สัมภาษณ์
Sujatha Sagiraju, Chief Product Officer at Appen – Interview Series
สุจาธา ซากิราจู เป็น Chief Product Officer ที่ Appen เธอเข้าร่วม Appen ในเดือนกันยายน 2021 ในตำแหน่ง SVP of Product และเธอรับผิดชอบด้านกลยุทธ์ผลิตภัณฑ์ เธอเป็นผู้บุกเบิกด้านเทคโนโลยีโดยมีประสบการณ์กว่า 20 ปีในการสร้างบริการออนไลน์ขนาดใหญ่และแพลตฟอร์ม AI/ML และข้อมูลที่เปลี่ยนแปลงโลก เธอเข้าร่วม Appen จาก Microsoft โดยที่เธอ曾ดำรงตำแหน่งผู้นำในหลายกลุ่ม รวมถึง Bing และ Azure AI Platform
Appen เป็นผู้นำระดับโลกด้านข้อมูลสำหรับ AI Lifecycle โดยมีประสบการณ์มากกว่า 25 ปีในการจัดหาข้อมูล การทำแอนโนเทชันข้อมูล และการประเมินแบบจำลองโดยมนุษย์ ทำให้องค์กรต่างๆ สามารถเปิดตัวระบบ AI ที่มีนวัตกรรมที่สุดในโลกได้
สิ่งใดที่ดึงดูดคุณให้เข้าสู่ AI ในตอนแรก?
เมื่อฉันอยู่ที่ Microsoft ฉันทำงานใน Azure AI organization ฉันคุ้นเคยกับภูมิทัศน์ทางอุตสาหกรรม ลูกค้า และการเปลี่ยนแปลง AI ที่เกิดขึ้นทั่วอุตสาหกรรมต่างๆ ฉันเห็นจากมุมมองของลูกค้าว่าข้อมูลฝึกอบรมเป็นอุปสรรคในการสร้างแบบจำลองการเรียนรู้ของเครื่อง และฉันเห็น Appen เป็นโอกาสในการแก้ปัญหานั้น – สิ่งที่ขาดไปที่สามารถเชื่อมระหว่างทุกขั้นตอนของ AI Lifecycle ได้
คุณปัจจุบันเป็น Chief Product Officer ที่ Appen คุณสามารถอธิบายสิ่งที่ตำแหน่งนี้ครอบคลุมได้หรือไม่?
ในระดับสูงสุด ทีมของฉันสร้างวิสัยทัศน์ผลิตภัณฑ์ กลยุทธ์ และจัดตำแหน่งกับหลายฝ่ายต่างๆ ทั่วทั้งองค์กรในการดำเนินการตามนั้นอย่างมีประสิทธิภาพ ในระดับส่วนตัว ฉันใช้เวลาในการทำความเข้าใจอุตสาหกรรมและลูกค้า ด้วยลูกค้าขนาดใหญ่ เช่น Amazon, Google, Microsoft, Salesforce, Boeing เป็นต้น เป็นสิ่งสำคัญสำหรับทีมของฉันที่จะต้องเข้าใจสถานการณ์ของลูกค้าและจุดเจ็บปวด และสร้างกลยุทธ์ผลิตภัณฑ์ที่ส่งมอบแผนการเติบโต การสร้างวัฒนธรรมที่ปลอดภัยและครอบคลุมก็เป็นส่วนสำคัญของบทบาทของฉันเช่นกัน เนื่องจากฉันเน้นการสร้างพื้นที่ให้พนักงานของเรามีการแบ่งปันความคิดเห็น การทำงานร่วมกัน และเติบโตในอาชีพการงาน
การสนับสนุนทีมที่หลากหลายมีความสำคัญเพียงใดต่อการพัฒนา AI?
มันสำคัญมากสำหรับการพัฒนา AI ที่จะมีทีมที่หลากหลาย มีหลายวิธีในการพิจารณาเรื่องความหลากหลาย – เพศ อายุ เชื้อชาติ มุมมอง ความหลากหลายของมุมมองอาจเป็นสิ่งสำคัญที่สุดในการรับประกันว่าคุณมีภูมิหลังและประสบการณ์ที่หลากหลายในทีมของคุณ ประสบการณ์เหล่านั้นจะนำความคิดใหม่ๆ และแตกต่างกันมาเพื่อช่วยสร้างผลิตภัณฑ์ที่ดีที่สุดสำหรับลูกค้าที่หลากหลายของคุณ
คุณสร้างวัฒนธรรมการทำงานที่สร้างความสมดุลให้กับความหลากหลายนี้ได้อย่างไร?
วัฒนธรรมที่ส่งเสริมความหลากหลายเชิญชวนพนักงานให้แบ่งปันความคิดเห็นและมุมมองของพวกเขา ฉันชอบพิจารณาวิธีการสื่อสารที่แตกต่างกันเมื่อจัดประชุมทีม ตัวอย่างเช่น เมื่อขอความคิดเห็นในระหว่างการประชุมทีม ฉันขอให้พนักงานพูดโดยตรงในการประชุมหรือส่งข้อความให้ฉันหลังจากที่พวกเขาได้พิจารณาแล้ว ฉันรับรู้ว่าไม่ใช่ทุกคนที่ต้องการพูดหรือแบ่งปันความคิดเห็นทันที และฉันต้องการสร้างวัฒนธรรมที่ทุกคนรู้สึกว่าสามารถพูดได้โดยไม่ต้องกลัวว่าจะถูกวิพากษ์วิจารณ์ ความคิดที่ดีมาจากทีมต่างๆ ภายในองค์กร ฉันพบปะกับทีมขาย ทีมการตลาด และทีมที่เผชิญหน้ากับลูกค้าเพื่อทำความเข้าใจความต้องการของพวกเขาเกี่ยวกับผลิตภัณฑ์และมุมมองในการทำงานอย่างใกล้ชิดกับลูกค้า บางครั้งความคิดที่ดีที่สุดเกี่ยวกับผลิตภัณฑ์มาจากการฟังอย่างตั้งใจถึงจุดเจ็บปวดของลูกค้า – ไม่ว่าจะโดยตรงจากลูกค้าหรือทีมที่ติดต่อกับลูกค้าทุกวัน
นอกเหนือจากการมีทีมที่หลากหลายแล้ว ยังมีวิธีอื่นๆ อีกหรือไม่ในการต่อสู้กับความลำเอียงในอัลกอริทึมการเรียนรู้ของเครื่อง?
การหาข้อมูลที่ครอบคลุม การเตรียมข้อมูล และการประเมินแบบจำลองเป็นสิ่งสำคัญในการต่อสู้กับความลำเอียง ข้อมูลที่ใช้ในการฝึกอบรมอัลกอริทึมจะต้องครอบคลุมผู้ใช้ปลายทางที่เป็นไปได้ทั้งหมดหรือผลลัพธ์ เมื่อผ่านไปในระหว่างขั้นตอนต่างๆ ของ AI Lifecycle แต่ละขั้นตอนจะต้องถูกตรวจสอบสำหรับความลำเอียง AI ที่มีความรับผิดชอบถูกสร้างขึ้นด้วยชุดข้อมูลที่มีแหล่งที่มาอย่างมีความรับผิดชอบ โดยที่ผู้ร่วมให้ข้อมูลถูกปฏิบัติอย่างยุติธรรม Appen ได้สร้าง Crowd Code of Ethics เพื่อแสดงความมุ่งมั่นของเราในการดูแลความเป็นอยู่ที่ดีของ Crowd ของเรา
คุณได้โพสต์บทความเกี่ยวกับวิชานิวซึ่งเรียกว่า Data for AI Lifecycle ล่าสุด คุณสามารถอธิบายสิ่งนี้ได้หรือไม่?
ข้อมูลสำหรับ AI Lifecycle ประกอบด้วยสี่ขั้นตอนในวงจรที่ต่อเนื่องกัน: การหาข้อมูล การเตรียมข้อมูล การสร้างและใช้แบบจำลอง และการประเมินแบบจำลองโดยมนุษย์ ขั้นตอนเหล่านี้จำเป็นสำหรับการส่งมอบข้อมูลคุณภาพสูงสำหรับโครงการ AI การหาข้อมูล การเตรียมข้อมูล และการประเมินแบบจำลองเป็นขั้นตอนที่ใช้แรงงานมากที่สุดและใช้ข้อมูลมากที่สุด และหากไม่ได้ทำอย่างดี อาจนำไปสู่ปัญหาเกี่ยวกับคุณภาพของโครงการและความล่าช้าในการเปิดตัว Appen มีความเชี่ยวชาญในสามขั้นตอนแรกและร่วมมือกับผู้ให้บริการที่เชี่ยวชาญในการฝึกอบรมและใช้แบบจำลอง
สินเทคนิคข้อมูลสังเคราะห์มีบทบาท gì ใน Data for AI Lifecycle?
วิธีแก้ปัญหาการหาข้อมูลรวมถึงข้อมูลที่มีการทำแอนโนเทชันโดยมนุษย์ ชุดข้อมูลที่มีการทำล่วงหน้า และข้อมูลสังเคราะห์ ข้อมูลสังเคราะห์ถูกนำมาใช้ในกรณีการใช้งานที่ยากต่อการค้นหาและชุดข้อมูลที่ครอบคลุมทั้งหมดใช้กรณีการใช้งานและผู้ใช้ปลายทางที่เป็นไปได้ของแบบจำลอง AI และบางส่วนต้องการข้อมูลสังเคราะห์เพื่อบรรลุเป้าหมายนั้น การผสมผสานระหว่างข้อมูลที่มีการทำแอนโนเทชันโดยมนุษย์และข้อมูลสังเคราะห์จะกลายเป็นสิ่งสำคัญสำหรับความสำเร็จของแบบจำลอง
การเปลี่ยนแปลงของแบบจำลองหรือการปรับให้เหมาะสมมากเกินไปเป็นปัญหาใหญ่เท่าใดใน Data for AI Lifecycle?
การเปลี่ยนแปลงของแบบจำลองอาจเป็นปัญหาใหญ่และต้องได้รับการแก้ไขในขั้นตอนที่สี่ของ AI Lifecycle ซึ่งก็คือการประเมินแบบจำลองโดยมนุษย์ มันสำคัญที่แบบจำลองจะยังคงทำงานในโลกแห่งความเป็นจริงและต้องผ่านการทดสอบโดยมนุษย์ เมื่อสภาพแวดล้อมเปลี่ยนแปลงและเติบโต แบบจำลองจะต้องเปลี่ยนแปลงด้วย มันสำคัญที่ผู้ปฏิบัติงานจะต้องประเมินแบบจำลองของตนอย่างต่อเนื่องเพื่อป้องกันไม่ให้แบบจำลองนั้นล้าสมัยหรือมีความลำเอียง ลูกค้าของ Microsoft เช่น Bing ใช้การประเมินแบบจำลองเพื่อให้แน่ใจว่าผลการค้นหาทำงานตามมาตรฐานและแบบจำลองนั้นถูกประเมินอย่างต่อเนื่อง
มีสิ่งอื่นใดที่คุณต้องการแบ่งปันเกี่ยวกับการทำงานของคุณที่ Appen หรือไม่?
การทำงานที่มีค่าที่สุดที่ Appen คือการทำงานของคนของเราและความเชี่ยวชาญของพวกเขา ด้วยประสบการณ์มากกว่า 25 ปี Appen ได้สร้างรากฐานที่แข็งแกร่งกับพนักงานของเรา ลูกค้าของเราทรัสต์ความเชี่ยวชาญของเราในการส่งมอบผลลัพธ์ที่มีคุณภาพสูงอย่างรวดเร็วและในระดับที่กว้าง Appen กำลังเปิดใช้งานการเปลี่ยนแปลงอุตสาหกรรม AI โดยการให้บริการแก้ปัญหาเพื่อจัดการข้อมูลสำหรับ AI Lifecycle ได้อย่างไร้ข้อผิดพลาด
ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Appen
