Sujatha Sagiraju, Chief Product Officer i Appen – Intervju-serie

Sujatha Sagiraju er Chief Product Officer i Appen, hun ble med i Appen i september 2021 som SVP of Product og hun er ansvarlig for produktstrategien. Hun er en teknologipioner med over 20 års bred erfaring i å bygge innovative, større skala online-tjenester og AI/ML og data-plattformer. Hun kom til Appen fra Microsoft (MSFT ) hvor hun hadde ledelsesroller i flere grupper, inkludert Bing og Azure AI Platform.

Appen er den globale lederen i data for AI-livssyklusen. Med over 25 års erfaring i datakilde, dataannotering og modellutvurdering av mennesker, muliggjør de at organisasjoner kan lansere verdens mest innovative kunstig intelligens-systemer.

Hva var det som først tiltalte deg om AI?

Da jeg var i Microsoft, arbeidet jeg i Azure AI-organisasjonen. Jeg var kjent med bransjens landskap, kundene og AI-transformasjonen som skjer over ulike industrier. Jeg kunne se fra en kundes synspunkt at treningdata var en hindring for å bygge maskinlæringsmodeller og jeg så Appen som en mulighet til å løse dette problemet – det manglende leddet som kunne koble alle stadiene i AI-livssyklusen sammen.

Du er nå Chief Product Officer i Appen, kan du beskrive hva denne stillingen innebærer?

På høyeste nivå bygger mitt team produktvisjon, strategi og samarbeider med flere ulike interessenter over hele organisasjonen for å effektivt gjennomføre det. På et mer personlig nivå, bruker jeg mye tid på å forstå industrien og kundene. Med noen av de største selskapene som våre kunder, som Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, er det viktig for mitt team å forstå kundescenariene og smertepunktene og bygge en produktstrategi som leverer en vekstplan. Å bygge en trygg, inkluderende kultur er også en veldig stor del av min rolle, da jeg fokuserer på å skape et rom for våre ansatte til å dele ideer, samarbeide og vokse i karrieren.

Hvor viktig er det å foster diverse team for AI-utvikling?

Det er ekstremt viktig for AI-utvikling å ha diverse team. Det finnes flere måter å tenke på diversitet – kjønn, alder, rase, perspektiver. Mangfoldet av perspektiver kan være den viktigste delen av å sikre at du har diverse bakgrunner og erfaringer på ditt team. Disse erfaringene bringer nye og forskjellige ideer til å bygge det beste produktet for alle dine kunder som er veldig diverse.

Hvordan skaper du en arbeidskultur som synergierer med denne diversiteten?

En kultur som fremmer diversitet inviterer ansatte til å dele sine ideer og perspektiver. Jeg liker å vurdere ulike kommunikasjonsmetoder når jeg holder teammøter. For eksempel, når jeg ber om tilbakemelding i et teammøte, ber jeg ansatte om å snakke direkte i møtet eller sende meg en melding etter at de har tenkt det over. Jeg erkjenner at ikke alle vil like å snakke eller dele tilbakemelding med en gang, og jeg vil skape en kultur hvor det er akseptabelt. Jeg vil ha en trygg miljø hvor folk kan uttrykke sine meninger og dele ideer på en måte som de foretrekker. Flotte ideer kommer fra alle ulike team innen organisasjonen. Jeg møter salg, markedsføring og andre kundevendte team for å forstå deres behov med produktet og deres perspektiv ved å arbeide tett med kundene. Noen av de beste produktideene kommer fra å lytte nøye til kundenes smertepunkter – enten direkte fra dem eller team som samarbeider med våre kunder hver dag.

Utenfor å ha diverse team, hva er andre måter å kjempe mot fordommer i maskinlæringsalgoritmer?

Inkluderende datakilde, datapreparering og modellutvurdering er kritiske for å kjempe mot fordommer. Dataene som brukes til å trene algoritmene må være inkluderende for alle potensielle sluttbrukere eller resultater. Når man går gjennom ulike stadier i AI-livssyklusen, må hvert stadium sjekkes for fordommer. Ansvarlig AI er også bygget med ansvarlig kilde datasets, noe som betyr at bidragsyterne behandles rettferdig. Appen har bygget en Crowd Code of Ethics for å vise vår dedikasjon til våre Crowds velvære.

Du har nylig publisert en artikkel som diskuterer en ny disiplin, kalt Data for AI-livssyklus. Kan du kort beskrive hva dette er?

Data for AI-livssyklusen omfatter fire stadier i en kontinuerlig syklus; datakilde, datapreparering, modellbygging og -utvikling, og modellutvurdering av mennesker. Disse stadiene er nødvendige for å levere høykvalitetsdata for å bygge AI-prosjekter. Datakilde, datapreparering og modellutvurdering er de mest arbeidskrevende og dataintensive, og hvis de ikke gjøres godt, kan det føre til prosjektets kvalitetsproblemer og lanseringsforsinkelser. Appen spesialiserer seg på disse tre stadiene og samarbeider strategisk med leverandører som spesialiserer seg på modelltrening og -utvikling.

Hva er rollen til syntetisk data i Data for AI-livssyklusen?

Datakilde-løsninger inkluderer menneske-annotert data, forhåndsmerket datasett og syntetisk data. Syntetisk data brukes i vanskelige å finne datasett og brukstilfeller. Inkluderende datasett dekker alle brukstilfeller og potensielle sluttbrukere av en AI-modell, og noen krever syntetisk data for å nå dette målet. Kombinasjonen av menneske-annotert data og syntetisk data vil bli kritisk for modellens suksess.

Hvor stort problem er modell-drift eller overfitting med Data for AI-livssyklusen?

Modell-drift kan være et stort problem og må håndteres i det fjerde stadiet av AI-livssyklusen, Modellutvurdering av mennesker. Det er kritisk at modellen fortsatt fungerer i den virkelige verden og at den må gå gjennom menneske-test. Ettersom miljøer endrer seg og vokser, må modellene endre seg også. Det er viktig at praktikerne kontinuerlig vurderer sine modeller for å forhindre at de blir foreldet eller fordomsfulle. Microsofts Bing er en kunde som bruker modellutvurdering for å sikre at søkeresultatene oppfyller deres standard og at modellen kontinuerlig vurderes.

Er det noe annet du vil dele om ditt arbeid i Appen?

Det mest verdifulle arbeidet i Appen er gjort av våre mennesker og deres ekspertise. Med 25 års erfaring har Appen bygget en sterk grunnlag med sine ansatte. Våre kunder stoler på vår ekspertise til å levere høykvalitetsresultater, raskt og i skala. Appen muliggjør AI-industriens transformasjon ved å tilby løsninger for å håndtere data for AI-livssyklusen på en sammenhengende måte.

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