ดร. นีล ยาเกอร์ ผู้ร่วมก่อตั้งและประธานนักวิทยาศาสตร์ของ Phrasee – ซีรีส์สัมภาษณ์

ดร. นีล ยาเกอร์ เป็นประธานนักวิทยาศาสตร์ของ Phrasee และเป็นผู้ออกแบบวิธีการ Phrasee ซึ่งเป็นเครื่องมือเขียนโฆษณาที่ใช้ AI ที่ช่วยให้สามารถปรับแต่งโฆษณาได้สำหรับบางแบรนด์ที่มีชื่อเสียงที่สุดในโลก รวมถึง eBay, Groupon และ Virgin และอื่นๆ อีกมากมาย จากออสเตรเลียถึงอเมริกา ในกว่า 20 ภาษา ตั้งแต่อังกฤษถึงญี่ปุ่น

ดร. ยาเกอร์ ได้เขียนบทความทางวิชาการมากกว่าหนึ่งโหล และเขียนหนังสือเกี่ยวกับการทำเหมืองข้อมูล หนังสือเกี่ยวกับการวิเคราะห์และประเมินระบบไบโอเมตริก และมีหลายสิทธิบัตร ในฐานะผู้เชี่ยวชาญชั้นนำของโลกในด้านการค้าขาย AI เขามีปริญญาเอกสาขาวิทยาการคอมพิวเตอร์จากมหาวิทยาลัยนิวเซาท์เวลส์ ในออสเตรเลีย

คุณมีประสบการณ์มากกว่า 20 ปีในอุตสาหกรรมเทคโนโลยี คุณมีบทบาทเกี่ยวข้องกับ AI ในอดีตหรือไม่?

ฉันเกี่ยวข้องกับงานที่เกี่ยวข้องกับ AI ตั้งแต่สมัยที่ฉันทำปริญญาเอกในช่วงกลางทศวรรษ 2000 แต่สาขานี้ได้ผ่านการเปลี่ยนแปลงหลายครั้งตั้งแต่นั้นมา ตัวอย่างเช่น 15 ปีที่แล้ว ฉันศึกษาการรู้จำรูปแบบทางสถิติ ซึ่งไม่นานก็เปลี่ยนชื่อเป็น “การเรียนรู้ของเครื่อง” ซึ่งเป็นชื่อที่น่าดึงดูดมากกว่า ไม่นานนัก การเรียนรู้ของเครื่อง (และ “การเรียนรู้ลึก” โดยเฉพาะ) ก็กลายเป็นชื่อเดียวกันกับ “ปัญญาประดิษฐ์” ในทั่วไป ฉันมีความรู้สึกผสมเกี่ยวกับเรื่องนี้ ในทางหนึ่ง การทำงานกับ Phrasee สอนฉันถึงความสำคัญของการสร้างแบรนด์ ในทางกลับกัน ชื่อ “ปัญญาประดิษฐ์” มีกระเป๋าเดินทางมาด้วยและอาจทำให้เกิดความเข้าใจผิดเกี่ยวกับเทคโนโลยีนี้ ฉันสงสัยว่าเราจะอยู่ที่ไหนถ้าเรายังคงเรียกมันว่า “การรู้จำรูปแบบทางสถิติ”

งานส่วนใหญ่ของฉันในอดีตอยู่ในด้านการประมวลผลสัญญาณและด้านการมองเห็นของคอมพิวเตอร์ ฉันไม่ได้มีประสบการณ์มากนักเกี่ยวกับการประมวลผลภาษาธรรมชาติก่อนที่จะเข้าร่วม Phrasee แต่ฉันเรียนรู้ว่าภาษาเป็นปัญหาที่ยากที่สุดใน AI

ในปี 2008 คุณได้ร่วมเขียนหนังสือ “ระบบไบโอเมตริกและการวิเคราะห์ข้อมูล: การออกแบบ การประเมินและการทำเหมืองข้อมูล” ซึ่งเชื่อมโยงระหว่างสถิติและการเรียนรู้ของเครื่องเพื่อให้ได้คำแนะนำที่ครอบคลุมเกี่ยวกับการประเมิน การตีความและการทำความเข้าใจข้อมูลไบโอเมตริก นอกเหนือจากทรัพยากรคอมพิวเตอร์ที่เพิ่มขึ้น คุณคิดว่าสาขานี้ได้พัฒนาไปหรือไม่ ตั้งแต่หนังสือเล่มนี้ตีพิมพ์ คุณสามารถอธิบายได้อย่างไร?

การเรียนรู้ลึกได้เปลี่ยนแปลงสาขาการมองเห็นของคอมพิวเตอร์ การประมวลผลภาษาและการเรียนรู้ของเครื่องตั้งแต่ฉันเขียนหนังสือเล่มนั้น หากฉันต้องเขียนหนังสือเล่มนั้นอีกครั้งในปัจจุบัน ฉันจะไม่สามารถทำได้โดยไม่มีบทเกี่ยวกับการเรียนรู้ลึก

การปฏิวัติของการเรียนรู้ลึกเกิดขึ้นจริงในปี 2012 เมื่อโมเดลการเรียนรู้ลึกชนะการแข่งขัน ImageNet ซึ่งเป็นชุดข้อมูลการรู้จำวัตถุทางภาพที่คอมพิวเตอร์สามารถระบุวัตถุในภาพ (เช่น “สุนัข” หรือ “ลูกโป่ง”) นักวิจัยได้ทำการปรับปรุงผลลัพธ์อย่างต่อเนื่องในฐานข้อมูลมาตรฐานเช่นนี้ แต่เกือบจะทันทีที่โมเดลการเรียนรู้ลึกที่ออกแบบโดยคนนอกชนะการแข่งขันโดยมีระยะห่างที่สำคัญ โมเดลที่สร้างขึ้นอย่างเจาะจงซึ่งใช้เวลาหลายปีในการสร้างถูกทำให้ล้าสมัย การเปลี่ยนแปลงนี้ได้เปลี่ยนแปลงอุตสาหกรรม AI

สาขานี้ยังคงพัฒนาอย่างรวดเร็วและเปลี่ยนแปลงไปอีกตั้งแต่เริ่มก่อตั้ง Phrasee เมื่อไม่กี่ปีที่แล้ว ตัวอย่างเช่น เครื่องมือการเรียนรู้ลึกที่เรานำมาใช้ในปัจจุบันไม่มีอยู่เมื่อเราก่อตั้งบริษัท ความเร็วของนวัตกรรมนำมาสู่ความท้าทายของตัวเอง

คุณสามารถแบ่งปันข้อมูลเกี่ยวกับสิ่งที่ Phrasee สามารถทำได้สำหรับธุรกิจหรือไม่?

Phrasee ช่วยแก้ปัญหา 2 ข้อสำหรับธุรกิจ ข้อแรกคือปัญหาในการเขียนโฆษณา มีช่องทางโฆษณามากกว่าที่เคย (เช่น อีเมล์ AdWords สังคม สิ่งพิมพ์ โพดแคสต์ ฯลฯ) และยากที่จะเขียนโฆษณาที่มีคุณภาพสูงและเป็นไปตามรูปแบบและน้ำเสียงของแบรนด์ Phrasee จัดการกับปัญหานี้โดยการสร้างโฆษณาอัตโนมัติ ข้อที่สองคือโฆษณาที่ใช้ภาษาที่มีประสิทธิภาพ ไม่เพียงแต่ Phrasee สร้างภาษาเท่านั้น แต่ยังใช้การเรียนรู้ของเครื่องเพื่อคาดการณ์ผลกระทบของข้อความและปรับให้เหมาะสม

อะไรที่ดึงดูดคุณให้สนใจในแนวคิดการใช้การประมวลผลภาษาธรรมชาติ (NLP) และการเรียนรู้ลึกเพื่อเพิ่มประสิทธิภาพของโฆษณา?

การใช้ AI เพื่อเพิ่มประสิทธิภาพของแคมเปญการตลาดดิจิทัลไม่ใช่ความคิดใหม่ มีทีมงานที่มีปริญญาเอกในสาขาฟิสิกส์ที่ถูกจ้างมาเพื่อทำงานเกี่ยวกับการเพิ่มประสิทธิภาพโฆษณา แต่ส่วนใหญ่พวกเขามุ่งเน้นไปที่สิ่งอื่น ๆ เช่น การแบ่งส่วนผู้ชม การปรับให้เหมาะสม การจัดส่งเวลา การวางตำแหน่งโฆษณา ฟอนต์ ฯลฯ เมื่อเรากำลังพูดคุยเกี่ยวกับ Phrasee ในช่วงแรก เราสังเกตเห็นว่าแทบจะทุกสิ่งที่เกี่ยวข้องกับโฆษณาได้รับการปรับให้เหมาะสมแล้ว ยกเว้นภาษาที่ใช้ในการโฆษณา เราเห็นว่านี่เป็นช่องว่างในตลาดและโอกาสที่ยิ่งใหญ่

Phrasee สามารถปรับปรุงโฆษณาได้ในกว่า 20 ภาษา รวมถึงภาษาญี่ปุ่น คุณสามารถพูดถึงปัญหาที่ไม่เหมือนใครในการประมวลผลภาษาธรรมชาติที่พบกับภาษาต่างประเทศได้หรือไม่?

ภาษาที่เพิ่มเข้ามาใหม่ล่าสุดในกลุ่มภาษาที่เราสนับสนุนคือภาษารัสเซีย ซึ่งเป็นภาษาสลาวิกและแตกต่างจากภาษาอินโด-ยุโรปอื่น ๆ ในกรณีนี้ เราต้องสร้างกฎใหม่ในระบบสร้างภาษาของเราเพื่อให้ผลลัพธ์เป็นภาษาที่คล่องแคล่วและถูกต้องตามไวยากรณ์ นี่ไม่ใช่แค่ปัญหาเกี่ยวกับภาษา แต่ยังเป็นปัญหาเกี่ยวกับการพัฒนาซอฟต์แวร์อีกด้วย เมื่อผลลัพธ์ของระบบของเราคือภาษาของนักพัฒนา จะค่อนข้างง่ายที่จะสังเกตเห็นข้อผิดพลาดและตรวจสอบว่าทุกสิ่งทำงานได้ถูกต้อง แต่เมื่อเรากำลังทำงานกับภาษารัสเซียหรือญี่ปุ่น เราอาจกำลังสร้างข้อความที่ไม่มีความหมายและไม่รู้ตัว มันสำคัญที่จะมีผู้พูดภาษาเป็นภาษาแม่เข้าร่วมอย่างใกล้ชิดในกระบวนการตรวจสอบคุณภาพ

ความท้าทายไม่ได้มาแค่จากภาษาต่างประเทศเท่านั้น มีความแตกต่างที่น่าสนใจในระดับภูมิภาคด้วย ตัวอย่างเช่น ภาษาอังกฤษมีการสะกดที่แตกต่างกันสำหรับสหรัฐอเมริกา สหราชอาณาจักร ออสเตรเลีย แคนาดา ฯลฯ นอกจากนี้ยังมีความแตกต่างทางไวยากรณ์ ในภาษาอังกฤษแบบบริติช คุณ “มอง” ในขณะที่ในภาษาอังกฤษแบบอเมริกัน คุณ “ดู” ความหมายของคำสามารถเปลี่ยนแปลงไปตามที่ต่าง ๆ ในภาษาอังกฤษ “รับเบอร์” หมายถึง “ยางลบ” ในสหราชอาณาจักร แต่หมายถึง “ถุงยางอนามัย” ในอเมริกาเหนือ สำหรับระบบ NLG ที่จะใช้ในธุรกิจ พวกเขาต้องจัดการกับความแตกต่างเหล่านี้ทั้งหมด

คุณสามารถแบ่งปันรายละเอียดเกี่ยวกับวิธีการที่ Phrasee ใช้การเรียนรู้ลึกได้หรือไม่?

มีส่วนประกอบ AI 2 ส่วนหลักในเทคโนโลยีของ Phrasee ส่วนแรกคือการสร้างภาษาธรรมชาติ (NLG) ซึ่งสร้างภาษา ส่วนที่สองคือการเรียนรู้ลึก ซึ่งมุ่งเน้นไปที่ประสิทธิภาพ ประสิทธิภาพอาจหมายถึงสิ่งที่แตกต่างกันไปตามบริบท ตัวอย่างเช่น เป้าหมายของหัวเรื่องอีเมล์คือการดึงดูดผู้รับให้คลิกเปิดอีเมล์และดูเนื้อหาภายใน สำหรับ Facebook (META ) เป้าหมายอาจเป็นการเพิ่มการชอบหรือการแชร์ เมื่อมีข้อมูลประวัติที่มีปริมาณมาก จะเป็นไปได้ที่จะค้นหาความคิดเห็นที่ละเอียดและรูปแบบที่ไม่เคยสังเกตเห็นโดยมนุษย์ นี่เป็นปัญหาการเรียนรู้ของเครื่องมาตรฐาน

การเรียนรู้ลึกมีประโยชน์หลายประการเหนือการเรียนรู้ของเครื่องแบบดั้งเดิม ด้วยการเรียนรู้ของเครื่องแบบดั้งเดิม มีการเน้นไปที่ “การออกแบบคุณลักษณะ” ซึ่งหมายความว่านักพัฒนาต้องตัดสินใจว่าคุณลักษณะใดที่สำคัญที่สุดของภาษา เช่น คำ ความยาว การใช้อีโมจิ ฯลฯ ปัญหาก็คือสิ่งนี้ถูกจำกัดโดยทักษะและจินตนาการของวิศวกร แต่ด้วยการเรียนรู้ลึก ข้อความดิบจะถูกป้อนเข้าไปในโมเดล และโมเดลจะสร้างการแสดงภาษาของมันเอง (ซึ่งเรียกว่าการเรียนรู้แบบปลายถึงปลาย) ดังนั้นจึงเป็นอิสระจากอคติของมนุษย์และเป็นแนวทางที่มีพลัง อย่างไรก็ตาม ด้านลบคืออาจยากที่จะเข้าใจว่าทำไมโมเดลจึงมีพฤติกรรมเช่นนี้ “การอธิบาย” เป็นหัวข้อการวิจัยที่กำลังดำเนินอยู่ภายในชุมชนการเรียนรู้ลึก แต่มีการแลกเปลี่ยนระหว่างความซับซ้อนของระบบและความสามารถของเราในการเข้าใจมัน ภาษาของมนุษย์เป็นเรื่องที่ซับซ้อน ดังนั้นโซลูชัน NLP ที่ประสบความสำเร็จจึงมักจะมีความซับซ้อนสูง

หนึ่งในฟังก์ชันของ Phrasee คือความสามารถในการเขียนในน้ำเสียงที่เป็นเอกลักษณ์ของแบรนด์ คุณสามารถอธิบายวิธีการทำงานนี้ได้หรือไม่?

เมื่อเรามีลูกค้าใหม่ สิ่งแรกที่เราทำคือรวบรวมข้อมูลเกี่ยวกับรูปแบบการสื่อสารของแบรนด์ ซึ่งรวมถึงแนวทางการสร้างแบรนด์อย่างเป็นทางการ การรณรงค์ทางการตลาดในอดีต และชุดคำถามที่เราได้พัฒนาสำหรับจุดประสงค์นี้ ทั้งหมดนี้จะถูกใช้โดยทีมภาษาของเราเพื่อสร้าง “โมเดลภาษา” ที่กำหนดเองสำหรับลูกค้า โมเดลภาษาของเราสามารถสร้างภาษาใหม่ได้

โมเดลภาษาสามารถอัปเดตได้ทุกเมื่อ ตัวอย่างเช่น ในขณะนี้เรากำลังอยู่ในช่วงจุดสูงสุดของวิกฤต COVID-19 ทีมภาษาของเรากำลังทบทวนโมเดลของเราเพื่อให้แน่ใจว่าภาษาที่ไม่เหมาะสมไม่สามารถสร้างขึ้นได้ วลีเช่น “ข้อเสนอเหล่านี้กำลังจะไปถึง” อาจไม่มีปัญหาเมื่อไม่กี่เดือนที่แล้ว แต่ชัดเจนว่าไม่เหมาะสมในช่วงวิกฤต toàn cầuเช่นนี้ สิ่งนี้แสดงให้เห็นถึงความยืดหยุ่นของระบบของเรา

คุณสามารถบอกเราได้หรือไม่ว่าข้อมูลประเภทใดที่บริษัทต้องการเพื่อเริ่มใช้ Phrasee?

ถ้าจะพูดตรงไปตรงมา ไม่ต้องการข้อมูลมากนักในการเริ่มต้นกับเรา ขั้นตอนแรกคือการระบุพื้นที่โครงการที่เหมาะสม ตัวอย่างเช่น อาจเป็นหัวเรื่องอีเมล์โปรโมชั่นสัปดาห์ ซึ่งจะมีผู้ชมจำนวนมากและการสื่อสอนจะเกิดขึ้นอย่างสม่ำเสมอ เมื่อโครงการได้รับการระบุแล้ว เราต้องการข้อมูลเกี่ยวกับหัวข้อและน้ำเสียงของแบรนด์ เพื่อสร้างโมเดลภาษา Phrasee ต้องการผลลัพธ์ประสิทธิภาพอย่างต่อเนื่อง เนื่องจากโซลูชันของเรานำการเรียนรู้ของเครื่องมาใช้ จึงสำคัญที่จะติดตามและวัดเมตริกหลักๆ ในช่วงเวลาหนึ่ง ข้อมูลนี้จะถูกส่งกลับเข้าไปในระบบของเราเพื่อให้สามารถปรับให้เหมาะสมกับการมีส่วนร่วมได้อย่างต่อเนื่อง

มีอะไรอีกบ้างที่คุณต้องการแบ่งปันเกี่ยวกับ Phrasee?

เมื่อ Parry, Victoria และฉันเริ่ม Phrasee เมื่อ 5 ปีที่แล้ว เราแน่ใจว่ามันจะใช้เวลาไม่นานก่อนที่สตาร์ทอัพอื่น ๆ จะเข้าสู่ตลาดด้วยผลิตภัณฑ์ที่คล้ายคลึงกัน แผนของเราคือการก้าวหน้าและอยู่ข้างหน้าการแข่งขัน แต่เราต้องประหลาดใจที่ไม่มีผู้เข้าร่วมตลาดนี้ มีใครบ้างที่ไม่เห็นคุณค่าในนี้? ฉันคิดว่ามีหลายเหตุผล แต่หนึ่งในสาเหตุหลักคือภาษาเป็นปัญหาที่ยาก ฉันสงสัยว่าคนอื่น ๆ ได้พยายามสร้างผลิตภัณฑ์ที่คล้ายคลึงกันแต่ล้มเหลวในขั้นตอนการวิจัยและพัฒนา สิ่งนี้เป็นหลักฐานว่าเทคโนโลยีของเรานั้นเป็นเอกลักษณ์

ขอขอบคุณสำหรับการสัมภาษณ์ที่ให้ข้อมูลเกี่ยวกับการประมวลผลภาษาธรรมชาติ การสร้างภาษาธรรมชาติ และการเรียนรู้ลึก หากต้องการเรียนรู้เพิ่มเติม ผู้เยี่ยมชมสามารถเยี่ยมชม Phrasee ได้