en risikotaker og entrepreneur av natur, bestemte jeg meg for å slutte i stillingen, etablere et nytt selskap og tilby våre tjenester til min tidligere arbeidsgiver. Umiddelbart fikk vi noen av deres mest utfordrende prosjekter, som vi leverte suksessfullt, og det tok av derfra. Nå, over 12 år senere, har vi bygget en sterk relasjon med dette selskapet og blitt en foretrukket leverandør av høykvalitets språkdata.

Hva er noen av de største utfordringene ved å deployere AI i stor skala?

Det er et godt spørsmål, og vi inkluderte faktisk det i vår siste forskningsrapport, The Path to AI Maturity. Den største utfordringen som respondentene nevnte, var å integrere eksisterende eller legacy-systemer i AI-løsninger. Dette har mening, gitt det faktum at vi undersøkte større selskaper som sannsynligvis ville ha en rekke tekniske systemer over hele organisasjonen som måtte rationaliseres inn i en digital transformasjonsstrategi. Andre utfordringer som respondentene rangerte høyt, var mangel på kvalifisert talent, mangel på trening eller ressurser, og å finne kvalitetsdata. Jeg var ikke overrasket over disse svarene, da de ofte nevnes, og også fordi datautfordringen er grunnlaget for vår organisasjon.

Når det kommer til datautfordringer, kan LXT både innhente data og merke det, så maskinlæringsalgoritmer kan forstå det. Vi er utstyrt til å gjøre dette i stor skala og med fleksibilitet, noe betyr at vi leverer høykvalitetsdata svært raskt. Kunder kommer ofte til oss når de er klare for lansering og ønsker å sikre at produktet deres blir godt mottatt av kundene,

Ved å samarbeide med oss for å innhente og merke data, kan selskaper løse ressurs- og talangmangler ved å la teamene deres fokusere på å bygge innovative løsninger.

LXT tilbyr dekning for over 750 språk, men det finnes oversettelses- og lokaliseringsutfordringer som går utenfor språkets struktur selv. Kan du diskutere hvordan LXT møter disse utfordringene?

Det finnes uten tvil oversettelses- og lokaliseringsutfordringer – spesielt når man går utenfor de mest talte språkene som tenderer til å ha offisiell status og den standardiseringen som følger med det. Mange av språkene vi arbeider med, har ingen offisiell ortografi, så å håndtere konsistens over en gruppe blir en utfordring. Vi møter disse og andre utfordringer – f.eks. deteksjon av svindel – ved å ha strenge prosesser på plass for kvalitetsikring. Igjen var det veldig tydelig i AI-maturitetsrapporten at for de fleste organisasjonene som arbeider med AI-data, lå kvalitet øverst på listen over prioriteringer. Og de fleste organisasjonene som ble spurte, uttrykte en villighet til å betale mer for å få dette.

For selskaper som krever data-innhenting og data-merking, hvor tidlig i applikasjonsutviklingsreisen bør de begynne å innhente denne dataen?

Vi anbefaler at organisasjonene lager en datastrategi så snart de identifiserer sin AI-bruksfall. Å vente til applikasjonen er under utvikling, kan føre til mye unødvendig om-arbeid, da AI-en kan lære feil ting og må re-trenes med kvalitetsdata, noe som kan ta tid å innhente og integrere i utviklingsprosessen.

Hva er regelen for å vite hvor ofte data bør oppdateres?

Det avhenger virkelig av typen applikasjon du utvikler og hvor ofte dataene som støtter den endrer seg på en betydelig måte. Dette betyr at data er en representasjon av virkeligheten, og over tid, må dataene oppdateres for å gi en nøyaktig refleksjon av hva som skjer i verden. Vi kaller dette fenomenet modell-drift, som finnes i to typer, hver avhengig av om-trening av algoritmer.

• Konsept-drift skjer når det er en betydelig forskjell mellom treningdata og AI-utdata som endrer seg, noe som kan skje plutselig eller mer gradvis. For eksempel kan en detaljhandel bruke historisk kundedata til å trene en AI-applikasjon. Men når en massiv skift i forbrukerens virkelighet skjer, må algoritmen om-trenes for å reflektere dette.

• Data-drift skjer når dataene som brukes til å trene en applikasjon ikke lenger reflekterer de faktiske dataene som møtes når den går i produksjon. Dette kan skyldes en rekke faktorer, inkludert demografiske endringer, sesongvariasjoner eller plassering av en applikasjon i en ny geografisk region.

LXT har nylig lansert en rapport med tittelen “The Path to AI Maturity 2023”. Hva var noen av funnene i denne rapporten som overrasket deg?

Det burde kanskje ikke ha overrasket meg, men det som virkelig sto ut, var mangfoldet av applikasjoner. Du kunne ha forventet at to eller tre domener av aktivitet skulle dominere, men når vi spurte hvor respondentene planla å fokusere sine AI-innsats og hvor de planla å deployere sine AI-applikasjoner, så det ut som kaos – fravær av noen trend overhodet. Men når vi siktet gjennom dataene og så på de kvalitative svarene, ble det klart at fraværet av en trend er trenden. I alle fall gjennom øynene på våre respondenter, hvis du har et problem, så er det en reell mulighet at noen arbeider på en AI-løsning for det.

Generativ AI tar verden med storm, hva er din mening om hvor langt språk-generative modeller kan ta industrien?

Min personlige mening om dette er at det sentrale i generativ kunstig intelligens – jeg velger å bruke ordene her istedenfor forkortelsen for å legge vekt på det – er naturlig språkforståelse. “Intelligensen” i AI lærer gjennom språk; evnen til å håndtere og løse komplekse problemer er formidlet gjennom iterative og kumulative naturlige språkinteraksjoner. Med dette i mente, tror jeg at språk-generative modeller vil være i takt med andre elementer av AI hele veien.

Hva er din visjon for fremtiden av AI og for fremtiden av LXT?

Jeg er en optimist av natur og det vil farge min respons her, men min visjon for fremtiden av AI er å se det forbedre livskvaliteten for alle; å gjøre vår verden en tryggere, bedre plass for fremtidige generasjoner. På et mikro-nivå er min visjon for LXT å se organisasjonen fortsette å bygge på sine styrker, å vokse og bli en arbeidsgiver av valg, og en kraft for godt, for den globale samfunnet som gjør vår forretning mulig. På et makro-nivå er min visjon for LXT å bidra på en betydelig, meningsfull måte til å oppfylle min optimistisk skjevde visjon for fremtiden av AI.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke LXT.