อัมร์ นูร์-เอลดิน รองประธานฝ่ายเทคโนโลยีของ LXT – ซีรีส์สัมภาษณ์

อัมร์ นูร์-เอลดิน เป็นรองประธานฝ่ายเทคโนโลยีของ LXT อัมร์เป็นนักวิจัยด้านการประมวลผลสัญญาณและ แมชชีนเลิร์นนิง มีประสบการณ์มากกว่า 16 ปีในด้านการประมวลผลสัญญาณเสียงและ แมชชีนเลิร์นนิง ในบริบทของการรู้จำเสียงพูดอัตโนมัติ (ASR) โดยมุ่งเน้นและประสบการณ์จริงในหลายปีที่ผ่านมาทางเทคนิคการเรียนรู้ลึกสำหรับการรู้จำเสียงพูดแบบสตรีมมิงตั้งแต่ต้นทางถึงปลายทาง

LXT เป็นผู้นำที่เกิดขึ้นใหม่ในด้านข้อมูลสำหรับฝึก AI เพื่อเพิ่มประสิทธิภาพเทคโนโลยีสำหรับองค์กรทั่วโลก ในการร่วมมือกับเครือข่ายผู้ร่วมให้ข้อมูลระหว่างประเทศ LXT รวบรวมและกำกับป้ายข้อมูลข้ามหลายรูปแบบด้วยความเร็ว ความคล่องตัว และความยืดหยุ่นที่ต้องการโดยองค์กร ความเชี่ยวชาญระดับโลกของพวกเขาครอบคลุมมากกว่า 145 ประเทศและมากกว่า 1,000 รูปแบบภาษาและภูมิภาค

คุณได้ศึกษาระดับปริญญาเอกในด้านการประมวลผลสัญญาณจากมหาวิทยาลัยแมคกิลล์ สิ่งใดที่ดึงดูดคุณเข้าสู่สาขานี้?

ฉันอยากศึกษาวิศวกรรมและชอบวิทยาศาสตร์ธรรมชาติ แต่ฉันถูกดึงดูดโดยเฉพาะอย่างยิ่งไปที่คณิตศาสตร์และฟิสิกส์ ฉันพยายามค้นหาว่าธรรมชาติทำงานอย่างไรและวิธีการนำความเข้าใจนั้นมาใช้สร้างเทคโนโลยี หลังจากจบการศึกษามัธยม ฉันมีโอกาสเข้าเรียนแพทย์และอาชีพอื่นๆ แต่ฉันเลือกวิศวกรรมเพราะมันเป็นการผสมผสานที่สมบูรณ์แบบระหว่างทฤษฎีและการใช้งานในสองสาขาที่ฉันรัก: คณิตศาสตร์และฟิสิกส์ และเมื่อฉันเลือกแล้ว มีหลายเส้นทางที่ฉันสามารถเลือกได้ แต่ฉันเลือกวิศวกรรมไฟฟ้าเพราะมันใกล้เคียงที่สุดและยากที่สุดในมุมมองของฉัน ซึ่งเป็นปัญหาคณิตศาสตร์และฟิสิกส์ที่ฉันพบว่าสนุกและน่าสนใจ

ภายในวิศวกรรมไฟฟ้า มีหลายสาขาย่อยที่ฉันสามารถเลือกได้ ซึ่งโดยทั่วไปแบ่งออกเป็นสองส่วน: โทรคมนาคมและการประมวลผลสัญญาณ และส่วนของพลังงานและวิศวกรรมไฟฟ้า เมื่อถึงเวลาที่ฉันต้องเลือกระหว่างสองส่วนนั้น ฉันเลือกโทรคมนาคมและการประมวลผลสัญญาณเพราะมันใกล้เคียงกับวิธีที่เราบรรยายธรรมชาติผ่านฟิสิกส์และสมการ คุณกำลังพูดถึงสัญญาณ ไม่ว่าจะเป็นเสียง ภาพ หรือวิดีโอ; การทำความเข้าใจว่าเราสื่อสารและวิธีการนำเสนอข้อมูลนั้นในรูปแบบที่ทำให้เราใช้ประโยชน์จากความรู้นั้นเพื่อสร้างและปรับปรุงเทคโนโลยี

คุณสามารถพูดคุยเกี่ยวกับการวิจัยของคุณที่มหาวิทยาลัยแมคกิลล์เกี่ยวกับด้านทฤษฎีข้อมูลของการขยายความกว้างแบนด์วิธของเสียงพูดแบบ Bandwidth Extension (BWE) ได้หรือไม่?

หลังจากที่ฉันจบการศึกษาระดับปริญญาตรี ฉันต้องการศึกษาต่อในด้านการประมวลผลสัญญาณ หลังจากศึกษาด้านโฟโตนิกส์หนึ่งปีในหลักสูตรปริญญาโทฟิสิกส์ ฉันตัดสินใจเปลี่ยนกลับมาเรียนวิศวกรรมเพื่อศึกษาต่อในด้านการประมวลผลสัญญาณเสียงและพูด โดยมุ่งเน้นไปที่การรู้จำเสียงพูด เมื่อถึงเวลาที่ฉันต้องทำปริญญาเอก ฉันต้องการขยายสาขาของฉันเล็กน้อยไปสู่การประมวลผลสัญญาณเสียงและพูดโดยทั่วไป รวมถึงสาขาที่เกี่ยวข้องอย่างใกล้ชิด เช่น การเรียนรู้ของเครื่องและทฤษฎีข้อมูล

หัวข้อปริญญาเอกของฉันคือการขยายแบนด์วิธของเสียงพูดแถบแคบ ซึ่งหมายถึงเสียงพูดผ่านโทรศัพท์แบบเดิม เนื้อหาความถี่ของเสียงพูดครอบคลุมถึงประมาณ 20 กิโลเฮิรตซ์ แต่ข้อมูลส่วนใหญ่กระจุกอยู่ต่ำกว่า 4 กิโลเฮิรตซ์ การขยายแบนด์วิธคือการสร้างเนื้อหาเสียงพูดเพิ่มเติมจากขีดจำกัด 3.4 กิโลเฮิรตซ์ของโทรศัพท์แบบเดิม ให้ขึ้นไปถึง 8 กิโลเฮิรตซ์หรือมากกว่า

หากต้องการสร้างเนื้อหาความถี่สูงที่ขาดหายไปจากเสียงแถบแคบที่มีอยู่ ก่อนอื่นต้องวัดสารสนเทศร่วมระหว่างเนื้อหาเสียงพูดในสองย่านความถี่ แล้วนำข้อมูลนั้นไปฝึกแบบจำลองให้เรียนรู้ความสัมพันธ์ร่วมกัน เมื่อฝึกแล้ว แบบจำลองสามารถสร้างเนื้อหาความถี่สูงจากเสียงแถบแคบและความรู้ที่เรียนรู้เกี่ยวกับความสัมพันธ์ระหว่างสองย่านนี้ การวัดและแทนสารสนเทศร่วมเป็นส่วนที่ทฤษฎีสารสนเทศเข้ามามีบทบาท ทฤษฎีสารสนเทศศึกษาการวัดและการแทนข้อมูลในสัญญาณ ดังนั้น งานวิจัยของฉันจึงนำทฤษฎีสารสนเทศมาปรับปรุงการขยายแบนด์วิธเสียงพูด และเป็นงานข้ามสาขาที่ผสานการประมวลผลสัญญาณ ทฤษฎีสารสนเทศ และแมชชีนเลิร์นนิง

คุณเป็นนักวิทยาศาสตร์หลักด้านเสียงพูดที่ Nuance Communications ซึ่งปัจจุบันเป็นส่วนหนึ่งของ Microsoft (MSFT ) มานานกว่า 16 ปี คุณได้เรียนรู้อะไรที่สำคัญจากประสบการณ์นี้?

ประโยชน์สำคัญที่สุดในมุมมองของฉันคือการได้ทำงานกับเทคนิคการประมวลผลสัญญาณและแมชชีนเลิร์นนิงที่ล้ำหน้าอยู่เสมอ และนำไปใช้กับงานจริง ฉันมีโอกาสใช้เทคนิคเหล่านี้ในผลิตภัณฑ์ AI สนทนาหลากหลายด้าน ทั้งองค์กร การดูแลสุขภาพ ยานยนต์ และอุปกรณ์เคลื่อนที่ ตัวอย่างได้แก่ผู้ช่วยเสมือน ระบบตอบรับเสียงอัตโนมัติ การแปลงข้อความเสียงเป็นข้อความ และงานอื่น ๆ ที่ต้องแทนข้อมูลและถอดเสียงอย่างถูกต้อง เช่น การสนทนาระหว่างแพทย์กับผู้ป่วย

ตลอด 16 ปี ฉันได้เห็นและมีส่วนร่วมกับวิวัฒนาการของ AI สนทนา ตั้งแต่การสร้างแบบจำลองเชิงสถิติด้วย Hidden Markov Models จนถึงการเข้ามาแทนที่อย่างค่อยเป็นค่อยไปของการเรียนรู้เชิงลึก ปัจจุบันการเรียนรู้เชิงลึกครอบงำ AI แทบทุกด้าน ทั้ง AI เจเนอเรทีฟและ AI สำหรับการทำนายหรือจำแนกแบบดั้งเดิม อีกบทเรียนสำคัญคือข้อมูล ทั้งปริมาณและคุณภาพ เป็นตัวขับเคลื่อนความสามารถและประสิทธิภาพของแบบจำลอง AI

คุณเผยแพร่บทความวิจัยประมาณสิบกว่าฉบับ รวมถึงในแหล่งที่มีชื่อเสียงอย่าง IEEE คุณคิดว่าฉบับใดบุกเบิกที่สุด และมีความสำคัญอย่างไร?

หากวัดจากจำนวนการอ้างอิงใน Google Scholar ฉบับที่มีอิทธิพลมากที่สุดคือบทความปี 2008 ชื่อ “Mel-Frequency Cepstral Coefficient-Based Bandwidth Extension of Narrowband Speech” โดยสรุป บทความนี้ศึกษาวิธีสร้างเนื้อหาเสียงพูดกลับคืนด้วยการแทนคุณลักษณะ Mel-frequency cepstral coefficients ซึ่งใช้กันอย่างแพร่หลายในระบบรู้จำเสียงพูดอัตโนมัติ

แต่ในความเห็นของฉัน ฉบับที่มีนวัตกรรมมากกว่าคือบทความปี 2011 ซึ่งได้รับการอ้างอิงมากเป็นอันดับสอง ชื่อ “Memory-Based Approximation of the Gaussian Mixture Model Framework for Bandwidth Extension of Narrowband Speech” ในงานนี้ ฉันเสนอเทคนิคแบบจำลองเชิงสถิติใหม่ที่นำข้อมูลตามเวลาของเสียงพูดมารวมด้วย ข้อดีคือสามารถจำลองข้อมูลระยะยาวในเสียงพูดโดยเพิ่มความซับซ้อนเพียงเล็กน้อย และยังสร้างเสียงพูดแถบกว้างแบบสตรีมมิงหรือแบบเรียลไทม์ได้

ในเดือนมิถุนายน 2023 คุณเข้ารับตำแหน่งรองประธานฝ่ายเทคโนโลยีที่ LXT อะไรทำให้คุณสนใจตำแหน่งนี้?

ตลอดประสบการณ์ทางวิชาการและการทำงานก่อนเข้า LXT ฉันทำงานกับข้อมูลโดยตรงมาเสมอ ดังที่กล่าวไปแล้ว บทเรียนสำคัญจากงานด้านวิทยาศาสตร์เสียงพูดและแมชชีนเลิร์นนิงคือข้อมูลมีบทบาทสำคัญอย่างยิ่งในวงจรชีวิตของแบบจำลอง AI การมีข้อมูลคุณภาพสูงในรูปแบบที่ถูกต้องและปริมาณเพียงพอเป็นสิ่งจำเป็นต่อความสำเร็จของ AI ที่ใช้การเรียนรู้เชิงลึกระดับแนวหน้า

เมื่อฉันกำลังมองหาสภาพแวดล้อมแบบสตาร์ทอัพที่จะได้เรียนรู้ ขยายทักษะ และใช้ประสบการณ์ด้านเสียงพูดกับ AI ให้เกิดผลกระทบสูงสุด ฉันโชคดีที่มีโอกาสเข้าร่วม LXT ซึ่งเหมาะสมอย่างยิ่ง LXT ไม่เพียงเป็นผู้ให้บริการข้อมูล AI ที่เติบโตอย่างรวดเร็วและสม่ำเสมอ แต่ยังอยู่ในจังหวะการเติบโตที่เหมาะสม ทั้งความรู้ด้าน AI ขนาดและความหลากหลายของลูกค้า ตลอดจนประเภท AI และข้อมูล AI ฉันจึงยินดีที่จะร่วมผลักดันการเติบโต ด้วยมุมมองของผู้ใช้ข้อมูลปลายทางจากประสบการณ์หลายปีในฐานะนักวิทยาศาสตร์ข้อมูล AI

วันทำงานทั่วไปของคุณที่ LXT เป็นอย่างไร?

ฉันเริ่มวันด้วยการติดตามงานวิจัยล่าสุดในหัวข้อต่าง ๆ ซึ่งช่วงหลังเน้น AI เจเนอเรทีฟ และวิธีนำมาใช้ตอบสนองความต้องการของลูกค้า ฉันมีทีมที่ยอดเยี่ยมและเชี่ยวชาญในการสร้างและปรับแต่งโซลูชันให้เหมาะกับความต้องการข้อมูล AI เฉพาะทางของลูกค้า จึงทำงานใกล้ชิดกับทีมเพื่อกำหนดแนวทางเหล่านี้

นอกจากนี้ยังมีการวางแผนเชิงกลยุทธ์รายปีและรายไตรมาส การแบ่งเป้าหมายเชิงกลยุทธ์เป็นเป้าหมายของแต่ละทีม และติดตามความคืบหน้าของแผน ส่วนการพัฒนาความสามารถทางเทคโนโลยีมีสองแนวทางหลัก แนวทางแรกคือเตรียมองค์ประกอบที่เหมาะสมให้พร้อมเพื่อส่งมอบผลลัพธ์ที่ดีที่สุดสำหรับโครงการปัจจุบันและโครงการใหม่ อีกแนวทางคือปรับปรุงและขยายขีดความสามารถทางเทคโนโลยี โดยเน้นการผสานแมชชีนเลิร์นนิงเข้าไป

คุณช่วยอธิบายประเภทของอัลกอริทึมแมชชีนเลิร์นนิงที่คุณทำงานด้วยที่ LXT ได้หรือไม่?

โซลูชัน AI กำลังเปลี่ยนธุรกิจในทุกอุตสาหกรรม และ LXT ยินดีที่ได้จัดหาข้อมูลคุณภาพสูงเพื่อฝึกอัลกอริทึมแมชชีนเลิร์นนิงที่อยู่เบื้องหลังโซลูชันเหล่านั้น ลูกค้าของเราทำงานในหลากหลายด้าน ทั้งความเป็นจริงเสริมและเสมือน คอมพิวเตอร์วิทัศน์ AI สนทนา AI เจเนอเรทีฟ ความเกี่ยวข้องของผลการค้นหา การประมวลผลเสียงพูด และการประมวลผลภาษาธรรมชาติ เรามุ่งสนับสนุนอัลกอริทึมและเทคโนโลยีแห่งอนาคตด้วยการสร้างและเพิ่มคุณภาพข้อมูล ครอบคลุมทุกภาษา วัฒนธรรม และรูปแบบข้อมูล

ภายในบริษัท เรานำแมชชีนเลิร์นนิงมาปรับปรุงและเพิ่มประสิทธิภาพกระบวนการด้วย ตั้งแต่การตรวจสอบคุณภาพข้อมูลโดยอัตโนมัติ ไปจนถึงการสนับสนุนการกำกับป้ายข้อมูลแบบมีมนุษย์ร่วมในกระบวนการ สำหรับข้อมูลทุกรูปแบบที่เราทำงานด้วย

การประมวลผลเสียงพูดและเสียงกำลังเข้าใกล้ความสมบูรณ์แบบในภาษาอังกฤษ โดยเฉพาะเสียงของผู้ชายผิวขาว คุณคาดว่าจะใช้เวลานานเท่าใดจึงจะมีความเท่าเทียมในทุกภาษา เพศ และชาติพันธุ์?

คำถามนี้ซับซ้อนและขึ้นอยู่กับหลายปัจจัย ทั้งเศรษฐกิจ การเมือง สังคม และเทคโนโลยี แต่สิ่งที่ชัดเจนคือการแพร่หลายของภาษาอังกฤษเป็นแรงผลักดันให้ AI มาถึงจุดปัจจุบัน การก้าวไปสู่ความเท่าเทียมจึงขึ้นอยู่กับความเร็วที่ข้อมูลจากชาติพันธุ์และประชากรกลุ่มต่าง ๆ เพิ่มขึ้นบนอินเทอร์เน็ต อัตราการเติบโตนั้นจะเป็นตัวกำหนดว่าเราจะไปถึงจุดนั้นเมื่อใด

อย่างไรก็ตาม LXT และบริษัทลักษณะเดียวกันมีบทบาทสำคัญในการผลักดันความเท่าเทียม ตราบใดที่ข้อมูลของภาษา เพศ และชาติพันธุ์ที่มีตัวแทนน้อยยังเข้าถึงยากหรือไม่มีเลย การเปลี่ยนแปลงก็จะช้า แต่เรากำลังพยายามมีส่วนช่วย ด้วยความครอบคลุมรูปแบบภาษาและภูมิภาคกว่า 1,000 แบบ และประสบการณ์ใน 145 ประเทศ LXT ช่วยทำให้ข้อมูลภาษาต่าง ๆ เข้าถึงได้มากขึ้น

คุณมีวิสัยทัศน์อย่างไรในการให้ LXT เร่งความพยายามด้าน AI ของลูกค้ากลุ่มต่าง ๆ?

เป้าหมายของเราคือให้บริการโซลูชันข้อมูลที่ช่วยพัฒนา AI ได้อย่างมีประสิทธิภาพ แม่นยำ และรวดเร็วขึ้น ตลอดประสบการณ์ 12 ปีในวงการข้อมูล AI เราสั่งสมความรู้เกี่ยวกับความต้องการข้อมูลทุกด้านของลูกค้า และปรับปรุงกระบวนการอย่างต่อเนื่อง เพื่อส่งมอบข้อมูลคุณภาพสูงสุดอย่างรวดเร็วและในราคาที่เหมาะสม

ด้วยความมุ่งมั่นที่จะให้ลูกค้าได้ส่วนผสมที่ดีที่สุดของคุณภาพ ประสิทธิภาพ และราคา เราจึงเป็นพันธมิตรข้อมูล AI ที่ลูกค้าไว้วางใจ ดังเห็นจากลูกค้าที่กลับมาใช้บริการเพื่อรองรับความต้องการข้อมูล AI ที่เติบโตและเปลี่ยนแปลงอยู่เสมอ วิสัยทัศน์ของฉันคือทำให้แนวทางการทำงานของ LXT แข็งแกร่งขึ้น ปรับปรุงและขยายไปสู่ข้อมูลทุกรูปแบบและการพัฒนา AI ทุกประเภทที่เราให้บริการ รวมถึง AI เจเนอเรทีฟ หัวใจสำคัญคือการขยายความสามารถของเราเองด้านแมชชีนเลิร์นนิงและวิทยาศาสตร์ข้อมูลอย่างมีกลยุทธ์ ทั้งในด้านเทคโนโลยีและทรัพยากร

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการทราบข้อมูลเพิ่มเติมสามารถเยี่ยมชม LXT