Dr. Judith Bishop, Starszy Dyrektor Specjalistów ds. Sztucznej Inteligencji w Appen – Seria Wywiadów

Dr. Judith Bishop jest Starszym Dyrektorem Specjalistów ds. Sztucznej Inteligencji w regionie APAC/US w firmie Appen. Prowadzi i rozwija zespół wysoko wykwalifikowanych i doświadczonych lingwistów, komputacyjnych lingwistów i ekspertów we wszystkich formach komunikacji ludzkiej (mowa, pisanie i gesty), aby dostarczyć dane szkoleniowe AI o niezrównanej jakości i szybkości.

Czym pierwotnie zainteresowała Panią lingwistyka?

Po raz pierwszy usłyszałam o lingwistyce od ulubionego nauczyciela angielskiego w szkole średniej. Byłam jednym z tych dzieci, które są równie zainteresowane językami obcymi i naukami humanistycznymi, jak i matematyką i naukami przyrodniczymi. Lingwistyka jest nauką o tym, jak działa język, więc połączyła moje zainteresowania. Jak wiele osób, gdy tylko dowiedziałam się o tym, byłem całkowicie zaangażowana. Co może być bardziej fascynujące niż to, jak komunikujemy swoje myśli i uczucia wzajemnie? Lingwistyka bada struktury językowe, które, pomimo różnic w dźwiękach i systemach pisma, są często podobne na powierzchni, ponieważ wszystkie są produktem naszego wspólnego ludzkiego istnienia.

Czy mógłby Pani podzielić się historią, jak trafiła Pani do pracy w dziedzinie sztucznej inteligencji?

Pracuję w Appen od 2004 roku, wspierając rozwój produktów i usług związanych z technologia językową. W tym czasie sztuczna inteligencja wyłoniła się jako kompleksowa ramy, misja i wizja technologii, które naśladują i rozszerzają ludzkie zdolności komunikacji, rozumowania i percepcji. W 2019 roku nasz zespół zmienił nazwę na Specjaliści ds. Sztucznej Inteligencji, uznając, że nasza wiedza lingwistyczna i językowa jest kluczowa dla przedsięwzięcia sztucznej inteligencji. Nasze dane anotowane zapewniają niezbędne wsparcie dla sukcesu interakcji ludzi z produktami i usługami sztucznej inteligencji.

Pracowała Pani w dziedzinie sztucznej inteligencji przez ponad 16 lat, jakie są największe zmiany, które Pani zauważyła?

Główną zmianą było zróżnicowanie focusu z rozwoju podstawowej technologii na długi ogon przypadków użycia i aplikacji. Przez większość mojej kariery focus sztucznej inteligencji opartej na języku był rozwój i udoskonalenie podstawowego zestawu modeli, które naśladują ludzką percepcję i produkcję mowy, a mianowicie rozpoznawanie mowy, syntezę mowy i przetwarzanie języka naturalnego. Zbiory danych zwykle odpowiadały standardom i konwencjom, takim jak te opracowane przez konsorcjum Speecon (Interfejsy sterowane mową dla urządzeń konsumenckich). Te standardy pozwoliły deweloperom technologii podstawowej na porównanie ich wyników z wynikami innych na wspólnych strukturach danych i wspierają szybką ewolucję sztucznej inteligencji.

Czy mógłby Pani omówić znaczenie niezależnych danych w uczeniu maszynowym?

Modele uczenia maszynowego, niezależnie od tego, czy są to modele nadzorowane, nienadzorowane czy wzmocnione, będą odzwierciedlać uprzedzenia obecne w danych, na których są szkolone. Alyssa Simpson Rochwerger i Wilson Pang przedstawiają kilka doskonałych przykładów tego problemu w swojej niedawnej książce, Real World AI. Jeśli brakuje wystarczających danych szkoleniowych dla segmentu populacji, model sztucznej inteligencji będzie mniej dokładny dla tego segmentu.

Appen niedawno uruchomił nowe, zróżnicowane zbiory danych szkoleniowych dla inicjatyw przetwarzania języka naturalnego (NLP). Czy mógłby Pani podzielić się niektórymi szczegółami na temat tego, jak te zbiory danych umożliwią użytkownikom końcowym uzyskanie tego samego doświadczenia, niezależnie od odmiany języka, dialektu, etnolektu, akcentu, rasy czy płci?

Dla powyższych powodów potrzebne są zbiory danych, aby skorygować istniejące uprzedzenia w systemach produkcyjnych sztucznej inteligencji, a także bardziej inkluzywne zbiory danych do szkolenia przyszłych systemów. Zbiory danych Appen, o których mowa, będą wspierać korektę uprzedzeń związanych z etnicznością i związanymi z nią etnolektami, takimi jak afroamerykański język Vernacular. Będą one zapewniać dodatkowe dane szkoleniowe, aby zwiększyć reprezentację tej populacji w modelach językowych sztucznej inteligencji.

Czy mógłby Pani omówić swoje poglądy na temat przyszłej sztucznej inteligencji, która wykazuje tego typu kreatywność, w tym pisanie poezji?

To jest fascynujące pytanie. Poezja i inne formy ludzkiej kreatywności wykorzystują wszystkie nasze ludzkie zasoby pamięci, percepcji, wrażeń i emocji, a także struktury i nuanse języka i obrazu, aby wytworzyć spostrzeżenia, które rezonują z współczesnymi problemami. Emily Dickinson napisała: “Jeśli czytam książkę i robi mi się całe ciało tak zimno, że żaden ogień nie może mnie ogrzać, wiem, że to jest poezja. Jeśli czuję się fizycznie, jakby mi została ścięta głowa, wiem, że to jest poezja”. Musi być element percepcyjny, sensoryczny lub emocjonalny, ale także prawdziwe zaskoczenie.

Czy mógłby Pani powiedzieć, co Pani zdaniem powstrzymuje więcej kobiet przed wstąpieniem do STEM i konkretnie do sztucznej inteligencji?

Brak wzorów do naśladowania może być potężnym czynnikiem (i złym kołem). Istnieje prawdziwa trudność – kulturowa, społeczna i praktyczna – w przełamaniu barier w obszarach, w których kobiety i osoby innych różnorodnych płci nie mają jeszcze głęboko ugruntowanej obecności, a szacunek dla ich wkładu jest zbyt często niedostateczny. Moje doświadczenie jako lidera pokazało mi wielokrotnie, jak zespoły mogą być wytrwałe, kreatywne i skuteczne, gdy są inkluzywne i różnorodne. Liderzy muszą być odważni w swoich decyzjach i mieć pewność, że mogą sobie poradzić z wyzwaniami, które niosą ze sobą różnorodne perspektywy, wiedząc, że ta odwaga jest silnie skorelowana z sukcesem finansowym i korporacyjnym.

Czy jest coś jeszcze, co chciałaby Pani podzielić się na temat Appen lub sztucznej inteligencji w ogóle?

Dostawcy danych, tacy jak Appen, mają potężny potencjał, aby wpłynąć na wyniki sztucznej inteligencji na lepsze, dostarczając inkluzywne dane szkoleniowe.

Jednak osiągnięcie celu inkluzywnej sztucznej inteligencji będzie wymagało udziału wszystkich. Nabywcy danych muszą również uznać swoją odpowiedzialność za wyraźne żądanie – i zapłacenie – za inkluzywne dane, które zapewnią optymalne działanie ich systemów dla wszystkich użytkowników w świecie rzeczywistym. A ci, którzy pochodzą z różnorodnych społeczności i dostarczają swoje dane do rozwoju sztucznej inteligencji, muszą być w stanie ufać zastosowaniom, którym będą poddane. Budowanie zaufania będzie wymagało silnej przejrzystości i etycznych praktyk ze strony wszystkich, którzy zajmują się wrażliwymi danymi.

Dziękuję za wspaniały wywiad, cieszyłem się ucząc się więcej o Pani poglądach na sztuczną inteligencję i lingwistykę. Czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Appen.