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

Dr. Neil Yager, Phrasee’nin Baş Bilim Adamıdır ve Phrasee yönteminin mimarıdır. Phrasee, eBay, Groupon ve Virgin gibi dünyanın en tanınmış markalarının pazarlama kopyalarını optimize etmeye yardımcı olan bir AI güçlendirilmiş kopya yazma aracıdır. Dr. Yager, akademik yayınların yanı sıra bir veri madenciliği kitabı yazmış ve birkaç patent sahiptir. Yapay zekanın ticarileştirilmesinde dünyanın önde gelen uzmanlarından biri olarak, Avustralya’daki New South Wales Üniversitesi’nden Bilgisayar Bilimi alanında doktora sahiptir.

Dr. Yager, 20 yılı aşkın bir süredir teknoloji endüstrisinde çalışmaktadır. AI ile ilgili önceki rolleri nelerdi?

Dr. Yager, “AI ile ilgili çalışmalara doktora eğitimim sırasında, 2000’lerin ortalarında başladım. Ancak, o zamandan bu yana alan birkaç kez yeniden markalaştırıldı. Örneğin, 15 yıl önce ‘istatistiksel desen tanıma’ çalışıyordum. Birkaç yıl sonra bu, daha fazla dikkat çekici bir isim olan ‘makine öğrenimi’ olarak biliniyordu. Daha yakın zamanda, makine öğrenimi (ve özellikle ‘derin öğrenme’) genel olarak ‘yapay zeka’ ile eşanlamlı hale geldi. Bununla ilgili karışık duygularım var. Bir yandan, Phrasee ile çalışırken markalaşmanın önemini öğrendim. Öte yandan, ‘yapay zeka’ terimi bagaj getirir ve teknoloji hakkında yanlış anlaşılmaya neden olabilir. Acaba hepimiz hala ‘istatistiksel desen tanıma’ dediklerimizde olacağız diye merak ediyorum.”

Dr. Yager, daha önce sinyal işleme ve bilgisayar görme alanlarında çalışmıştır. Phrasee’den önce doğal dil işleme alanında çok fazla deneyimi yoktu. Ancak, dilin muhtemelen AI’deki en zor problem olduğunu öğrenmiştir.

2008 yılında ‘Biyometrik Sistem ve Veri Analizi: Tasarım, Değerlendirme ve Veri Madenciliği’ adlı bir kitap yazdınız. Bu kitap, istatistik ve makine öğrenimi konularını birleştirerek biyometrik verilerin değerlendirilmesine, yorumlanmasına ve anlaşılmasına rehberlik eder. Bu alanda son 10 yılda önemli gelişmeler oldu mu? Bu gelişmeleri açıklar mısınız?

Derin öğrenme, 2012 yılında ImageNet yarışmasını kazandıktan sonra bilgisayar görme, dil işleme ve makine öğrenimi alanlarını sarstı. O kitabın yazıldığı tarihte derin öğrenmeden bahsetmemek mümkün değildi. AI endüstrisi dönüşmüştür.

Alan hala hızlı bir şekilde gelişmektedir ve Phrasee’yi kurduğumuzdan bu yana bile önemli değişiklikler yaşandı. Örneğin, şimdi kullandığımız derin öğrenme araçları şirketin kurulduğu zaman mevcut değildi. İnovasyonun hızı kendi başına zorluklar getirir.

Phrasee’nin şirketlere neler yapabileceğini paylaşabilir misiniz?

Phrasee, şirketlere iki problemi çözmeye yardımcı olur. Birincisi, pazarlama kopyaları yazma sorunudur. Artık daha fazla reklam kanalı vardır (örneğin, e-posta, AdWords, sosyal medya, basılı yayın, podcast’ler vb.). Tüm bu kanallar için yüksek kaliteli ve markanın stilini ve tonunu koruyan kopyalar yazmak zordur. Phrasee, otomatik olarak kopya oluşturarak bu ölçekleme sorununu çözer. İkincisi, kullanılan dilin etkili olması önemlidir. Phrasee sadece dil oluşturmaz, 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 nasıl çekildiniz?

Dijital pazarlama kampanyalarının etkisini maksimize etmek için AI kullanmak yeni bir fikir değildir. Fizik doktora sahip birçok kişi, reklam optimizasyonu üzerine çalışmak için işe alınmıştır. Ancak, genellikle audience segmentasyonu, kişiselleştirme, teslimat zamanı, reklam yerleştirme, yazı tipleri gibi konularda araştırma ve geliştirme çalışmaları yaparlar. Phrasee’yi düşünürken, neredeyse herkesin reklamın kendisinin dili hariç her şeyi optimize ettiğini fark ettik. Bu, bizim için bir boşluk ve büyük bir fırsat olarak görüldü.

Phrasee, Japonca da dahil olmak üzere 20’den fazla dilde pazarlama kopyalarını iyileştirebiliyor. Yabancı dillerle karşılaşılan benzersiz NLP sorunlarından bazılarını tartışabilir misiniz?

Desteklediğimiz en recent dil Rusça’dır. Bu, diğer Hint-Avrupa dillerinden farklı bir Slav dili. Bu durumda, dil oluşturma sistemimize yeni kurallar eklemek necessário oldu, böylece çıktı akıcı ve dilbilgisi açısından doğru. Bu sadece bir dil sorunu değil, aynı zamanda bir yazılım geliştirme sorunudur. Geliştiricinin anadilinin çıktısı olduğunda, hataları tespit etmek ve her şeyin doğru çalıştığını doğrulamak nispeten kolaydır. Ancak, Rusça veya Japonca üzerinde çalışırken, anlamsız şeyler üretebilir ve bundan habersiz olabiliriz. Kalite güvence sürecinde bir anadil konuşmacının yakından involvementı önemlidir.

Sorun sadece yabancı dillerle değil, aynı zamanda bölgesel farklılıklarla da ilgilidir. Örneğin, İngilizce’de ABD, İngiltere, Avustralya, Kanada gibi ülkeler için imla varyasyonları vardır. Ayrıca, dilbilgisi farklılıkları da mevcuttur. İngiliz İngilizcesinde “have a look” denirken, Amerikan İngilizcesinde “take a look” denir. Kelimelerin anlamları da yerden yere değişebilir. “Rubber” kelimesi İngiltere’de silgi, Kuzey Amerika’da ise prezervatif anlamına gelir. NLG sistemlerinin ticari uygulamalar için kullanılabilmesi için bu nüansları ele alması gerekir.

Phrasee’de derin öğrenmenin nasıl kullanıldığını paylaşabilir misiniz?

Phrasee’nin teknolojisinde iki ana AI bileşeni vardır. Birincisi, Natural Language Generation (NLG) olarak bilinen dil oluşturma kısmı. İkincisi, performans odaklı derin öğrenme kısmı. Performans, bağlamına göre farklı anlamlara gelebilir. Örneğin, bir e-posta konu satırının amacı, alıcıyı e-postayı açıp içeriğini görmeye ikna etmektir. Facebook (META ) için ise amaç, beğenileri veya paylaşımları en üst düzeye çıkarmaktır. Büyük miktarda histórik veri verildiğinde, insan tarafından asla fark edilmeyecek ince eğilimleri ve kalıpları bulmak mümkündür. Bu, geleneksel bir makine öğrenimi problemidir.

Derin öğrenme, geleneksel makine öğrenimi yaklaşımına göre birkaç avantaj sunar. Geleneksel makine öğreniminde, “özellik mühendisliği” üzerinde güçlü bir odak vardır. Bu, geliştiricinin dilin en önemli özelliklerine karar vermesi anlamına gelir (örneğin, kelimeler, uzunluk, emoji kullanımı vb.). Sorun, bu yaklaşımın mühendisin becerisi ve hayal gücüne bağlı olmasıdır. Derin öğrenmede ise ham metin modelin kendisine verilir ve kendi dil temsilini oluşturur (bu, uçtan uca öğrenme olarak bilinir). Bu, insan önyargısından arınmış ve güçlü bir yaklaşımdır. Ancak, modelin neden belirli bir şekilde davrandığını anlamak zor olabilir. “Açıklanabilirlik” derin öğrenme topluluğunda aktif bir araştırma alanıdır. Ancak, bir sistemin karmaşıklığı ile bizim onu anlamamız arasındaki temel bir ticaret vardır. İnsan dili karmaşıktır, bu nedenle başarılı NLP çözümleri genellikle yüksek bir karmaşıklığa sahiptir.

Phrasee, bir markanın benzersiz tonunu yazma yeteneğine sahiptir. Bunu nasıl başardığınızı açıklar mısınız?

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

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

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

Şirketin Phrasee ile çalışmaya başlamak için çok fazla veriye ihtiyacı yoktur. İlk adım, uygun bir proje alanı tanımlamaktır. Örneğin, bu, haftalık promosyon e-postalarının konu satırları olabilir. İdeal olarak, bu, nispeten büyük bir kitleye sahip olmalı ve iletişimler düzenli olmalıdır. Proje tanımladıktan sonra, dil modelini oluşturmak için konu ve marka sesi hakkında bilgiye ihtiyacımız vardır. Phrasee, performans sonuçlarına sürekli olarak ihtiyaç duyar. Çözümümüz makine öğrenimi kullanır, bu nedenle anahtar metrikleri zaman içinde ölçmek ve izlemek önemlidir. Bu bilgiler, sistemimizin sürekli olarak etkileşimi optimize etmesini sağlar.

Phrasee hakkında paylaşmak istediğiniz başka bir şey var mı?

Parry, Victoria ve ben Phrasee’yi beş yıl önce kurduğumuzda, benzer ürünlerle birçok startup’ın ortaya çıkacağından emindik. Planımız, rekabete karşı bir adım önde kalmaktı. Ancak, bu alandaki girişimlerin eksikliği bizi şaşırttı. Nerede herkes else? Sanırım bunun nedenlerinden biri, dilin çok zor bir problem olması. Diğerlerinin benzer ürünleri yaratmaya çalıştıklarını, ancak araştırma ve geliştirme aşamasında erken başarısız olduklarını düşünüyorum. Bu, teknolojinin ne kadar benzersiz olduğunu kanıtlıyor.

Doğal Dil İşleme, Doğal Dil Oluşturma ve Derin Öğrenme hakkında bilgilendirici röportaj için teşekkür ederiz. Daha fazla bilgi için ziyaretçiler Phrasee’yi ziyaret edebilir.