Mohammad Omar, medgrundare och VD för LXT – Intervjuserie

Mohammad Omar är medgrundare och VD för LXT, en framväxande ledare inom AI-utbildningsdata för att driva intelligent teknologi för globala organisationer, inklusive de största teknikföretagen i världen. I samarbete med ett internationellt nätverk av bidragsgivare samlar LXT in och kommenterar data över flera modaliteter med den hastighet, skala och smidighet som företaget kräver. LXT grundades 2010 och har sitt huvudkontor i Toronto, Kanada med närvaro i USA, Australien, Indien, Turkiet, Storbritannien och Egypten.

Skulle du kunna dela med dig av historien bakom LXT?

LXT grundades som svar på ett akut behov av data som min arbetsgivare för tolv år sedan stod inför. Vid den tiden behövde företaget arabiska data men hade inte rätt leverantörer att hämta dem från. Eftersom jag är en risktagare och entreprenör av naturen, bestämde jag mig för att säga upp mig från min roll, starta ett nytt företag och vända mig om för att erbjuda våra tjänster till min tidigare arbetsgivare. Genast fick vi några av deras mest utmanande projekt som vi framgångsrikt lyckades med, och saker växte bara därifrån. Nu över 12 år senare har vi byggt upp en stark relation med detta företag och blivit en leverantör av högkvalitativ språkdata.

Vilka är några av de största utmaningarna bakom att implementera AI i stor skala?

Det är en bra fråga, och vi inkluderade det faktiskt i vår senaste forskningsrapport, Vägen till AI-mognad. Den största utmaningen som respondenterna citerade var att integrera sina befintliga eller äldre system i AI-lösningar. Detta är vettigt med tanke på det faktum att vi undersökte större företag som med största sannolikhet skulle ha en rad tekniska system i sina organisationer som behöver rationaliseras till en digital transformationsstrategi. Andra utmaningar som respondenterna rankade högt var bristen på kvalificerad talang, bristen på utbildning eller resurser och att anskaffa kvalitetsdata. Jag blev inte förvånad över dessa svar eftersom de ofta citeras, och naturligtvis också för att datautmaningen är vår organisations anledning till att vara det.

När det kommer till datautmaningar kan LXT både hämta data och märka det så att maskininlärningsalgoritmer kan förstå det. Vi är utrustade för att göra detta i stor skala och med smidighet, vilket innebär att vi levererar högkvalitativ data mycket snabbt. Kunder kommer ofta till oss när de gör sig redo för en lansering och vill försäkra sig om att deras produkt tas emot väl av kunderna, 

Genom att samarbeta med oss ​​för att hämta och märka data kan företag åtgärda 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 själva språkets struktur. Kan du diskutera hur LXT möter dessa utmaningar?

Det finns förvisso översättnings- och lokaliseringsutmaningar – särskilt när du förgrenar dig bortom de mest talade språken som tenderar att ha officiell status och standardiseringsnivån som följer med det. Många av de språk som vi arbetar på har ingen officiell ortografi, så att hantera konsistens i ett team blir en utmaning. Vi tar itu med dessa och andra utmaningar – t.ex. upptäckt av bedrägligt beteende – genom att ha rigorösa processer på plats för kvalitetssäkring. Återigen var det mycket uppenbart i AI-mognadsforskningsrapporten att för de flesta organisationer som arbetar med AI-data var kvaliteten högst upp på prioriteringslistan. Och de flesta tillfrågade organisationerna uttryckte vilja att betala mer för att få detta. 

För företag som behöver datakälla och datakommentarer, hur tidigt i applikationsutvecklingsresan ska de börja köpa 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 en hel del onödig omarbetning, eftersom AI:n kan lära sig fel saker och måste omskolas av kvalitetsdata, vilket kan ta tid att hämta och integrera i utvecklingsprocessen.

Vad är tumregeln för att veta hur ofta data ska uppdateras?

Det beror verkligen på vilken typ av applikation du utvecklar och hur ofta data som stöder den ändras på ett betydande sätt. Detta innebär att data är en representation av det verkliga livet, och över tid måste data uppdateras för att ge en korrekt återspegling av vad som händer i världen. Vi kallar detta fenomen för modelldrift, av vilka det finns två typer, som var och en kräver omträning av algoritmer.

• Konceptdrift uppstår när en signifikant skillnad mellan träningsdata och AI-utdata ändras, vilket kan inträffa plötsligt eller mer gradvis. Till exempel kan en återförsäljare använda historisk kunddata för att träna en AI-applikation. Men när en massiv förändring i konsumentverkligheten inträffar, kommer algoritmen att behöva tränas om för att återspegla detta.

• Datadrift sker när data som används för att träna en applikation inte längre återspeglar den faktiska data som påträffas när den går in i produktion. Detta kan orsakas av en rad faktorer, inklusive demografiska förändringar, säsongsvariationer eller situationen för en applikation i en ny geografisk region.

LXT presenterade nyligen en rapport med titeln "Vägen till AI-mognad 2023”. Vilka var några av tipsen i den här rapporten som överraskade dig?

Det borde nog inte ha kommit som en överraskning, men det som verkligen stack ut var mångfalden av applikationer. Du kanske hade förväntat dig att två eller tre aktivitetsdomäner 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 – frånvaron av någon trend alls. Men när man sållade igenom uppgifterna och tittade på de kvalitativa svaren blev det klart att avsaknaden av en trend is trenden. Åtminstone genom våra respondenters ögon, om du har ett problem, så finns det en reell möjlighet att någon arbetar på en AI-lösning på det.

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

Min personliga syn på detta är att det centrala för den verkliga kraften hos Generativ artificiell intelligens – jag väljer att använda orden här snarare än förkortningen för betoning – är Natural Language Understanding. AI:s "intelligens" lärs in genom språket; förmågan att ta itu med och i slutändan lösa komplexa problem förmedlas genom iterativa och kumulativa naturliga språkinteraktioner. Med detta i åtanke tror jag att språkgenerativa modeller kommer att vara i lås med andra delar av AI hela vägen.

Vad är din vision för framtiden för AI och för framtiden för LXT?

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

Tack för den fina intervjun, läsare som vill veta mer bör besöka LXT.