วิกรันต์ โทมาร์ CTO และผู้ก่อตั้ง Fluent.ai – ซีรีส์สัมภาษณ์

วิกรันต์ โทมาร์ เป็น CTO และผู้ก่อตั้ง Fluent.ai ซึ่งเป็นซอฟต์แวร์สำหรับการทำความเข้าใจเสียงพูดและอินเทอร์เฟซผู้ใช้เสียงสำหรับผู้ผลิตอุปกรณ์และผู้ให้บริการ

สิ่งใดที่ดึงดูดคุณให้ศึกษาการสร้างแบบจำลองเสียงสำหรับการรู้จำเสียงพูด?

จริงๆ แล้ว คือความสามารถในการพูดกับอุปกรณ์เหมือนกับที่เราพูดกับมนุษย์อื่น วิสัยทัศน์นี้น่าสนใจสำหรับฉัน ฉันเริ่มศึกษาการรู้จำเสียงพูดในช่วงปีสุดท้ายของการเรียนปริญญาตรี และฉันก็เริ่มสนใจการวิจัยด้วย ฉันจึงเข้าร่วมการเรียนการรู้จำเสียงพูดและโครงการวิจัยที่เกี่ยวข้อง และฉันก็สามารถตีพิมพ์ผลงานวิจัยในงานประชุม InterSpeech ซึ่งเป็นหนึ่งในงานประชุมการรู้จำเสียงพูดที่ใหญ่ที่สุดและได้รับการยอมรับมากที่สุดจากงานนี้ ฉันจึงตัดสินใจเลือกวิจัยการรู้จำเสียงพูดเป็นเป้าหมายระยะยาว และดังนั้นจึงได้ปริญญาเอก

ในปี 2015 คุณได้เริ่ม Fluent.ai คุณสามารถเล่าเรื่องราวเกี่ยวกับการก่อตั้งบริษัทนี้ได้หรือไม่?

ฉันมีความต้องการที่จะเป็นนักธุรกิจมาเป็นเวลานาน ฉันและเพื่อนสองคน曾พยายามเริ่มธุรกิจหลังจากจบปริญญาตรี แต่ด้วยเหตุผลบางอย่าง ความพยายามนั้นไม่สำเร็จ ในระหว่างการเรียนปริญญาเอกที่ McGill ฉันจึงติดตามสถานการณ์ธุรกิจในมอนทรีออล และฉันก็ได้ติดต่อกับคนจาก TandemLaunch ซึ่งเป็นสถานที่ที่ฉันก่อตั้ง Fluent.ai ในช่วงเวลานั้น ฉันกำลังจะจบปริญญาเอกและกำลังคิดจะเริ่มธุรกิจอีกครั้ง จากประสบการณ์การทำงาน การวิจัย และการทำงานร่วมกับกลุ่มวิจัยเสียงพูด ฉันจึงรู้สึกว่าประสบการณ์เหล่านั้นได้เน้นไปที่การทำความเข้าใจเสียงพูดในแบบเฉพาะเจาะจง ซึ่งก็คือการเปลี่ยนเสียงพูดเป็นข้อความและจากนั้นจึงใช้การประมวลผลภาษา แต่นี่ทำให้เกิดช่องว่างในด้านความสามารถในการใช้งาน ส่วนหนึ่งของประชากรไม่สามารถใช้ประโยชน์จากโซลูชันเสียงพูดที่พัฒนาในลักษณะนี้ได้ เนื่องจากจำนวนข้อมูลที่ต้องการสำหรับวิธีการเหล่านี้มีมากเกินไป และจะไม่คุ้มค่าในการพัฒนามอเดลที่แยกจากกันสำหรับภาษาที่มีคนพูดน้อยกว่า นอกจากนี้หลายภาษายังมีรูปแบบการเขียนที่ไม่ชัดเจน แม้กระทั่งครอบครัวของฉันไม่สามารถใช้เครื่องมือที่ฉันพัฒนาขึ้นได้ (พวกเขาใช้ภาษาฮินดี) เมื่อพิจารณาทั้งหมดนี้ ฉันจึงเริ่มคิดถึงวิธีการสร้างแบบจำลองเสียงที่ต้องการข้อมูลน้อยลง และ/หรือผู้ใช้สามารถฝึกหรืออัปเดตแบบจำลองได้ด้วยตนเอง ฉันรู้จักการทำงานที่มหาวิทยาลัย KU Leuven (KUL) ซึ่งสามารถตอบสนองความต้องการบางส่วนได้ ด้วยเทคโนโลยีบางส่วนจาก KUL เราจึงสามารถเริ่มต้นขั้นตอนแรกของ Fluent.ai ได้

คุณสามารถอธิบายเกี่ยวกับโซลูชันการรู้จำเสียงพูดที่直관ของ Fluent.ai ได้หรือไม่?

โซลูชันการรู้จำเสียงพูดของ Fluent.ai ได้รับแรงบันดาลใจจากวิธีการที่มนุษย์เรียนรู้และรู้จำภาษา ระบบการรู้จำเสียงพูดแบบเดิมจะถอดเสียงพูดเป็นข้อความก่อน แล้วจึงดึงความหมายออกมาจากข้อความนั้น แต่นี่ไม่ใช่วิธีการที่มนุษย์รู้จำเสียงพูด ลองนึกถึงเด็กที่ยังไม่เรียนรู้การอ่านและเขียน แต่สามารถพูดคุยกับคนอื่นได้อย่างง่ายดาย ในลักษณะเดียวกัน โมเดลการเรียนรู้เชิงลึกของ Fluent.ai สามารถดึงความหมายออกมาจากเสียงพูดโดยไม่ต้องถอดเป็นข้อความก่อน นี่คือการทำความเข้าใจภาษาพูดที่แท้จริง มีข้อดีหลายประการของวิธีการนี้ ระบบการรู้จำเสียงพูดแบบเดิมเป็นวิธีการที่ยุ่งยาก ซึ่งประกอบด้วยโมดูลหลายตัวที่ถูกฝึกฝนแยกจากกันและถูกผสมผสานเข้าด้วยกันเพื่อให้ได้ผลลัพธ์สุดท้าย ซึ่งนำไปสู่การทำงานที่ไม่เหมาะสมซึ่งได้รับผลกระทบจากเสียงพูดที่มีเสียงพื้นหลังหรือสภาพแวดล้อมที่แตกต่างกัน ระบบการรู้จำเจตนาของ Fluent.ai (AIR) ได้รับการปรับให้เหมาะสมทั้งหมด เป็นโครงสร้างแบบนิวรัลเน็ตเวิร์กที่ถูกฝึกฝนร่วมกันเพื่อให้ได้ผลลัพธ์ที่ดีที่สุด นอกจากนี้เรายังสามารถลบโมดูลที่มีการคำนวณหนักออกได้ ซึ่งช่วยให้เราสามารถสร้างระบบการรู้จำเสียงพูดที่มีขนาดเล็กและสามารถทำงานได้ใน RAM เพียง 40KB บนไมโครคอนโทรลเลอร์ที่มีพลังงานต่ำที่ 50 MHz สุดท้าย ระบบการทำความเข้าใจภาษาพูดของเราสามารถใช้ประโยชน์จากความคล้ายคลึงกันระหว่างภาษาต่างๆ ได้อย่างไม่เหมือนใคร เพื่อให้ได้คุณสมบัติที่ไม่เหมือนใคร เช่น ความสามารถในการรู้จำหลายภาษาในแบบจำลองเดียวกัน

คุณสามารถอธิบายถึงความท้าทายของ AI ที่อยู่เบื้องหลังการเอาชนะปัญหาเสียงพื้นหลังได้หรือไม่?

เสียงพื้นหลังคือหนึ่งในความท้าทายที่ใหญ่ที่สุดสำหรับการรู้จำเสียงพูด สิ่งที่ทำให้ปัญหานี้ยากคือมีหลายประเภทของเสียงพื้นหลังและพวกมันส่งผลต่อเสียงพูดในหลายวิธี บางครั้งเสียงพื้นหลังสามารถส่งผลต่อการตอบสนองของไมโครโฟนได้ ในหลายกรณี ไม่สามารถแยกแหล่งเสียงพูดออกจากแหล่งเสียงพื้นหลังได้ ในบางกรณี เสียงพื้นหลังสามารถปิดบังข้อมูลที่มีอยู่ในเสียงพูด หรือสามารถลบข้อมูลที่มีประโยชน์ออกไปได้ ทั้งสองอย่างนี้ส่งผลให้ได้ผลลัพธ์ที่ไม่แม่นยำ

คุณสามารถอธิบายได้หรือไม่ว่า Edge AI คืออะไร และ Fluent.ai ใช้ AI ประเภทนี้อย่างไร?

Edge AI เป็นคำที่ใช้เพื่อครอบคลุมหลายวิธีที่แอปพลิเคชัน AI สามารถถูกย้ายไปยังอุปกรณ์ที่มีพลังงานต่ำมากขึ้น มากขึ้นเรื่อยๆ ที่คำนี้ถูกใช้สำหรับกรณีที่อุปกรณ์ขอบมอบหมายให้ทำการคำนวณที่ฉลาดบางอย่างด้วยตนเอง ที่ Fluent.ai เราเน้นไปที่การนำการทำความเข้าใจภาษาพูดที่มีคุณภาพสูงไปยังขอบ เราได้พัฒนาอัลกอริทึมที่มีประสิทธิภาพซึ่งช่วยให้อุปกรณ์คำนวณที่มีพลังงานต่ำสามารถรู้จำเสียงพูดได้ด้วยตนเองโดยไม่ต้องส่งข้อมูลไปยังเซิร์ฟเวอร์คลาวด์สำหรับการประมวลผล ข้อดีคือสองประการ ประการแรก ความเป็นส่วนตัวของผู้ใช้ไม่ถูกบุกรุกโดยการส่งและเก็บข้อมูลเสียงไปยังคลาวด์ ประการที่สอง วิธีการนี้ช่วยลดความล่าช้าเนื่องจากข้อมูลเสียงและผลลัพธ์ไม่ต้องเดินทางระหว่างเซิร์ฟเวอร์คลาวด์และอุปกรณ์

คุณสามารถอธิบายถึงเทคโนโลยีการเรียนรู้ของเครื่องอื่นๆ ที่ถูกใช้ได้หรือไม่?

จุดสนใจหลักของเราคือการนำแนวทางการเรียนรู้เชิงลึกมาใช้สำหรับการรู้จำเสียงพูด เราใช้วิธีการเรียนรู้แบบเสริม (RL) เช่น NASIL[1] เพื่อค้นหาสถาปัตยกรรมโมเดล AI ใหม่ที่ไม่ทราบมาก่อน (ในบางแง่ คือ AI ที่สร้าง AI) และเราก็ใช้ AutoML เพื่อปรับโมเดล AI ที่กำหนดไว้ล่วงหน้าเพื่อให้ได้ผลลัพธ์ที่เชื่อถือได้สำหรับการใช้งานต่างๆ ซึ่งช่วยเพิ่มความน่าเชื่อถือและความสามารถในการทำซ้ำ การบีบอัดโมเดลและแนวทางทางคณิตศาสตร์อื่นๆ ช่วยเพิ่มประสิทธิภาพของโมเดล

คุณเห็นอะไรที่จะเกิดขึ้นใน 5 ปีข้างหน้าสำหรับทั้งการทำความเข้าใจภาษาและประมวลผลภาษา?

ฉันคิดว่าระบบจะพัฒนาเพื่อให้สามารถมีปฏิสัมพันธ์ที่เป็นธรรมชาติมากขึ้น แม้ว่าจะมีการพัฒนาอย่างมากในช่วงไม่กี่ปีที่ผ่านมา แต่ระบบส่วนใหญ่ในปัจจุบันสามารถตอบคำถามง่ายๆ หรือทำการค้นหาด้วยเสียงได้เท่านั้น เราจะเห็นโซลูชันมากขึ้นที่สามารถให้เหตุผลและตอบคำถามที่สมบูรณ์สำหรับบุคคลแทนการทำงานเป็นเครื่องมือค้นหาด้วยเสียงเท่านั้น

ประเด็นที่น่าสนใจอีกประการหนึ่งคือความเป็นส่วนตัว โซลูชันที่ได้รับความนิยมในปัจจุบันส่วนใหญ่เชื่อมต่อกับอินเทอร์เน็ตและส่งข้อมูลเสียงของผู้ใช้ทั้งหมดไปยังเซิร์ฟเวอร์คลาวด์ แต่ความเป็นส่วนตัวของโซลูชันเหล่านี้กลายเป็นปัญหา เราก็เริ่มเห็นการใช้งานอินเทอร์เฟซเสียงในสถานการณ์อุตสาหกรรม พื้นที่เสียงมืออาชีพ และในห้องประชุมและห้องจัดเลี้ยง สิ่งสำคัญสำหรับการใช้งานเหล่านี้คือความเป็นส่วนตัว ดังนั้นโซลูชันที่เชื่อมต่อกับอินเทอร์เน็ตในปัจจุบันจึงไม่เพียงพอ ดังนั้นเราจะเห็นโซลูชัน AI ที่ทำงานบนอุปกรณ์ (Edge AI) มากขึ้น

เช่นเดียวกับที่ฉันกล่าวไว้ก่อนหน้านี้ วิธีการรู้จำเสียงพูดและภาษาเหล่านี้ยังคงไม่สามารถเข้าถึงได้สำหรับประชากรทั่วโลกจำนวนมาก มีการทำงานอย่างมากในการสร้างโมเดล AI ใหม่ที่สามารถฝึกฝนได้ด้วยข้อมูลจำนวนน้อย ซึ่งจะช่วยลดต้นทุนในการพัฒนาและทำให้สามารถพัฒนามอเดลสำหรับภาษาที่มีคนพูดน้อยได้ เราจะเห็นโซลูชันที่สามารถเรียนรู้เพื่อรู้จำหลายภาษาในแบบจำลองเดียวกันโดยรวมแล้ว เราจะเห็นการใช้งานโมเดล AI ที่สามารถตอบคำถามของผู้ใช้ได้ในภาษาแม่ของตน

คุณมีอะไรที่ต้องการแบ่งปันเกี่ยวกับ Fluent.ai อีกหรือไม่?

เทคโนโลยีเสียงพูดได้พัฒนาอย่างมากในช่วงไม่กี่ปีที่ผ่านมาและมีศักยภาพในการเติบโตอย่างมากในอนาคต ที่ Fluent.ai เรากำลังมองหาการใช้งานใหม่ๆ สำหรับเทคโนโลยีของเราอยู่เสมอ ในขณะเดียวกันก็พัฒนาอย่างต่อเนื่องภายในองค์กร การระบาดของโควิด-19 ได้สร้างความตระหนักถึงพื้นที่สัมผัสสูง เช่น ปุ่มลิฟต์ ตู้คีออสในภัตตาคาร และอื่นๆ ซึ่งสร้างความต้องการใหม่สำหรับเทคโนโลยีเสียงพูด Fluent.ai หวังที่จะช่วยเติมช่องว่างเหล่านี้ เนื่องจากโซลูชันของเรามีหลายภาษาและสามารถทำงานได้แบบออฟไลน์ ซึ่งให้ความเป็นส่วนตัวเพิ่มเติม ฟังก์ชันเหล่านี้ตามที่กล่าวไว้ข้างต้น มีแนวโน้มที่จะเป็นอนาคตของเทคโนโลยีเสียงพูด

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Fluent.ai เพื่อเรียนรู้เพิ่มเติม

[1] https://www.researchgate.net/profile/Farzaneh_Sheikhnezhad_Fard/publication/341083699_Nasil_Neural_Archit