Dan O’Connell, Diretor de Estratégia da Dialpad – Série de Entrevistas

Dan é o Diretor de Receita da Dialpad. Anteriormente, ele foi o CEO da TalkIQ, uma startup de reconhecimento de fala em tempo real e processamento de linguagem natural que a Dialpad adquiriu em maio de 2018. Antes da TalkIQ, ele ocupou várias posições de liderança de vendas na AdRoll e no Google (GOOGL ).

Dialpad é uma plataforma de comunicação em nuvem alimentada por IA que facilita e torna mais eficiente a conexão e colaboração com sua equipe

Você foi anteriormente o CEO da TalkIQ, uma startup de reconhecimento de fala em tempo real e processamento de linguagem natural que a Dialpad adquiriu em maio de 2018. Qual foi o ingrediente secreto por trás dessa startup que a tornou tão bem-sucedida na tecnologia de reconhecimento de fala?

Foi uma combinação de vários fatores: timing, pessoas e foco. A tecnologia de reconhecimento de fala automatizada (ASR) não é nova, existe há décadas — muito mais tempo do que as pessoas pensam. Durante esse tempo (e, mais ainda, nos últimos cinco anos), a tecnologia de ASR se beneficiou do aumento da capacidade de processamento, da nuvem, da disponibilidade de conjuntos de dados e da adoção em massa de alto-falantes inteligentes nos mercados de consumo. Todos esses fatores levaram ao aumento da precisão das transcrições.

Além dessas tendências, também tivemos a sorte de combinar especialistas (como linguistas) com hackers. E, quando digo hackers, quero dizer engenheiros que podem levar produtos rapidamente ao mercado — eles impulsionam a inovação e resolvem problemas rapidamente. E, embora as soluções possam não ser sempre elegantes, elas são normalmente as mais rápidas e permitem que você seja visto como um inovador na vanguarda — o que se torna algo que você pode aproveitar do ponto de vista de marketing e vendas. Essa história funciona bem quando você está construindo sua startup e tentando levantar dinheiro.

Então, tivemos especialistas no campo, tendências naturais no mercado, um oceano azul enorme quando se trata de aplicar a tecnologia na empresa e uma equipe com um histórico de levar tecnologias inovadoras ao mercado com movimentos de GTM replicáveis.

Por fim, adotamos uma abordagem diferente para resolver o problema. Os motores de transcrição tradicionais funcionavam como gravações de fita. Você gravava uma ligação; você salvava o arquivo de áudio; você o colocava em seu motor de transcrição; e algum tempo depois você obtinha sua saída. Inicialmente, uma ligação de 30 minutos levava 30 minutos para ser transcrita, então estávamos falando sobre atrasos reais em escala.

Queríamos resolver esse problema e construir um motor de transcrição em tempo real ou em streaming que não precisasse de um arquivo de áudio. Isso pode soar um pouco novato hoje, mas anos atrás não havia um motor de streaming que pudesse lidar com áudio em tempo real de longa duração de 8khz (que é minha forma elegante de dizer áudio de baixa qualidade, ou seja, não estéreo — 44khz). Não queríamos construir um gravador de fita.

Queríamos construir um motor em tempo real para entender e analisar conversas. Se pudéssemos fazer isso, então as oportunidades seriam ilimitadas, porque você pode então começar a automatizar fluxos de trabalho e fazer todos os tipos de coisas legais que não foram feitas antes. E parabéns a Jim Palmer, Etienne Manderscheid, Kevin James, Noah Gaspar e muitos outros por serem os primeiros a construir esse tipo de motor em tempo real.

Pode discutir o período de transição após a Dialpad adquirir a TalkIQ em maio de 2018?

A fase de aquisição foi super tranquila. A Dialpad era uma parceira da TalkIQ e nossas equipes de produto já estavam no local da Dialpad semanalmente. E eu havia trabalhado anteriormente com os co-fundadores Craig Walker e Brian Peterson no Google e estava animado com a perspectiva de me juntar a eles.

Nós todos víamos o futuro da mesma forma, no sentido de que essas tecnologias (ASR/NLP) integradas a uma plataforma de comunicação/collaboração poderiam ser disruptivas no mercado e mudar o jogo para as empresas. Essa é parte do motivo pelo qual, quase imediatamente após fechar a aquisição, levantamos US$ 50 milhões em uma rodada liderada pela ICONIQ. Os investidores viram a oportunidade no futuro aplicação das tecnologias e da equipe que trabalhava nesses problemas.

Na TalkIQ, éramos basicamente uma startup tentando ser três startups diferentes ao mesmo tempo: estávamos construindo nossa própria pilha de telefonia, motor de reconhecimento de fala e tecnologia de NLP interna. Esses são três problemas difíceis de resolver. A Dialpad já havia resolvido com sucesso o aspecto de telefonia, então, quando a oferta de aquisição chegou, foi uma decisão fácil. Nós víamos a Dialpad como a plataforma de comunicações empresariais mais inovadora no espaço, e nossa visão para o futuro das comunicações empresariais alinhava-se muito bem.

Quais são algumas das diferentes tecnologias de aprendizado de máquina utilizadas na Dialpad?

Nosso motor de Inteligência de Voz (Vi) nativo aproveita a IA e o ML para ajudar as organizações a impulsionar as vendas, obter insights competitivos, elevar o serviço ao cliente e ter reuniões online mais eficientes.

As tecnologias de ASR e NLP da TalkIQ são usadas para capturar as conversas de ligações de voz e vídeo em tempo real. Ao mesmo tempo, nossa tecnologia proprietária nos permite processar os dados de conversa de entrada e capturar e transcrever com precisão líder no setor em um formato fácil de ler.

O ML integrado ajuda o Vi a melhorar com o tempo. Quanto mais você usa o Vi, mais ele aprende e melhor se torna em processar conversas. Com o tempo, as transcrições de ligações aumentarão em precisão, e o Vi poderá processar as nuances mais sutis das conversas.

A Dialpad recentemente alcançou um marco importante de IA após analisar mais de um bilhão de minutos de voz, e os testes de benchmark mostraram que o modelo de transcrição da Dialpad superou os principais concorrentes, incluindo o modelo de telefonia aprimorado do Google. Quais tipos de testes foram realizados para quantificar esses resultados?

Temos uma coleção de conjuntos de testes que contêm áudio e a transcrição acompanhante que é considerada a verdade absoluta do que foi dito no áudio. Enviamos o mesmo áudio para cada concorrente e recebemos uma transcrição de volta, que então comparamos com a verdade absoluta. Calculamos o número de erros para determinar um percentual de precisão. Temos comparado a nós mesmos com o Google desde a aquisição da TalkIQ em abril de 2018, e sempre tivemos uma precisão mais baixa até agora.

Quais são alguns dos principais diferenciais por trás do motor de Inteligência de Voz (Vi) proprietário da Dialpad e os motores concorrentes?

Um dos principais diferenciais é que estamos fazendo isso há mais tempo do que os concorrentes, o que significa que analisamos mais dados para garantir que nossa tecnologia seja a mais precisa. Analisamos mais de um bilhão de minutos de comunicação de voz e continuamos a processar cerca de 90 milhões de minutos por mês com nosso motor Vi. Nesse sentido, estamos literalmente anos à frente da concorrência.

Outro diferencial é nossa abordagem personalizada e escalável para modelos de linguagem. Para cada cliente, construímos um banco de dados de palavras-chave específicas da empresa para que possamos realizar um aumento de palavra-chave para melhorar a precisão. Por exemplo, para um usuário que soletra seu nome “Kathryn” e trabalha em uma empresa chamada Skribbl, nosso sistema soletraria os nomes próprios corretamente, enquanto outros modelos provavelmente os soletrariam como soam (ou seja, “Katherine” e “scribble”).

Quais são suas visões pessoais sobre o futuro do processamento de linguagem natural? Quanto tempo até que a IA atinja uma precisão de quase 100% ou até mesmo 100%?

Precisão perfeita é quase inatingível. Talvez, um dia, eu seja surpreendido (espero que sim!). Acho que vamos chegar muito, muito perto, mas não perfeitos. O motivo é que o reconhecimento de fala automático (e, subsequentemente, o NLP) tem problemas quase infinitos para resolver: sotaques, proximidade com microfones, ruído de fundo, problemas de conectividade, diferentes tipos de microfones, como alguém fala, articulação, contexto (Sara vs Sarah vs Serra), acrônimos, gírias e assim por diante. Embora eu gostaria de dizer que vamos chegar lá, acho que podemos chegar muito perto, mas a última milha, ou 1-2% em termos de precisão, será desafiadora.

Dito isso, acho que haverá alguns desenvolvimentos interessantes em termos de legibilidade. Hoje, quando você revisa uma transcrição de conversa, pode ler como um fluxo de consciência. Naturalmente, falamos de forma fluida, usamos frases longas, repetimos palavras, reiniciamos frases — fazemos todas as coisas que não faríamos em uma forma escrita. Há algumas oportunidades únicas quando se trata de ter uma versão mais legível de uma transcrição — uma que remova redundâncias, preveja ou melhore a pontuação e otimize ou refine a transcrição para torná-la mais legível.

Na minha mente, há duas versões: a versão literal, que é o mais próxima de 100% possível de uma conversa (com frases longas e tudo), e então há uma versão aprimorada que é muito mais fácil de digerir devido à pontuação e otimizações.

E isso nos leva ao caminho de podemos sintetizar uma conversa para suas partes mais significativas? Você precisa de uma transcrição completa ou precisa de um resumo preciso formatado para legibilidade?

Certamente depende do seu caso de uso, mas é o que é interessante e emocionante sobre esse espaço. Estamos, talvez, no terceiro tempo do que é possível, e ainda não entramos na inovação de fluxos de trabalho, onde veremos o NLP se tornar mais “consciente do contexto”, como usar conversas anteriores para melhorar a precisão.

Quanto mais específico for o contexto que os modelos tiverem para aprender, melhor. Pense em compartilhar esse mesmo contexto sobre múltiplas conversas e adaptar continuamente o contexto para que o ML fique mais inteligente. A tecnologia consciente do contexto também é importante para melhorar a precisão, considerando as vastas diferenças na forma como nos comunicamos. O que pode parecer sutis diferenças linguísticas para os humanos é muito difícil de treinar um modelo de ML para duplicar.

Quais são alguns dos serviços que a Dialpad atualmente oferece aos clientes?

A Dialpad é uma forma mais inteligente de trabalhar. Construímos a plataforma para a força de trabalho híbrida moderna de hoje — capacitando as pessoas e equipes a serem mais eficientes, eficazes e engajadas em qualquer lugar do mundo. Oferecemos uma experiência de comunicação empresarial sem interrupções — ligação, chat, conferência de vídeo e centros de ligação — com qualidade, segurança e confiabilidade inigualáveis. A Dialpad entrega essa experiência como uma plataforma baseada em nuvem unificada que é econômica, simples de implantar e fácil de gerenciar.

Há algo mais que você gostaria de compartilhar sobre a Dialpad?

2020 foi um ano monumental para a empresa, o que é realmente incrível considerando o que o mundo experimentou (e continua experimentando). Dobramos nosso quadro de funcionários, garantimos US$ 100 milhões em financiamento, adquirimos uma empresa e fizemos tudo isso enquanto nossa base de clientes crescia exponencialmente.

Com o trabalho remoto aqui para ficar, esperamos que esse crescimento continue, e estamos animados com o ano que vem. Acreditamos que o movimento de trabalhar de qualquer lugar aumentará a necessidade de tecnologias inovadoras que ajudem os funcionários a trabalhar de forma mais inteligente — e não mais difícil. As empresas recorrerão à IA para otimizar eficiências, eliminar tarefas mundanas e permitir que os funcionários se concentrem em prioridades maiores. A Dialpad está bem equipada para atender a essas necessidades.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Dialpad.