Ryan Kolln, CEO w Appen – Seria wywiadów

Dołączając do Appen AI w 2018 roku jako VP ds. Rozwoju Korporacyjnego, kierował strategicznymi przejęciami, takimi jak Figure Eight i Quadrant, oraz wspierał utworzenie chińskiej i federalnej dywizji. Przed objęciem stanowiska CEO, pełnił funkcję Chief Operating Officer, nadzorując globalne operacje i strategię.

Posiadając ponad 20-letnie doświadczenie w branży technologicznej i telekomunikacyjnej, jak Twoja ścieżka kariery ukształtowała Twoje podejście do kierowania Appen w szybko ewoluującym krajobrazie AI?

Moja kariera rozpoczęła się jako inżynier telekomunikacji, gdzie moja rola polegała na budowaniu i optymalizacji sieci, co wiązało się z ogromną ilością danych, analiz i poszukiwaniem innowacyjnych rozwiązań w celu optymalizacji wydajności sieci i doświadczenia klienta.

Po ukończeniu studiów MBA na Uniwersytecie Nowojorskim, moja kariera ewoluowała w kierunku ról kierowniczych w strategii i fuzjach, gdzie koncentrowałem się na większych pytaniach strategicznych, takich jak wschodzące trendy, możliwości inwestycyjne i modele biznesowe. To doświadczenie dało mi głębokie zrozumienie zarówno technicznych, jak i biznesowych aspektów wschodzących technologii.

W Appen pracujemy na styku AI i danych, a moje doświadczenie pozwoliło mi kierować firmą i nawigować złożoności w szybko ewoluującym środowisku AI, przechodząc przez główne rozwój, takie jak rozpoznawanie głosu, NLP, systemy rekomendacji i teraz generatywne AI. Ta wizja strategiczna jest kluczowa, ponieważ AI nadal transformuje branże na całym świecie.

Byłeś w Appen od 2018 roku, napędzając kluczowe przejęcia, takie jak Figure Eight i Quadrant. Jak te strategiczne ruchy umieściły Appen jako lidera w usługach danych AI, i co widzisz jako następną dużą okazję dla firmy?

Przejęcia Figure Eight i Quadrant były kluczowe dla rozszerzenia naszych możliwości danych AI, szczególnie w obszarach takich jak adnotacja danych i inteligencja geolokalizacyjna. Platforma adnotacji danych Figure Eight była szczególnie wpływowa. Platforma jest wysoko dostosowywalna, a my wykorzystaliśmy ją do pracy w wielu różnych dziedzinach. Ostatnio wykorzystujemy tę platformę do uruchamiania większości naszych przepływów danych generatywnych AI.

Ponadto, około 5 lat temu utworzyliśmy operację w Chinach o nazwie Appen China. Jesteśmy teraz największą firmą danych AI w Chinach, z przychodem prawie dwukrotnie wyższym niż naszych najbliższych konkurentów.

Spójrzając w przyszłość, Appen koncentruje się na wspieraniu rozwoju i wdrożenia generatywnego AI. Są duże możliwości wzrostu zarówno wśród twórców modeli, jak i firm, które chcą wdrożyć generatywne AI w swoich produktach i operacjach. Uważamy, że jesteśmy dopiero na początku największej fali AI.

Jakość danych odgrywa kluczową rolę w rozwoju modeli AI. Czy mógłbyś podzielić się, jak Appen zapewnia dokładność, różnorodność i istotność swoich zbiorów danych, szczególnie wobec rosnącego popytu na wysokiej jakości dane szkoleniowe LLM?

Siła Appen polega na naszej zdolności do tworzenia wysokiej jakości danych w sposób ciągły i na dużą skalę. Współpracujemy ściśle z naszymi klientami, aby zrozumieć ich cele modeli AI i rozwijać wysokiej jakości dane do ich potrzeb za pomocą wielowarstwowej metody, która łączy narzędzia zautomatyzowane i feedback ludzki. Mamy globalną siłę roboczą ponad 1 miliona osób z ponad 200 krajów, co pozwala nam wybierać grupę wykwalifikowanych i różnorodnych współpracowników. Przez rygorystyczne kontrole jakości i pętle feedbacku, zapewniamy, że dane są dokładne, spójne i istotne, i mogą być wykorzystywane do skutecznego poprawienia wydajności modeli AI. To pozwala systemom AI działać skutecznie w środowiskach rzeczywistych i może być również wykorzystywane do poprawienia wytrzymałości i zmniejszenia uprzedzeń, szczególnie w przypadku LLM.

Dane syntetyczne zyskują na popularności, a inwestycja Appen w Mindtech podkreśla Wasze zainteresowanie tym obszarem. Czy mógłbyś omówić zalety i wady korzystania z danych syntetycznych lub zebranych z Internetu w porównaniu z danymi pozyskanymi od tłumu dla szkolenia modeli AI, i jak widzisz dane syntetyczne uzupełniające dane pozyskane od tłumu, na które Appen jest znany?

­­Wysokiej jakości dane są kluczowe, ale mogą być kosztowne i czasochłonne w produkcji, dlatego dane syntetyczne zyskują na uwadze. Działają one dobrze dla strukturalnych danych w tradycyjnych zadaniach AI/ML, szczególnie w branżach z surowymi przepisami dotyczącymi prywatności, takimi jak opieka zdrowotna i finanse, ponieważ unikają korzystania z informacji osobowych.

Jednak dane syntetyczne często brakuje głębi i nuansów danych rzeczywistych, szczególnie w złożonych zadaniach generatywnego AI, które wymagają różnorodności i głębokiej ekspertyzy. Mogą one również utrwalać błędy lub uprzedzenia z oryginalnych danych. Dane zebrane z Internetu, powszechnie wykorzystywane w LLM, przedstawiają własne wyzwania z niskiej jakości treści, uprzedzeń i dezinformacji, wymagając starannej kuracji.

Dane pozyskane od tłumu, w których specjalizuje się Appen, pozostają “prawdą”. Ekspertyza ludzka jest niezbędna do generowania zróżnicowanych, złożonych danych potrzebnych do poprawienia dokładności modeli AI i zapewnienia zgodności z wartościami ludzkimi.

Widzimy dane syntetyczne jako uzupełnienie naszych danych adnotowanych przez ludzi. Chociaż dane syntetyczne mogą przyspieszyć części procesu, dane oznaczone przez ludzi zapewniają, że modele odzwierciedlają różnorodność świata rzeczywistego. Razem zapewniają one zbalansowane podejście do tworzenia wysokiej jakości danych szkoleniowych dla AI.

Przepisy Unii Europejskiej dotyczące AI i inne przepisy na całym świecie kształtują standardy etyczne wokół rozwoju AI. Jak widzisz te przepisy wpływające na operacje Appen i szerszy przemysł AI w przyszłości?

Przepisy Unii Europejskiej dotyczące AI i podobne przepisy na całym świecie prawdopodobnie wpłyną na operacje Appen, ustanawiając nowe standardy etyczne dla rozwoju i wydajności modeli AI. Możemy zobaczyć zmiany w tym, jak obsługujemy dane, zapewniamy sprawiedliwość modeli i rozwiązujemy kwestie etyczne. To może prowadzić do bardziej rygorystycznych procesów i potencjalnych dostosowań w naszym podejściu do szkolenia i walidacji modeli.

Szerzej, te przepisy prawdopodobnie popchną przemysł w kierunku wyższych standardów etycznych, zwiększą koszty zgodności i potencjalnie spowolnią niektóre aspekty innowacji. Jednak również będą napędzać większą odpowiedzialność i przejrzystość, co ostatecznie może prowadzić do bardziej odpowiedzialnego i zrównoważonego rozwoju AI.

Z rosnącymi obawami dotyczącymi uprzedzeń w AI, jak Appen zapewnia, że zbiory danych wykorzystywane do szkolenia modeli AI są etycznie pozyskane i pozbawione uprzedzeń, szczególnie w wrażliwych obszarach, takich jak przetwarzanie języka naturalnego i widzenie komputera?

Aktywnie pracujemy nad zmniejszaniem uprzedzeń, promując różnorodność i integrację w naszych projektach. Jest to zachęcające, że wielu z naszych klientów koncentruje się na uchwyceniu szerokich demografii w zbiorach danych i zadaniach oceny modeli. Posiadanie globalnej siły roboczej, która mieszka w większości krajów, pozwala nam wybierać dane z szerokiej gamy perspektyw i doświadczeń, co jest szczególnie ważne w wrażliwych obszarach, takich jak przetwarzanie języka naturalnego i widzenie komputera.

Od 2019 roku sformalizowaliśmy nasze najlepsze praktyki w Kodzie Etyki Tłumu, pokazując nasze zaangażowanie w różnorodność, sprawiedliwość i dobrobyt tłumu. To obejmuje nasze zobowiązanie do sprawiedliwej płacy, zapewnienia, że głos naszego tłumu jest słyszalny, oraz utrzymania surowych ochron prywatności. Przestrzegając te zasady, staramy się dostarczyć wysokiej jakości, etycznie pozyskane dane, które wspierają odpowiedzialny rozwój AI.

Jak Appen pozycjonuje się, aby zaspokoić rosnący popyt na wyspecjalizowane dane szkoleniowe w sektorach, takich jak automotive, reklama i AR/VR?

Przez ostatnie 27 lat dostarczaliśmy wyspecjalizowane dane szkoleniowe dla szerokiej gamy branż i przypadków użycia, i nadal ewoluujemy, gdy potrzeby naszych klientów ewoluują.

Na przykład, w branży automotive, współpracowaliśmy z wiodącymi firmami automotive i dostawcami rozwiązań wewnątrzpojazdowych, aby zbudować systemy mówione w pojeździe. Teraz pomagamy naszym klientom w nowych obszarach, takich jak zbieranie danych wideo kierowców, aby pomóc w bezpieczeństwie przez monitorowanie rozproszenia uwagi kierowcy.

W reklamie, pomogliśmy wiodącej globalnej platformie reklamowej poprawić jakość i dokładność reklam dla istotności użytkownika w ramach wieloletniego programu globalnego z 7M+ ocen. Teraz, gdy wiele z tych platform przyjmuje rozwiązania generatywnego AI, nasi tłumacze nie tylko oceniają istotność reklam, ale także pomagają oceniać jakość wygenerowanych reklam.

Zrobiliśmy to wszystko dzięki naszej wytrzymałej platformie adnotacji, która może być dostosowana do obsługi złożonych przepływów pracy i różnych modalności danych, w tym tekstu, audio, obrazu, wideo i adnotacji multimodalnej. Ale ostatecznie, nasza zdolność do dostosowania się do zmieniającej się branży wynika z naszej głębokiej ekspertyzy w danych dla rozwoju AI i silnego partnerstwa z naszymi klientami.

Appen jest liderem w dostarczaniu wysokiej jakości danych dla różnych aplikacji AI. Jak widzisz ewolucję roli Appen wraz z rozwojem i wpływem generatywnego AI i LLM na rynki globalne?

Generatywne AI i LLM przekształcają branże, i będziemy nadal odgrywać kluczową rolę w dostarczaniu wysokiej jakości danych, aby wesprzeć te postępy. Jeśli chodzi o rynki globalne, nasza zdolność do pozyskiwania danych z ponad 200 krajów i 500+ języków stanie się jeszcze bardziej cenna, i mamy silną historię tego, gdy pomogliśmy firmom, takim jak Microsoft (MSFT ), uruchomić modele tłumaczeń maszynowych dla ponad 110 języków.

W miarę wzrostu wdrożenia aplikacji LLM, widzimy rosnący popyt na wyrównanie z użytkownikami końcowymi, w tym możliwości lokalizacji, aby zapewnić, że językowe i kulturowe niuanse są uwzględnione na różnych rynkach globalnych. Jesteśmy zaangażowani w pomoc firmom w rozwoju systemów AI, które są zarówno wydajne, jak i odpowiedzialne, zapewniając, że dane wykorzystywane do szkolenia tych modeli są zróżnicowane, istotne i etycznie pozyskane.

Appen jest znany z zasilania niektórych z najbardziej zaawansowanych LLM na świecie. Jakie są innowacje w adnotacji i zbieraniu danych, na które Appen się koncentruje, aby poprawić wydajność tych modeli?

Ciągle innowujemy nasze procesy adnotacji i zbierania danych, aby poprawić wydajność LLM. Jednym z obszarów koncentracji jest poprawa wydajności i dokładności adnotacji danych za pomocą zaawansowanych narzędzi AI, które pomagają strumieniować i zautomatyzować części procesu, utrzymując wysokie standardy jakości.

Możemy zidentyfikować punkty danych, które wymagają dalszego wkładu ludzkiego, zapewniając, że wysiłki adnotacyjne są ukierunkowane tam, gdzie będą miały największy wpływ. Wdrożyliśmy funkcje w naszej platformie, takie jak Model Mate, które mogą być wykorzystywane do przyspieszenia produkcji danych i poprawy jakości danych. Jesteśmy również zaangażowani w najlepsze praktyki w zarządzaniu współpracownikami, co jest ważne, gdy złożoność zadań rośnie.

Możliwość zrozumienia wydajności współpracowników na poziomie jednostkowym i zapewnienia feedbacku, aby ciągle poprawiać jakość naszych danych generowanych przez ludzi. Te innowacje pozwalają nam dostarczyć wysokiej jakości, dużej skali dane wymagane do zasilania i doskonalenia najwyższych LLM na świecie.

Jakie są Twoje najwyższe priorytety dla Appen w ciągu najbliższych kilku lat, i jak planujesz napędzać wzrost firmy w wysoko konkurencyjnym środowisku AI?

Jako nowy CEO, moje strategiczne priorytety są zaprojektowane, aby zapewnić Appen liderstwo w konkurencyjnym krajobrazie AI:

• Wspieranie rozwoju modeli generatywnego AI: W ciągu ostatnich 18 miesięcy, generatywne AI stało się kluczowym składnikiem naszej oferty usług, z 28% przychodu grupy pochodzącego z projektów związanych z generatywnym AI w czerwcu 2024 roku w porównaniu z 8% w styczniu. Widzimy znaczny potencjał na rynku generatywnego AI, który ma osiągnąć 1,3 bln dolarów do 2032 roku, według prognoz branżowych.
• Wspieranie wdrożenia modeli generatywnego AI: Widzimy wzrost w nowych segmentach, gdy przedsiębiorstwa wykorzystują rozwiązania generatywnego AI dla swoich przypadków użycia. Chociaż odsetek projektów generatywnego AI, które osiągają wdrożenie, jest niski, spodziewamy się, że FY24/25 będzie okresem przejściowym, w którym eksperymenty przechodzą do produkcji i napędzają popyt na niestandardowe, wysokiej jakości i specjalistyczne dane.
• Optymalizacja i automatyzacja przygotowania danych: Poprzez wykorzystanie AI do zapewnienia jakości i automatyzację pewnych kroków procesu przygotowania danych. To pozwoli nam poprawić jakość danych, a także poprawić wydajność operacyjną, poprawiając nasze marże.
• Ewolucja doświadczenia naszych pracowników: Nasza nowa platforma CrowdGen pozwala nam skalować projekty szybko i elastycznie w zgodzie z potrzebami naszych klientów, wykorzystując AI do automatycznego screeningu i dopasowania projektów. To również poprawi doświadczenie naszych współpracowników, zapewniając im personalizowaną pomoc. Appen był wczesnym adoptorem w promowaniu przejrzystości, różnorodności i sprawiedliwości w pozyskiwaniu danych, i pozostajemy zaangażowani w nasz Kod Etyki Tłumu.

Te priorytety umieścią Appen na pozycji do zrównoważonego wzrostu i innowacji w ewoluującym krajobrazie AI.

Dziękujemy za wspaniały wywiad, zachęcamy czytelników, którzy chcą dowiedzieć się więcej, do odwiedzenia Appen.