Phil Hall, Chief Growth Officer w LXT – Seria wywiadów

LXT Chief Growth Officer Phil Hall jest byłem wykonawcą Appen i Forbes Technology Council member. W swojej roli kierowniczej w Appen zarządzał oddziałem z ponad 1000 pracowników i odegrał kluczową rolę w osiągnięciu 17 kolejnych lat wzrostu przychodów z silną rentownością. W swojej obecnej roli w LXT pracuje z zespołem ekspertów, aby osiągnąć ambitne cele wzrostu.

LXT to wschodzący lider w dziedzinie danych szkoleniowych AI, które napędzają inteligentną technologię dla globalnych organizacji, w tym największych firm technologicznych na świecie. W partnerstwie z międzynarodową siecią współpracowników LXT gromadzi i anotuje dane w różnych modalnościach z szybkością, skalą i elastycznością wymaganą przez przedsiębiorstwa. Ich globalna ekspertyza obejmuje ponad 115 krajów i 750 lokalizacji językowych. Założona w 2010 roku, LXT ma siedzibę w Toronto, Kanada, z oddziałami w Stanach Zjednoczonych, Australii, Egipcie, Wielkiej Brytanii i Turcji. Firma obsługuje klientów w Ameryce Północnej, Europie, Azji i na Bliskim Wschodzie.

Kiedy po raz pierwszy odkryłeś, że jesteś pasjonowany językiem?

Byłem zafascynowany językiem przez całe życie, ale jeśli chodzi o moje bezpośrednie zaangażowanie w język i lingwistykę, był jeden znaczący punkt zwrotny. Zrozumieliśmy, że jedno z naszych dzieci jest dyslektyczne, a gdy porozmawialiśmy z ich szkołą o dodatkowym wsparciu, powiedzieli, że chociaż mają programy, które mogą wykorzystać, jest też wiele rzeczy, które mogę zrobić jako wolontariusz w szkole, aby pomóc naszemu dziecku i innym dzieciom. Poszło dobrze, a potem poszedłem studiować lingwistykę i zacząłem uczyć na dwóch uniwersytetach w Sydney.

Czego dotyczył Twój przełom w karierze, kiedy przeszedłeś z nauczania lingwistyki do dziedziny danych mowy?

W Sydney firma Appen przechodziła transformację z małej firmy do pełnoprawnego przedsiębiorstwa. Zostałem poinformowany, że szukają lingwistów (a może bardziejprecyzyjnie, lingwisty!) i zostałem przedstawiony założycielom Julie i Chris Vonwiller. Przez około dwa lata przechodziłem stopniową transformację. Byłem niechętny do porzucenia nauczania – pracowanie z uzdolnionymi studentami było inspirujące i bardzo przyjemne. Ale szczególnie w tych wczesnych latach rozwiązywałem trudne problemy wraz z wiodącymi ekspertami w dziedzinie technologii języka, a poziom emocji był wysoki. Wiele rzeczy, które są dzisiaj oczywiste, było wtedy bardzo wyzwaniem.

Co skłoniło Cię do powrotu do pracy po przejściu na emeryturę i dołączeniu do LXT?

To jest ciekawe pytanie, ponieważ naprawdę cieszyłem się emeryturą. Nasz współzałożyciel i CEO Mohammad Omar skontaktował się ze mną kilka miesięcy przed moją odpowiedzią na jego pierwsze zapytanie, ponieważ żyłem spokojnym życiem i nie rozważałem powrotu do pełnoetatowej pracy. Po zgodzie na pierwszą rozmowę, w której Mo zapytał o możliwość dołączenia do LXT, spodziewałem się tylko grzecznie wysłuchać i odmówić.

Ale ostatecznie okazja była po prostu zbyt dobra, aby ją odrzucić.

Podczas rozmowy z Mohammadem i innymi członkami zespołu LXT natychmiast rozpoznałem wspólną pasję do języka. Zespół, który Mohammad zebrał, składał się z kreatywnych myślicieli o nieograniczonej energii, którzy byli w pełni zaangażowani w misję firmy.

Podczas gdy dowiedziałem się więcej o okazji w LXT, zrozumiałem, że jest to coś, czego nie chcę przegapić. Była to firma z ogromnym potencjałem do rozwoju i wzrostu w dziedzinie, którą kocham. A ponieważ rynek AI rośnie wykładniczo, okazja do pomocy większej liczbie organizacji w przejściu od eksperymentów do produkcji jest ekscytująca i bardzo się z niej cieszę.

Jakie są obecne wyzwania związane z pozyskiwaniem danych na dużą skalę?

Wyzwania są tak różnorodne, jak aplikacje, które je napędzają.

Praktycznie rzecz biorąc, wyzwania obejmują autentyczność, niezawodność, dokładność, bezpieczeństwo i zapewnienie, że dane są odpowiednie do celu – i to bez uwzględnienia rosnącej liczby wyzwań prawnych i etycznych związanych z pozyskiwaniem danych.

Na przykład rozwój technologii w celu wsparcia samochodów autonomicznych wymaga zebrania ogromnych ilości danych w różnych scenariuszach, aby samochód mógł zrozumieć, jak zareagować w sytuacjach rzeczywistych. Istnieje nieskończona liczba przypadków brzegowych, które można napotkać podczas jazdy, więc algorytmy, które napędzają te pojazdy, potrzebują zbiorów danych, które obejmują wszystko, od ulic po znaki stopu po spadające obiekty. A jeśli to pomnożymy przez liczbę zdarzeń pogodowych, które mogą wystąpić, ilość danych szkoleniowych wzrasta wykładniczo. Firmy motoryzacyjne wkraczające w przestrzeń autonomiczną muszą ustanowić niezawodny potok danych, a robienie tego samodzielnie wymagałoby ogromnych zasobów.

Inny przykład to rozwinięcie istniejącego produktu AI głosowego na nowe rynki w celu zdobycia udziału w rynku i nowych klientów. To nieuchronnie wymaga danych językowych, a aby osiągnąć dokładność, jest krytyczne, aby źródło danych mowy od rodzimych użytkowników z różnych profili demograficznych. Po zebraniu danych pliki głosowe muszą być transkrybowane, aby przeszkolić algorytmy NLP produktu. Robienie tego dla wielu języków i w ilościach danych, które są potrzebne do skuteczności, jest ekstremalnie trudne dla firm, które nie mają wewnętrznej ekspertyzy w tej dziedzinie.

To są tylko dwa przykłady wielu wyzwań, które istnieją związane z pozyskiwaniem danych na dużą skalę, ale jak możesz sobie wyobrazić, domowe automatyka, dane urządzeń mobilnych i biometryczne każde mają swoje specyficzne wyzwania.

Jakie są obecne sposoby, w jakie LXT pozyskuje i anotuje dane?

W LXT zbieramy i anotujemy dane inaczej dla każdego klienta, ponieważ wszystkie nasze zaangażowania są dostosowane do specyfikacji klientów. Pracujemy z różnymi typami danych, w tym audio, obraz, mowę, tekst i wideo. Dla zbioru danych współpracujemy z globalną siecią kontrahentów, aby zebrać dane w tych różnych modalnościach. Zbiory mogą sięgać od zbierania danych w środowiskach rzeczywistych, takich jak domy, biura lub samochody, po studio z doświadczonymi inżynierami w przypadku pewnych projektów zbierania danych mowy.

Nasze możliwości anotacji danych również obejmują wiele modalności. Nasze doświadczenie zaczęło się w przestrzeni mowy i w ciągu ostatnich 12 lat rozwinęliśmy się do ponad 115 krajów i ponad 750 lokalizacji językowych. Oznacza to, że firmy wszystkich rozmiarów mogą polegać na LXT, aby pomóc im przeniknąć do szerokiego zakresu rynków i zdobyć nowe segmenty klientów. Ostatnio rozwinęliśmy się w kierunku danych tekstowych, obrazowych i wideo, a nasza platforma wewnętrzna jest wykorzystywana do dostarczania wysokiej jakości danych naszym klientom.

Inny ekscytujący obszar wzrostu dla nas to nasza bezpieczna anotacja. W tym roku rozszerzyliśmy naszą sieć bezpiecznych obiektów ISO 27001 z dwóch do pięciu lokalizacji na całym świecie. Rozwinęliśmy podręcznik, który pozwala nam tworzyć nowe obiekty w ciągu kilku miesięcy. Usługi, na które się koncentrujemy w tych bezpiecznych obiektach, są obecnie anotacją i transkrypcją danych mowy, ale mogą być wykorzystywane do anotacji wielu typów danych.

Dlaczego pozyskiwanie danych w ten sposób jest lepszą alternatywą dla danych syntetycznych?

Dane syntetyczne to ekscytujący rozwój w dziedzinie AI i są dobrze dopasowane do określonych przypadków użycia, szczególnie przypadków brzegowych, które są trudne do uchwycenia w świecie rzeczywistym. Użycie danych syntetycznych rośnie, szczególnie we wczesnych etapach dojrzałości AI, gdy firmy są nadal w fazie eksperymentowania. Jednak nasze własne badania pokazują, że gdy organizacje dojrzewają swoje strategie AI i wprowadzają więcej modeli do produkcji, są znacznie bardziej skłonne do korzystania z nadzorowanych lub półnadzorowanych metod uczenia maszynowego, które polegają na danych anotowanych przez ludzi.

Ludzie są po prostu lepsi niż komputery w zrozumieniu niuansów, aby stworzyć dane potrzebne do szkolenia modeli ML do osiągnięcia wysokiej dokładności, a nadzór ludzki jest również krytyczny, aby zmniejszyć uprzedzenia.

Dlaczego te dane są tak ważne dla mowy i przetwarzania języka naturalnego?

Dla algorytmów mowy i przetwarzania języka naturalnego, aby działały skutecznie w ich zamierzonych rynkach, muszą być szkolone na dużych ilościach danych pochodzących od rodzimych użytkowników, którzy mają kontekst kulturowy użytkowników końcowych, których reprezentują. Bez tych danych, wdrożenie AI głosowej będzie miało poważne ograniczenia.

Ponadto, środowisko musi być uwzględnione przy zbieraniu danych mowy. Jeśli rozwiązanie AI głosowej, które jest szkolone, będzie używane w samochodzie, na przykład, są różne warunki drogowe i pogodowe, które wpływają na mowę i muszą być brane pod uwagę. Są to złożone scenariusze, w których doświadczony partner danych może pomóc.

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

Najpierw chcę podziękować za okazję do podzielenia się naszą historią! Chciałbym podkreślić, że nasza firma jest zaangażowana w pomoc organizacjom wszystkich rozmiarów w osiągnięciu sukcesu w ich inicjatywach AI. Przez ponad 12 lat koncentrowaliśmy się na dostarczaniu wysoko dostosowanych danych AI firmom na całym świecie i będziemy szczęśliwi, jeśli będziemy mogli połączyć się z kimkolwiek, kto szuka niezawodnego potoku danych, aby wesprzeć swoje projekty AI.

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