Dan O’Connell, Chief Strategy Officer w Dialpad – Wywiad

Dan jest Chief Revenue Officer w Dialpad. Wcześniej był CEO TalkIQ, startupem zajmującym się rozpoznawaniem mowy i przetwarzaniem języka naturalnego w czasie rzeczywistym, który Dialpad nabył w maju 2018 roku. Przed TalkIQ pełnił różne role kierownicze w dziale sprzedaży w AdRoll i Google (GOOGL ).

Dialpad to platforma komunikacji oparta na chmurze i sztucznej inteligencji, która ułatwia łączenie się i współpracę zespołu

Byłeś wcześniej CEO TalkIQ, startupem zajmującym się rozpoznawaniem mowy i przetwarzaniem języka naturalnego w czasie rzeczywistym, który Dialpad nabył w maju 2018 roku. Co było sekretem tego startupu, który pozwolił mu osiągnąć tak duży sukces w technologii rozpoznawania mowy?

Było to połączenie kilku czynników: czasu, ludzi i skupienia. Technologia automatycznego rozpoznawania mowy (ASR) nie jest nowa, istnieje od dziesięcioleci — znacznie dłużej, niż ludzie sobie wyobrażają. W tym czasie (i bardziej w ciągu ostatnich pięciu lat) technologia ASR skorzystała na wzroście mocy obliczeniowej, chmury, dostępności zbiorów danych i masowym przyjęciu inteligentnych głośników na rynkach konsumenckich. Wszystkie te czynniki przyczyniły się do zwiększenia dokładności transkrypcji.

Ponadto mieliśmy szczęście połączyć specjalistów (takich jak lingwiści) z “hakerami”. A gdy mówię “hakerzy”, mam na myśli inżynierów, którzy mogą szybko wprowadzać produkty na rynek — oni napędzają innowacje i rozwiązują problemy szybko. I chociaż ich rozwiązania nie zawsze są najbardziej eleganckie, są zwykle najszybsze i pozwalają być postrzeganym jako innowator na granicy możliwości — co staje się czymś, co można wykorzystać z punktu widzenia marketingu i sprzedaży. Ta historia brzmi dobrze, gdy budujesz swój startup i starasz się zebrać fundusze.

Mielibyśmy więc specjalistów w dziedzinie, naturalne trendy na rynku, ogromny “niebieski ocean”, jeśli chodzi o zastosowanie tej technologii w przedsiębiorstwach, oraz zespół ze śladem wprowadzania innowacyjnych technologii na rynek z powtarzalnymi ruchami GTM.

Następnie podjęliśmy inne podejście do rozwiązania problemu. Tradycyjne silniki transkrypcyjne działały jak nagrania. Nagrywasz rozmowę; zapisujesz plik audio; przesyłasz go przez silnik transkrypcyjny; i po pewnym czasie otrzymujesz wynik. Początkowo 30-minutowa rozmowa zajmowałaby 30 minut, aby ją przetranskrybować, więc mówimy o prawdziwych opóźnieniach w skali.

Chcieliśmy rozwiązać ten problem i zbudować silnik transkrypcyjny w czasie rzeczywistym, który nie wymaga pliku audio. To może brzmieć trochę nowatorsko dzisiaj, ale lata temu nie było silnika strumieniowego, który mógłby obsłużyć transkrypcję w czasie rzeczywistym długich form 8 kHz (co jest moim eleganckim sposobem powiedzenia, że jest to słaba jakość audio, czyli nie stereo — 44 kHz). Nie chcieliśmy zbudować magnetofonu.

Chcieliśmy zbudować silnik w czasie rzeczywistym, aby zrozumieć i analizować rozmowy. Jeśli moglibyśmy to zrobić, to możliwości byłyby nieograniczone, ponieważ można by wtedy zacząć automatyzować przepływy pracy i robić wszystko rodzaju rzeczy, które nie zostały jeszcze zrobione. I duże podziękowania dla Jima Palmera, Etienne Manderscheid, Kevina Jamesa, Noaha Gaspara i wielu innych za to, że byli pierwszymi, którzy zbudowali ten rodzaj silnika w czasie rzeczywistym.

Czy mógłbyś omówić okres przejściowy po tym, jak Dialpad nabył TalkIQ w maju 2018 roku?

Faza przejęcia była naprawdę bardzo gładka. Dialpad był partnerem TalkIQ, a nasze zespoły produktowe były już na miejscu w Dialpad na podstawie cotygodniowej. I ja wcześniej pracowałem z założycielami Craigiem Walkerem i Brianem Petersonem w Google i byłem podekscytowany perspektywą współpracy z nimi.

Widzieliśmy przyszłość w ten sam sposób, że te technologie (ASR/NLP) wbudowane w platformę komunikacyjną mogą być przełomowe na rynku i zmieniające dla firm. To jest część powodu, dla którego prawie natychmiast po zamknięciu przejęcia podnieśliśmy 50 milionów dolarów w rundzie finansowania prowadzonej przez ICONIQ. Inwestorzy widzieli możliwości w przyszłym zastosowaniu tych technologii i zespołu pracującego nad tymi problemami.

W TalkIQ byliśmy podstawowo startupem, który próbował być trzema różnymi startupami jednocześnie: budowaliśmy własny stos telefoniczny, silnik rozpoznawania mowy i technologię NLP wewnętrznie. To są trudne problemy do rozwiązania. Dialpad już wcześniej pomyślnie rozwiązał aspekt telefoniczny, więc gdy oferta przejęcia nadeszła, była to łatwa decyzja. Widzieliśmy Dialpad jako najbardziej innowacyjną platformę komunikacji biznesowej na rynku, a nasza wizja przyszłości komunikacji biznesowej bardzo dobrze się pokrywała.

Jakie są niektóre z różnych technologii uczenia maszynowego używanych w Dialpad?

Naszy silnik Voice Intelligence (Vi) wykorzystuje sztuczną inteligencję i uczenie maszynowe, aby pomóc organizacjom napędzać sprzedaż, uzyskiwać informacje konkurencyjne, podnosić obsługę klienta i mieć bardziej wydajne spotkania online.

Technologie ASR i NLP z TalkIQ są używane do przyjmowania rozmów z połączeń głosowych i wideo w czasie rzeczywistym. W tym samym czasie nasza własna technologia pozwala nam przetwarzać dane rozmów wchodzących i dokładnie przechwytywać je i transkrybować w łatwy do odczytania format.

Wbudowane uczenie maszynowe pomaga Vi poprawiać się z czasem. Im więcej używasz Vi, tym więcej uczy się i tym lepiej radzi sobie z przetwarzaniem rozmów. Z czasem transkrypcje połączeń będą rosły w dokładności, a Vi będzie w stanie przetwarzać bardziej subtelne niuanse rozmów.

Dialpad osiągnął niedawno duży kamień milowy AI po analizie ponad jednego miliarda minut głosu, testy porównawcze wykazały, że model transkrypcyjny Dialpad przewyższa głównych konkurentów, w tym ulepszony model telefoniczny Google. Jakie rodzaje testów zostały przeprowadzone, aby określić te wyniki?

Mamy zestaw testowy, który zawiera audio i towarzyszący mu transkrypt, który jest uważany za prawdę, co zostało powiedziane w audio. Wysyłamy to samo audio do każdego konkurenta i otrzymujemy transkrypt, który porównujemy z prawdą. Obliczamy liczbę błędów, aby określić procent dokładności. Od czasu przejęcia TalkIQ w kwietniu 2018 roku zawsze mieliśmy niższą dokładność, aż do teraz.

Jakie są niektóre z kluczowych różnic między silnikiem Voice Intelligence (Vi) Dialpad a silnikami konkurencyjnymi?

Jedną z największych różnic jest to, że robimy to dłużej niż konkurenci, co oznacza, że przeanalizowaliśmy więcej danych, aby upewnić się, że nasza technologia jest najdokładniejsza. Przeanalizowaliśmy ponad jeden miliard minut komunikacji głosowej i nadal przetwarzamy około 90 milionów minut miesięcznie za pomocą naszego silnika Vi. W tym sensie jesteśmy dosłownie lata przed konkurencją.

Inną różnicą jest nasze dostosowane i skalowalne podejście do modeli językowych. Dla każdego klienta budujemy bazę danych słów specyficznych dla firmy, aby wykonać boosting słów, co poprawia dokładność. Na przykład, dla użytkownika, który pisze swoje imię “Kathryn” i pracuje w firmie o nazwie Skribbl, nasz system poprawnie napisze nazwiska, podczas gdy inne modele prawdopodobnie je źle napiszą (tj. “Katherine” i “scribble”).

Jakie są Twoje osobiste poglądy na przyszłość przetwarzania języka naturalnego? Jak długo potrwa, zanim AI osiągnie dokładność prawie 100% lub nawet 100%?

doskonała dokładność jest prawie nie do osiągnięcia. Może kiedyś będę zaskoczony (mogę się tylko nadzieję!). Uważam, że będziemy bardzo, bardzo blisko, ale nie idealni. Powodem jest to, że automatyczne rozpoznawanie mowy (i następnie NLP) ma prawie nieograniczone problemy do rozwiązania: akcenty, odległość od mikrofonu, hałas w tle, problemy z łącznością, różne rodzaje mikrofonów, jak szybko ktoś mówi, wymowa, kontekst (Sara vs Sarah vs Serra), akronimy, slangi itp. Chociaż chciałbym powiedzieć, że tam dotrzemy, uważam, że możemy być bardzo blisko, ale ostatni kilometr, czyli 1-2% dokładności, będzie wyzwaniem.

To powiedziawszy, uważam, że będą interesujące rozwoju w czytelności. Dziś, gdy przeglądasz transkrypt rozmowy, może wyglądać jak strumień świadomości. Naturalnie mówimy w płynny sposób, używamy zdania ciągłego, powtarzamy słowa, zaczynamy zdania na nowo — robimy wszystko rodzaju rzeczy, których nie robilibyśmy w formie pisanej. Są pewne unikalne możliwości, jeśli chodzi o posiadanie bardziej czytelnej wersji transkryptu — tej, która usuwa redundancje, przewiduje lub poprawia punktację i dostosowuje transkrypt, aby był bardziej zrozumiały.

W moim umyśle są dwie wersje: wersja słownikowa, która jest jak najbliższa 100% rozmowy (z powtarzaniem i wszystkim), a potem jest wersja ulepszona, która jest znacznie łatwiejsza do strawienia dzięki punktacji i optymalizacji.

I to prowadzi nas w kierunku, czy możemy zsyntetyzować rozmowę do jej najważniejszych części? Czy potrzebujesz pełnego transkryptu, czy potrzebujesz dokładnego podsumowania sformatowanego pod kątem czytelności?

Na pewno zależy to od przypadku użycia, ale to jest interesujące i ekscytujące w tej dziedzinie. Jesteśmy może w trzeciej części tego, co jest możliwe, i jeszcze nie dotarliśmy do innowacji w zakresie przepływów pracy, gdzie zobaczymy, jak NLP staje się bardziej “świadome kontekstu”, jak na przykład używanie poprzednich rozmów, aby poprawić dokładność.

Im bardziej specyficzny kontekst mają modele do nauki, tym lepiej. Wyobraź sobie, że dzielisz ten sam kontekst na wiele rozmów i stale dostosowujesz kontekst, aby ML stał się mądrzejszy. Technologia świadoma kontekstu jest również ważna dla poprawy dokładności, biorąc pod uwagę ogromne różnice w tym, jak się komunikujemy. To, co może wydawać się ludziom subtelnymi różnicami językowymi, jest bardzo trudne do nauczenia modelu ML, aby je powielić.

Jakie usługi Dialpad obecnie oferuje klientom?

Dialpad to sposób na inteligentną pracę. Zbudowaliśmy platformę dla dzisiejszej nowoczesnej, hybrydowej siły roboczej — upoważniając ludzi i zespoły do być bardziej wydajnymi, skutecznymi i zaangażowanymi z dowolnego miejsca na świecie. Oferujemy bezproblemowe doświadczenie biznesowej komunikacji — połączenia, czat, wideokonferencje i centra kontaktowe — z niezrównaną jakością, bezpieczeństwem i niezawodnością. Dialpad dostarcza to doświadczenie jako zjednoczoną, opartą na chmurze platformę, która jest ekonomiczna, łatwa w wdrożeniu i łatwa w zarządzaniu.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat Dialpad?

Rok 2020 był przełomowym rokiem dla firmy, co jest naprawdę niesamowite, biorąc pod uwagę, co świat doświadczył (i nadal doświadcza). Podwoiliśmy nasz zespół, zabezpieczyliśmy 100 milionów dolarów w finansowaniu, nabyliśmy firmę i zrobiliśmy to, podczas gdy nasza baza klientów rosła wykładniczo.

Zdalna praca jest tu, aby pozostać, więc spodziewamy się, że ten wzrost będzie kontynuowany, i jesteśmy podekscytowani rokiem, który przed nami. Wierzymy, że ruch “pracuj z dowolnego miejsca” zwiększy potrzebę innowacyjnych technologii, które pomagają pracownikom pracować mądrzej — nie ciężej. Firmy zwrócą się do AI, aby usprawnić wydajność, wyeliminować nudne zadania i pozwolić pracownikom skupić się na większych priorytetach. Dialpad jest dobrze przystosowany do spełnienia tych potrzeb.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Dialpad.