Павел Осокин, суоснивач и извршни директор АМАИ – Интервиев Сериес

Павел Осокин је суоснивач и извршни директор АМАИ, стартуп са седиштем у Сан Франциску који производи гласовне машине за вештачку интелигенцију. Павел води операцију и стратегију компаније Амаи са професионалном амбицијом да угради своју гласовну технологију у сваки телефон на свету. У АМАИ-ју су развили АИ глас који 97% корисника није могло да разликује од правог људског говора.

Били сте доживотни предузетник који сте покренули своју прву компанију са 13 година, који је био ваш први покушај пословања и шта мислите да је мотивисало овај предузетнички начин размишљања?

Нисам то баш звао фирмом, али сам први новац зарадио препродајом неких ствари или само прањем аутомобила на улици кантом. Моја мотивација је била то што сам желео Цолу или Сницкерс, а моји родитељи нису имали новца. Могао сам или да сачекам да се новац појави или да га сам зарадим. Чекање ме не привлачи.

Можете ли поделити причу о настанку иза АМАИ-ја?

Питао сам свог партнера: „Шта је потребно компанијама широм света?“ У том разговору сам схватио да сваки посао тражи „продају“. Почели смо да правимо роботе који могу да се дописују са купцима и продају производе путем поште и месинџера. С друге стране, то није било нешто посебно ново јер постоји много доступних робота за ћаскање. Дакле, мислили смо да ако ови роботи могу да упућују позиве, било би супер. Како је било мало добрих решења на тржишту, направили смо прототип сопственог синтетизованог гласа и након прве продаје напустили робота и фокусирали се на ТТС.

Шта конкретно означава АМАИ? 

Ово је скраћеница за Ја сам АИ (ја сам вештачка интелигенција).

Можете ли да разговарате о неким изазовима који стоје иза дизајнирања најсавременије технологије претварања текста у говор?

Дизајнирање најсавременијег ТТС-а нуди неколико изазова. Први је прикупљање скупова података. За обуку неуронске мреже потребни су женски и мушки гласови различитог узраста, и што више, то боље. Друго, морате постићи веома блиску сличност са природним гласом. Најбољи метод је да тестирате различите моделе машинског учења и да стално експериментишете са различитим случајевима употребе гласа: посебно, морате пронаћи најпроблематичнији узорак и обрадити га одвојено. Говорећи о дугорочним изазовима, може бити тешко проценити да ли је глас постао бољи или лошији и у ком правцу би га требало побољшати.

Који су неки од изазова иза препознавања говора када је у питању интеракција људи са АМАИ гласовном АИ?

Постоје стотине компанија које раде на препознавању гласа јер га је лакше развити. Проблем који тренутно нема решење је препознавање гласа детета. Деца у раном узрасту имају многе карактеристике говора, па их је тешко све узети у обзир. Ипак, радили смо на решењу овог проблема и веома смо близу објављивања резултата – тако да ускоро наша вештачка интелигенција неће имати проблема у интеракцији не само са одраслима, већ и са децом.

Који су популарни случајеви употребе за АМАИ?

Тренутно је то преснимавање аудио књига и пословна употреба у позивним центрима.

Који језици се тренутно нуде и на којим се језицима тренутно ради?

Наш систем са више говорника укључује два језика, руски и енглески. Идеја је да глас створен на једном језику може да говори и све друге језике у нашем моделу. Тренутно прикупљамо податке за још 40 језика, а ускоро ћемо их имати 42.

Која је ваша визија за будућност АИ гласовних асистената?

Верујем да ће се гласовни асистенти преселити у метаверзум, а ми сада проучавамо ове могућности. Ако интегришете помоћника са паметним звучницима или веб прегледачем, више људи ће свакодневно користити гласовну претрагу и комуницирати са помоћником. Можете разговарати са својим фрижидером или ТВ-ом.

Постоји ли још нешто што бисте желели да поделите о АМАИ-ју?

АМАИ користи само сопствене власничке технологије.

Хвала вам на интервјуу, читаоци који желе да сазнају више треба да посете АМАИ.