Dr. Neil Yager, Phrasee’nin Kurucu Ortağı ve Baş Bilim İnsanı – Röportaj Serisi

Dr. Neil Yager, Phrasee‘nin Baş Bilim İnsanı ve Phrasee yönteminin mimarıdır. Phrasee, eBay, Groupon, Virgin gibi dünyanın en tanınmış markalarının pazarlama kopyalarını optimize etmeye yardımcı olan bir AI güçlendirilmiş kopya yazma aracıdır. Bu, Avustralya’dan Amerika’ya, 20’den fazla dilde, İngilizce’den Japonca’ya kadar uzanan bir alana sahiptir.

Dr. Yager, över bir düzine akademik yayını yazmış, veri madenciliği üzerine bir kitap yazmış ve birkaç patent sahibi olmuştur. Yapay zeka ticarileşmesinin dünya çapındaki önde gelen uzmanlarından biri olarak, Avustralya’daki New South Wales Üniversitesi’nden Bilgisayar Bilimi alanında doktora derecesine sahiptir.

Siz 20 yıllık bir teknoloji endüstrisi veteranisınız, önceki AI ilgili rolleriniz nelerdi?

AI ile ilgili çalışmalara doktora eğitimim sırasında, 2000’lerin ortalarında başladım. Ancak, o zamandan beri bu alan birkaç kez yeniden markalaştırıldı. Örneğin, 15 yıl önce “istatistiksel kalıp tanıma” çalışıyordum. Birkaç yıl sonra bu, daha çok “makine öğrenimi” olarak biliniyordu ve bu daha da çekici bir isimdi. Daha最近, makine öğrenimi (ve özellikle “derin öğrenme”) genel olarak “yapay zeka” ile eşanlamlı hale geldi. Bununla ilgili karışık duygularım var. Bir yandan, Phrasee ile çalışmam, markalaşmanın önemini öğretti. Öte yandan, “yapay zeka” terimi bazı bagajlar getirir ve teknoloji hakkında yanlış anlaşılmaya neden olabilir. İstatistiksel kalıp tanıma diye adlandırmaya devam etseydik acaba nerede olurduk diye merak ediyorum.

Önceki çalışmalarımın çoğu sinyal işleme ve bilgisayar görme alanlarında oldu. Phrasee’den önce doğal dil işleme alanında fazla deneyimim yoktu. Daha sonra, dilin muhtemelen AI’deki en zor problem olduğunu öğrendim.

2008 yılında ‘Biometrik Sistem ve Veri Analizi: Tasarım, Değerlendirme ve Veri Madenciliği’ adlı bir kitap yazdınız. Bu kitap, biyometrik verilerin değerlendirilmesi, yorumlanması ve anlaşılması için istatistik ve makine öğrenimi konularını birleştirir. Bu kitap yayımlanından bu yana, daha fazla hesaplama kaynağı dışında, bu alanın evrimleştiğine inaniyor musunuz? Nasıl değişti?

Derin öğrenme, bilgisayar görme, dil işleme ve makine öğrenimi alanlarını bu kitap yazıldıktan sonra sarstı. Bugün, derin öğrenme bölümü olmadan bu kitabı yazmak mümkün olmazdı.

Derin öğrenme devrimi gerçekten 2012’de, bir derin öğrenme modelinin ImageNet yarışmasını kazanmasıyla başladı. ImageNet, bir görsel nesne tanıma veri kümesidir ve bilgisayar, bir görüntüde ne olduğunu belirler (örneğin “köpek” veya “balon”). Onlarca yıl boyunca araştırmacılar, bu gibi benchmark veri kümelerinde渐進 kazançlar elde ettiler. Her alt alan bağımsız olarak çalıştı ve çok fazla alan özelinde uzmanlığa dayanıyordu. neredeyse bir gecede, yıllarca inşa edilen tüm modeller geçersiz hale geldi. Dışarıdan tasarlanan derin öğrenme algoritmaları, önemli marjlarla yarışmaları kazandı. Bu, AI endüstrisini dönüştürdü.

Alan hala hızlı bir şekilde ilerliyor ve Phrasee’yi kurduğumuzdan bu yana bile evrimleşmeye devam etti. Örneğin, şimdi kullandığımız derin öğrenme araçları şirketin kurulduğu zaman yoktu. İnovasyonun hızı, kendi başına zorluklar getiriyor.

Bize Phrasee’nin işlere neler yapabileceğini paylaşabilir misiniz?

Phrasee, işler için iki problemi çözer. İlk olarak, pazarlama kopyalarını yazma problemi vardır. Şu anda daha önce hiç olmadığı kadar çok reklam kanalları vardır (örneğin, e-posta, AdWords, sosyal medya, basılı yayın, podcast, vs.). Tüm bu kanallar için yüksek kaliteli kopya yazmak ve markanın stil ve tonuna uygun olmak zordur. Phrasee, otomatik olarak kopya üreterek ölçekleme problemine çözüm getirir. İkincisi, kullanılan dilin etkili olması önemlidir. Phrasee sadece dil üretmekle kalmaz, aynı zamanda makine öğrenimi kullanarak mesajın etkisini öngörür ve optimize eder.

Doğal Dil İşleme (NLP) ve Derin Öğrenme’yi kullanarak reklam kopyasının gücünü artırmak fikrine ne sizi çekti?

Dijital pazarlama kampanyalarının etkisini maksimuma çıkarmak için AI kullanma fikri yeni değil. Fizik doktorası olan birçok kişi, reklam optimizasyonu üzerine çalışmak için işe alınmıştır. Ancak, çoğu durumda, mereka, hedef kitle segmentasyonu, kişiselleştirme, teslimat zamanlaması, reklam yerleştirme, yazı tipleri gibi konularda Ar-Ge çalışmalarına odaklanıyorlar. Phrasee’yi ilk olarak düşündüğümüzde, neredeyse herkesin reklamların kendilerini optimize etmeye çalıştıklarını, ancak kullanılan dili optimize etmediklerini fark ettik. Bu, pazarın bir boşluğu ve büyük bir fırsat olarak gördük.

Phrasee, Japonca da dahil olmak üzere 20’den fazla dilde pazarlama kopyasını geliştirebiliyor. Yabancı dillerle ilgili olarak karşılaşılan benzersiz Doğal Dil İşleme sorunlarından bazılarını tartışabilir misiniz?

En son eklediğimiz dil, Rusça. Bu, diğer İndo-Avrupa dillerinden farklı olarak bir Slav dili. Bu durumda, dil üretme sistemimize yeni kurallar eklemek gerekliydi, böylece çıktı, akıcı ve gramer olarak doğru olacaktı. Bu, sadece bir dil sorunu değil, aynı zamanda bir yazılım geliştirme sorunudur. Sistemimizin çıktısı geliştiricinin anadilinde olduğunda, hataları tespit etmek ve her şeyin doğru çalıştığından emin olmak nispeten kolaydır. Ancak, Rusça veya Japonca üzerinde çalışırken, anlamsız şeyler üretebilir ve bunun farkında olmayabiliriz. Kalite güvence sürecinde bir anadili konuşanın yakından involvementı önemlidir.

Sorun sadece yabancı dillerle değil, aynı zamanda bölgesel farklılıklarla da ilgilidir. Örneğin, İngilizce, ABD, İngiltere, Avustralya, Kanada gibi ülkeler için farklı yazım varyasyonlarına sahiptir. Ayrıca, dilin anlamı da yerden yere değişebilir. Bir “lastik” İngiltere’de bir silgi, Kuzey Amerika’da ise bir prezervatiftir. NLG sistemlerinin iş uygulamalarında kullanılması için, bu nüansları ele alması gerekir.

Phrasee’de derin öğrenmenin nasıl kullanıldığına ilişkin bazı ayrıntılar paylaşabilir misiniz?

Phrasee’nin teknolojisinde iki ana AI bileşeni vardır. Birincisi, Doğal Dil Üretimi (NLG), dil üretir. İkincisi, derin öğrenme, performans odaklıdır. Performans, bağlamına göre farklı anlamlara gelebilir. Örneğin, bir e-posta konusunun amacı, alıcıyı e-postayı açıp içeriğini görmeye teşvik etmektir. Facebook için, amacın beğeni veya paylaşımları maksimuma çıkarmak olabilir. Büyük miktarda histórik veri verildiğinde, insan tarafından asla fark edilmeyecek ince eğilimleri ve kalıpları bulmak mümkündür. Bu, bir standart makine öğrenimi problemidir.

Derin öğrenme, geleneksel makine öğrenimi yaklaşımına göre birkaç avantaj sunar. Geleneksel makine öğreniminde, “özellik mühendisliği” üzerine güçlü bir odaklanma vardır. Bu, geliştiricinin, dilin en önemli özelliklerine inanmak zorunda olduğu anlamına gelir (örneğin, kelimeler, uzunluk, emoji kullanımı, vs.). Sorun, bu durumun, mühendisin becerisi ve hayal gücüne bağlı olmasıdır. Derin öğrenmede, ham metin modeline beslenir ve dilin kendi makine temsilini oluşturur (bu, sondan sona öğrenme olarak bilinir). Bu nedenle, insan önyargısından özgürdür ve güçlü bir yaklaşımdır. Ancak, modelin neden belirli bir şekilde davrandığını anlamak zor olabilir. “Açıklanabilirlik”, derin öğrenme topluluğunda aktif bir araştırma alanıdır. Ancak, bir sistemın karmaşıklığı ile onu anlama yeteneğimiz arasında temel bir ticaret vardır. İnsan dili karmaşıktır, bu nedenle başarılı NLP çözümleri genellikle yüksek bir karmaşıklığa sahiptir.

Phrasee, bir markanın benzersiz tonunda yazma yeteneğine sahiptir. Bunu nasıl gerçekleştirdiğini açıklar mısınız?

Yeni bir müşteriyi aldığımızda, ilk olarak markalarının iletişim stilini hakkında bilgi topluyoruz. Bu, resmi marka kılavuzlarını, geçmiş pazarlama kampanyalarını ve bu amaç için geliştirdiğimiz anketleri içerir. Tüm bu bilgiler, müşteri özelinde bir “dil modeli” oluşturmak için dil teknisyenlerimiz tarafından kullanılır. Dil modellerimiz üretkendir, yani müşterimizin benzersiz stilinde daha önce görülmemiş dili üretebilirler.

Dil modelleri her zaman güncellenebilir. Örneğin, şu anda COVID-19 krizinin zirvesindeyiz. Dil ekibimiz, modellerimizi, uygun olmayan dili üretmemek için gözden geçiriyor. Bir cümle gibi “Bu fırsatlar virallye gidiyor!” birkaç ay önce masum olabilir, ancak küresel bir salgın sırasında açıkça uygunsuzdur. Bu, sistemimizin esnekliğini gösteriyor.

Bir şirketin Phrasee ile çalışmaya başlamak için hangi tür verilere ihtiyacı vardır?

Şirketin Phrasee ile çalışmaya başlamak için fazla veriye ihtiyacı yoktur. İlk adım, uygun bir proje alanı belirlemektir. Örneğin, bu, haftalık promosyon e-postalarının konu satırları olabilir. İdeal olarak, bu, nispeten büyük bir kitleye sahip olmalı ve iletişimler düzenli olmalıdır. Proje belirlendikten sonra, dil modelini oluşturmak için konu ve marka sesi hakkında bilgiye ihtiyacımız vardır. Phrasee, performans sonuçlarına sürekli olarak ihtiyaç duyar. Çözümümüz makine öğrenimi kullanıyor, bu nedenle anahtar metriklere zaman içinde ölçmek ve izlemek önemlidir. Bu bilgi, sistemimize geri beslenir, böylece sürekli olarak etkileşimi optimize edebilir.

Phrasee hakkında paylaşmak istediğiniz başka bir şey var mı?

Parry, Victoria ve ben Phrasee’yi beş yıl önce kurduğumuzda, diğer birçok startup’ın benzer ürünleri ile ortaya çıkacağından emindik. Planımız, rekabete karşı öncü olmak ve bir adım önde kalmaktı. Ancak, bu alana girenlerin az olması bizi şaşırttı. Nerede herkes else? Sanırım bunun birkaç nedeni var, ancak bunlardan biri, dilin çok zor bir problem olması. Diğerlerinin benzer ürünleri yaratmaya çalıştıklarını, ancak R&D aşamasında erken başarısız olduklarını düşünüyorum. Bu, teknolojinin ne kadar benzersiz olduğunu kanıtlıyor.

Doğal Dil İşleme, Doğal Dil Üretimi ve Derin Öğrenme hakkında bilgilendirici röportaj için teşekkür ederiz. Daha fazla bilgi için ziyaretçiler Phrasee‘yi ziyaret edebilirler.