Райан Коллн, генеральный директор Appen – Интервью

Присоединившись к Appen AI в 2018 году в качестве вице-президента по корпоративному развитию, он возглавил стратегические приобретения, такие как Figure Eight и Quadrant, и поддержал создание китайского и федерального отделений. До своего назначения на пост генерального директора он занимал должность операционного директора, курируя глобальные операции и стратегию.

С более чем 20-летним опытом работы в технологиях и телекоммуникациях, как ваш карьерный путь повлиял на ваш подход к руководству Appen в быстро меняющемся ландшафте ИИ?

Моя карьера началась как инженер-телекоммуникаций, где моя роль заключалась в строительстве и оптимизации сетей и включала в себя огромное количество данных, аналитики и поиска инновационных решений для оптимизации производительности сетей и пользовательского опыта.

После окончания моего MBA в Нью-Йоркском университете это переросло в руководящие роли в стратегии технологий и слияниях и поглощениях, где я фокусировался на более крупных стратегических вопросах, таких как новые тенденции, возможности инвестиций и бизнес-модели. Этот опыт дал мне глубокое понимание как технических, так и деловых аспектов новых технологий.

В Appen мы работаем на пересечении ИИ и данных, и мой опыт позволил мне возглавить компанию и ориентироваться в сложностях быстро меняющегося ландшафта ИИ, проходя через крупные разработки, такие как распознавание голоса, NLP, системы рекомендаций и теперь генеративный ИИ. Этот стратегический взгляд крайне важен, поскольку ИИ продолжает преобразовывать отрасли во всем мире.

Вы работаете в Appen с 2018 года, реализуя крупные приобретения, такие как Figure Eight и Quadrant. Как эти стратегические шаги позиционировали Appen в качестве лидера в услугах данных ИИ, и что вы видите как следующую большую возможность для компании?

Приобретения Figure Eight и Quadrant были ключевыми для расширения наших возможностей по данным ИИ, особенно в областях, таких как аннотация данных и геолокационная разведка.  Платформа аннотации данных Figure Eight была особенно эффективной.  Платформа высоко настраиваема, и мы использовали ее для работы в многих разных доменах.  Более недавно мы использовали платформу для запуска большинства наших потоков генеративного ИИ.

Помимо приобретений, около 5 лет назад мы создали операцию в Китае под названием Appen China.  Мы теперь являемся крупнейшей компанией по данным ИИ в Китае, с доходом почти в два раза превышающим доход наших ближайших конкурентов.

В перспективе фокус Appen смещается в сторону поддержки разработки и внедрения генеративного ИИ.  Существуют значительные возможности роста как для создателей моделей, так и для компаний, стремящихся внедрить генеративный ИИ в свои продукты и операции.  Мы считаем, что мы только начинаем самую большую волну ИИ.

Качество данных играет решающую роль в разработке моделей ИИ. Можете ли вы поделиться, как Appen обеспечивает точность, разнообразие и актуальность своих наборов данных, особенно с учетом растущего спроса на высококачественные данные для обучения моделей LLM?

Сила Appen заключается в нашей способности создавать высококачественные данные последовательно и в большом масштабе. Мы тесно сотрудничаем с нашими клиентами, чтобы понять их цели моделей ИИ и разработать высококачественные данные для их потребностей посредством многослойного подхода, который сочетает автоматические инструменты и обратную связь человека. У нас есть глобальная рабочая сила из более чем 1 миллиона человек в более чем 200 странах, что позволяет нам курировать группу квалифицированных и разнообразных участников. Через строгий контроль качества и обратную связь мы гарантируем, что данные точны, последовательны и актуальны, и могут быть использованы для эффективного улучшения производительности моделей ИИ. Это позволяет системам ИИ работать эффективно в реальных условиях и также может быть использовано для улучшения прочности и снижения предвзятости, особенно для моделей LLM.

Генерация синтетических данных набирает популярность, и инвестиции Appen в Mindtech подчеркивают ваш интерес в этой области. Можете ли вы обсудить преимущества и недостатки использования синтетических или веб-скрапированных данных по сравнению с краудсорсированными данными для обучения моделей ИИ, и как вы видите синтетические данные в качестве дополнения к краудсорсированным данным Appen?

­­Высококачественные данные имеют решающее значение, но могут быть дорогими и требовать много времени для производства, поэтому синтетические данные привлекают внимание. Они работают хорошо для структурированных данных в традиционных задачах ИИ/МЛ, особенно в отраслях с строгими правилами конфиденциальности, такими как здравоохранение и финансы, поскольку они избегают использования личной информации.

Однако синтетические данные часто лишены глубины и нюансов реальных данных, особенно для сложных задач генеративного ИИ, требующих разнообразия и глубокой экспертизы. Они также могут увековечить ошибки или предвзятости из исходных данных. Веб-скрапированные данные, обычно используемые для моделей LLM, представляют свои собственные проблемы с низкокачественным контентом, предвзятостью и дезинформацией, требуя тщательной курирования.

Краудсорсированные данные, в которых специализируется Appen, остаются “истинной правдой”. Экспертиза человека имеет решающее значение для генерации разнообразных и сложных данных, необходимых для улучшения точности моделей ИИ и обеспечения соответствия человеческим ценностям.

Мы рассматриваем синтетические данные как дополнение к нашим данным, аннотированным человеком. Хотя синтетические данные могут ускорить части процесса, данные, помеченные человеком, гарантируют, что модели отражают разнообразие реального мира. Вместе они обеспечивают сбалансированный подход к созданию высококачественных обучающих данных для ИИ.

Закон ЕС об ИИ и другие глобальные правила формируют этические стандарты вокруг разработки ИИ. Как вы видите влияние этих правил на операции Appen и более широкую индустрию ИИ в будущем?

Закон ЕС об ИИ и подобные глобальные правила, вероятно, повлияют на операции Appen, устанавливая новые этические стандарты для разработки и производительности моделей ИИ. Мы можем увидеть изменения в том, как мы обрабатываем данные, обеспечиваем справедливость моделей и решаем этические проблемы. Это может привести к более строгим процессам и потенциальным корректировкам нашего подхода к обучению и проверке моделей.

В целом эти правила, вероятно, приведут индустрию к более высоким этическим стандартам, увеличат затраты на соблюдение и потенциально замедлят некоторые аспекты инноваций. Однако они также будут способствовать большей подотчетности и прозрачности, что в конечном итоге может привести к более ответственной и устойчивой разработке ИИ.

С растущими проблемами вокруг предвзятости в ИИ, как Appen работает над тем, чтобы гарантировать, что наборы данных, используемые для обучения моделей ИИ, являются этически полученными и свободными от предвзятости, особенно в чувствительных областях, таких как обработка естественного языка и компьютерное зрение?

Мы активно работаем над снижением предвзятости, способствуя разнообразию и инклюзивности во всех наших проектах. Приятно видеть, что многие из наших клиентов сосредоточены на захвате широкой демографии в задачах сбора и оценки данных. Имея глобальную рабочую силу, проживающую в большинстве стран, мы можем получить данные из широкого спектра точек зрения и опыта, что особенно важно в чувствительных областях, таких как обработка естественного языка и компьютерное зрение.

С 2019 года мы оформили наши лучшие практики в Кодексе этики краудсорсинга, демонстрируя нашу приверженность разнообразию, справедливости и благополучию краудсорсинга. Это включает в себя нашу приверженность справедливой оплате, обеспечение того, чтобы голос нашего краудсорсинга был услышан, и поддержание строгих защит конфиденциальности. Соблюдая эти принципы, мы стремимся предоставить высококачественные, этически полученные данные, которые поддерживают ответственное развитие ИИ.

Когда ИИ становится более интегрированным в отрасли, такие как автомобильная промышленность, реклама и AR/VR, как Appen позиционирует себя, чтобы удовлетворить растущий спрос на специализированные обучающие данные в этих секторах?

За последние 27 лет мы предоставляли специализированные обучающие данные для широкого спектра отраслей и случаев использования, и мы продолжаем эволюционировать по мере эволюции потребностей наших клиентов.

Например, в автомобильной промышленности мы работали с ведущими автомобильными компаниями и поставщиками решений для салона, чтобы построить системы речевого управления в транспортных средствах. Теперь мы помогаем нашим клиентам в новых областях, таких как сбор видеоданных о водителях, чтобы помочь безопасности, контролируя отвлекающие факторы водителей.

В рекламе мы помогли ведущей глобальной рекламной платформе улучшить качество и точность рекламы для релевантности пользователя в течение нескольких лет в глобальной программе с более чем 7 миллионами оценок. Теперь, поскольку многие из этих платформ принимают решения генеративного ИИ, наша рабочая сила не только оценивает релевантность рекламы, но также помогает оценить качество сгенерированных рекламы.

Мы смогли сделать все это благодаря нашей прочной платформе аннотации, которая может быть настроена для поддержки сложных рабочих процессов и различных модальностей данных, включая текст, аудио, изображения, видео и многомодальную аннотацию. Но в конечном итоге наша способность идти в ногу с меняющейся индустрией заключается в нашем глубоком опыте данных для разработки ИИ и сильном партнерстве с нашими клиентами.

Appen был лидером в предоставлении высококачественных данных для различных приложений ИИ. В перспективе, как вы видите эволюцию роли Appen, когда генеративный ИИ и модели LLM продолжают развиваться и влиять на глобальные рынки?

Генеративный ИИ и модели LLM преобразуют отрасли, и мы продолжим играть решающую роль в предоставлении высококачественных данных для поддержки этих достижений. Когда речь идет о глобальных рынках, наша способность получать данные из более чем 200 стран и более 500 языков станет еще более ценной, и у нас есть сильная история в этом, поскольку мы помогли компаниям, таким как Microsoft (MSFT ), запустить модели машинного перевода для более чем 110 языков.

По мере роста развертывания приложений LLM мы видим растущий спрос на соответствие человеческим конечным пользователям, включая возможности локализации, чтобы гарантировать, что языковые и культурные нюансы решаются на различных глобальных рынках. Мы привержены помощи компаниям в разработке систем ИИ, которые являются одновременно производительными и ответственными, гарантируя, что данные, используемые для обучения этих моделей, разнообразны, актуальны и этически получены.

Appen известен тем, что обеспечивает некоторые из самых передовых моделей LLM в мире. Какие инновации в аннотации и сборе данных Appen фокусируется на улучшении производительности этих моделей?

Мы постоянно совершенствуем наши процессы аннотации и сбора данных, чтобы улучшить производительность моделей LLM. Одна из областей фокуса – улучшение эффективности и точности аннотации данных посредством передовых инструментов, поддерживаемых ИИ, которые помогают оптимизировать и автоматизировать части процесса, сохраняя при этом высокие стандарты качества.

Мы можем выявить точки данных, которые требуют дальнейшего человеческого ввода, гарантируя, что усилия по аннотации сосредоточены там, где они будут иметь наибольшее влияние. Мы интегрировали функции в нашей платформе, такие как Model Mate, которые могут быть использованы для ускорения производства данных и улучшения качества данных. Мы также фокусируемся на лучших практиках управления участниками, что важно по мере роста сложности задач.

Способность понимать производительность участников на уровне отдельных лиц и предоставлять обратную связь для непрерывного улучшения качества наших данных, сгенерированных человеком. Эти инновации позволяют нам предоставить высококачественные, крупномасштабные данные, необходимые для питания и тонкой настройки ведущих моделей LLM в мире.

Когда вы вступаете в свою новую роль генерального директора, какие ваши главные приоритеты для Appen в течение следующих нескольких лет, и как вы планируете стимулировать рост компании в высококонкурентном пространстве ИИ?

Как я вступаю в роль генерального директора, мои стратегические приоритеты предназначены для обеспечения лидерства Appen в конкурентном ландшафте ИИ:

• Поддержка разработки моделей генеративного ИИ: За последние 18 месяцев генеративный ИИ стал ключевым компонентом нашего предложения услуг, с 28% дохода группы, полученного от проектов, связанных с генеративным ИИ, в июне 2024 года по сравнению с 8% в январе. Мы видим значительный потенциал на рынке генеративного ИИ, который, по прогнозам отрасли, достигнет 1,3 триллиона долларов к 2032 году.
• Поддержка внедрения моделей генеративного ИИ: Мы видим рост в новых сегментах, поскольку предприятия используют решения генеративного ИИ для своих случаев использования. Хотя процент проектов генеративного ИИ, достигающих развертывания, низок, мы ожидаем, что ФЙ24/25 будет переходным периодом, когда эксперименты перейдут в производство и будут стимулировать спрос на настраиваемые высококачественные и специализированные данные.
• Оптимизация и автоматизация подготовки данных: Используя ИИ для контроля качества и автоматизируя определенные шаги процесса подготовки данных. Это позволит нам улучшить качество данных, а также повысить операционную эффективность, улучшить наши валовые маржи.
• Эволюция опыта наших работников: Наша новая платформа CrowdGen позволяет нам масштабировать проекты быстро и гибко в соответствии с потребностями наших клиентов, используя ИИ для автоматического скрининга и сопоставления проектов. Это также улучшит опыт наших участников с персонализированной поддержкой. Appen был одним из первых, кто содействовал прозрачности, разнообразию и справедливости в наших источниках данных, и мы остаемся приверженными нашему Кодексу этики краудсорсинга.

Эти приоритеты обеспечат устойчивый рост и инновации Appen в эволюционирующем ландшафте ИИ.

Спасибо за отличное интервью, мы призываем читателей, желающих узнать больше, посетить Appen.