Marc Sloan, współzałożyciel i CEO Scout – seria wywiadów

Marc Sloan jest współzałożycielem i CEO Scout, pierwszego na świecie czatbota przeglądarki internetowej, cyfrowego asystenta do wykonywania różnych zadań online. Scout sugeruje przydatne rzeczy, które może zrobić dla Ciebie na podstawie tego, co robisz online.

Czym było Twoje pierwsze doświadczenie z AI?

Moją pierwszą pracą związaną z AI było praca w zespole badawczym przetwarzania języka naturalnego w GCHQ podczas studiów licencjackich. Zobaczyłem na własne oczy wpływ, jaki może mieć machine learning na problemy świata rzeczywistego i różnicę, którą może wywrzeć.

To odwróciło przełącznik w moim umyśle, jeśli chodzi o to, jak komputery mogą być używane do rozwiązywania problemów: inżynieria oprogramowania uczy, jak tworzyć programy, które pobierają dane i produkują wyniki, ale machine learning pozwala pobrać dane i opisać wyniki, które chcesz wyprodukować, tworząc program. To oznacza, że możesz użyć tego samego frameworku do rozwiązania tysięcy różnych problemów. Dla mnie to było o wiele bardziej wpływowe niż pisanie programu dla każdego problemu.

Studiowałem już problemy optymalizacji w matematyce obok informatyki, więc gdy wróciłem na studia, skupiłem się na AI i ukończyłem pracę dyplomową na temat przetwarzania mowy, zanim aplikowałem na studia doktoranckie w dziedzinie informacji i wyszukiwania na UCL.

Badałeś uczenie wzmacnianie w wyszukiwaniu internetowym pod kierunkiem Davida Silvera, założyciela AlphaGo. Czy mógłbyś opowiedzieć o tej pracy?

Moja praca doktorska dotyczyła zastosowania uczenia wzmacniania do problemów rangowania w wyszukiwaniu informacji, dziedziny, którą pomogłem stworzyć, zwanej Dynamic Information Retrieval. Byłem kierowany przez prof. Jun Wang i prof. Davida Silvera, obu ekspertów w dziedzinie agentowego uczenia wzmacniania.

Nasze badania dotyczyły tego, jak wyszukiwarki internetowe mogą uczyć się z zachowania użytkowników, aby poprawić wyniki wyszukiwania w sposób autonomiczny w czasie. Używaliśmy podejścia Multi-Armed Bandit, nasz system próbował różnych rankingów wyszukiwania i zbierał dane o kliknięciach, aby określić, czy były one skuteczne czy nie. Mogliśmy również dostosować się do poszczególnych użytkowników w czasie i był szczególnie skuteczny w radzeniu sobie z niejasnymi zapytaniami wyszukiwania. W tym czasie David głęboko zajmował się problemem Go i pomógł mi określić odpowiednią konfigurację uczenia wzmacniania dla tego konkretnego problemu.

Jakie są niektóre lekcje dla przedsiębiorców, które nauczyłeś się, pracując z Davidem Silverem?

Badania na UCL są często przedsiębiorcze. David wcześniej założył Elixir Studios z Demisem Hassabisem, a potem dołączył do DeepMind, aby pracować nad Alpha Go. Inni członkowie naszej grupy badawczej Media Futures również założyli różne startupy: Jun założył Mediagamma (stosując RL do wydatków na reklamę online), Simon Chan założył prediction.io (nabyty przez SalesForce), a Jagadeesh Gorla założył Jaggu (usługę rekomendacji dla e-commerce). Nasz zespół często dyskutował o potencjalnym wpływie handlowym naszych badań, myślę, że być może dlatego, że UCL ma swoją siedzibę w Londynie, co sprawia, że jest to naturalny punkt wyjścia do tworzenia biznesu.

Niedawno uruchomiłeś Scout, pierwszego na świecie czatbota przeglądarki internetowej. Co było inspiracją do uruchomienia Scout?

Pomysł ewoluował naturalnie z moich badań doktorskich. Poszedłem prosto z ukończenia doktoratu do dołączenia do Entrepreneur First, gdzie zacząłem myśleć o tym, jak mogę przekształcić moje badania w produkt.

Przed tym, ukończyłem staż w Microsoft (MSFT ) Research, gdzie zastosowałem moje badania do Bing. W tym czasie, najważniejszą rzeczą, którą nauczyłem się z moich badań, było to, że wyszukiwanie informacji może być przewidywane na podstawie zachowania użytkowników online. Ale zacząłem się frustrować, że jedynym sposobem, aby wyświetlić te przewidywania w wyszukiwarce, było polepszenie autosugestii. Zatem zacząłem myśleć o tym, jak całe doświadczenie online użytkownika mogłoby być udoskonalone przy użyciu tych przewidywań, a nie tylko doświadczenie wyszukiwania.

To myślenie doprowadziło mnie i mojego nowego współzałożyciela do stworzenia wtyczki przeglądarki, która obserwuje zachowanie użytkownika, przewiduje, jakie informacje użytkownik najprawdopodobniej potrzebuje online, i pobiera je dla niego. Po kilku latach eksperymentów i prototypów, to ewoluowało w interfejs czatbota, w którym przeglądarka “rozmawia” z Tobą o tym, co robisz online, i próbuje Ci pomóc w drodze.

Which web browsers will Scout be compatible with?

We’re focusing on Chrome at the moment due to it being the most popular web browser and having a mature add-on architecture, but we have prototypes working on Firefox and Safari and even a mobile app.

The Scout shopping assistant functionality sounds like it could save users both time and money. Assuming someone is researching a product on Amazon (AMZN ), what happens in the backend, and how does Scout interact with the user?

The idea is that once you have Scout installed, you just continue using the web as normal. If you’re shopping, you may visit Amazon to look at products. At this point, Scout recognises that you’re shopping on Amazon, and the product you’re looking at, and it will say “Hello”. It pops up as a chat widget on the webpage, kind of like how Intercom works, except Scout can appear on potentially any webpage. You can see what it looks like on my website.

Because you’re shopping, it’ll start to suggest ways it can help. It’ll ask you if you want to see reviews online, other prices, YouTube videos of the product and more. You interact by pressing buttons and the chatbot tailors the experience to what you want it to do. Whenever it finds information (like a YouTube video), it will embed it within the chat thread, just like how a friend might share media with you on WhatsApp. Over time, you end up having a dialogue with the browser about what you are doing online, with the browser helping you along the way.

The webpage processing happens within the browser itself. The only information our backend sees is the chat thread, meaning that the privacy implications are minimal.

We have a bespoke architecture for understanding online browsing behaviour and managing dialogues with the user. We use machine learning to identify what tasks we can help with online and how we should help. Originally, we used reinforcement learning to adapt to user preferences over time. However, one of the biggest lessons I’ve learned from running an AI startup is to keep processes simple and to try to only use machine learning to optimise an existing process. So instead, we now have a sophisticated rules engine for handling tasks over time that can be managed by reinforcement learning once we need to scale.

What are some examples of how Scout can assist with event planning?

We realised that event planning (and travel booking) are not so different from shopping online. You’re still looking at products, reading reviews and committing to purchase/attend. So a lot of what we’ve built for shopping also applies here.

The biggest difference is that time and location are now important. So for instance, if you’re looking at concert tickets on Ticketmaster, Scout can identify the address of the venue and suggest finding you directions from your current location to it, or find the price of an Uber, or suggest what time you should leave. If you’ve connected Scout into your calendar, then Scout can check to see if you’re available at the time of the event and add it to your calendar for you.

In the future, we foresee Scout users being able to communicate to their friends through the platform to discuss the things they’re doing online such as event planning, shopping, work etc.

Dialogue triggers will be used for Scout to initiate communications. What are some of these triggers?

By default, Scout won’t disturb you unless it encounters a trigger that tells it you may need help. There are several types of trigger:

• Visiting a specific website.
• Visiting a type of website (such as news, shopping etc.).
• Visiting a website containing a certain type of information (i.e. an address, a video etc.).
• Clicking links or buttons on webpages.
• Interacting with Scout by pressing buttons
• Scout retrieving certain types of media such as videos, music, tweets etc.

We plan to allow users to fine-tune what type of triggers they want Scout to respond to, and eventually, learn their preference automatically.

Can you discuss some of the difficulties behind ensuring that Scout is genuinely helpful when it decides to interact with a user without becoming annoying?

We take user engagement very seriously and try to measure whether interactions led to positive or negative outcomes. We try to maintain a good ratio for how often Scout tries to start a conversation and how often it’s used. However, it’s a tricky balance to get right and we’re always trying to improve.

Because of the intrusive nature of this product, getting the interface and UX right is critical. We’ve spent a lot of time trying completely different interfaces and user interaction methods. This work has led us to the current, chatbot style interface, which we find gives us the greatest flexibility in the help we can provide, coupled with user familiarity and minimal user effort for interactions.

Can you provide other scenarios of how Scout can assist end users?

Our focus at the moment is in market-testing specific applications for Scout. Shopping and event planning have already been mentioned, but we’re also looking at how Scout can help academics (with finding research papers, author details and reference networks) and even guitarists (finding guitar sheet music, playing music and videos alongside sheet music online and helping to tune a guitar). We’ve also spent some time exploring professional scenarios such as online recruitment, financial analysis and law.

Ultimately, Scout can potentially work on any website and help in any scenario, which is what makes the technology incredibly exciting, but also makes it difficult to get started.

Is there anything else that you would like to share about Scout?

If you’d like to see what it’s like if your browser could talk to you, you can read more on Scout’s blog.

Thank you for the fascinating take on designing a unite type of chatbot. We are excited to follow this project. Please visit Marc Sloan’s website to learn more.