Mohammad Omar, medgrundare och VD för LXT – Intervjuserie

Mohammad Omar är medgrundare och VD för LXT, en framväxande ledare inom AI-träningsdata för att driva intelligent teknik för globala organisationer, inklusive världens största teknikföretag. I samarbete med ett internationellt nätverk av bidragsgivare samlar och annoterar LXT data över flera modaliteter med den hastighet, skala och agilitet som krävs av företaget. LXT grundades 2010 och har sitt huvudkontor i Toronto, Kanada, med närvaro i USA, Australien, Indien, Turkiet, Storbritannien och Egypten.

Kan du dela berättelsen om LXT:s tillblivelse?

LXT grundades som svar på ett akut behov av data som min arbetsgivare för tolv år sedan stod inför. På den tiden behövde företaget arabiska data, men hade inte rätt leverantörer att hämta dem från. Som risktagare och entreprenör av naturen bestämde jag mig för att säga upp mig från min roll, starta ett nytt företag och erbjuda våra tjänster till min tidigare arbetsgivare. Vi fick direkt några av deras mest utmanande projekt som vi lyckades leverera, och sedan dess har allt bara växt. Nu, över 12 år senare, har vi byggt upp en stark relation med det här företaget och blivit en gångbar leverantör av högkvalitativa språkdata.

Vilka är några av de största utmaningarna med att distribuera AI i stor skala?

Det är en bra fråga, och vi har faktiskt tagit upp det i vår senaste forskningsrapport, The Path to AI Maturity. Den främsta utmaningen som respondenterna angav var att integrera sina befintliga eller äldre system i AI-lösningar. Detta är logiskt med tanke på att vi undersökte större företag som sannolikt har en mängd tekniska system över hela organisationen som måste rationaliseras i en digital transformationsstrategi. Andra utmaningar som respondenterna rankade högt var brist på kvalificerad personal, brist på utbildning eller resurser och att hitta kvalitetsdata. Jag blev inte förvånad av dessa svar eftersom de ofta nämns, och också för att datautmaningen är vår organisations raison d’être.

När det gäller datautmaningar kan LXT både hämta data och märka dem så att maskinlärningsalgoritmer kan förstå dem. Vi är utrustade för att göra detta i stor skala och med agilitet, vilket innebär att vi levererar högkvalitetsdata mycket snabbt. Kunderna kommer ofta till oss när de är redo att lansera och vill säkerställa att deras produkt tas emot väl av kunderna,

Genom att arbeta med oss för att hämta och märka data kan företagen hantera sina resurs- och talangbrister genom att låta sina team fokusera på att bygga innovativa lösningar.

LXT erbjuder täckning för över 750 språk, men det finns översättnings- och lokaliseringsutmaningar som går utöver språkets struktur. Kan du diskutera hur LXT hanterar dessa utmaningar?

Det finns verkligen översättnings- och lokaliseringsutmaningar – särskilt när man går utöver de mest talade språken som tenderar att ha officiell status och den standardisering som följer med det. Många av de språk vi arbetar med har ingen officiell ortografi, så att hantera konsekvens över ett team blir en utmaning. Vi hanterar dessa och andra utmaningar – t.ex. upptäckt av bedrägligt beteende – genom att ha rigorösa processer för kvalitetskontroll på plats. Återigen var det mycket tydligt i AI-mognadsrapporten att för de flesta organisationer som arbetar med AI-data var kvalitet högst på listan över prioriteringar. Och de flesta organisationerna som undersöktes uttryckte villighet att betala mer för att få det.

För företag som kräver datainsamling och dataannotering, hur tidigt i applikationsutvecklingsresan bör de börja hämta denna data?

Vi rekommenderar att organisationer skapar en datastrategi så snart de identifierar sitt AI-användningsfall. Att vänta tills applikationen är under utveckling kan leda till mycket onödigt omarbete, eftersom AI kan lära sig fel saker och behöva omtränas med kvalitetsdata, vilket kan ta tid att hämta och integrera i utvecklingsprocessen.

Vad är regeln för att veta hur ofta data bör uppdateras?

Det beror verkligen på vilken typ av applikation du utvecklar och hur ofta de data som stöder den förändras på ett betydande sätt. Detta innebär att data är en representation av verkligheten, och med tiden måste data uppdateras för att ge en korrekt reflektion av vad som händer i världen. Vi kallar detta fenomen modellglid, av vilka det finns två typer, var och en som kräver omträning av algoritmer.

• Begreppsglid uppstår när en betydande skillnad mellan träningsdata och AI-utdata förändras, vilket kan hända plötsligt eller mer gradvis. Till exempel kan en detaljhandlare använda historiska kunddata för att träna en AI-applikation. Men när en massiv förändring i konsumentverkligheten inträffar, måste algoritmen omtränas för att reflektera detta.

• Dataglid sker när de data som används för att träna en applikation inte längre återspeglar de faktiska data som möts när den går in i produktion. Detta kan orsakas av en mängd faktorer, inklusive demografiska förändringar, säsongsmässighet eller situationen av en applikation i en ny geografisk region.

LXT släppte nyligen en rapport med titeln “The Path to AI Maturity 2023”. Vad var några av de insikter i denna rapport som tog dig med överraskning?

Det borde kanske inte ha kommit som en överraskning, men det som verkligen stack ut var mångfalden av applikationer. Du kunde ha förväntat dig att två eller tre domäner av aktivitet skulle dominera, men när vi frågade var respondenterna planerade att fokusera sina AI-insatser och var de planerade att distribuera sin AI, såg det initialt ut som kaos – avsaknad av någon trend alls. Men när vi gick igenom data och tittade på de kvalitativa svaren, blev det klart att avsaknaden av en trend är trenden. Åtminstone genom respondenternas ögon, om du har ett problem, så finns det en verklig möjlighet att någon arbetar på en AI-lösning för det.

Generativ AI tar världen med storm, vad är din syn på hur långt språkgenererande modeller kan ta industrin?

Min personliga syn på detta är att det centrala i den verkliga kraften i generativ artificiell intelligens – jag väljer att använda orden här istället för förkortningen för betoning – är naturlig språkförståelse. “Intelligensen” i AI lär sig genom språk; förmågan att hantera och slutligen lösa komplexa problem medieras genom iterativa och kumulativa naturliga språkinteraktioner. Med detta i åtanke tror jag att språkgenererande modeller kommer att gå hand i hand med andra element i AI hela vägen.

Vad är din vision för AI:s framtid och för LXT:s framtid?

Jag är en optimist av naturen och det kommer att färga mitt svar här, men min vision för AI:s framtid är att se den förbättra livskvaliteten för alla; att göra vår värld till en säkrare plats, en bättre plats för framtida generationer. På en mikronivå är min vision för LXT att se organisationen fortsätta att bygga på sina styrkor, att växa och bli en arbetsgivare som är ett företag för alla, och en kraft för alla, för det globala samhället som gör vår verksamhet möjlig. På en makronivå är min vision för LXT att bidra på ett betydande och meningsfullt sätt till uppfyllelsen av min optimistiskt färgade vision för AI:s framtid.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka LXT.