Radha Basu, VD och grundare av iMerit – Intervjuserie

Radha Basu, grundare och VD för iMerit, har byggt upp sin karriär på HP. Hon tillbringade 20 år hos teknikjätten och ledde så småningom deras Enterprise Solutions-grupp. Hon börsnoterade sedan Support.com som VD. Radha startade Anudip Foundation 2007 med Dipak Basu och grundade sedan iMerit 2012. Hon anses vara en ledande teknikentreprenör och mentor, och en pionjär inom mjukvarubranschen.

iMerit levererar multimodala AI-datalösningar genom att kombinera automatisering, expertkunskaper från mänskliga annoteringar och avancerad analys för att stödja högkvalitativ datamärkning och finjustering av modeller i stor skala.

Du har haft en fantastisk resa – från att bygga upp HP:s verksamhet i Indien till att grunda iMerit med uppdraget att lyfta marginaliserade ungdomar i Bhutan, Indien och New Orleans. Vad inspirerade dig att starta iMerit, och vilka utmaningar mötte du när du skapade en inkluderande, global arbetsstyrka från grunden?

Innan jag grundade iMerit var jag ordförande och VD för SupportSoft, där jag ledde företaget genom dess börsintroduktioner och andrahandsnoteringar, och etablerade det som en global ledare inom programvara för supportautomation. Den erfarenheten visade mig kraften i att kombinera människor och teknik från dag ett.

Medan Indiens teknikboom skapade nya möjligheter, lade jag märke till att många begåvade unga människor i underförsörjda områden lämnades utanför. Jag trodde på deras potential och drivkraft att lära sig. När de väl såg hur programvara kunde driva avancerad teknik som AI, anammade de ivrigt dessa karriärer.

Vi lanserade iMerit med ett litet, mångsidigt team, varav hälften är kvinnor, och har vuxit snabbt sedan dess. Vårt teams anpassningsförmåga och coachningsförmåga har varit avgörande, särskilt eftersom datacentrerad AI har ökat den långsiktiga efterfrågan på skickliga specialister.

Idag är iMerit en global leverantör av AI-datalösningar för verksamhetskritiska sektorer som autonoma fordon, medicinsk AI och teknologi. Vårt arbete säkerställer att kundernas AI-modeller bygger på högkvalitativ och tillförlitlig data, vilket är avgörande i miljöer med höga insatser.

Ytterst ligger vår styrka i en stark teknisk grund och ett team av välutbildade, motiverade medarbetare som trivs i en stödjande och lärandeorienterad kultur. Denna strategi har drivit vår tillväxt, hållit oss positiva med kassaflöde och gett oss höga NPS-poäng och lojala kunder.

iMerit arbetar nu med över 200 kunder, inklusive teknikjättar som eBay och Johnson & Johnson. Kan du guida oss genom företagets tillväxtresa – från de tidiga dagarna till att bli en global ledare inom AI-datatjänster?

Vi har haft en ledande roll i våra kunders AI-resor och samarbetat med allt från tidiga experiment till storskalig produktion. Vårt arbete omfattar startups, globala ledare inom autonoma fordon och stora företag. Genom att träna deras modeller från grunden har vi fått enastående insikt i vad som verkligen krävs för att skala upp AI i den verkliga världen.

Området har utvecklats ständigt och snabbt. Jag har sällan sett en teknikutveckling göra så dramatiska framsteg på så kort tid. Vi har gått från att vara en leverantör av dataannoteringar till ett fullstackföretag inom AI-data, som levererar specialiserade lösningar över hela HITL-livscykeln (human-in-the-loop): annotering, validering, granskning och red-teaming. Att hantera edge-fall och undantag är avgörande för implementering i verkligheten, vilket kräver djupgående expertis och nyanserat omdöme i varje steg.

Vår största vertikala plattform är autonom mobilitet, där vi hanterar hela perceptionsstacken, inklusive sensorfusion över 15 sensorer för person-, leverans-, lastbils- och jordbruksfordon. Inom sjukvården driver vi klinisk bilddiagnostik (AI). Inom högteknologi ligger vi i framkant när det gäller GenAI-justering och validering, vilket kräver större sofistikering i våra arbetsflöden och vår kompetens.

Framgång inom dessa områden handlar inte bara om att ha experter – det handlar om att odla expertis: den kognitiva förmågan att utmana, coacha och kontextualisera AI-modeller. Det är detta som skiljer våra team från mängden.

Vår tillväxt drivs av långsiktiga partnerskap, och de flesta av våra tio största kunder har varit med oss ​​i över fem år. I takt med att deras behov blir mer komplexa förbättrar vi kontinuerligt vår domänkunskap, våra verktyg, vår utbildning och våra lösningar. Både vår teknik och våra medarbetare måste ständigt utvecklas.

Sammanslagningen av programvara, automatisering, annotering och analys skapar förutsättningarna för mycket flexibla, snabba, mycket precisa och mänskligt integrerade interventioner. 70 % av nya logotyper finns på vår egen teknikstack, vilket kräver en enorm intern omvandling. Återigen säkerställer vår kultur att teamen är hungriga att lära sig och vill ständigt växa.

Vilka har varit de mest avgörande ögonblicken i iMerits historia – vare sig det är tekniska milstolpar eller strategiska beslut – som har bidragit till att forma företagets utveckling?

I en tid då AI-dataarbete sågs som ett publikbaserat gigarbete, satsade vi tidigt på att detta skulle växa som en karriär och kräva komplexitet och fokus på företag. Genom att bygga interna team dedikerade till avancerade användningsområden gjorde vi det möjligt för våra kunder att skala upp snabbt, vilket kulminerade i vår första MRR-affär på 1 miljon dollar inom autonoma fordon, en milstolpe som validerade vår strategi.

COVID-19-nedstängningen testade vår flexibilitet: vi övergick från helt på kontoret till helt på distans nästan över en natt och investerade kraftigt i infrastruktur, säkerhet och kultur. Inom några veckor återhämtade sig klientverksamheten och vi ökade både intäkter och personalstyrka det året. Idag, med 70 % av vårt team tillbaka på plats, fortsätter vi att utnyttja distansarbetande talanger och lanserar Scholars, vårt globala nätverk av ämnesexperter för GenAI-justering och validering. Oavsett om det är en kardiolog eller en spansk matematiker, attraherar och motiverar vår högpresterande kultur topptalanger, vilket direkt höjer kvaliteten och konsekvensen i våra lösningar.

År 2023 förvärvade vi Ango.ai, en AI-driven plattform för datamärkning och arbetsflödesautomation, för att driva nästa generations AI-dataverktyg. Detta avgörande drag sammanförde iMerits domänexpertis med Angos avancerade verktyg, vilket utökade våra möjligheter inom radiologi, sensorfusion och finjustering av GenAI. Vi arbetar fortfarande även med kundverktyg, men många nya kunder har nu anslutit sig direkt till Ango Hub, lockade av dess användarvänliga arbetsflöden och robusta säkerhet, vilket är viktiga krav i vår bransch.

Företag säger ständigt att de letar efter det bästa av två världar: expertkunskap inom mänskliga insikter för att säkerställa kvalitet, i kombination med en säker, skalbar plattform som levererar automatisering och analys. Genom att kombinera sina krafter med Ango får vi just det, vilket positionerar oss unikt för att möta de komplexa kraven från dagens mest ambitiösa AI-projekt och skala upp med tillförsikt.

iMerit är djupt engagerat i avancerade områden som autonoma fordon, medicinsk AI och GenAI. Vilka är några av de unika datautmaningar ni står inför inom dessa sektorer, och hur hanterar ni dem?

Datarelaterade uppgifter står vanligtvis för nästan 80 % av den tid som läggs på AI-projekt, vilket gör dem till en kritisk del av processen. Den datacentrerade delen av AI kan vara tidskrävande och dyr om den inte hanteras på rätt sätt och skalbart.

Datakvalitet, och särskilt undvikandet av allvarliga fel, är avgörande i de verksamhetskritiska sektorer vi är verksamma inom. Oavsett om det är en perceptionsalgoritm eller en tumördetektor, är rena data avgörande i loopen från träning till validering.

Undantagshantering är oproportionerligt värdefull. Mänsklig insikt i varför något är utanför normen eller varför ett scenario bröt mot modellen skapar enormt värde för att göra modellen mer komplett och robust.

Dessutom blir kontextfönstren större. Vi sammanfattar kliniska anteckningar från en hel läkar-patientkonsultation och analyserar avvikelser i MR-bilder baserat inte bara på bilden utan även på patientens medicinska sammanhang. Ämnesexperter måste upprätta matriser för att analysera data korrekt och säkerställa kvalitet.

Säkerhet, integritet och konfidentialitet är heta ämnen. Vår säkerhetschef måste skydda mot obehörig åtkomst, radering och lagring av data. Infosec-protokoll som SOC2, HIPAA och TISAX har varit viktiga investeringsområden för oss.

Slutligen arbetar våra ingenjörer och lösningsarkitekter ständigt med anpassade integrationer och rapporter så att unika kundbehov återspeglas i slutskedet. En universallösning fungerar inte inom AI.

Du har talat om att kombinera robotteknik och mänsklig intelligens som en säkrare väg för AI. Kan du utveckla hur det arbetsflödet ser ut i praktiken – och varför du anser att det är bättre än att försöka eliminera AI:s kreativa skillnader?

AI erbjuder skalbarhet, vilket innebär att företag utvecklar verktyg för att automatisera långdragna processer som traditionellt utförs av människor. Men människor står för den sista milen av flexibilitet, säkerhet och motståndskraft. I takt med att mjukvarulevererade tjänster fortsätter att spridas inom AI kommer de mest framgångsrika företagen effektivt att kombinera robotik med Human-in-the-Loop-metoder (HITL).

Vi ser HITL som ett konsekvent lager i varje fas av AI-utvecklings- och driftsättningscykeln, och även som en pelare för förtroende och säkerhet. Följaktligen kommer mänsklig intelligens att vara avgörande för att korrigera kursen om modellerna misslyckas. Dessa kritiska applikationer kommer att behöva det mänskliga hjärnan för att avgöra vilka förändringar som behöver göras. Det är här HITL-tjänster kommer att bli ännu viktigare i takt med att vi integrerar AI i produktion och fältverksamhet.

Er Ango Hub-plattform kombinerar automatisering med expertis inom human-in-the-loop-teknik. Hur förbättrar denna hybridmodell datakvalitet och modellprestanda i AI-system i produktion?

AI och automatisering ger skalbarhet och hastighet, medan människor bidrar med nyanser, insikter och överblick. HITL säkerställer mänskligt engagemang vid kritiska tidpunkter i AI-livscykeln – genom att säkerställa högkvalitativa input, validera output, identifiera edge case, finjustera modeller för domäner och ge kontextuell bedömning. Människor hjälper till att säkerställa noggrannhet genom att granska och verifiera output, upptäcka hallucinationer eller logiska fel innan de orsakar skada. De ger också överblick i etiskt känsliga eller högrisksammanhang där juridiklärare inte bör fatta de slutgiltiga besluten. Ännu viktigare är att mänsklig feedback driver kontinuerligt lärande och hjälper AI-system att anpassa sig närmare användarnas mål över tid.

HITL tar sig många uttryck. Mänskliga experter använder sig av riktade anteckningar, tillämpar komplexa resonemang på marginalfall och granskar AI-genererat innehåll med hjälp av strukturerade QA-gränssnitt. Istället för att utvärdera varje beslut implementeras ofta kontextuella eskaleringssystem. Dessa system skickar endast lågkonfidensiella utdata eller flaggade avvikelser till mänskliga granskare, vilket balanserar tillsyn med effektivitet.

En annan viktig användning av HITL är finjustering av AI-agenter via Reinforcement Learning from Human Feedback (RLHF). Mänskliga granskare rangordnar, skriver om eller ger feedback på agenternas svar, vilket är särskilt viktigt inom känsliga områden som hälso- och sjukvård, juridiska tjänster eller kundsupport. Tillsammans gör scenariobaserad testning och red teaming det möjligt för mänskliga utvärderare att testa agenter under motstridiga eller ovanliga förhållanden för att identifiera och åtgärda sårbarheter före driftsättning.

AI:s fulla potential realiseras endast när människor är uppdaterade och vägleder, validerar och förbättrar varje steg. Oavsett om det handlar om att förfina agenters resultat, utvärdera utbildningsloopar eller skapa tillförlitliga datapipelines, bidrar mänsklig tillsyn med den struktur och det ansvar som AI behöver för att vara pålitlig och effektiv.

Med tanke på att generativa AI-verktyg utvecklas snabbt, hur ligger iMerit steget före när det gäller att tillhandahålla utvärdering, RLHF och finjusteringstjänster?

Vi lanserade nyligen Ango Hub Deep Reasoning Lab (DRL), en enhetlig plattform för generativ AI-justering och interaktiv utveckling av tankekedjans resonemang med AI-lärare. Vår DRL möjliggör realtidsprocesser och utvärderingar baserade på mänskliga preferenser, vilket leder till mer sammanhängande och exakta modellsvar på komplexa problem.

Framsteg inom GenAI-modeller och applikationsutveckling belyser värdet av rena, expertskapade och validerade data. Med Ango Hub DRL kan experter testa modeller, identifiera svagheter och generera rena data med hjälp av tankekedjans resonemang. De interagerar med modellerna i realtid och skickar uppmaningar och korrigeringar tillbaka steg för steg i ett enda gränssnitt.

Genom att utnyttja iMerit Scholars förfinar Ango Hub DRL modellresonemangsprocesser. Den utnyttjar iMerits omfattande erfarenhet av HITL-arbetsflöden. Experter utformar flerstegsscenarier för komplexa uppgifter, som att skapa tankekedjans uppmaningar för avancerade matematiska problem. iMerit Scholars granskar resultat, korrigerar fel och fångar interaktioner sömlöst. Magin ligger inte i att urskillningslöst introducera stora antal elever. De bästa matematikerna är inte nödvändigtvis de bästa lärarna. Man bör inte heller behandla en kardiolog som en gig-arbetare. Utbildningen och coachningen av ämnesexperter att tänka på sätt som gynnar modellutbildningsprocessen mest, såväl som engagemanget, gör skillnaden.

Vad betyder "expert-in-the-loop" i samband med finjustering av generativ AI? Kan du dela exempel där denna mänskliga expertis avsevärt förbättrade modellresultaten?

Expert-in-the-Loop kombinerar mänsklig intelligens med robotintelligens för att föra AI in i produktion. Det involverar mänskliga experter som validerar, förfinar och förbättrar resultaten från automatiserade system.

Mer specifikt säkerställer expertledd dataannotering att träningsdata är korrekt märkta med domänspecifik kunskap, vilket förbättrar precisionen och tillförlitligheten hos prediktiva AI-modeller. Genom att minska bias och felklassificeringar förbättrar expertledd annotering modellens förmåga att generalisera effektivt över verkliga scenarier. Detta resulterar i AI-system som är mer tillförlitliga, tolkningsbara och anpassade till branschspecifika behov.

Till exempel, efter att ha förvärvat en stor mängd medicinska data, behövde ett amerikanskt multinationellt teknikföretag utvärdera informationen för användning i sin konsumentriktade medicinska chatbot för att säkerställa säkra och korrekta medicinska råd till användarna. De vände sig till iMerit och utnyttjade vårt omfattande nätverk av USA-baserade hälsoexperter och satte ihop ett team av sjuksköterskor för att arbeta i ett konsensusarbetsflöde med eskaleringar och skiljeförfaranden som tillhandahölls av en amerikansk styrelsecertifierad läkare. Sjuksköterskorna började med att utvärdera kunskapsbasen med definitioner för att bedöma noggrannhet och risk.

Genom diskussioner om marginalfall och revidering av riktlinjer kunde sjuksköterskorna nå konsensus i 99 % av fallen. Detta gjorde det möjligt för teamet att revidera projektdesignen till en struktur med en enda röst och 10 % granskning, vilket minskade projektkostnaderna med över 72 %. Samarbetet med iMerit har gjort det möjligt för detta företag att kontinuerligt identifiera sätt att skala upp annotering av medicinska data etiskt och effektivt.

Med över 8,000 XNUMX heltidsanställda experter världen över, hur upprätthåller ni kvalitet, prestation och medarbetarutveckling i stor skala?

Definitionen av kvalitet skräddarsys alltid för varje kunds specifika användningsfall. Våra team samarbetar nära med kunder för att definiera och kalibrera kvalitetsstandarder, med hjälp av anpassade processer som säkerställer att varje annotering snabbt valideras av ämnesexperter. Konsekvens är viktigt för utvecklingen av högkvalitativ AI. Detta stöds av hög personalretention (90 %) och ett starkt fokus på produktionsanalys, en viktig differentieringsfaktor i designen av Ango Hub, som formas av dagliga användarinput från vårt team.

Vi investerar kontinuerligt i automatisering, optimering och kunskapshantering, med stöd av vår egenutvecklade utbildningsplattform iMerit One. Detta engagemang för lärande och utveckling driver inte bara operativ excellens utan stöder även långsiktig karriärutveckling för våra anställda, vilket främjar en kultur av expertis och tillväxt.

Vilka råd skulle du ge till blivande AI-entreprenörer som vill bygga något meningsfullt – både inom teknik och social påverkan?

AI rör sig svindlande snabbt. Gå bortom teknikstapeln och lyssna på dina kunder för att förstå vad som är viktigt för deras verksamhet. Förstå deras aptit för snabbhet, förändring och risk. Tidiga kunder kan prova på nya saker. Större kunder behöver veta att du är här för att stanna och att du kommer att fortsätta prioritera dem. Få dem att känna sig trygga med din proaktiva strategi för transparens, säkerhet och ansvarsskyldighet.

Dessutom, välj noggrant ut dina investerare och styrelseledamöter för att säkerställa att de delar våra värderingar och intressen. På iMerit upplevde vi betydande stöd från vår styrelse och våra investerare under utmanande tider som COVID-19, vilket vi tillskriver denna samordning.

De viktigaste egenskaperna som bidrar till en entreprenörs framgång inom teknikbranschen går utöver att ta risker; de handlar om att bygga ett lönsamt och inkluderande företag.

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