Dr. Judith Bishop, Appen’de AI Uzmanları Kıdemli Direktörü – Röportaj Serisi

Dr. Judith Bishop, Appen’de APAC/ABD bölgesinde AI Uzmanları Kıdemli Direktörüdür. Yüksek nitelikli ve deneyimli dilbilimciler, hesaplamalı dilbilimciler ve tüm insan iletişim biçimleri (konuşma, yazma ve jest) uzmanlarından oluşan bir ekibi yönetiyor ve büyütüyor. Böylece, AI eğitim verilerini, kalite ve hızın eşsiz bir bileşimiyle sunmaya çalışıyor.

Sizi dilbilimine ilk olarak neler çekti?

Lisedeki bir İngilizce öğretmenimden dilbilim hakkında ilk kez duydum. Hem yabancı dillere hem de beşeri bilimlere, hem de matematik ve fen bilimlerine eşit derecede ilgi duyan bir çocuktım. Dilbilim, dilin nasıl çalıştığıyla ilgili bir bilim dalı, bu nedenle bu ilgi alanlarımı bir araya getirdi. Birçok insan gibi, bir kez öğrendikten sonra tamamen bağlandım. Düşüncelerimizi ve duygularımızı birbirimize nasıl ilettiğimizden daha fascinasyonlu ne olabilir? Dilbilim, farklı sesler ve yazı sistemlerine rağmen, genellikle benzer olan dil yapılarını keşfeder, çünkü hepsi sonunda ortak insan varlığımızın bir ürünüdür.

Aİ’de çalışmaya nasıl başladığınızı anlatır mısınız?

2004 yılından bu yana Appen’de dil teknoloji ürünleri ve hizmetlerinin geliştirilmesine destek veriyorum. Bu süre zarfında, AI, insan iletişimi, akıl yürütme ve algılama yeteneklerini taklit etmek ve genişletmek için kapsamlı bir çerçeve, misyon ve vizyon olarak ortaya çıktı. 2019’da ekibimiz kendisini AI Uzmanları olarak yeniden markalaştırdı ve dilbilim ve dilbilim bilgimizin AI girişimi için kritik önemde olduğunu tanıdı. Annotated verilerimiz, AI ürün ve hizmetleriyle insan etkileşimlerinin başarısı için temel destek sağlar.

Aİ’de 16 yıldan fazla süredir çalışıyorsunuz, gördüğünüz en büyük değişiklikler nelerdir?

Temel bir değişim, odaklanmanın temel teknoloji geliştirme alanından, kullanım örnekleri ve uygulamaların uzun kuyruğuna kaymasıdır. Kariyerimin büyük部分inde, dil tabanlı AI’nin odağı, insan konuşma algılamasını ve üretmesini taklit eden temel bir dizi modeli geliştirmek ve iyileştirmek için olmuştur: konuşma tanıma, konuşma sentezi ve doğal dil işleme. Veri setleri genellikle ortak etiketleme ve veri örneklem standartlarına ve sözleşme standartlarına uymuştur, Örneğin Speecon konsorsiyumu (Tüketici Cihazları için Konuşma Tabanlı Arayüzler) tarafından geliştirilen standartlar. Bu standartlar, temel teknoloji geliştiricilerin ortak veri yapıları üzerinde performanslarını benchmark etmelerine ve AI’nin hızlı evrimine destek sağlamıştır.

Aİ kullanım örneklerinin son yıllarda yaşanan yaygın genişlemesi, core AI modellerinin, daha uzmanlaşmış veri türleri üzerinde yeterli performans göstermediğini ve bu modellerin, tüm insan girdilerini anlamak ve yanıtlamak için daha fazla ayarlanması gerektiğini göstermiştir. Ayrıca, bu modeller, temiz ve “standart” veri üzerinde geliştirilmiştir ve şimdi, tüm insan farklılıklarını anlamak ve yanıtlamak için eğitilmeli veya güncellenmelidir: tüm lehçeler, tüm aksanlar, tüm etnik kökenler, tüm cinsiyetler ve diğer tüm insan farklılığı boyutları.

Önyargısız verilerin makine öğrenmesindeki önemini tartışabilir misiniz?

Makine öğrenimi modelleri, gözetimli, gözetimsiz veya pekiştirme öğrenimi modelleri, eğitim aldıkları verideki önyargıları yansıtabilir. Alyssa Simpson Rochwerger ve Wilson Pang, yakın zamanda yayımladıkları Gerçek Dünya AI kitabında, bu sorun için birkaç mükemmel örnek sunuyor. Eğitim verisi bir nüfus segmenti için yetersizse, AI modeli bu segment için daha az doğru olacaktır.

Verilerde, gerçek dünya koşullarını yansıtan ancak istenmeyen korelasyonlar bulunabilir. Örneğin, bir nüfusun tam temsilinin yeterli olmasına rağmen, eğitim verisi, kadınların tam istihdam oranının daha düşük veya Afrikalı Amerikalıların daha yüksek bir oranda hapis cezasına çarptırılma oranının daha yüksek olduğu gibi korelasyonlar içerebilir. Sonuç olarak, AI uygulamaları bu koşulları pekiştirebilir ve sürdürülebilir.

Dilbilim uygulamalarında, dilin genel ilişkileri, önyargılar yaratabilir. Örneğin, “o” ve “hemşire” arasındaki ilişki, “onlar” veya “o” ve “hemşire” arasındaki ilişkiye göre daha sık olabilir. Bu, AI uygulamalarının, bir hemşireye atıfta bulunurken “o” kullanmasına neden olabilir. Bu soruna çözüm olarak, araştırmacılar yakın zamanda, bir word embedding algoritmasının cinsiyet açısından nötr bir varyantı geliştirdiler: GN-GloVe.

Duyarlı uygulamalarda, bu önyargı sorunları kullanıcılar için yıkıcı bir etkiye sahip olabilir ve iş yatırımını yok edebilir. İyi haber, daha şeffaf ve kapsayıcı veri setlerinin geliştirilmesinin yanı sıra, mevcut eğitim veri setleri ve AI uygulamalarında önyargı varlığını kontrol etmek için veri bilimcileri tarafından geliştirilen uygulamaların artmasıdır.

Appen, doğal dil işleme (NLP) girişimleri için yeni ve çeşitli eğitim veri setleri başlattı. Bu veri setlerinin, son kullanıcıların, dil varyantı, lehçe, etnik lehçe, aksan, ırk veya cinsiyetinden bağımsız olarak aynı deneyimi yaşayabilmesi için nasıl olanak sağlayacağını paylaşabilir misiniz?

Yukarıda belirtilen nedenlerle, mevcut AI üretim sistemlerindeki önyargıları düzeltmek için veri setlerine ihtiyaç duyulmaktadır. Appen’in bahsettiğiniz veri setleri, özellikle Afrika Amerikan Varyant İngilizce gibi etnik kökenle ilişkili lehçeleri temsil etmek için ek eğitim verisi sağlayacaktır.

Etnik köken, AI veri setlerinde açık etiketleme için kritik bir demografik boyut olarak ortaya çıkıyor. Dilbilimciler, belirli etnik kökenlerle ilişkili dilleri “etnik lehçeler” olarak adlandırıyor. AI veri sağlayıcıları gibi Appen, artık ana akım AI dil modellerinin, Explicit olarak temsil edilmeyen ana akım dışı ve azınlık nüfuslarını eşit derecede iyi performans gösteremeyeceğini tanımaktadır.

Eşit performans, sistemin kullanıcıların sözlerini ve niyetlerini (anlamlarını veya gerçekleştirmek istedikleri eylemleri) eşit derecede doğru olarak tanıyabileceği ve eşit derecede kullanıcıların ihtiyaçlarını karşılayabildiği anlamına gelir. Ayrıca, belirli bir kullanıcı nüfusuna daha olumsuz bir etki yaratmamalıdır, ya da psikolojik olarak olumsuz bir etki yaratmamalıdır.

Veri toplama yaklaşımı, coğrafi ve lehçesel olarak temsil edilen örneklemeye odaklanmaktı – bu, teknolojinin tüm dil konuşmacıları nüfusuna genelleme yapabileceği anlamına geliyordu. Ancak, dil teknolojilerinin, özellikle Afrika Amerikan Varyant İngilizce konuşucuları için daha düşük performans gösterdiği recently belgelenmiştir. Bu, bu yaklaşımın yeterli olmadığını göstermektedir. Irk, cinsiyet, aksan ve diğer boyutlarda çeşitli nüfuslar, AI sistemlerinin optimal performansını sağlamak için eğitim veri setlerine proaktif olarak dahil edilmelidir. Appen’in çeşitli AI eğitim veri setleri, bu ihtiyaca cevap vermektedir.

Aİ’nin gelecekte bu tür yaratıcılık sergileyebileceğini düşünüyor musunuz, özellikle şiir yazma konusunda?

Bu, gerçekten ilginç bir soru. Şiir ve diğer yaratıcı faaliyetler, tüm insan kaynaklarını – hafıza, algı, duyum ve duygu – ve dil ve görüntü yapılarını kullanarak, çağdaş kaygılara hitap eden içgörüler üretir. Emily Dickinson, “Eğer bir kitabı okur ve bütün vücudumu öyle bir soğuk yapar ki hiçbir ateş ısındıramaz, biliyorum ki bu şiirdir. Eğer fiziksel olarak başımın tepesi kopmuş gibi hissediyorsam, biliyorum ki bu şiirdir” demiştir. Algısal, duyusal veya duygusal bir tanınma unsuru olmalı, aynı zamanda gerçek bir sürpriz olmalıdır.

Gelişmiş AI modelleri, GPT-3 gibi, istatistiksel olarak farklı türlerde, şiir dahil, birlikte ortaya çıkan kelimelerin olasılığını modelleyebilir. Bu, “şiirsel” dili üretmelerine olanak tanır – Örneğin, yükseltilmiş sözcük seçimi, kafiye ve beklenmedik veya sürreal kelime kombinasyonları. Ancak bu üretken dil modelleri, bir sanat eserini üretmek için gerekli kaynakların çoğuna sahip değildir – bu kaynaklar, insan varlığının anlamına ışık tutan bir eser üretmek için gereklidir.

Aİ’nin yaratıcı bir bağlamda beni etkileyen potansiyeli, tamamen yeni içgörüler üretme yeteneğidir – insan aklının erişemeyeceği, farklı türden içgörüler. AI, geniş bir insan alanı boyunca duyusal ve algısal verilere analiz için sürekli erişim sağladığında, neler öğreneceğimiz bilinmez. AI’nin analitik yetenekleri, insan keşfi için yeni ve verimli alanlar yaratabilir.

Sizce, daha fazla kadının STEM ve özellikle AI alanlarına katılmasını engelleyen nedir?

Rol modellerinin eksikliği güçlü bir faktör olabilir (ve bir kısır döngü). Kültür, sosyal ve pratik olarak, kadınların ve diğer çeşitli cinsiyetlerin henüz derinlemesine bir varlığı olmayan alanlara girmesi zor – ve bu alanlarda katkıda bulunabileceklerine karşı saygı thường eksik. Lider olarak edindiğim deneyim, bana defalarca, çeşitli deneyimler ve perspektifleri kapsayan ekiplerin nasıl dayanıklı, yaratıcı ve başarılı olabileceğini gösterdi. Liderler, düşünce şekillerine getirecekleri zorluklara rağmen, çeşitli perspektifleri içeren ekipleri istihdam etmekte cesur olmalı ve bu cesaretin, finansal ve kurumsal başarı ile güçlü bir şekilde ilişkili olduğunu bilmelidir.

Appen veya AI ile ilgili paylaşmak istediğiniz başka bir şey var mı?

Veri sağlayıcıları gibi Appen, kapsayıcı eğitim verisi sağlayarak AI sonuçlarını iyileştirmek için güçlü bir potansiyele sahiptir.

Ancak, kapsayıcı AI’ye ulaşmak, herkesin katılımını gerektirir. Veri alıcıları, sistemlerinin optimal performansını sağlamak için kapsayıcı veriyi açıkça talep etmeli ve ödemelidir. AI geliştirme için veri sağlayan çeşitli topluluklardan的人lar, verilerinin nasıl kullanılacağını güvenle bilmelidir. Güveni inşa etmek, tüm duyarlı verileri işleyenlerin güçlü şeffaflık ve etik uygulamalarına ihtiyaç duyacaktır.

Harika röportaj için teşekkür ederim, AI ve dilbilim hakkındaki görüşlerinizi daha fazla öğrenmekten keyif aldım. Daha fazla bilgi edinmek isteyen okuyucular, Appen sitesini ziyaret edebilir.