นิก ลาโฮยคา, ผู้ร่วมก่อตั้งและซีอีโอของ Vocal Image – ซีรีส์สัมภาษณ์

นิก ลาโฮยคา เป็นผู้ร่วมก่อตั้งและซีอีโอของ Vocal Image, สตาร์ทอัพฝึกอบรมที่ช่วยให้ผู้คนพัฒนาทักษะด้านอ่อน ในฐานะผู้ประกอบการต่อเนื่อง ด้วยประสบการณ์มากกว่า 10 ปีในด้าน IT และการพัฒนาธุรกิจ Nick ได้ทำการออกจากสองธุรกิจก่อนที่จะสร้าง Vocal Image การเดินทางของ Nick เป็นส่วนตัวมาก เขาเคยถูกกลั่นแกล้งเพราะการออกเสียงที่ไม่ชัดเจนในโรงเรียน ซึ่งเป็นแรงบันดาลใจให้เขาช่วยให้ผู้คนสื่อสารได้ดีขึ้น

หลังจากถูกบังคับให้หนีออกจากประเทศหลังการปฏิวัติในปี 2020 Nick ได้เดินทางมาถึงเอสโตเนียโดยมีการสื่อสารภาษาอังกฤษในระดับขั้นต้น และใช้แอปพลิเคชันของตัวเองเพื่อฝึกฝนเสียงของเขา โดยได้รับการสนับสนุนในรอบแรกภายในเวลาเพียง 6 เดือน ผู้ชนะเลิศของ AWS AI Challenge และ Meta x Hugging Face European AI Startup Program Vocal Image ได้เพิ่มทุนเริ่มต้น 3.6 ล้านดอลลาร์ โดยมี Educapital (ฝรั่งเศส) เป็นผู้นำ และขยายไปถึง 14 ล้านดอลลาร์ในรายได้ประจำปี

คุณก่อตั้ง Vocal Image ในปี 2021 สิ่งใดเป็นแรงบันดาลใจให้คุณสร้างโค้ชทักษะด้านอ่อน AI และปัญหาใดที่คุณพยายามแก้ไขในตอนแรก?

ความกลัวในการพูดเป็นส่วนหนึ่งของชีวิตของฉันมาเป็นเวลานาน ฉันเคยถูกกลั่นแกล้งในโรงเรียนเพราะการออกเสียงที่ไม่ชัดเจน และประสบการณ์นั้นยังคงอยู่กับฉัน ต่อมา เมื่อฉันเป็นนักศึกษาฝึกงานด้าน IT ฉันต้องนำเสนอผลงานให้กับลูกค้าระดับสูง และความกลัวเดิมก็กลับมาอีกครั้ง

จากนั้นในปี 2021 หลังการปฏิวัติที่ล้มเหลวในเบลารุส ฉันต้องย้ายไปยุโรปในชั่วข้ามคืน และต้องนำเสนอผลงานให้กับนักลงทุนโดยใช้ภาษาอังกฤษ ซึ่งเป็นภาษาที่ฉันไม่คุ้นเคย มันเป็นเรื่องที่น่ากลัว แต่ไม่มีทางเลือก ฉันใช้เวลาฝึกฝนเสียงของฉันโดยใช้แอปพลิเคชันของตัวเอง ซึ่งเป็นตัวแบบแรกของ Vocal Image

เริ่มต้นด้วยแอปพลิเคชันที่คล้ายกับ YouTube แต่มีการบันทึกเสียงและฟังก์ชันการแสดงความคิดเห็น ผู้ใช้สามารถดูวิดีโอ ฝึกฝนการออกเสียง และฟังบันทึกเสียงของตนเอง การดูวิธีการใช้งานของพวกเขา เราได้พบว่าพวกเขาต้องการคำแนะนำอย่างมาก

ก่อนที่จะมาเป็น Vocal Image คุณเคยดำเนินธุรกิจสตูดิโอเต้นรำมาก่อน วิธีการที่คุณมีต่อการสื่อสารและความมั่นใจในการพูดได้รับอิทธิพลจากประสบการณ์นั้นอย่างไร?

ฉันไม่ใช่นักเต้นรำ แต่ฉันสร้างธุรกิจที่มุ่งเน้นไปที่การแสดงออกและผู้คน ฉันพบว่าสามารถบอกได้ว่าบุคคลหนึ่งมีความมั่นใจภายในอย่างไรโดยการดูการเต้นรำของพวกเขา

การเคลื่อนไหวยังมีบทบาทสำคัญในการแสดงออก การเคลื่อนไหว ร่างกาย การหายใจ ล้วนเป็นส่วนหนึ่งของการสื่อสาร ซึ่งเป็นที่ที่โค้ช AI มีประสิทธิภาพ สามารถช่วยให้ผู้คนฝึกฝนในทุกด้านในสถานที่เดียว

ไม่เหมือนกับเครื่องมือสื่อสาร AI ส่วนใหญ่ คุณตัดสินใจไม่ใช้ ChatGPT เป็นพื้นฐานสำหรับโค้ชของคุณ สิ่งใดที่นำไปสู่การตัดสินใจนั้น?

การสร้างความน่าเชื่อถือของ ChatGPT เป็นจุดเปลี่ยนสำคัญสำหรับเรา เมื่อมันกลายเป็นที่นิยม มันสร้างความเชื่อมั่นใน AI และเราสามารถใช้ประโยชน์จากมันเพื่อให้ผู้คนเชื่อมั่นในเทคโนโลยีของเรา

แต่เราตัดสินใจไม่ใช้ ChatGPT เป็นพื้นฐานสำหรับโค้ชของเรา เป้าหมายของเราตั้งแต่เริ่มต้นคือการใช้โมเดลที่เป็นเอกลักษณ์ของเราในการประเมินรูปแบบเสียงและพูดของบุคคล

คุณสามารถอธิบายได้อย่างไรว่าการฝึกอบรม AI ของคุณโดยใช้เสียงมนุษย์เท่านั้นแตกต่างจากการใช้ LLM ในด้านผลลัพธ์และความถูกต้อง?

เราสามารถใช้โมเดลภาษาขนาดใหญ่ในการประเมินและบริบท แต่พื้นฐานของระบบของเราคือข้อมูลที่อยู่เบื้องหลัง โมเดลหลักของเราถูกฝึกฝนโดยใช้ข้อมูลจากชุมชนของเราเอง ซึ่งประกอบด้วยผู้คนที่มารวมตัวกันเพื่อปรับปรุงทักษะการสื่อสาร

ฐานข้อมูลของคุณมีเสียงมนุษย์มากกว่า 1 ล้านเสียง อุปสรรคใดที่คุณเผชิญในการสร้างและทำเครื่องหมายฐานข้อมูลที่เป็นเอกลักษณ์นี้?

ไม่สามารถพึ่งพาแต่ละจุดข้อมูลเท่ากัน บางคนให้คะแนนอย่างรอบคอบ ในขณะที่คนอื่น ๆ คลิกผ่านไป เราต้องออกแบบระบบที่แยกความแตกต่างระหว่างคำตอบที่มีคุณภาพและเสียงรบกวน

ส่วนที่ยากที่สุดคือการดำเนินงาน เราต้องสร้างระบบนิเวศการให้คะแนนที่ให้รางวัลกับคุณภาพมากกว่าปริมาณ ตรงนี้เองที่ชุมชนของเรามีคุณค่าอย่างยิ่ง คนเหล่านี้ไม่ใช่ผู้ใช้อินเทอร์เน็ตแบบสุ่ม แต่เป็นผู้ที่ตั้งใจพัฒนาทักษะด้านอ่อนของตนเองและช่วยให้ผู้อื่นทำเช่นเดียวกัน การให้คะแนนทั้งหมดเป็นแบบไม่ระบุตัวตน จึงช่วยให้ข้อเสนอแนะเป็นกลางและจริงใจ

กลไกการประเมินที่ขับเคลื่อนโดยชุมชนและมีลักษณะคล้าย Tinder น่าสนใจมาก วงจรข้อเสนอแนะนี้ช่วยหล่อหลอมการเรียนรู้อย่างต่อเนื่องของ AI อย่างไร

ทุกคะแนนในทุกภาษากลายเป็นองค์ความรู้ชิ้นเล็กๆ ที่ช่วยปรับแต่งโมเดลของเรา นี่คือวงจรข้อเสนอแนะที่มีชีวิต ยิ่งมีผู้ฝึกและประเมินมากเท่าใด ระบบก็ยิ่งฉลาดขึ้นในการรับรู้ความละเอียดอ่อนของคำพูดและอารมณ์ รวมถึงเรียนรู้ว่าผู้คนในแต่ละวัฒนธรรมรับรู้ความมั่นใจ ความอบอุ่น หรือความน่าเชื่อถืออย่างไร

บทเรียนสำคัญที่คุณได้รับจากการพัฒนาโมเดล AI ซึ่งเน้นทักษะด้านอ่อนแทนความสามารถเชิงเทคนิคคืออะไร

ความท้าทายหลักคือการวัดผล เพราะไม่มีตัวชี้วัดสากลสำหรับคำว่า “น่าไว้วางใจ” หรือ “มีเสน่ห์ดึงดูด” เราจึงต้องสร้างตัวชี้วัดขึ้นเอง

ตรงนี้เองที่ กฎจำนวนมาก เข้ามามีบทบาท หากคน 100,000 คนเห็นพ้องว่าเสียงหนึ่งฟังดูมั่นใจหรือเปี่ยมด้วยความเข้าอกเข้าใจ เราก็เริ่มเชื่อถือการรับรู้ร่วมกันนั้นได้ เมื่อเวลาผ่านไป เราสอน AI ให้คาดการณ์คุณลักษณะเชิงอัตวิสัย ซึ่งไม่สามารถตัดสินด้วยคำตอบถูกหรือผิดง่ายๆ ได้ นั่นคือจุดเปลี่ยนสำคัญ: การเรียนรู้ที่จะวัดสิ่งที่เคยถูกมองว่าจับต้องไม่ได้

ด้วยรายได้ประจำต่อปี 14 ล้านดอลลาร์และเงินทุนรอบซีดล่าสุด 3.6 ล้านดอลลาร์ ลำดับความสำคัญหลักในระยะการเติบโตถัดไปของคุณคืออะไร ไม่ว่าจะเป็นการพัฒนาโมเดล AI การขยายฐานผู้ใช้ หรือการยกระดับประสบการณ์ชุมชน

พันธกิจของเรายึดมนุษย์เป็นศูนย์กลางมาโดยตลอด เราช่วยให้ผู้คนสื่อสารได้อย่างมั่นใจและเป็นตัวของตัวเองมากขึ้น

ระยะต่อไปคือการขยายผลกระทบนี้ไปทั่วโลก เรากำลังเพิ่มภาษาและพื้นที่ให้บริการใหม่ๆ พร้อมพัฒนาโมดูลทักษะด้านอ่อนเพิ่มเติม เช่น การเจรจาต่อรอง การฟังอย่างตั้งใจ และวาทศิลป์

ผู้ใช้จำนวนมากบอกว่าโค้ช AI ให้ความรู้สึกเหมือนหุ่นยนต์หรือขาดความเป็นส่วนตัว คุณทำอย่างไรให้ Vocal Image มอบข้อเสนอแนะที่เข้าถึงอารมณ์และเข้าใจบริบท

เราให้ความสำคัญกับการปรับให้เหมาะกับแต่ละบุคคลอย่างลึกซึ้ง ตั้งแต่การโต้ตอบครั้งแรก เราเรียนรู้ว่าคุณเป็นใคร ทั้งสำเนียง อายุ บริบททางวิชาชีพ และรูปแบบการพูด เมื่อเวลาผ่านไป ระบบจะจดจำว่าคุณพัฒนาขึ้นอย่างไร มีจุดติดขัดตรงไหน และข้อเสนอแนะแบบใดได้ผลกับคุณมากที่สุด

สิ่งนี้ทำให้ AI ปรับตัวได้แบบพลวัต ประสบการณ์จึงรู้สึกเป็นส่วนตัว เพราะมันเป็นส่วนตัวจริงๆ และถูกสร้างจากข้อมูลกับเส้นทางของคุณทั้งหมด ไม่ใช่จากบทพูดทั่วไป

เมื่อมองไปข้างหน้า คุณคิดว่าการโค้ชทักษะด้านอ่อนด้วย AI จะพัฒนาไปอย่างไร ขณะที่ Generative AI และ Emotional AI เติบโตขึ้นอย่างต่อเนื่อง

การพัฒนามนุษย์เป็นส่วนผสมระหว่างธรรมชาติกับการเลี้ยงดู วิทยาศาสตร์บอกเราว่าความเป็นผู้นำประมาณครึ่งหนึ่งติดตัวมาแต่กำเนิด และอีกครึ่งหนึ่งเรียนรู้ได้ ส่วนที่เรียนรู้ได้นี้เคยสงวนไว้สำหรับผู้บริหารที่มีกำลังจ่ายค่าโค้ชราคาแพง เป็นเวลานานที่บริษัทต้องจ่ายปีละ 7,000–25,000 ดอลลาร์เพื่อโค้ชผู้นำเพียงหนึ่งคน แต่ AI เปลี่ยนสมการนั้น

นอกจากนี้ การทำงานกับผู้ฝึกสอนที่เป็นมนุษย์อาจต้องว่าจ้างโค้ชเฉพาะทางหลายคน ขณะที่โค้ช AI เพียงรายเดียวสามารถทำหน้าที่เหล่านั้นได้ทั้งหมด

ปัจจุบันเราใช้ชุดโมเดลหลายแบบเพื่อวิเคราะห์แง่มุมต่างๆ ของการสื่อสาร แต่อนาคตคือระบบรวมหนึ่งเดียวที่ประเมินและชี้แนะคุณอย่างองค์รวม เทคโนโลยีนี้จะทำให้การพัฒนาตนเองเข้าถึงได้สำหรับทุกคน คุณไม่จำเป็นต้องเกิดมาพร้อมเสน่ห์ดึงดูดหรือมีงบประมาณองค์กรก้อนใหญ่เพื่อเชี่ยวชาญการสื่อสาร เพียงมีความอยากรู้อยากเห็นและสามารถเข้าถึงเครื่องมือได้ การสร้างสภาพแวดล้อมให้สิ่งนั้นเติบโตคือแรงผลักดันของผมในทุกๆ วัน

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมสามารถเยี่ยมชม Vocal Image