Sujatha Sagiraju, Chief Product Officer w Appen – Wywiad

Sujatha Sagiraju jest Chief Product Officer w Appen, dołączyła do Appen we wrześniu 2021 roku jako SVP of Product i jest odpowiedzialna za strategię produktu. Jest pionierem technologii z ponad 20-letnim doświadczeniem w budowaniu innowacyjnych, dużych usług online i platform AI/ML i danych. Dołączyła do Appen z Microsoftu, gdzie pełniła role kierownicze w kilku grupach, w tym Bing i Azure AI Platform.

Appen jest globalnym liderem w dziedzinie danych dla cyklu życia AI. Z ponad 25-letnim doświadczeniem w pozyskiwaniu danych, adnotowaniu danych i ocenie modeli przez ludzi, umożliwia organizacjom uruchamianie najbardziej innowacyjnych systemów sztucznej inteligencji.

Czym było to, co pierwotnie przyciągnęło Cię do AI?

Kiedy byłem w Microsoft (MSFT ), pracowałem w organizacji Azure AI. Byłem zaznajomiony z branżowym krajobrazem, klientami i transformacją AI, która zachodzi w różnych branżach. Mogłem zobaczyć z punktu widzenia klienta, że dane szkoleniowe były przeszkodą w budowaniu modeli machine learning i widziałem Appen jako okazję do rozwiązania tego problemu – brakującego ogniwa, które mogłoby połączyć wszystkie etapy cyklu życia AI.

Jesteś obecnie Chief Product Officer w Appen, możesz opisać, co obejmuje ta pozycja?

Na najwyższym poziomie, moja drużyna buduje wizję produktu, strategię i współpracuje z wieloma różnymi interesariuszami w organizacji, aby skutecznie ją wykonać. Na bardziej osobistym poziomie, spędzam znaczną ilość czasu na zrozumieniu branży i klientów. Z niektórymi z największych firm jako naszymi klientami, takimi jak Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, ważne jest, aby moja drużyna zrozumiała scenariusze klientów i bóle głowy oraz zbudowała strategię produktu, która dostarczy plan wzrostu. Budowanie bezpiecznej, inkluzywnej kultury jest również bardzo ważną częścią mojej roli, gdyż koncentruję się na tworzeniu przestrzeni, w której nasi pracownicy mogą dzielić się pomysłami, współpracować i rozwijać swoje kariery.

Jak ważne jest dla rozwoju AI tworzenie zróżnicowanych zespołów?

Jest to niezwykle ważne dla rozwoju AI, aby mieć zróżnicowane zespoły. Istnieją różne sposoby myślenia o różnorodności – płci, wieku, rasy, perspektyw. Różnorodność perspektyw może być najważniejszą częścią zapewnienia, że masz zróżnicowane tło i doświadczenia w zespole. Te doświadczenia przynoszą nowe i różne pomysły, które pomagają zbudować najlepszy produkt dla wszystkich klientów, którzy są bardzo zróżnicowani.

Jak tworzysz kulturę pracy, która synergizuje tę różnorodność?

Kultura, która promuje różnorodność, zaprasza pracowników do dzielenia się swoimi pomysłami i perspektywami. Lubię rozważać różne metody komunikacji podczas prowadzenia spotkań zespołu. Na przykład, gdy proszę o feedback podczas spotkania zespołu, proszę pracowników, aby mówili bezpośrednio na spotkaniu lub wysyłali mi wiadomość po tym, jak się nad tym zastanowili. Rozpoznaję, że nie każdy chce mówić lub dzielić się feedbackiem od razu, i chcę stworzyć kulturę, w której to jest akceptowalne. Chcę bezpieczne środowisko, w którym ludzie mogą wyrażać swoje opinie i dzielić się pomysłami w sposób, jaki preferują. Wspaniałe pomysły pochodzą z różnych zespołów w organizacji. Spotykam się z zespołami sprzedaży, marketingu i innymi zespołami, które mają kontakt z klientami, aby zrozumieć ich potrzeby dotyczące produktu i ich perspektywę w pracy z klientami. Niektóre z najlepszych pomysłów na produkty pochodzą z uważnego słuchania bóli głowy klientów – albo bezpośrednio od nich, albo od zespołów, które взаимодействują z naszymi klientami każdego dnia.

Poza posiadaniem zróżnicowanych zespołów, jakie są inne sposoby walki z uprzedzeniami w algorytmach machine learning?

Inkluzywne pozyskiwanie danych, przygotowanie danych i ocena modeli są kluczowe w walce z uprzedzeniami. Dane wykorzystywane do szkolenia algorytmów muszą być inkluzywne dla wszystkich potencjalnych użytkowników końcowych lub wyników. Podczas przechodzenia przez różne etapy cyklu życia AI, każdy etap musi być sprawdzony pod kątem uprzedzeń. Odpowiedzialny AI jest również budowany z odpowiedzialnie pozyskanymi zestawami danych, co oznacza, że współpracownicy są traktowani sprawiedliwie. Appen zbudował Kodeks etyki tłumu, aby pokazać nasze zaangażowanie w dobrobyt naszego zespołu.

Niedawno opublikowałeś artykuł, w którym omawiasz nową dyscyplinę, zwaną Danymi dla cyklu życia AI. Czy możesz krótko opisać, co to jest?

Dane dla cyklu życia AI obejmują cztery etapy w ciągłym cyklu; pozyskiwanie danych, przygotowanie danych, budowanie modelu i wdrożenie, oraz ocena modelu przez ludzi. Te etapy są niezbędne do dostarczania wysokiej jakości danych do budowy projektów AI. Pozyskiwanie danych, przygotowanie danych i ocena modeli są najbardziej pracochłonne i danych-intensywne, a jeśli nie są wykonane dobrze, mogą prowadzić do problemów z jakością projektu i opóźnień wdrożenia. Appen specjalizuje się w tych trzech etapach i strategicznie współpracuje z dostawcami, którzy specjalizują się w szkoleniu modeli i wdrożeniu.

Jaka jest rola danych syntetycznych w danych dla cyklu życia AI?

Rozwiązania pozyskiwania danych obejmują dane adnotowane przez ludzi, wstępnie oznaczone zestawy danych i dane syntetyczne. Dane syntetyczne są wykorzystywane w trudnych do znalezienia zestawach danych i przypadkach użycia. Inkluzywne zestawy danych obejmują wszystkie przypadki użycia i potencjalnych użytkowników końcowych modelu AI, a niektóre wymagają danych syntetycznych, aby osiągnąć ten cel. Połączenie danych adnotowanych przez ludzi i danych syntetycznych stanie się kluczowe dla sukcesu modelu.

Jak duży problem stanowi dryf modelu lub nadmierna dopasowanie w danych dla cyklu życia AI?

Dryf modelu może być dużym problemem i musi być rozwiązany w czwartym etapie cyklu życia AI, Ocena modelu przez ludzi. Jest to kluczowe, aby model nadal działał w świecie rzeczywistym i aby wiedzieć, że musi przejść testowanie przez ludzi. Podczas gdy środowiska zmieniają się i rozwijają, modele muszą również się zmieniać. Ważne jest, aby praktycy ciągle oceniali swoje modele, aby zapobiec ich starzeniu się lub uprzedzeniom. Klient Microsoft Bing wykorzystuje ocenę modelu, aby upewnić się, że wyniki wyszukiwania są wykonane zgodnie z ich standardem i model jest ciągle oceniany.

Czy jest coś jeszcze, co chciałbyś podzielić się na temat swojej pracy w Appen?

Najcenniejszą pracą w Appen jest praca naszych ludzi i ich ekspertyzy. Z 25-letnim doświadczeniem Appen zbudował silne fundamenty z jego pracownikami. Nasi klienci ufają naszej ekspertyzie, aby dostarczyć wysokiej jakości wyniki, szybko i w skali. Appen umożliwia transformację branży AI, dostarczając rozwiązania do bezproblemowego zarządzania danymi dla cyklu życia AI.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Appen.