Mohammad Omar, Współzałożyciel i Dyrektor Generalny LXT – Seria Wywiadów

Mohammad Omar jest Współzałożycielem i Dyrektorem Generalnym LXT, firmą wiodącą w dziedzinie szkolenia danych AI, aby napędzać inteligentną technologię dla globalnych organizacji, w tym największych firm technologicznych na świecie. W partnerstwie z międzynarodową siecią współpracowników, LXT gromadzi i annotuje dane w wielu modalnościach z szybkością, skalą i elastycznością wymaganą przez przedsiębiorstwa. Założona w 2010 roku, LXT ma siedzibę w Toronto, Kanada, z oddziałami w Stanach Zjednoczonych, Australii, Indiach, Turcji, Wielkiej Brytanii i Egipcie.

Czy mógłbyś podzielić się historią powstania LXT?

LXT została założona w odpowiedzi na pilną potrzebę danych, z którymi mój pracodawca z 12 lat temu się zmagał. W tym czasie firma potrzebowała danych arabskich, ale nie miała odpowiednich dostawców, od których mogłaby je pozyskać. Będąc osobą, która lubi podejmować ryzyko i jest przedsiębiorcą, postanowiłem odejść z mojej pracy, założyć nową firmę i zaoferować nasze usługi mojemu byłemu pracodawcy. Od razu otrzymaliśmy od nich kilka wyzwań, które pomyślnie wykonaliśmy, i wszystko potoczyło się z tego. Teraz, ponad 12 lat później, zbudowaliśmy silną relację z tą firmą, stając się ich głównym dostawcą wysokiej jakości danych językowych.

Jakie są największe wyzwania związane z wdrożeniem AI na dużą skalę?

To jest bardzo dobre pytanie, a my nawet uwzględniliśmy to w naszym najnowszym raporcie badawczym, The Path to AI Maturity. Największym wyzwaniem, które respondenci wymienili, było zintegrowanie ich istniejących lub starszych systemów z rozwiązaniami AI. To ma sens, biorąc pod uwagę fakt, że przeprowadziliśmy badanie wśród większych firm, które najprawdopodobniej mają wiele systemów technologicznych w swoich organizacjach, które muszą być racjonalizowane w strategii transformacji cyfrowej. Inne wyzwania, które respondenci wymienili, to brak wykwalifikowanych talentów, brak szkoleń lub zasobów oraz pozyskiwanie jakościowych danych. Nie byłem zaskoczony tymi odpowiedziami, ponieważ są one powszechnie cytowane, a także dlatego, że wyzwanie związane z danymi jest powodem istnienia naszej organizacji.

Jeśli chodzi o wyzwania związane z danymi, LXT może zarówno pozyskać dane, jak i oznaczyć je, aby algorytmy uczenia maszynowego mogły je zrozumieć. Jesteśmy wyposażeni, aby to robić na dużą skalę i z elastycznością, co oznacza, że dostarczamy wysokiej jakości dane bardzo szybko. Klienci często przychodzą do nas, gdy przygotowują się do uruchomienia produktu i chcą upewnić się, że ich produkt zostanie dobrze przyjęty przez klientów,

Pracując z nami, aby pozyskać i oznaczyć dane, firmy mogą rozwiązać problemy z brakiem zasobów i talentów, pozwalając ich zespołom na skupienie się na budowaniu innowacyjnych rozwiązań.

LXT oferuje pokrycie dla ponad 750 języków, ale istnieją wyzwania związane z tłumaczeniem i lokalizacją, które wykraczają poza strukturę języka samego w sobie. Czy mógłbyś omówić, w jaki sposób LXT radzi sobie z tymi wyzwaniami?

Istnieją pewne wyzwania związane z tłumaczeniem i lokalizacją – zwłaszcza gdy rozgałęziają się one poza najbardziej rozpowszechnione języki, które mają oficjalny status i poziom standaryzacji, jaki się z tym wiąże. Wiele języków, w których pracujemy, nie ma oficjalnej ortografii, więc zarządzanie spójnością w zespole staje się wyzwaniem. Radzimy sobie z tymi i innymi wyzwaniami – np. wykrywaniem zachowań oszukańczych – poprzez posiadanie rygorystycznych procesów zapewnienia jakości. Ponownie było to bardzo widoczne w raporcie badawczym o dojrzałości AI, że dla większości organizacji pracujących z danymi AI, jakość zajmuje miejsce na szczycie listy priorytetów. A większość organizacji, które wzięły udział w badaniu, wyraziła gotowość do zapłacenia więcej, aby uzyskać to.

Dla firm, które wymagają pozyskiwania danych i annotacji danych, jak wcześnie w procesie rozwoju aplikacji powinny one rozpocząć pozyskiwanie tych danych?

Zalecamy, aby organizacje stworzyły strategię danych, jak tylko zidentyfikują swój przypadek użycia AI. Czekanie, aż aplikacja będzie w fazie rozwoju, może prowadzić do wielu niepotrzebnych prac, ponieważ AI może nauczyć się niewłaściwych rzeczy i musi być ponownie przeszkolony przez jakościowe dane, co może zająć czas, aby je pozyskać i zintegrować z procesem rozwoju.

Jaka jest zasada dotycząca częstotliwości, z jaką dane powinny być aktualizowane?

To naprawdę zależy od rodzaju aplikacji, którą rozwijasz i jak często dane, które ją wspierają, ulegają znaczącym zmianom. To oznacza, że dane są reprezentacją życia w rzeczywistości, a z czasem dane muszą być aktualizowane, aby dostarczyć dokładne odzwierciedlenie tego, co dzieje się na świecie. Nazywamy to zjawisko dryftem modelu, z którego istnieją dwa rodzaje, każdy wymagający ponownego szkolenia algorytmów.

• Dryft pojęciowy występuje, gdy występuje znacząca różnica między danymi treningowymi a wyjściem AI, co może nastąpić nagle lub stopniowo. Na przykład, detaliczny sprzedawca może wykorzystać historyczne dane klientów do szkolenia aplikacji AI. Ale gdy następuje znacząca zmiana w rzeczywistości konsumenckiej, algorytm musi być ponownie przeszkolony, aby odzwierciedlić tę zmianę.

• Dryft danych występuje, gdy dane wykorzystane do szkolenia aplikacji nie odzwierciedlają już danych, które napotykają, gdy wchodzi do produkcji. To może być spowodowane różnymi czynnikami, w tym zmianami demograficznymi, sezonowością lub umiejscowieniem aplikacji w nowym regionie geograficznym.

LXT niedawno opublikowała raport zatytułowany “The Path to AI Maturity 2023”. Jakie były niektóre z wniosków z tego raportu, które zaskoczyły Cię?

Prawdopodobnie nie powinno to być zaskoczeniem, ale rzeczą, która naprawdę wyróżniała się, była różnorodność aplikacji. Można by oczekiwać, że dwa lub trzy dziedziny aktywności będą dominować, ale gdy zapytaliśmy respondentów, gdzie planują skoncentrować swoje wysiłki AI i gdzie planują wdrożyć swoje AI, to początkowo wyglądało to jak chaos – brak trendu w ogóle. Ale po przesianiu danych i analizie odpowiedzi jakościowych, stało się jasne, że brak trendu jest trendem. Przynajmniej przez pryzmat naszych respondentów, jeśli masz problem, to istnieje realna możliwość, że ktoś pracuje nad rozwiązaniem AI dla tego problemu.

Jaka jest Twoja wizja dotycząca tego, jak daleko modele językowe generatywne mogą posunąć się w branży?

Moja osobista opinia na ten temat jest taka, że centralnym elementem prawdziwej mocy Sztucznej Inteligencji Generatywnej – używam tu słów zamiast skrótów, aby podkreślić – jest Zrozumienie Języka Naturalnego. “Inteligencja” AI jest nabywana poprzez język; zdolność do rozwiązywania złożonych problemów jest pośredniczona przez iteracyjne i kumulatywne interakcje językowe. Mając to na uwadze, uważam, że modele językowe generatywne będą szły w parze z innymi elementami AI przez cały czas.

Jaka jest Twoja wizja dotycząca przyszłości AI i przyszłości LXT?

Jestem optymistą z natury i to zabarwia moją odpowiedź, ale moja wizja dotycząca przyszłości AI jest taka, aby AI poprawiła jakość życia dla wszystkich; aby uczyniła nasz świat bezpieczniejszym, lepszym miejscem dla przyszłych pokoleń. Na poziomie mikro, moja wizja dla LXT jest taka, aby organizacja kontynuowała budowanie na swoich siłach, rosła i stawała się pracodawcą wyboru, a także siłą dobra, dla globalnej społeczności, która umożliwia nasz biznes. Na poziomie makro, moja wizja dla LXT jest taka, aby przyczynić się w znaczący, znaczący sposób do wypełnienia mojej optymistycznie skrzywionej wizji przyszłości AI.

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