Andrea Vattani, ผู้ร่วมก่อตั้งและประธานนักวิทยาศาสตร์ของ Spiketrap – สัมภาษณ์ชุด

Andrea Vattani เป็นผู้ร่วมก่อตั้งและประธานนักวิทยาศาสตร์ของ Spiketrap ซึ่งเป็นบริษัทที่ให้บริการด้านการวิเคราะห์ข้อมูลและประสิทธิภาพของสื่อสำหรับผู้สร้างเนื้อหา แพลตฟอร์ม และแบรนด์ เทคโนโลยี Clair AI ที่เป็นกรรมสิทธิ์ของบริษัทสามารถแยกสัญญาณออกจากสิ่งรบกวนของชุดข้อมูลที่ไม่มีโครงสร้าง โดยให้ความชัดเจนและบริบทที่ไม่เคยเห็นมาก่อน โดยเฉพาะอย่างยิ่งในสภาพแวดล้อมออนไลน์ที่มีความเร็วสูง

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิทยาการคอมพิวเตอร์และปัญญาประดิษฐ์?

เป็นการรวมกันของสถานการณ์ที่ดี ฉันไปที่มหาวิทยาลัยโรมเพื่อเข้าสอบวิชาสถิติ และพบว่าฉันไปสาย! ฉันได้รับการแนะนำให้สมัครเข้าเรียนวิชาวิทยาการคอมพิวเตอร์แทน และจะย้ายไปเรียนวิชาสถิติหลังจากหนึ่งปี ฉันไปสอบวิชาวิทยาการคอมพิวเตอร์ (ซึ่งเป็นวันนั้น!) และผ่านการสอบ… ไม่เคยย้ายไปเรียนวิชาสถิติ! ความสนใจของฉันในด้านปัญญาประดิษฐ์เริ่มต้นเมื่อฉันรู้สึกว่าคอมพิวเตอร์สามารถช่วยให้เราautomate สิ่งต่างๆ และปัญญาประดิษฐ์เป็นเครื่องมือautomate ที่ดีที่สุด นอกจากนี้ การศึกษาภาษาและวิธีการที่คนใช้ภาษายังเป็นเรื่องที่ฉันสนใจเสมอ: ฉันศึกษาวิชาเรียนภาษาโบราณในโรงเรียนมัธยม เช่น ภาษากรีกและภาษาละติน ซึ่งอาจคล้ายกับวิธีที่เครื่องจักรรู้สึกเมื่อได้รับข้อมูลเป็นลำดับของคำ

คุณเคยทำงานเป็น Senior Lead Software Engineer ที่ Amazon (AMZN ) Goodreads มาก่อน คุณทำงานในโครงการใดบ้าง และมีประสบการณ์ใดที่คุณได้รับจากประสบการณ์นั้น?

ในขณะที่ทำงานที่ Goodreads ฉันทำงานในโครงการ machine learning หลายโครงการ รวมถึงการตรวจจับข้อความที่ไม่เหมาะสมและการปรับปรุงเครื่องมือแนะนำหนังสือ ฉันเรียนรู้ถึงความสำคัญของการกำหนดตัวชี้วัด machine learning ที่สอดคล้องกับเป้าหมายของธุรกิจและลูกค้า ตัวอย่างเช่น เครื่องมือแนะนำหนังสือมีอยู่มานานแล้ว แต่การปรับปรุงเครื่องมือนี้ให้เหมาะสมกับเป้าหมายของธุรกิจและลูกค้าเป็นสิ่งสำคัญ

การเรียนรู้อีกอย่างหนึ่งที่ฉันนำมาใช้ที่ Spiketrap คือการสร้างทีมปัญญาประดิษฐ์ที่มุ่งเน้นการนำส่งและรวมเข้ากับแผนการผลิตมากกว่าทีมที่มุ่งเน้นการวิจัยและพัฒนาเท่านั้น ซึ่งช่วยให้สามารถกำหนดเป้าหมาย ระยะเวลา และความเข้าใจถึงผลตอบแทนจากการลงทุนได้ดีขึ้น และช่วยให้ทีมมุ่งเน้นไปที่ความเร็วและความเป็นไปได้ของโมเดลมากกว่าการมุ่งเน้นไปที่ความแม่นยำเพียงอย่างเดียว

การวิจัยของคุณได้รับการตีพิมพ์ในวารสารหลายฉบับ คุณคิดว่าบทความใดที่สำคัญที่สุดจนถึงตอนนี้?

ในระหว่างการทำปริญญาเอก ฉันมีโอกาสร่วมงานกับนักวิจัยหลายคนจากสาขาต่างๆ รวมถึง machine learning, “big data”, การวิเคราะห์ข้อมูลสังคม และทฤษฎีเกม บทความที่ฉันชอบสำหรับความเรียบง่ายและความสามารถในการใช้งานคือ “Scalable K-Means++” : K-Means++ เป็นวิธีการ clustering ที่ไม่มีการดูแลที่ใช้กันอย่างแพร่หลายในการแบ่งชุดข้อมูลออกเป็นกลุ่มที่สอดคล้องกัน K แต่เมื่อมีข้อมูลและกลุ่มมากๆ การใช้วิธีนี้จะช้าเกินไป ในบทความนั้น เราแสดงวิธีการที่สามารถบรรลุผลลัพธ์ที่ดีเท่ากันหรือดีกว่าโดยการขนานการทำงานของวิธีนี้

คุณสามารถเล่าเรื่องราวเกี่ยวกับการก่อตั้ง Spiketrap ได้หรือไม่?

หลังจากทำงานที่ Goodreads ฉันและผู้ร่วมก่อตั้ง Spiketrap คือ Kieran และ Virgilio รู้สึกว่ามีช่องว่างในอุตสาหกรรมสำหรับการเข้าถึงข้อมูลเชิงลึกของแบรนด์จากแพลตฟอร์มโซเชียลที่ไม่ใหญ่นัก โดยใช้เทคโนโลยีปัญญาประดิษฐ์ เราสามารถแก้ไขปัญหานี้ได้อย่างมีประสิทธิภาพ

ในเศรษฐกิจปัจจุบัน บริษัทต่างๆ ต้องฟังลูกค้าและอุตสาหกรรมของตนเอง อย่างไรก็ตาม มีหลายสิ่งที่ลูกค้าพูดถึงแบรนด์ที่ไม่ได้รับการฟัง มีคนหลายล้านคนแสดงความคิดเห็นของตนเองทุกวันบนแพลตฟอร์มต่างๆ เช่น Twitter, Reddit, Twitch และอื่นๆ ซึ่งเป็นทรัพยากรที่มีค่าสำหรับนักวิจัยตลาด แต่ปัญหาอยู่ที่อุตสาหกรรมวิจัยตลาดยังไม่สามารถตามทันพฤติกรรมดิจิทัลและภาษาที่เปลี่ยนแปลงไป

เครื่องมือฟังยังคงต้องอาศัยคำค้นหาและค้นหาด้วยคำค้นหาแบบบูลีน ซึ่งทำให้พลาดการค้นหาความคิดเห็นที่ควรจะถูกจัดให้กับแบรนด์ใดแบรนด์หนึ่ง ในขณะเดียวกัน บริษัทวิจัยตลาดต้องเผชิญกับการสมดุลที่ยากลำบากในการหาข้อมูลเชิงลึกเชิงคุณภาพจากวิธีการเชิงปริมาณและต้นทุนที่จำกัด

โดยสรุป คนไม่มีเครื่องมือที่ต้องการเพื่อเข้าใจกลุ่มเป้าหมายของตนเองในระดับที่กว้างขวาง ตัวเลขการขายและจำนวนผู้ชมสามารถตอบคำถาม “อะไร” ของพฤติกรรมของกลุ่มเป้าหมาย แต่ไม่สามารถตอบคำถาม “ทำไม” ได้ หากไม่มีบริบท การหาความสัมพันธ์ระหว่างสิ่งต่างๆ จะเป็นเกมเดา และการรู้ว่าอะไรเป็นสาเหตุและอะไรเป็นผลจะยากมาก

คุณสามารถอธิบายได้หรือไม่ว่า Spiketrap ช่วยให้เข้าใจกลุ่มเป้าหมายได้อย่างไร?

ผู้ลงโฆษณาและหน่วยงานใช้เครื่องมือของเราเพื่อระบุผู้สร้างเนื้อหาที่มีชุมชนปลอดภัยสำหรับแบรนด์หลายๆ แบรนด์ รวมถึงการให้คะแนนสำหรับเนื้อหาที่เป็นพิษ ผู้สร้างเนื้อหาสามารถใช้เครื่องมือนี้เพื่อดูว่าข้อความใดที่ปลอดภัยหรือไม่ปลอดภัยที่สุด และสามารถปรับปรุงการดูแลชุมชนของตนเองได้

มีบทความหนึ่งที่ตีพิมพ์โดย Spiketrap เรื่อง “FeelsGoodMan: Inferring Semantics of Twitch Neologisms” คุณสามารถอธิบายได้หรือไม่ว่าบทความนี้คืออะไร?

วิธีการสื่อสารและแสดงออกของคนบนอินเทอร์เน็ตมีความซับซ้อนและท้าทายมากขึ้นเรื่อยๆ อีกต่อไป ไม่ใช่แค่การใช้อิโมจิ แต่ยังมีการใช้ “emotes” ซึ่งเป็นรูปแบบใหม่ของการสื่อสารที่ใช้ไอคอน ซึ่งคล้ายกับอิโมจิ แต่มีความหมายที่ซับซ้อนและไม่ชัดเจน มี emotes มากกว่า 8 ล้านแบบที่ใช้บนแพลตฟอร์ม Twitch และมากกว่า 400,000 แบบที่ใช้ทุกสัปดาห์ บทความของเราคือ “สูตรปัญญาประดิษฐ์” สำหรับการอนุมานความหมายของ emotes โดยไม่ต้องใช้ข้อมูลที่ถูกจัดทำและอัปเดตอย่างต่อเนื่อง

คุณมีอะไรอีกที่ต้องการแบ่งปันเกี่ยวกับ Spiketrap?

เมื่อมองไปข้างหน้าในปีหน้า Spiketrap กำลังพัฒนาและปรับปรุงเครื่องมือใหม่ที่จะให้ความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับความรู้สึกของแบรนด์สำหรับลูกค้าของเรา เครื่องมือ Affinity ใหม่ของ Spiketrap ให้การเข้าถึงและโต้ตอบที่直观สำหรับการระบุและวัดความสัมพันธ์ระหว่างกลุ่มเป้าหมายและแบรนด์ต่างๆ สำหรับการค้นหาที่กำหนด เครื่องมือนี้จะสร้างคะแนนความสัมพันธ์ที่บ่งชี้ว่าหน่วยงานใดที่มีความสัมพันธ์ที่ดีกับอีกหน่วยงานหนึ่ง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Spiketrap เพื่อเรียนรู้เพิ่มเติม