Sujatha Sagiraju, Chief Product Officer at 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 disruptive stor-skala online-tjenester og AI/ML og data-plattformer. Hun kom til Appen fra Microsoft 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 data-kilde, data-annotering og modell-evaluering utført av mennesker, muliggjør de at organisasjoner kan lansere verdens mest innovative kunstig intelligens-systemer.

Hva var det som først tiltalte deg til AI?

Da jeg var i Microsoft, arbeidet jeg i Azure AI-organisasjonen. Jeg var kjent med bransjens landskap, kundene og AI-omvandlingen 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.

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

På høyeste nivå bygger mitt team produktvisjonen, strategien og koordinerer med flere ulike interessenter over hele organisasjonen for å effektivt utføre den. 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, Google, Microsoft, Salesforce, 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 å dele ideer, samarbeide og utvikle sine karrierer.

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

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

Hvordan skaper du en arbeidskultur som synergiserer dette mangfoldet?

En kultur som fremmer mangfold inviterer ansatte til å dele sine ideer og perspektiver. Jeg liker å vurdere ulike metoder for kommunikasjon når jeg holder team-møter. For eksempel, når jeg ber om tilbakemelding i et team-møte, 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 ønsker å snakke eller gi tilbakemelding med en gang, og jeg ønsker å skape en kultur hvor det er akseptabelt. Jeg ønsker en trygg miljø for folk å uttrykke sine meninger og dele sine ideer uansett hvordan de ønsker. Flotte ideer kommer fra alle ulike team innen organisasjonen. Jeg møter salgs-, markedsførings- og andre kunde-orienterte team for å forstå deres behov med produktet og deres perspektiv i å arbeide tett med kundene.

Utenfor å ha diversifiserte team, hva er andre måter å bekjempe bias i maskinlæringsalgoritmer?

Inkluderende data-kilde, data-forberedelse og modell-evaluering er kritisk for å bekjempe bias. 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 stade sjekkes for bias. Ansvarlig AI bygges med ansvarlig kilde-data, det vil si at bidragsyterne behandles rettferdig. Appen bygde en Crowd Code of Ethics for å vise vår dedikasjon til vårt 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-livssyklus omfatter fire stadier i en kontinuerlig syklus; data-kilde, data-forberedelse, modell-bygging og -utvikling, og modell-evaluering utført av mennesker. Disse stadiene er nødvendige for å levere høykvalitetsdata for å bygge AI-prosjekter. Data-kilde, data-forberedelse og modell-evaluering er de mest arbeidskrevende og data-intense, og hvis de ikke gjøres godt, kan det føre til prosjekt-kvalitetsproblemer og lanseringsforsinkelser. Appen spesialiserer seg i disse tre stadiene og samarbeider strategisk med leverandører som spesialiserer seg i modell-trening og -utvikling.

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

Data-kilde-løsninger inkluderer menneske-annotert data, forhånds-merket 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 modell-suksess.

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

Modell-drift kan være et stort problem og må håndteres i det fjerde stadiet av AI-livssyklusen, Modell-evaluering utført av mennesker. Det er kritisk at modellen fortsetter å fungere i den virkelige verden og å vite 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 biased. Microsofts Bing er en kunde som bruker modell-evaluering for å sikre at søke-resultatene fungerer etter deres standard og at modellen kontinuerlig vurderes.

Er det noe annet du ønsker å 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 for å levere høykvalitetsresultater, raskt og i skala. Appen muliggjør AI-industri-omvandlingen ved å tilby løsninger for å håndtere Data for AI-livssyklusen.

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