Marc Sloan, medgrundare och VD för Scout – Intervjuer

Marc Sloan är medgrundare och VD för Scout, världens första webbläsarchatbot, en digital assistent för att få allt gjort online. Scout föreslår användbara saker den kan göra för dig baserat på vad du gör online.

Vad var det som initialt drog dig till AI?

Mina första erfarenheter av att arbeta med AI var under ett gap-år som jag tillbringade på GCHQ:s naturvetenskapsliga forskningsteam under min kandidatexamen. Jag fick se första hand hur maskinlärning kunde ha en inverkan på verkliga problem och den skillnad det gjorde.

Det växlade om en strömbrytare i mitt huvud om hur datorer kunde användas för att lösa problem: programvaruteknik lär dig att skapa program som tar data och producerar resultat, men maskinlärning låter dig ta data och beskriva de resultat du vill producera ett program. Det betyder att du kan använda samma ramverk för att lösa tusentals olika problem. För mig kändes detta mycket mer betydelsefullt än att skriva ett program för varje problem.

Jag studerade redan optimeringsproblem i matematik bredvid datavetenskap, så när jag kom tillbaka till universitetet fokuserade jag på AI och avslutade min avhandling om talbehandling innan jag ansökte till en doktorsexamen i informationsåtervinning vid UCL.

Du forskade om förstärkt inlärning i webbsökning under handledning av David Silver, grundaren av AlphaGo. Kan du diskutera några av dessa forskningsresultat?

Min doktorsexamen handlade om att tillämpa förstärkt inlärning på rangordningsproblem i informationsåtervinning, ett område jag hjälpte skapa som kallas Dynamisk informationsåtervinning. Jag handleddes av professor Jun Wang och professor David Silver, båda experter inom agentbaserad förstärkt inlärning.

Vår forskning undersökte hur sökmotorer kunde lära sig av användarbeteende för att förbättra sökresultat autonomt över tid. Med hjälp av en Multi-Armed Bandit-ansats skulle vårt system försöka olika sökrankningar och samla in klickbeteende för att avgöra om de var effektiva eller inte. Det kunde också anpassa sig till enskilda användare över tid och var särskilt effektivt i hanteringen av tvetydiga sökfrågor. Vid den tiden fokuserade David djupt på Go-problemet och han hjälpte mig att bestämma den lämpliga förstärkta inlärningsuppställningen av tillstånd och värdefunktion för detta specifika problem.

Vilka är några av de entreprenöriella lärdomarna du lärde dig av att arbeta med David Silver?

Forskning på UCL är ofta entreprenöriell. David hade tidigare grundat Elixir Studios med Demis Hassabis och sedan gick han med i DeepMind för att arbeta med Alpha Go. Men andra medlemmar i vår Media Futures-forskningsgrupp startade också en mängd olika startups: Jun grundade Mediagamma (tillämpning av RL på online-annonsutgifter), Simon Chan startade prediction.io (förvärvad av Salesforce ) och Jagadeesh Gorla startade Jaggu (en rekommendationstjänst för e-handel). Vårt team diskuterade ofta den kommersiella inverkan vår forskning kunde ha, jag tror kanske för att UCL:s bas i London gör det till en naturlig startpunkt för att skapa ett företag.

Du lanserade nyligen Scout, världens första webbläsarchatbot. Vad var inspirationen bakom lanseringen av Scout?

Idén utvecklades naturligt från min doktorsavhandling. Jag gick direkt från att avsluta min doktorsexamen till att gå med i Entrepreneur First, där jag började tänka på hur jag kunde omvandla min forskning till en produkt.

Innan jag började med detta gjorde jag ett sommarjobb på Microsoft (MSFT ) Research, där jag tillämpade min forskning på Bing. Vid den tiden lärde jag mig att informationshämtning kunde förutsägas baserat på online-användarbeteende. Men jag blev frustrerad över att den enda riktiga möjligheten att presentera dessa förutsägelser i en sökmotor var att förbättra autosuggest. Så jag började tänka på hur användarens hela online-upplevelse kunde förbättras med hjälp av dessa förutsägelser, inte bara sökupplevelsen.

Det var detta tänkande som ledde mig och min nya medgrundare på Entrepreneur First att skapa en webbläsartillägg som observerar användarbeteende, förutsäger vilken information användaren sannolikt behöver nästa online och hämtar den åt dem. Efter några års experiment och prototyper utvecklades detta till en chatbot-gränssnitt där webbläsaren “pratar” med dig om vad du gör online och försöker hjälpa dig på vägen.

Vilka webbläsare kommer Scout att vara kompatibel med?

Vi fokuserar på Chrome just nu på grund av att det är den mest populära webbläsaren och har en mogen tilläggsarkitektur, men vi har fungerande prototyper på Firefox och Safari och till och med en mobilapp.

Scouts shopping-assistentfunktion verkar som den kunde spara användare både tid och pengar. Antag att någon forskar om en produkt på Amazon (AMZN ), vad händer i bakgrunden och hur interagerar Scout med användaren?

Idén är att när du har installerat Scout fortsätter du att använda webben som vanligt. Om du handlar kan du besöka Amazon för att titta på produkter. Vid den här punkten känner Scout att du handlar på Amazon och produkten du tittar på, och den säger “Hej”. Den dyker upp som en chatt-widget på webbsidan, lite som hur Intercom fungerar, förutom att Scout kan dyka upp på potentiellt vilken webbsida som helst. Du kan se hur det ser ut på min webbplats.

Eftersom du handlar börjar Scout föreslå sätt den kan hjälpa dig. Den frågar om du vill se recensioner online, andra priser, YouTube-videor av produkten och mer. Du interagerar genom att klicka på knappar och chatboten anpassar upplevelsen till vad du vill att den ska göra. När den hittar information (som en YouTube-video) bäddar den in den i chatttråden, precis som en vän skulle dela media med dig på WhatsApp. Över tid utvecklar du en dialog med webbläsaren om vad du gör online, med webbläsaren som hjälper dig på vägen.

Webbsidans bearbetning sker inom webbläsaren själv. Den enda information vår backend ser är chatttråden, vilket innebär att integritetskonsekvenserna är minimala.

Vi har en anpassad arkitektur för att förstå online-beteende och hantera dialoger med användaren. Vi använder maskinlärning för att identifiera vilka uppgifter vi kan hjälpa till med online och hur vi ska hjälpa. Ursprungligen använde vi förstärkt inlärning för att anpassa oss till användarpreferenser över tid. Men en av de största lärdomarna jag har lärt mig av att driva ett AI-startup är att hålla processer enkla och att försöka använda maskinlärning endast för att optimera en befintlig process. Så istället har vi nu en sofistikerad regelmotor för att hantera uppgifter över tid som kan hanteras av förstärkt inlärning när vi behöver skala.

Vilka är några exempel på hur Scout kan hjälpa till med evenemangsplanering?

Vi insåg att evenemangsplanering (och resebokning) inte är så olika från att handla online. Du tittar fortfarande på produkter, läser recensioner och åtar dig att köpa/delta. Så mycket av vad vi har byggt för shopping gäller också här.

Den största skillnaden är att tid och plats nu är viktiga. Till exempel, om du tittar på konsertbiljetter på Ticketmaster, kan Scout identifiera adressen till arenan och föreslå att du hittar vägbeskrivningar från din nuvarande plats till den, eller hitta priset på en Uber, eller föreslå vad du ska göra. Om du har anslutit Scout till din kalender kan Scout kontrollera om du är tillgänglig vid evenemanget och lägga till det i din kalender åt dig.

I framtiden förutser vi att Scout-användare kommer att kunna kommunicera med sina vänner genom plattformen för att diskutera saker de gör online, som evenemangsplanering, shopping, arbete osv.

Dialogutlösare kommer att användas för att Scout ska initiera kommunikation. Vilka är några av dessa utlösare?

Som standard kommer Scout inte att störa dig såvida den inte möter en utlösare som talar om för den att du kanske behöver hjälp. Det finns flera typer av utlösare:

• Att besöka en specifik webbplats.
• Att besöka en typ av webbplats (t.ex. nyheter, shopping osv.).
• Att besöka en webbplats som innehåller en viss typ av information (t.ex. en adress, en video osv.).
• Att klicka på länkar eller knappar på webbsidor.
• Att interagera med Scout genom att klicka på knappar
• Scout hämtar vissa typer av media som videor, musik, tweets osv.

Vi planerar att tillåta användare att finjustera vilka typer av utlösare de vill att Scout ska svara på och så småningom lära sig deras preferenser automatiskt.

Kan du diskutera några av de svårigheter som ligger bakom att säkerställa att Scout verkligen är till hjälp när den bestämmer sig för att interagera med en användare utan att bli irriterande?

Vi tar användarengagemang på allvar och försöker mäta om interaktioner ledde till positiva eller negativa resultat. Vi försöker upprätthålla en bra kvot för hur ofta Scout försöker starta en konversation och hur ofta den används. Men det är en svår balans att få rätt och vi försöker alltid förbättra.

Eftersom produkten är intrusiv är det kritiskt att få gränssnittet och användarupplevelsen rätt. Vi har lagt mycket tid på att prova helt olika gränssnitt och interaktionsmetoder. Detta arbete har lett oss till det nuvarande chatbot-liknande gränssnittet, som vi tycker ger oss den största flexibiliteten i den hjälp vi kan ge, kombinerat med användarfamiliaritet och minimalt användararbete för interaktioner.

Kan du ge andra scenarier för hur Scout kan hjälpa slutanvändare?

Vår fokus just nu är att testa marknaden för specifika tillämpningar av Scout. Shopping och evenemangsplanering har redan nämnts, men vi undersöker också hur Scout kan hjälpa akademiker (med att hitta forskningsartiklar, författarinformation och referensnätverk) och till och med gitarrister (att hitta gitarrnoter, spela musik och videor tillsammans med noter online och hjälpa till att stämma en gitarr). Vi har också lagt lite tid på att undersöka professionella scenarier som online-rekrytering, finansiell analys och juridik.

I slutändan kan Scout potentiellt fungera på vilken webbplats som helst och hjälpa i vilket scenario som helst, vilket är vad som gör tekniken otroligt spännande, men också gör det svårt att komma igång.

Finns det något annat du vill dela om Scout?

Om du vill se vad det är som om din webbläsare kunde prata med dig kan du läsa mer på Scouts blogg.

Tack för den fascinerande synen på att designa en enhetlig typ av chatbot. Vi är ivriga att följa detta projekt. Vänligen besök Marc Sloans webbplats för att lära dig mer.