Andrea Vattani, Spiketrap’ın Kurucu Ortağı ve Baş Bilim Adamı – Röportaj Serisi

Andrea Vattani, Spiketrap’ın kurucu ortağı ve baş bilim adamıdır. Spiketrap, yaratıcılar, platformlar ve markalar için audience zekası ve medya performansını sağlayan bir bağlamsallaştırma şirketidir. Şirketin özel Clair AI’sı, yapılandırılmamış veritabanlarının gürültüsünden sinyali çıkarmakta ve özellikle yüksek hızlı çevrimiçi ortamlarda eşsiz bir netlik ve bağlam sağlamaktadır.

Sizce bilgisayar bilimi ve yapay zeka sizi ilk olarak neler çekmiştir?

Bu, bir dizi şanslı durumun birleşmesiydi. Roma Üniversitesi’ne istatistik ana bilim dalı giriş sınavına girmek için geldim, ancak sınav bir gün önce yapılmıştı! Bana bilgisayar bilimi bölümüne başvurmayı ve bir yıl sonra istatistik bölümüne geçmeyi önerdiler. Bilgisayar bilimi giriş sınavına girdim (o gün yapılmıştı!) ve geçtiğim… ve istatistik bölümüne hiç geçmedim! Yapay zeka ile ilgili ilgim, bilgisayarların şeyleri otomate etme şekliyle gerçekten başladı ve yapay zeka, nihai otomasyon makinesidir. Ayrıca, doğal dil ve insanların onu nasıl kullandığı her zaman ilgimi çekmiştir: lisede klasik çalışmalar yapmıştım, eski Yunan ve Latin dili çalışmıştım, bu, bir makinenin kelime akışıyla beslenmesi gibidir.

Önce Amazon (AMZN ) Goodreads’te Kıdemli Lider Yazılım Mühendisi olarak çalıştınız, orada hangi projeler üzerinde çalıştınız ve bu deneyimden neler öğrendiniz?

Goodreads’te, spam algılama ve kitap öneri motorunun ölçeklendirilmesi gibi çeşitli makine öğrenimi projeleri üzerinde çalıştım. Orada geçirdiğim süre boyunca öğrendiğim şey, iş ve müşteri hedeflerine uyan ML metriklerini tanımlamanın önemiydi. Örneğin, öneri motorları gerçekten uzun süredir var. 2009’da daha iyi film önerileri bulmak için “Netflix (NFLX ) Ödülü” yarışmasını hatırlayın? En iyi çözümlerden bazıları, bir filmi izleme olasılığınızın, beğeneceğinizden çok ilginize benzer olmasına bağlı olduğunu gösterdi. Bu, 90 dakikalık bir taahhüt olan filmler için çalışabilir, ancak kitaplar için böyle değildir. Hedeflerinizi metriklerinize entegre etmek önemlidir.

Spiketrap’te uyguladığım bir diğer öğrenme, teslimata odaklı ve ürün yol haritasıyla entegre edilmiş AI ekipleri oluşturmaktır. Bu, daha iyi hedef tanımları, zaman çizelgeleri ve ROI anlayışına yol açar. Ayrıca, ekibi modelin doğruluğundan çok hız ve pratikliğine odaklanmaya doğal olarak yöneltir. Netflix yarışması örneğine geri döndüğümüzde, kazanan takımların modelleri, pratik olmamasına rağmen daha yüksek doğrulukları nedeniyle hiçbir zaman entegre edilmedi.

Araştırmalarınız birçok dergide yayımlanmıştır, sizin görüşünüze göre şimdiye kadar en önemli makale hangisidir?

Doktora çalışmam sırasında, makine öğrenimi, “büyük veri”, sosyal veri analizi ve oyun teorisi gibi farklı alanlardan birçok araştırmacı ile işbirliği yapma şansına sahip oldum. Beğendiğim bir makale, “Scalable K-Means++” dir: K-means++, bir dataseti K tutarlı gruba ayırmak için kullanılan bir yapısız kümeleme yöntemidir. Bunu, bir grup ekleyerek yapar, bu nedenle çok veri ve grup olduğunda çok yavaş olur. Bu makalede, aynı veya daha iyi doğrulukla paralelleştirmek için nasıl mümkün olduğunu gösteriyoruz. Yöntemimiz son derece basittir ve birçok makine öğrenimi kütüphanesinde uygulanmıştır.

Spiketrap’ın arkasındaki hikayeyi paylaşabilir misiniz?

Goodreads’te çalıştıktan sonra, Spiketrap’ın kurucu ortakları Kieran ve Virgilio ile birlikte, niş sosyal platformlardan gelişmiş marka içgörülerine erişmek için endüstride bir boşluk olduğunu anladık. AI teknolojilerini uygulayarak bu sorunu verimli bir şekilde çözebilirdik.

Bugünün ekonomisinde, şirketlerin müşterilerini ve endüstrilerini dinlemesi çok önemlidir. Ancak, müşterilerin markalar hakkında söyledikleri çok şey duyulmaz. Milyonlarca insan her gün, Twitter, Reddit, Twitch gibi platformlar üzerinden görüşlerini açıkça ifade etmektedir. Bu, herhangi bir pazar araştırmacısı için son derece değerli bir kaynaktır, ancak içerik büyük ölçekte bağlamsallaştırılabiliyorsa. Sorun, içgörüler endüstrisinin dijital davranışlar ve dilin evrimine ayak uyduramamasıdır.

Dinleme araçları, anahtar kelimelere ve boolean aramalarına bağlı kalır ve bir markaya atfedilebilecek birçok konuşmayı kaçırır. Pazar araştırma şirketleri, nicel ve maliyetle sınırlı metodolojilerden nitel içgörüler çıkarmaya çalışırken, giderek daha zor bir dengeleme hareketi içinde yakalanmışlardır.

Kısacası, insanlar büyük ölçekte kitlelerini anlamak için gerekli araçlardan yoksundurlar. Satış rakamları ve izleyici sayıları, audience davranışlarının “ne” sorusunu cevaplar, ancak “neden” sorusunu cevaplamaz. Bağlamsal anlama olmadan, korelasyon ile nedensellik arasındaki farkı çıkarmak bir tahmin oyunudur. Bu boşluğu tanıdıktan sonra, bir çözümün neye benzeyeceğini araştırmaya başladık ve Spiketrap doğdu.

Spiketrap’ta kullanılan bazı makine öğrenimi teknolojileri nelerdir?

Scikit-learn gibi geleneksel kütüphanelerden Pytorch gibi derin öğrenme kütüphanelerine kadar birçok teknoloji kullanıyoruz. Kütüphanelerin yanı sıra, kullandığımız metodolojiler, modeller ve veri setleri büyük ölçüde özeldir. Off-the-shelf yöntemlerin ve modellerin sizi sadece belirli bir noktaya kadar götürebileceğini, ancak gerçekten bir sorunu çözmek için kendi çalışmalarınızı, hedeflerinize ve model mimarinize kadar melakukan gerekiyor. Örneğin, konu modelleme, bir dizi metinden temaları çıkarmakla ilgilidir. “Spiketrap Convos” müşterilerimize kitleleri hakkında kritik içgörüler sağlar ve konu modelleme kullanır. Tipik konu modelleme yöntemi LDA’dir (Latent Dirichlet Allocation), ancak bu tutarlı ve güçlü değildir ve yeterli değildir. Diğer taraftan, modern bir önceden eğitilmiş model olan Bert-Topics’i deneyebilirsiniz, ancak bu da çok esnektir ve yavaşdır. NLP ve dil AI’si son on yılda büyük ilerlemeler kaydetmiştir, ancak mevcut modelleri ürünler haline getirmek hala optimal değildir ve riskli bir bahisdir.

Spiketrap’ın yaratıcılar, platformlar ve markalar için anlık audience anlama nasıl sağladığını açıklar mısınız?

Reklamverenler ve ajanslar, influencer sıralamalarımızı ve marka afinite araçlarımızı kullanarak, çeşitli kategorilerde, toksik, müstehcen ve cinsel içerik gibi konularda marka güvenliği dereceleri olan yaratıcıların topluluklarını tanımlar.

Yaratıcılar, aracımızı kullanarak bireysel akışlara dalabilir ve hangi konuşmaların en güvenli veya en güvensiz olduğunu, hangilerinin sponsorları için olumlu etkileşimi teşvik ettiğini ve moderasyon çabalarını nasıl iyileştirebileceklerini görebilir.

Spiketrap tarafından yayımlanan bir makale olan ‘FeelsGoodMan: Twitch Neologizmlerinin Anlamını Çıkararak’ makalesini kısaca tanıtabilir misiniz?

İnsanların online olarak iletişim kurma ve kendini ifade etme şekli giderek daha karmaşık ve anlaşılması zor hale geldi. İlk olarak emoticonlar geldi, ardından emojis, sonra memler… ve şimdi “emotes”, Twitch yayın platformunda popüler hale gelen bir tür ikon tabanlı iletişim. Emojis gibi, metinle karıştırılmış olarak kullanılırlar, ancak anlamları resimdeki gerçek görüntü ile açık bir bağlantıya sahip değildir. Şu anda 8 milyondan fazla farklı emote vardır ve haftada 400 binden fazlası kullanılır. İnsanlar, sevinç, sıkıntı, heyecan veya alaycılık gibi hisleri ifade etmek için bunları etkili bir şekilde kullanır. Son makalemiz, emotelerin anlamsal anlamını çıkarmak için bir AI rehberidir. Yaklaşımımız, manuel olarak oluşturulan ve güncellenen bir veri setine ihtiyaç duymaz ve yeni emotelerin sürekli tanıtımına ve popüler emotelerin anlamındaki evrimlere kendiliğinden uyum sağlar. Bu, bir emote politik veya ırksal olarak yüklenirse, özellikle “TriHard”, “PogChamp” ve “FeelsGoodMan” gibi popüler emoteler için önemlidir. Dilin dinamik kullanımı ve anlamlardaki değişiklikler, moderasyon sistemleri veya duygu analizi çerçeveleri için büyük sorunlar oluşturur, bu nedenle bu sorunu doğru şekilde ele almayı önemsiyoruz.

Spiketrap hakkında paylaşmak istediğiniz başka bir şey var mı?

Yeni yılın başlangıcına doğru, Spiketrap, müşterilerimiz için marka tutumunu daha derin bir şekilde anlamak üzere yeni bir araç geliştirmeye ve mükemmelleştirmeye çalışıyor. Spiketrap’ın yeni Afinite Aracı, yaratıcılar, markalar, oyunlar ve daha fazlası arasında audience afinitelerini tanımlamak ve nicelendirmek için etkileşimli ve sezgisel bir yol sağlar. Herhangi bir sorgu için, araç, iki varlık arasındaki olumlu korelasyonu gösteren afinite endeks puanları oluşturur. Skor, ilgili atıfların sıklığı ve duygusu da dahil olmak üzere birçok bağlamsal sinyali içerir. Spiketrap’ın teknoloji yığını, oyunlar, markalar ve yaratıcılar arasındaki afiniteyi endekslemek için benzersiz bir şekilde konumlandırılmıştır. Clair, özel NLP AI’sı, her gün milyonlarca kamu tarafından paylaşılan kullanıcı tarafından oluşturulan mesajı işler, başka türlü belirsiz içeriği Spiketrap’ın geniş bilgi grafine atfeder, konuşma konularını tanımlar, duyguyu belirler ve güvenliği izler. Yeni Afinite Aracı’nın eklenmesi, geliştiricilerin, yaratıcıların, markaların ve daha fazlasının kitlelerini ve marka etkilerini daha iyi anlamalarına olanak tanır.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Spiketrap‘ı ziyaret edebilir.