Radha Basu, VD och grundare av iMerit – Intervjuer

Radha Basu, grundare och VD för iMerit har byggt sin karriär på HP, där hon tillbringade 20 år och till slut ledde företagets Enterprise Solutions-grupp. Hon tog sedan Support.com public som dess VD. Radha startade Anudip Foundation 2007 tillsammans med Dipak Basu och grundade sedan iMerit 2012. Hon anses vara en ledande tech-entrepreneur och mentor, samt en pionjär inom mjukvarubranschen.

iMerit levererar multimodala AI-data-lösningar genom att kombinera automation, expertmänsklig annotering och avancerad analys för att stödja högkvalitativ dataetikettering och modellfinjustering i stor skala.

Du har haft en anmärkningsvärd resa – från att bygga HP:s verksamhet i Indien till att grunda iMerit med en mission 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 styrelseordförande och VD för SupportSoft, där jag ledde företaget genom dess initiala och sekundära noteringar, och etablerade det som en global ledare inom supportautomationsprogramvara. Den erfarenheten visade mig kraften i att kombinera människor och teknik från dag ett.

Medan Indiens tech-boom skapade nya möjligheter, noterade jag att många begåvade unga människor i underserviced områden lämnades utanför. Jag trodde på deras potential och drivkraft att lära. När de såg hur programvara kunde driva avancerad teknik som AI, omfamnade de entusiastiskt dessa karriärer.

Vi lanserade iMerit med ett litet, mångsidigt team, där hälften var kvinnor, och har vuxit snabbt sedan dess. Vårt teams anpassningsförmåga och coachbarhet har varit avgörande, särskilt när datacentrerad AI har ökat den långsiktiga efterfrågan på kvalificerade specialister.

Idag är iMerit en global leverantör av AI-data-lösningar för kritiska sektorer som autonoma fordon, medicinsk AI och teknik. Vårt arbete säkerställer att kundernas AI-modeller byggs på högkvalitativa, tillförlitliga data, vilket är avgörande i högriskmiljöer.

Till slut ligger vår styrka i en stark teknisk grund och ett team av välutbildade, motiverade anställda som trivs i en stödjande, lärandeorienterad kultur. Detta tillvägagångssätt har drivit vår tillväxt, hållit oss kassa positiva och gett oss höga NPS-poäng och lojala kunder.

iMerit samarbetar nu med över 200 kunder, inklusive tech-jättar som eBay och Johnson & Johnson (JNJ ). Kan du beskriva företagets tillväxtresa – från de tidiga dagarna till att bli en global ledare inom AI-data-tjänster?

Vi har haft en första parkett till våra kunders AI-resor, i partnerskap 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 en unik insikt i vad som verkligen krävs för att skala AI i den verkliga världen.

Fältet har utvecklats konstant och snabbt. Jag har sällan sett en teknik avancera så dramatiskt på så kort tid. Vi har förvandlats från en dataannoteringsleverantör till ett fullständigt AI-dataföretag, som levererar specialiserade lösningar över hela human-in-the-loop-livscykeln: annotering, validering, granskning och red teaming. Hantering av kanter och undantag är avgörande för verklig distribution, och kräver djupgående expertis och nyanserat omdöme vid varje steg.

Vår största vertikal är autonom rörlighet, där vi hanterar hela perceptionstacken, inklusive sensorfusion över 15 sensorer för passagerar-, leverans-, lastbils- och jordbruksfordon. Inom hälso- och sjukvård driver vi klinisk bildAI. Inom högteknologi är vi i framkanten av GenAI-justering och validering, vilket kräver större sofistikering i våra arbetsflöden och talang.

framgång i 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. Detta är vad som särskiljer våra team.

Vår tillväxt drivs av långsiktiga partnerskap, och de flesta av våra topp 10-kunder har varit med oss i över fem år. När deras behov blir alltmer komplexa, höjer vi kontinuerligt vår domänkunskap, verktyg, utbildning och lösningar. Både vår tekniska stack och våra människor måste ständigt utvecklas.

Fusionen av programvara, automation, annotering och analys skapar ramen för mycket flexibla, snabba, högprecisa, human-in-the-loop-ingrepp. 70% av nya logotyper är på vår egen tekniska stack, vilket kräver en enorm intern transformation. Återigen säkerställer vår kultur att teamen är hungriga efter att lära och vill växa kontinuerligt.

Vilka har varit de mest avgörande ögonblicken i iMerits historia – antingen tekniska milstolpar eller strategiska beslut – som har bidragit till att forma företagets bana?

När AI-dataarbete sågs som crowd-baserat gig-arbete, tog vi en tidig satsning på att detta skulle växa som en karriär och skulle kräva komplexitet och företagsfokus. Genom att bygga in-house-team dedikerade till avancerade användningsfall, möjliggjorde vi för våra kunder att skala snabbt, vilket kulminerade i vår första 1 miljon dollar i månatlig återkommande intäkt (MRR) i autonoma fordon, en milstolpe som validerade vår tillvägagångssätt.

COVID-19-låsningen testade vår agility: vi gick från att vara fullständigt kontorsbaserade till att vara fullständigt distansbaserade på nästan ett ögonblick, och investerade kraftigt i infrastruktur, säkerhet och kultur. Inom veckor återhämtade sig kundoperationerna, och vi växte både intäkter och personalstyrka det året. Idag, med 70% av vårt team tillbaka på plats, fortsätter vi att utnyttja distansarbete, och lanserar Scholars, vår globala nätverk av ämnesexperter för GenAI-justering och validering. Oavsett om det är en kardiolog eller en spansk matematiker, lockar och motiverar vår högkvalitativa kultur topp-talang, vilket direkt höjer kvaliteten och konsekvensen i våra lösningar.

År 2023 förvärvade vi Ango.ai, en AI-driven dataetiketterings- och arbetsflödesautomationsplattform, för att driva nästa generation av AI-data-verktyg. Detta avgörande drag kombinerade iMerits domänexpertis med Angos avancerade verktyg, och utvidgade våra kapaciteter inom radiologi, sensorfusion och GenAI-finjustering. Vi arbetar fortfarande med kundverktyg, men många nya kunder onboardas nu direkt till Ango Hub, lockade av dess användarvänliga arbetsflöden och robusta säkerhet, vilket är avgörande krav i vår bransch.

Företag berättar konsekvent för oss att de letar efter det bästa av två världar: expertmänsklig insikt för att säkerställa kvalitet, kombinerat med en säker, skalbar plattform som levererar automation och analys. Att kombinera krafter med Ango levererar exakt det, och positionerar oss unikt för att möta de komplexa kraven från dagens mest ambitiösa AI-projekt och skala med tillförsikt.

iMerit är djupt involverat i avancerade områden som autonoma fordon, medicinsk AI och GenAI. Vilka är några av de unika datautmaningar ni möter i 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 en kritisk komponent i pipelinen. Den datacentrerade delen av AI kan vara tidskrävande och dyrt om den inte hanteras på rätt sätt och i stor skala.

Datakvalitet, och särskilt undvikandet av uppenbara fel, är avgörande i kritiska sektorer som vi verkar inom. Oavsett om det är en perceptionsalgoritm eller en tumör-detektor, är ren data avgörande i utbildnings-validerings-looparna.

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

Dessutom blir kontextfönster allt större. Vi sammanfattar kliniska anteckningar från en hel doktors-patient-konsultation och analyserar anomalier i MR-bilder baserat inte bara på bilden utan också på patientens medicinska kontext. Ämnesexperter måste skapa rubriker för att analysera data korrekt och säkerställa kvalitet.

Säkerhet, sekretess och konfidentialitet är het potatis. Vår säkerhetschef måste skydda mot obehörig åtkomst, borttagning och lagring av data. Infosec-protokoll som SOC2, HIPAA och TISAX har varit stora investeringsområden för oss.

Slutligen arbetar våra ingenjörer och lösningsarkitekter kontinuerligt med anpassade integrationer och rapporter så att unika kundbehov återspeglas i sista milen. En one-size-fits-all-approach fungerar inte i AI.

Du har talat om att kombinera robotik och mänsklig intelligens som en säkrare väg för AI. Kan du utveckla vad den arbetsflödesprocessen ser ut i praktiken – och varför du tror att det är bättre än att försöka eliminera AI:s kreativa avvikelse?

AI erbjuder skala, vilket innebär att företag utvecklar verktyg för att automatisera långsamma processer som traditionellt utförs av människor. Men människor erbjuder den sista milen av flexibilitet, säkerhet och motståndskraft. När programvarutjänster fortsätter att öka i AI, kommer de mest framgångsrika företagen att effektivt kombinera robotik med Human-in-the-Loop-praxis (HITL).

Vi ser HITL som en konsekvent lager i varje fas av AI-utvecklings- och distributionslivscykeln, och även som en pelare för tillit och säkerhet. Följaktligen kommer mänsklig intelligens att vara avgörande för att korrigera om modellerna misslyckas. Dessa kritiska applikationer kommer att behöva den mänskliga hjärnan för att bestämma vilka ändringar som måste göras. Detta är där HITL-tjänster kommer att bli ännu viktigare när vi integrerar AI i produktion och fältoperationer.

Din Ango Hub-plattform kombinerar automation med human-in-the-loop-expertis. Hur förbättrar den här hybridmodellen datakvalitet och modellprestanda i produktions-AI-system?

AI och automation erbjuder skala och hastighet, medan människor erbjuder nyans, insikt och tillsyn. HITL säkerställer mänskligt engagemang vid kritiska skeden i AI-livscykeln – säkerställer högkvalitativa indata, validerar utdata, identifierar kanter och undantag, finjusterar modeller för domäner och tillhandahåller kontextuell bedömning. Människor hjälper till att säkerställa noggrannhet genom att granska och verifiera utdata, upptäcka hallucinationer eller logiska fel innan de orsakar skada. De tillhandahåller också tillsyn i etiskt känsliga eller högrisk-sammanhang där LLM inte bör fatta slutliga beslut. Mer viktigt är att mänsklig feedback bränsle för kontinuerligt lärande, vilket hjälper AI-system att anpassa sig mer nära användarmål över tid.

HITL tar många former. Mänskliga experter engagerar sig i riktad annotering, tillämpar komplex resonemang på kanter och granskar AI-genererat innehåll med hjälp av strukturerade QA-gränssnitt. Snarare än att utvärdera varje beslut, implementeras ofta kontextuella eskaleringssystem. Dessa system dirigerar endast lågkonfidensutdata eller flaggade anomalier till mänskliga granskare, vilket balanserar tillsyn med effektivitet.

En annan kritisk användning av HITL är finjustering av AI-agenter via förstärkt inlärning från mänsklig feedback (RLHF). Mänskliga granskare rankar, omskriver eller tillhandahåller feedback på agent-svar, vilket är särskilt viktigt i känsliga domäner som hälso- och sjukvård, juridik eller kundsupport. I tandem tillåter scenariobaserad testning och röd lagning mänskliga utvärderare att testa agenter under adversativa eller ovanliga förhållanden för att identifiera och laga sårbarheter före distribution.

AI:s fulla potential realiseras endast när människor förblir i looparna, guidar, validerar och förbättrar varje steg. Oavsett om det är att finslipa agent-utdata, träna utvärderingsloopar eller kurera tillförlitliga datapipeliner, tillför mänsklig tillsyn struktur och ansvarsskyldighet som AI behöver för att vara pålitlig och effektiv.

Med den snabba utvecklingen av Generative AI-verktyg, hur håller iMerit jämna steg med utvärdering, RLHF och finjusteringstjänster?

Vi lanserade nyligen Ango Hub Deep Reasoning Lab (DRL), en enhetlig plattform för Generative AI-justering och interaktiv utveckling av kedje-tänkande-resonemang med AI-lärare. Vår DRL möjliggör realtids-, tur-för-tur-processer och utvärdering baserat på mänskliga preferenser, vilket leder till mer sammanhängande och precisa modellsvar på komplexa problem.

Framsteg inom GenAI-modeller och applikationsutveckling betonar värdet av ren, expertskapad, validerad data. Med Ango Hub DRL kan experter testa modeller, identifiera svagheter och generera ren data med hjälp av kedje-tänkande-resonemang. De interagerar med modellerna i realtid och skickar prompter och korrigeringar tillbaka steg-för-steg i ett enda gränssnitt.

Genom att utnyttja iMerit Scholars, förfinar Ango Hub DRL modellresonemangsprocesser. Det utnyttjar iMerits omfattande erfarenhet av HITL-arbetsflöden. Experter utformar multi-steg-scenarier för komplexa uppgifter, såsom att skapa kedje-tänkande-prompter för avancerade matematikproblem. iMerit Scholars granskar utdata, korrigera fel och fånga interaktioner sömlöst. Magin ligger inte i att onboarda stora antal utan diskriminering. De bästa matematikerna är inte nödvändigtvis de bästa lärarna. Man bör inte heller behandla en kardiolog som en gig-arbetare. Passningen och coachningen av ämnesexperter för att tänka på sätt som gynnar modellträningen mest, samt engagemanget, gör skillnaden.

Vad betyder “expert-in-the-loop” i sammanhanget med finjustering av generativ AI? Kan du dela exempel där denna mänskliga expertis avsevärt förbättrade modellutdata?

Expert-in-the-loop kombinerar mänsklig intelligens med robotisk intelligens för att driva AI till produktion. Det involverar mänskliga experter som validerar, finslipar och förbättrar utdata från automatiserade system.

Specifikt säkerställer expert-ledd dataannotering att utbildningsdata är korrekt etiketterad med domänspecifik kunskap, vilket förbättrar precisionen och tillförlitligheten hos prediktiva AI-modeller. Genom att minska bias och missklassificeringar förbättrar expert-styrd annotering modellens förmåga att generalisera effektivt över verkliga scenarier. Detta resulterar i AI-system som är mer pålitliga, tolkningsbara och anpassade till branschspecifika behov.

Till exempel, efter att ha förvärvat en stor mängd medicinska data, behövde ett amerikanskt multinationellt teknologiföretag utvärdera data för användning i sin konsumentinriktade medicinska chattbot för att säkerställa säker och korrekt medicinsk rådgivning till användare. Genom att vända sig till iMerit, utnyttjade de vår omfattande nätverk av amerikanska hälsoexperter och samlade ett team av sjuksköterskor för att arbeta i ett konsensusarbetsflöde med eskaleringar och skiljeförfarande som tillhandahålls av en amerikansk legitimerad läkare. Sjuksköterskorna började med att utvärdera kunskapsbasen med definitioner för att bedöma noggrannhet och risk.

Genom diskussion om kanter och revidering av riktlinjer kunde sjuksköterskorna nå konsensus i 99% av fallen. Detta möjliggjorde för teamet att revidera projektets design till en enkel-rösts-struktur med en 10%-revision, vilket minskade projektets kostnader med över 72%. Att arbeta med iMerit har möjliggjort för det här företaget att kontinuerligt identifiera sätt att skala medicinsk dataannotering etiskt och effektivt.

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

Definitionen av kvalitet är alltid anpassad till varje kunds specifika användningsfall. Våra team samarbetar nära med kunderna för att definiera och kalibrera kvalitetsstandarder, och använder 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 en stark fokus på produktionsanalys, en nyckeldifferentierare i designen av Ango Hub, formad av daglig användarinput från vårt team.

Vi investerar kontinuerligt i automation, optimering och kunskapsförvaltning, underbyggt av vår egenutvecklade iMerit One-utbildningsplattform. Detta åtagande för lärande och utveckling driver inte bara operativ excellens, utan stöder också långsiktig karriärutveckling för våra anställda, och främjar en kultur av expertis och tillväxt.

Vad råd skulle du ge till blivande AI-entrepreneurer som vill bygga något meningsfullt – både i teknik och i social påverkan?

AI utvecklas i en rasande takt. Gå utöver teknikstacken och lyssna på dina kunder för att förstå vad som är viktigt för deras verksamhet. Förstå deras aptit för hastighet, förändring och risk. Tidiga kunder kan prova saker. Större kunder behöver veta att du är här för att stanna och att du kommer att fortsätta prioritera dem. Sätt dem i lugn med din proaktiva tillvägagångssätt för transparens, säkerhet och ansvarsskyldighet.

Dessutom, välj noggrant dina investerare och styrelseledamöter för att säkerställa att ni delar värderingar och bekymmer. På iMerit upplevde vi betydande stöd från vår styrelse och investerare under utmanande tider, såsom COVID-19, vilket vi tillskriver denna alignment.

De nyckelkvaliteter som bidrar till en entreprenörs framgång i tech-industrin går utöver att ta risker; de handlar om att bygga ett lönsamt, inkluderande företag.

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