Суджата Сагираджу, главный директор по продуктам в Appen – Интервью

Суджата Сагираджу является главным директором по продуктам в Appen, она присоединилась к Appen в сентябре 2021 года в качестве старшего вице-президента по продукту и отвечает за стратегию продукта. Она является пионером технологий с более чем 20-летним опытом в создании инновационных крупномасштабных онлайн-сервисов и платформ ИИ/МЛ и данных. Она присоединилась к Appen из Microsoft (MSFT ), где она занимала руководящие должности в нескольких группах, включая Bing и Azure AI Platform.

Appen является мировым лидером в области данных для цикла жизни ИИ. С более чем 25-летним опытом в области поиска данных, аннотации данных и оценки моделей людьми, они позволяют организациям запускать самые инновационные системы искусственного интеллекта в мире.

Что изначально привлекло вас к ИИ?

Когда я работала в Microsoft, я работала в организации Azure AI. Я была знакома с отраслевым ландшафтом, клиентами и трансформацией ИИ, которая происходит в различных отраслях. Я могла видеть с точки зрения клиента, что обучающие данные были препятствием для построения моделей машинного обучения, и я увидела Appen как возможность решить эту проблему -缺失ную связь, которая могла бы соединить все этапы цикла жизни ИИ.

Вы сейчас являетесь главным директором по продуктам в Appen, можете ли вы описать, что это за должность?

На самом высоком уровне моя команда создает видение продукта, стратегию и согласовывает ее с различными заинтересованными сторонами по всей организации, эффективно выполняя ее. На более личном уровне я уделяю значительное время пониманию отрасли и клиентов. С некоторыми из крупнейших компаний в качестве наших клиентов, таких как Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing, важно, чтобы моя команда понимала сценарии клиентов и болевые точки и строила стратегию продукта, которая обеспечивает план роста. Создание безопасной, инклюзивной культуры также является очень важной частью моей роли, поскольку я фокусируюсь на создании пространства для наших сотрудников, чтобы они могли делиться идеями, сотрудничать и расти в своих карьерах.

Насколько важно для разработки ИИ создание разнообразных команд?

Это крайне важно для разработки ИИ иметь разнообразные команды. Существует несколько способов думать о разнообразии – пол, возраст, раса, точки зрения. Разнообразие точек зрения может быть наиболее важной частью обеспечения того, чтобы у вас были разнообразные背景и и опыт в вашей команде. Эти опыт приносят новые и разные идеи, чтобы построить лучший продукт для всех ваших клиентов, которые очень разнообразны.

Как вы создаете рабочую культуру, которая синергизирует это разнообразие?

Культура, которая продвигает разнообразие, приглашает сотрудников делиться своими идеями и точками зрения. Мне нравится рассматривать разные методы коммуникации при проведении командных встреч. Например, когда я прошу обратную связь на командной встрече, я прошу сотрудников говорить trực tiếp на встрече или отправлять мне сообщение после того, как они подумали об этом. Я признаю, что не все хотят говорить или делиться обратной связью сразу, и я хочу создать культуру, в которой это допустимо. Я хочу создать безопасную среду, в которой люди могут выражать свои мнения и делиться своими идеями, как им нравится. Великолепные идеи приходят из разных команд внутри организации. Я встречаюсь с командами продаж, маркетинга и других команд, которые взаимодействуют с нашими клиентами, чтобы понять их потребности в продукте и их точку зрения, работая в тесном сотрудничестве с клиентами. Некоторые из лучших идей продукта приходят от того, что мы внимательно слушаем болевые точки клиентов – либо直接 от них, либо от команд, которые взаимодействуют с нашими клиентами каждый день.

Помимо создания разнообразных команд, какие еще способы борьбы с предвзятостью в алгоритмах машинного обучения?

Инклюзивный поиск данных, подготовка данных и оценка моделей являются критически важными для борьбы с предвзятостью. Данные, используемые для обучения алгоритмов, должны быть инклюзивными для всех потенциальных конечных пользователей или результатов. Когда мы проходим через различные этапы цикла жизни ИИ, каждый этап должен быть проверен на предвзятость. Ответственный ИИ также строится с ответственными источниками данных, что означает, что вкладчики обращаются с ними справедливо. Appen создала Кодекс поведения для нашей команды, чтобы показать нашу приверженность благополучию нашей команды.

Вы недавно опубликовали статью, в которой обсуждается новая дисциплина, называемая Данные для цикла жизни ИИ. Можете ли вы кратко описать, что это такое?

Данные для цикла жизни ИИ охватывают четыре этапа в непрерывном цикле: поиск данных, подготовка данных, построение и развертывание моделей и оценка моделей людьми. Эти этапы необходимы для обеспечения высококачественных данных для построения проектов ИИ. Поиск данных, подготовка данных и оценка моделей являются наиболее трудоемкими и интенсивными в отношении данных, и если они не выполняются хорошо, могут привести к проблемам с качеством проекта и задержкам запуска. Appen специализируется на этих трех этапах и стратегически сотрудничает с поставщиками, которые специализируются на обучении и развертывании моделей.

Какова роль синтетических данных в Данных для цикла жизни ИИ?

Решения по поиску данных включают данные, аннотированные людьми, предварительно помеченные наборы данных и синтетические данные. Синтетические данные используются в трудных для поиска наборов данных и сценариев. Инклюзивные наборы данных охватывают все сценарии и потенциальных конечных пользователей модели ИИ, и некоторые требуют синтетических данных, чтобы достичь этой цели. Комбинация данных, аннотированных людьми, и синтетических данных станет критически важной для успеха модели.

Насколько большая проблема является смещение модели или переобучение в Данных для цикла жизни ИИ?

Смещение модели может быть большой проблемой и должно быть решено на четвертом этапе цикла жизни ИИ, Оценка моделей людьми. Это крайне важно, чтобы модель продолжала работать в реальном мире и чтобы знать, что она должна проходить человеческое тестирование. По мере изменения и роста окружения модели также должны меняться. Это важно, чтобы практики постоянно оценивали свои модели, чтобы предотвратить их устаревание или предвзятость. Microsoft’s Bing является клиентом, который использует оценку моделей, чтобы обеспечить, что результаты поиска соответствуют их стандарту, и модель постоянно оценивается.

Есть ли что-то еще, что вы хотели бы поделиться о своей работе в Appen?

Самая ценная работа в Appen выполняется нашими людьми и их опытом. С 25-летним опытом Appen построила сильный фундамент со своими сотрудниками. Наши клиенты доверяют нашему опыту, чтобы обеспечить высококачественные результаты, быстро и в масштабе. Appen обеспечивает трансформацию отрасли ИИ, предоставляя решения для бесшовного управления данными для цикла жизни ИИ.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Appen.