Dan O’Connell, Chief Strategy Officer på Dialpad – Intervjuserie

Dan är Chief Revenue Officer på Dialpad. Tidigare var han VD för TalkIQ, ett start-up-bolag inom realtids taligenkänning och naturlig språkbehandling som Dialpad förvärvade i maj 2018. Innan TalkIQ hade han olika försäljningsledningspositioner på AdRoll och Google (GOOGL ).

Dialpad är en molnbaserad kommunikationsplattform som drivs av AI och som gör det enklare och effektivare att ansluta och samarbeta med ditt team

Du var tidigare VD för TalkIQ, ett start-up-bolag inom realtids taligenkänning och naturlig språkbehandling som Dialpad förvärvade i maj 2018. Vad var den magiska ingrediensen bakom detta start-up-bolag som gjorde det så framgångsrikt inom taligenkänningsteknologi?

Det var en kombination av flera faktorer: timing, människor och fokus. Automatisk taligenkänning (ASR) är inte ny, den har funnits i decennier — mycket längre än vad människor tror. Under denna tid (och, ännu mer, de senaste fem åren) har ASR-tekniken gynnats av ökad beräkningskraft, molnet, tillgången på datamängder och den massiva användningen av smarta högtalare på konsumentmarknaden. Alla dessa faktorer har bidragit till att transkriptionernas noggrannhet har ökat.

Förutom dessa trender var vi också lyckosamma i att kombinera specialister (såsom lingvister) med “hackers”. Och när jag säger “hackers” menar jag ingenjörer som kan snabbt få produkter ut på marknaden — de driver innovation och löser problem snabbt. Och även om deras lösningar inte alltid är de mest eleganta, är de vanligtvis de snabbaste och tillåter er att ses som en innovatör på den blodiga kanten — vilket blir något som kan utnyttjas ur ett marknads- och försäljningsperspektiv. Den historien fungerar bra när du bygger ditt start-up-bolag och försöker samla in pengar.

Så, vi hade experter inom området, naturliga trender på marknaden, en enorm blå ocean när det gäller att tillämpa tekniken inom företaget och ett team med en historia av att ta innovativ teknik till marknaden med återanvändbara försäljningsstrategier.

Till sist tog vi en annan approach för att lösa problemet. Traditionella transkriptionssystem fungerade som bandinspelningar. Du spelade in ett samtal; du sparade ljudfilen; du satte den genom ditt transkriptionssystem; och efter en stund fick du utdata. Inledningsvis tog en 30-minuters samtal 30 minuter att transkribera, så vi talar om verkliga förseningar i stor skala.

Vi ville lösa det problemet och bygga ett direkt eller realtids transkriptionssystem som inte behöver en ljudfil. Detta kan låta lite nytt idag, men för flera år sedan fanns det inget direkt system som kunde hantera realtids ljud i låg kvalitet (det vill säga, inte stereo kvalitet — 44 kHz). Vi ville inte bygga en bandspelare.

Vi ville bygga ett realtids system för att förstå och analysera samtal. Om vi kunde göra det, då skulle möjligheterna vara oändliga eftersom du sedan kan börja automatisera arbetsflöden och göra alla möjliga saker som inte har gjorts tidigare. Och stort tack till Jim Palmer, Etienne Manderscheid, Kevin James, Noah Gaspar och många andra för att ha byggt det första realtids systemet av det här slaget.

Kunde du diskutera övergångsperioden efter att Dialpad förvärvade TalkIQ i maj 2018?

Förvärvsfasen var faktiskt super smidig. Dialpad var en partner till TalkIQ och våra produktteam var redan på plats på Dialpad varje vecka. Och, jag hade tidigare arbetat med medgrundarna Craig Walker och Brian Peterson på Google och var ivrig att samarbeta med dem.

Vi alla såg framtiden på samma sätt, nämligen att dessa teknologier (ASR/NLP) integrerade i en kommunikations-/samarbetsplattform kunde vara disruptiva för marknaden och bana väg för företag. Detta är en av anledningarna till att vi, nästan omedelbart efter att ha avslutat förvärvet, lyckades säkra 50 miljoner dollar i en finansieringsrunda ledd av ICONIQ. Investorer såg möjligheterna i teknologiernas framtida tillämpningar och teamet som arbetade med dessa problem.

På TalkIQ var vi i princip ett start-up-bolag som försökte vara tre olika start-up-bolag på samma gång: Vi byggde vår egen telefoni-stack, taligenkänningssystem och inbyggd NLP-teknologi. Detta är tre svåra problem att lösa. Dialpad hade redan lyckats knäcka telefoni-aspekten, så när förvärvserbjudandet kom var det ett enkelt beslut. Vi såg Dialpad som den mest innovativa affärskommunikationsplattformen i branschen, och vår vision för framtiden för affärskommunikation stämde väl överens.

Vilka är några av de olika maskinlärningsteknologierna som används på Dialpad?

Vår nativa Voice Intelligence (Vi) motor använder AI och ML för att hjälpa organisationer driva försäljning, få konkurrenskraftig insikt, höja kundservice och ha mer effektiva online-möten.

ASR- och NLP-teknologierna från TalkIQ används för att ta emot samtal från röst- och videosamtal i realtid. Samtidigt tillåter vår egenutvecklade teknik oss att bearbeta inkommande samtalsdata och exakt transkribera den till ett lättläst format med branschledande noggrannhet.

Inbyggd ML hjälper Vi att förbättras över tid. Ju mer du använder Vi, desto mer lär den sig och desto bättre blir den på att bearbeta samtal. Med tiden kommer samtals transkriptioner att öka i noggrannhet, och Vi kommer att kunna bearbeta de mer subtila nyanserna i samtalen.

Dialpad uppnådde nyligen en stor AI-milstolpe efter att ha analyserat över en miljard minuter av röst, och benchmark-tester visade att Dialpads transkriptionsmodell överträffade stora konkurrenter, inklusive Googles förbättrade telefoni-modell. Vilka typer av tester utfördes för att kvantifiera dessa resultat?

Vi har en samling testuppsättningar som innehåller ljud och den tillhörande transkriptionen som anses vara den faktiska sanningen om vad som sades i ljudet. Vi skickar samma ljud till varje konkurrent och får en transkription tillbaka, som vi sedan jämför med den faktiska sanningen. Vi beräknar antalet fel för att bestämma en noggrannhetsprocent. Vi har jämfört oss med Google sedan TalkIQ-förvärvet i april 2018 och har alltid haft en lägre noggrannhet tills nu.

Vilka är några av de viktigaste differentieringsfaktorerna bakom Dialpads egenutvecklade Voice Intelligence (Vi) motor och konkurrenternas motorer?

En av de största differentieringsfaktorerna är att vi har arbetat med detta under en längre tid än konkurrenterna, vilket innebär att vi har analyserat mer data för att säkerställa att vår teknik är den mest exakta. Vi har analyserat över en miljard minuter av röstkommunikation och bearbetar för närvarande ungefär 90 miljoner minuter per månad med vår Vi-motor. I det avseendet är vi bokstavligen år före konkurrensen.

En annan differentieringsfaktor är vår anpassade och skalbara tillvägagångssätt för språkmodeller. För varje kund bygger vi en databas med företagsspecifika nyckelord så att vi kan utföra nyckelordsförstärkning för att förbättra noggrannheten. Till exempel, för en användare som stavar sitt namn “Kathryn” och arbetar på ett företag som heter Skribbl, skulle vårt system stava de korrekta namnen rätt, medan andra modeller sannolikt skulle stava dem som de låter (dvs “Katherine” och “scribble”).

Vad är dina personliga åsikter om framtiden för naturlig språkbehandling? Hur lång tid tar det innan AI når en noggrannhet på nästan 100 % eller till och med 100 %?

Perfekt noggrannhet är nästan omöjlig att uppnå. Kanske kommer jag att bli överraskad (jag hoppas det!). Jag tror att vi kommer att komma mycket nära, men inte perfekt. Anledningen är att automatisk taligenkänning (och därmed NLP) har nästan oändliga problem att lösa: accenter, avstånd till mikrofoner, bakgrundsbuller, anslutningsproblem, olika typer av mikrofoner, hur snabbt någon talar, uttal, kontext (Sara vs Sarah vs Serra), akronymer, slang och så vidare. Medan jag skulle vilja säga att vi kommer att nå dit, tror jag att vi kan komma mycket nära, men de sista milen, eller 1-2 % i termer av noggrannhet, kommer att vara utmanande.

Det sagt, tror jag att det kommer att finnas några riktigt intressanta utvecklingar inom läsbarhet. Idag, när du granskar en samtals transkription, kan den läsa som en ström av medvetande. Vi talar naturligt i en flytande form, använder löpande meningar, upprepar ord, startar om meningar — vi gör allt möjligt som vi inte skulle göra i en skriven form. Det finns några unika möjligheter när det gäller att ha en mer läsbar version av en transkription — en som tar bort redundanser, förutsäger eller förbättrar punktering och finjusterar eller optimerar transkriptionen för att göra den mer läsbar.

I mitt sinne finns det två versioner: den ordagranna versionen som är så nära 100 % som möjligt av ett samtal (löpande meningar och allt), och sedan finns det en förbättrad version som är mycket lättare att smälta på grund av punktering och optimering.

Och detta leder oss till frågan om vi kan syntetisera ett samtal till dess mest meningsfulla delar? Behöver du en fullständig transkription eller behöver du en exakt sammanfattning formaterad för läsbarhet?

Det beror definitivt på ditt användningsfall, men detta är vad som är intressant och spännande i detta område. Vi är i kanske den tredje inningen av vad som är möjligt och vi har inte ens kommit in i innovationen av arbetsflöden där vi kommer att se NLP bli mer “kontextmedveten”, som att använda tidigare samtal för att förbättra noggrannheten.

Desto specifika sammanhang modellerna har att lära av, desto bättre. Tänk på att dela samma sammanhang över flera samtal och kontinuerligt anpassa sammanhanget för att ML ska bli smartare. Kontextmedveten teknik är också viktig för att förbättra noggrannheten med tanke på de stora skillnaderna i hur vi kommunicerar. Vad som kan verka som subtila lingvistiska skillnader för människor är mycket svårt att träna en ML-modell att duplicera.

Vilka är några av de tjänster som Dialpad för närvarande erbjuder kunder?

Dialpad är ett smartare sätt att arbeta. Vi har byggt plattformen för dagens moderna, hybridarbetsstyrka — för att ge människor och team möjlighet att vara mer effektiva, effektiva och engagerade från var som helst i världen. Vi erbjuder en sömlös affärskommunikationsupplevelse — samtal, chatt, videokonferenser och kontaktcenter — med obesegrade kvalitet, säkerhet och tillförlitlighet. Dialpad levererar den upplevelsen som en enhetlig, molnbaserad plattform som är ekonomisk, enkel att distribuera och lätt att hantera.

Finns det något annat som du skulle vilja dela om Dialpad?

2020 var ett monumentalt år för företaget, vilket är riktigt fantastiskt att tänka på med tanke på vad världen upplevde (och fortfarande upplever). Vi fördubblade vår personalstyrka, säkrade 100 miljoner dollar i finansiering, förvärvade ett företag och gjorde allt detta medan vår kundbas växte exponentiellt.

Med distansarbete här för att stanna, förväntar vi oss att denna tillväxt kommer att fortsätta, och vi är ivriga att se vad året har att erbjuda. Vi tror att “arbeta var som helst”-rörelsen kommer att öka behovet av innovativa teknologier som hjälper anställda att arbeta smartare — inte hårdare. Företag kommer att vända sig till AI för att effektivisera effektiviteten, eliminera tråkiga uppgifter och låta anställda fokusera på större prioriteringar. Dialpad är väl lämpad att tillgodose dessa behov.

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Dialpad.