สัมภาษณ์
สุจาธา ซากิราจู, Chief Product Officer ที่ Appen – ซีรีส์สัมภาษณ์

ประเด็นสำคัญทีมที่หลากหลายมีความสำคัญต่อการพัฒนา AI เพื่อป้องกันผลลัพธ์ที่เอนเอียง
ดูเพิ่มเติม
- ทีมที่หลากหลายมีความสำคัญต่อการพัฒนา AI เพื่อป้องกันผลลัพธ์ที่เอนเอียง
- วงจรชีวิตข้อมูลสำหรับ AI ของ Appen ประกอบด้วยสี่ขั้นตอนเพื่อให้แน่ใจว่าข้อมูลมีคุณภาพสูง
- การเลื่อนลอยของแบบจำลองจำเป็นต้องมีการประเมินโดยมนุษย์อย่างต่อเนื่องเพื่อรักษาความแม่นยำและความเป็นธรรมของโมเดล AI
สุจาธา ซากิราจู เป็น Chief Product Officer ที่ Appen เธอเข้าร่วม Appen ในเดือนกันยายน 2021 ในตำแหน่ง SVP of Product และเธอรับผิดชอบในการวางกลยุทธ์ผลิตภัณฑ์ เธอเป็นนักพัฒนาด้านเทคโนโลยีที่มีประสบการณ์กว่า 20 ปี ในการสร้างบริการออนไลน์เชิงพลิกโฉมขนาดใหญ่และระบบ AI/ML และแพลตฟอร์มข้อมูล เธอเข้าร่วม Appen จาก Microsoft โดยที่เธอเคยดำรงตำแหน่งผู้นำในหลายกลุ่ม รวมถึง Bing และ Azure AI Platform
Appen เป็นผู้นำระดับโลกในด้านข้อมูลสำหรับวงจรชีวิตของ AI โดยมีประสบการณ์มากกว่า 25 ปี ในการหาข้อมูล การทำเครื่องหมายข้อมูล และการประเมินแบบจำลองโดยมนุษย์ ทำให้องค์กรต่างๆ สามารถเปิดตัวระบบ AI ที่มีความก้าวหน้ามากที่สุดในโลก
สิ่งใดที่ดึงดูดคุณเข้าสู่ AI ในตอนแรก?
เมื่อฉันอยู่ที่ Microsoft (MSFT ) ฉันทำงานในองค์กร Azure AI ฉันคุ้นเคยกับภูมิทัศน์ทางอุตสาหกรรม ลูกค้า และการเปลี่ยนแปลงของ AI ที่เกิดขึ้นทั่วหลายอุตสาหกรรม ฉันเห็นจากมุมมองของลูกค้าว่าข้อมูลที่ใช้ในการฝึกอบรมเป็นอุปสรรคในการสร้างแบบจำลองการเรียนรู้ของเครื่อง และฉันเห็นว่า Appen เป็นโอกาสในการแก้ปัญหานั้น – สิ่งเชื่อมโยงที่สามารถเชื่อมต่อทุกขั้นตอนของวงจรชีวิตของ AI
คุณเป็น Chief Product Officer ที่ Appen ในปัจจุบัน คุณสามารถอธิบายถึงตำแหน่งนี้ได้อย่างไร?
ในระดับสูงสุด ทีมของฉันสร้างวิสัยทัศน์ กลยุทธ์ และสอดคล้องกับผู้มีส่วนได้ส่วนเสียหลายคนภายในองค์กรในการดำเนินการตามกลยุทธ์นั้น ในระดับส่วนบุคคล ฉันใช้เวลาส่วนใหญ่ในการทำความเข้าใจอุตสาหกรรมและลูกค้า ด้วยลูกค้าขนาดใหญ่หลายราย เช่น Amazon (AMZN ), Google (GOOGL ), Microsoft, Salesforce (CRM ), Boeing เป็นสิ่งสำคัญสำหรับทีมของฉันที่จะเข้าใจสถานการณ์ของลูกค้าและจุดอ่อนของพวกเขา และสร้างกลยุทธ์ผลิตภัณฑ์ที่ให้แผนการเติบโต การสร้างวัฒนธรรมที่ปลอดภัยและครอบคลุมก็เป็นส่วนสำคัญของบทบาทของฉัน เนื่องจากฉันเน้นการสร้างพื้นที่ให้พนักงานสามารถแบ่งปันความคิดเห็น ร่วมมือ และเติบโตในอาชีพการงานของพวกเขา
การสร้างทีมที่มีความหลากหลายมีความสำคัญเพียงใดในการพัฒนา AI?
การมีทีมที่มีความหลากหลายมีความสำคัญอย่างมากในการพัฒนา AI มีหลายวิธีในการพิจารณาความหลากหลาย – เพศ อายุ เชื้อชาติ มุมมอง ความหลากหลายของมุมมองอาจเป็นสิ่งสำคัญที่สุดในการรับประกันว่าคุณมีภูมิหลังและประสบการณ์ที่หลากหลายในทีม ความหลากหลายนี้นำความคิดใหม่ๆ และแตกต่างมาสู่การสร้างผลิตภัณฑ์ที่ดีที่สุดสำหรับลูกค้าที่มีความหลากหลาย
คุณสร้างวัฒนธรรมการทำงานที่ส่งเสริมความหลากหลายได้อย่างไร?
วัฒนธรรมที่ส่งเสริมความหลากหลายเชิญชวนพนักงานให้แบ่งปันความคิดเห็นและมุมมองของพวกเขา ฉันชอบพิจารณาวิธีการสื่อสารที่แตกต่างกันเมื่อทำการประชุมทีม เมื่อขอความคิดเห็นในระหว่างการประชุมทีม ฉันขอให้พนักงานพูดโดยตรงหรือส่งข้อความหลังจากได้คิดทบทวนแล้ว ฉันรับรู้ว่าไม่ใช่ทุกคนที่ต้องการพูดหรือแบ่งปันความคิดเห็นทันที และฉันต้องการสร้างวัฒนธรรมที่เป็นมิตรและปลอดภัยสำหรับทุกคน เพื่อให้พวกเขาสามารถแสดงความคิดเห็นและแบ่งปันความคิดเห็นได้อย่างสะดวกสบาย ไอเดียที่ดีมาจากทีมต่างๆ ภายในองค์กร ฉันพบปะกับทีมขาย ทีมการตลาด และทีมที่เผชิญหน้ากับลูกค้าเพื่อทำความเข้าใจความต้องการของผลิตภัณฑ์และมุมมองในการทำงานใกล้ชิดกับลูกค้า บางไอเดียที่ดีที่สุดมาจากการฟังอย่างตั้งใจถึงจุดอ่อนของลูกค้า – ไม่ว่าจะโดยตรงจากลูกค้าหรือทีมที่สื่อสารกับลูกค้าทุกวัน
นอกเหนือจากการมีทีมที่มีความหลากหลายแล้ว มีวิธีอื่นๆ ในการต่อสู้กับความลำเอียงในอัลกอริทึมการเรียนรู้ของเครื่องอย่างไร?
การหาข้อมูลที่ครอบคลุม การเตรียมข้อมูล และการประเมินแบบจำลองมีความสำคัญในการต่อสู้กับความลำเอียง ข้อมูลที่ใช้ในการฝึกอบรมอัลกอริทึมจะต้องครอบคลุมผู้ใช้ปลายทางที่เป็นไปได้ทั้งหมดหรือผลลัพธ์ ในระหว่างขั้นตอนต่างๆ ของวงจรชีวิตของ AI แต่ละขั้นตอนจะต้องถูกตรวจสอบสำหรับความลำเอียง AI ที่มีความรับผิดชอบถูกสร้างขึ้นด้วยชุดข้อมูลที่มีความรับผิดชอบ โดยที่ผู้ร่วมให้ข้อมูลถูกปฏิบัติด้วยความยุติธรรม Appen สร้าง Crowd Code of Ethics เพื่อแสดงความมุ่งมั่นของเราในการดูแลความเป็นอยู่ที่ดีของชุมชนผู้ให้ข้อมูล (Crowd)
คุณได้เขียนบทความเกี่ยวกับวิชาการใหม่ๆ ที่เรียกว่า Data for AI Lifecycle คุณสามารถอธิบายสิ่งนี้ได้อย่างไร?
ข้อมูลสำหรับวงจรชีวิตของ AI ประกอบด้วยสี่ขั้นตอนในวงจรที่ต่อเนื่องกัน: การหาข้อมูล การเตรียมข้อมูล การสร้างและนำแบบจำลองไปใช้งาน และการประเมินแบบจำลองโดยมนุษย์ ขั้นตอนเหล่านี้จำเป็นต่อการนำข้อมูลที่มีคุณภาพสูงมาใช้ในการสร้างโครงการ AI การหาข้อมูล การเตรียมข้อมูล และการประเมินแบบจำลองเป็นขั้นตอนที่ใช้แรงงานมากที่สุดและต้องใช้ข้อมูลมากที่สุด หากไม่ทำได้ดี อาจนำไปสู่ปัญหาในการเปิดตัวโครงการและความล่าช้า Appen มีความเชี่ยวชาญในสามขั้นตอนดังกล่าว ได้แก่ การหาข้อมูล การเตรียมข้อมูล และการประเมินแบบจำลองและร่วมมือกับผู้ให้บริการที่เชี่ยวชาญในการฝึกและนำแบบจำลองไปใช้งาน
สังเคราะห์ข้อมูลมีบทบาทอย่างไรในวงจรชีวิตของ AI?
การหาข้อมูลรวมถึงข้อมูลที่มีการทำเครื่องหมายโดยมนุษย์ ชุดข้อมูลที่มีการทำเครื่องหมายล่วงหน้า และข้อมูลสังเคราะห์ ข้อมูลสังเคราะห์ถูกนำมาใช้ในกรณีที่ข้อมูลยากที่จะหาข้อมูลและกรณีการใช้งานที่เฉพาะเจาะจง ชุดข้อมูลที่ครอบคลุมทั้งหมดครอบคลุมกรณีการใช้งานและผู้ใช้ปลายทางที่เป็นไปได้ทั้งหมดของแบบจำลอง AI และบางกรณีต้องใช้ข้อมูลสังเคราะห์เพื่อบรรลุเป้าหมายนั้น การรวมกันของข้อมูลที่มีการทำเครื่องหมายโดยมนุษย์และข้อมูลสังเคราะห์จะกลายเป็นสิ่งสำคัญสำหรับความสำเร็จของแบบจำลอง
ปัญหาเรื่องการดริฟต์ของแบบจำลองหรือการปรับให้เหมาะสมมากเกินไปมีขนาดใหญ่แค่ไหนในวงจรชีวิตของ AI?
การดริฟต์ของแบบจำลองอาจเป็นปัญหาใหญ่และต้องได้รับการแก้ไขในขั้นตอนที่สี่ของวงจรชีวิตของ AI ซึ่งก็คือการประเมินแบบจำลองโดยมนุษย์ มันสำคัญที่แบบจำลองจะยังคงทำงานในโลกแห่งความเป็นจริงและต้องผ่านการทดสอบโดยมนุษย์ เมื่อสภาพแวดล้อมเปลี่ยนแปลงและเติบโต แบบจำลองจะต้องเปลี่ยนแปลงด้วย มันสำคัญที่ผู้ปฏิบัติงานจะต้องประเมินแบบจำลองของตนอย่างต่อเนื่องเพื่อป้องกันไม่ให้แบบจำลองนั้นล้าสมัยหรือมีความลำเอียง Bing ของ Microsoft ซึ่งเป็นลูกค้ารายหนึ่ง ใช้การประเมินแบบจำลองเพื่อให้แน่ใจว่าผลลัพธ์การค้นหาทำงานตามมาตรฐานและแบบจำลองถูกประเมินอย่างต่อเนื่อง
มีสิ่งอื่นใดที่คุณต้องการแบ่งปันเกี่ยวกับการทำงานของคุณที่ Appen?
งานที่มีค่าที่สุดที่ Appen คือการทำงานของพนักงานและความเชี่ยวชาญของพวกเขา ด้วยประสบการณ์ 25 ปี Appen ได้สร้างรากฐานที่แข็งแกร่งกับพนักงานของเรา ลูกค้าของเราเชื่อมั่นในความเชี่ยวชาญของเราในการส่งมอบผลลัพธ์ที่มีคุณภาพสูงอย่างรวดเร็วและในขนาดใหญ่ Appen กำลังช่วยให้อุตสาหกรรม AI เปลี่ยนแปลงโดยการให้บริการจัดการข้อมูลสำหรับวงจรชีวิตของ AI
ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Appen เพื่อเรียนรู้เพิ่มเติม












