Phil Hall, Chief Growth Officer da LXT – Série de Entrevistas

O Chief Growth Officer da LXT, Phil Hall é um ex-executivo da Appen e membro do Conselho de Tecnologia da Forbes. Em seu papel de liderança na Appen, ele dirigiu uma divisão de mais de 1.000 funcionários e desempenhou um papel fundamental em alcançar 17 anos consecutivos de crescimento de receita com lucratividade consistentemente forte. Em seu papel atual na LXT, ele está trabalhando com uma equipe de especialistas selecionados a dedo para alcançar objetivos de crescimento ambiciosos.

LXT é um líder emergente em dados de treinamento de IA para alimentar tecnologia inteligente para organizações globais, incluindo as maiores empresas de tecnologia do mundo. Em parceria com uma rede internacional de contribuintes, a LXT coleta e anota dados em várias modalidades com a velocidade, escala e agilidade necessárias para as empresas. Eles têm uma expertise global que abrange mais de 115 países e 750 locais de idioma. Fundada em 2010, a LXT tem sede em Toronto, Canadá, com presença nos Estados Unidos, Austrália, Egito, Reino Unido e Turquia. A empresa atende a clientes na América do Norte, Europa, Ásia-Pacífico e Oriente Médio.

Quando você descobriu inicialmente que era apaixonado por linguagem?

Eu sempre fui fascinado por linguagem, mas em termos de meu envolvimento direto com linguagem e linguística, houve um único ponto de inflexão significativo para mim. Nós percebemos muito cedo que uma de nossas crianças era disléxica, e quando falamos com a escola sobre apoio adicional, eles disseram que, embora houvesse programas que pudessem acessar, havia coisas que eu poderia fazer como voluntário na escola para ajudar nossa filha e outras crianças. Isso deu certo, e a partir daí eu fui estudar linguística e acabei ensinando em duas universidades aqui em Sydney.

Você estava ensinando linguística antes de se mudar para o espaço de dados de fala, o que o inspirou a mudar seu foco?

A Appen, sediada em Sydney, estava apenas fazendo a transição de ser uma operação executada em um quarto de casa para ser uma operação comercial totalmente estabelecida. Eu fui informado de que eles estavam procurando por linguistas (talvez mais precisamente, um linguista!) e fui apresentado aos fundadores Julie e Chris Vonwiller. A transição foi gradual e se estendeu por cerca de dois anos. Eu estava relutante em deixar o ensino – trabalhar com alunos de alto desempenho era inspirador e muito divertido. Mas, especialmente durante aqueles anos pioneiros, eu estava resolvendo problemas difíceis ao lado dos principais especialistas em tecnologia de linguagem do mundo, e os níveis de entusiasmo eram altos. Muito do que é considerado normal hoje, era muito desafiador naquela época.

Você saiu da aposentadoria para se juntar à LXT. O que o motivou a fazer isso?

Essa é uma pergunta interessante, pois eu estava realmente desfrutando da minha aposentadoria. Na verdade, nosso co-fundador e CEO, Mohammad Omar, me abordou meses antes de eu responder à sua primeira consulta, pois eu estava vivendo um estilo de vida relaxado e não havia realmente considerado voltar ao trabalho em tempo integral. Depois de concordar em fazer a primeira ligação, onde Mo perguntou sobre a possibilidade de me juntar à LXT, eu esperava apenas ouvir politicamente e recusar.

Mas, no final, a oportunidade era simplesmente boa demais para resistir.

Enquanto falava com Mohammad e os outros membros da equipe da LXT, eu imediatamente reconheci uma paixão compartilhada por linguagem. A equipe que Mohammad havia reunido estava cheia de pensadores criativos com energia ilimitada que estavam totalmente comprometidos com a missão da empresa.

À medida que eu aprendia mais sobre a oportunidade com a LXT, eu percebi que era algo que eu não queria perder. Aqui estava uma empresa com um potencial massivo para expandir e crescer em uma área que eu sou apaixonado. E, à medida que o mercado de IA continua a crescer exponencialmente, a oportunidade de ajudar mais organizações a passar da experimentação para a produção é algo emocionante que eu estou muito feliz em fazer parte.

Quais são alguns dos desafios atuais por trás da aquisição de dados em escala?

Os desafios são tão variados quanto as aplicações que os impulsionam.

Do ponto de vista prático, os desafios incluem autenticidade, confiabilidade, precisão, segurança e garantir que os dados sejam adequados para o propósito – e isso é sem considerar o crescente número de desafios legais e éticos inerentes à aquisição de dados.

Por exemplo, o desenvolvimento de tecnologia para apoiar veículos autônomos exige a coleta de volumes extremamente grandes de dados em uma variedade de cenários para que o carro possa entender como responder a situações do mundo real. Há um número infinito de casos de bordo que você pode encontrar ao dirigir, então os algoritmos que alimentam esses veículos precisam de conjuntos de dados que cubram tudo, desde ruas até sinais de parada, passando por objetos caindo. E, se você multiplicar isso pelo número de eventos climáticos que podem ocorrer, a quantidade de dados de treinamento necessários aumenta exponencialmente. As empresas automotivas que estão entrando no espaço de veículos autônomos precisam estabelecer um pipeline de dados confiável, e fazer isso sozinho exigiria uma quantidade massiva de recursos.

Outro caso de uso é a expansão de um produto de IA de voz existente para novos mercados para capturar participação de mercado e novos clientes. Isso inevitavelmente exige dados de linguagem, e para alcançar a precisão, é fundamental obter dados de fala de falantes nativos em uma variedade de perfis demográficos. Uma vez que os dados são coletados, os arquivos de fala precisam ser transcritos para treinar os algoritmos de NLP do produto. Fazer isso para múltiplos idiomas e nos volumes de dados necessários para ser eficaz é extremamente desafiador para as empresas fazerem sozinhas, especialmente se elas carecem de expertise interna nesse campo.

Esses são apenas dois exemplos dos muitos desafios que existem com a coleta de dados para IA em escala, mas, como você pode imaginar, a automação residencial, os dados de dispositivos móveis e a coleta de dados biométricos cada um têm seus próprios desafios específicos.

Quais são as formas atuais como a LXT obtém e anota dados?

Na LXT, coletamos e anotamos dados de forma diferente para cada cliente, pois todos os nossos compromissos são personalizados para atender às especificações dos nossos clientes. Trabalhamos com uma variedade de tipos de dados, incluindo áudio, imagem, fala, texto e vídeo. Para coletas de dados, trabalhamos com uma rede global de contratados para coletar dados nessas diferentes modalidades. As coletas podem variar desde a aquisição de dados em ambientes do mundo real, como lares, escritórios ou dentro de carros, até em estúdio com engenheiros experientes, no caso de certos projetos de coleta de dados de fala.

Nossas capacidades de anotação de dados também abrangem múltiplas modalidades. Nossa experiência começou no espaço de fala e, nos últimos 12 anos, expandimos para mais de 115 países e mais de 750 locais de idioma. Isso significa que as empresas de todos os tamanhos podem depender da LXT para ajudá-las a penetrar uma ampla gama de mercados e capturar novos segmentos de clientes. Mais recentemente, expandimos para dados de texto, imagem e vídeo, e nossa plataforma interna é usada para entregar dados de alta qualidade aos nossos clientes.

Outra área de crescimento emocionante para nós tem sido nosso trabalho de anotação segura. Este ano, expandimos nossa infraestrutura de anotação segura ISO 27001 de duas para cinco localizações em todo o mundo. Desenvolvemos um roteiro que nos permite estabelecer novas instalações em questão de meses. Os serviços que nos concentramos nessas instalações seguras são atualmente anotação e transcrição de dados de fala, mas podem ser usados para anotação em muitos tipos de dados.

Por que obter dados dessa forma é uma alternativa superior à dados sintéticos?

Os dados sintéticos são um desenvolvimento emocionante no campo da IA e são adequados para casos de uso específicos, particularmente casos de bordo difíceis de capturar no mundo real. O uso de dados sintéticos está aumentando, particularmente nas fases iniciais de maturidade da IA, enquanto as empresas ainda estão no modo de experimentação. No entanto, nossa própria pesquisa mostra que, à medida que as organizações amadurecem suas estratégias de IA e impulsionam mais modelos para a produção, elas são muito mais propensas a usar métodos de aprendizado de máquina supervisionados ou semi-supervisionados que dependem de dados anotados por humanos.

Os humanos são simplesmente melhores do que os computadores para entender as nuances para criar os dados necessários para treinar os modelos de ML para realizar com alta precisão, e a supervisão humana também é fundamental para reduzir o viés.

Por que esses dados são tão importantes para fala e processamento de linguagem natural?

Para que os algoritmos de fala e processamento de linguagem natural funcionem efetivamente nos mercados pretendidos, eles precisam ser treinados com grandes volumes de dados coletados de falantes nativos que têm o contexto cultural dos usuários finais que representam. Sem esses dados, a adoção de IA de voz terá limitações graves.

Além disso, o ambiente precisa ser levado em consideração ao coletar dados de fala. Se a solução de IA de voz que está sendo treinada será usada em um carro, por exemplo, há diferentes condições de estrada e clima que afetam a fala e precisam ser consideradas. Esses são cenários complexos onde um parceiro de dados experiente pode ajudar.

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

Primeiramente, quero agradecer por ter a oportunidade de compartilhar nossa história! Eu gostaria de destacar que nossa empresa está comprometida em ajudar as organizações de todos os tamanhos a ter sucesso com suas iniciativas de IA. Nós nos concentramos em fornecer dados de IA personalizados para empresas em todo o mundo por mais de 12 anos e ficaríamos felizes em nos conectar com qualquer pessoa que busque criar um pipeline de dados confiável para apoiar seus projetos de IA.

Obrigado pela ótima entrevista, leitores que desejam aprender mais devem visitar LXT.