Fluent.ai’nin CTO ve Kurucusu Vikrant Tomar – Röportaj Serisi

Vikrant Tomar, Fluent.ainin CTO ve kurucusudur. Fluent.ai, cihaz OEM’leri ve hizmet sağlayıcıları için konuşma anlama ve ses arabirimi yazılımı sunar.

Ses tanıma için akustik modelleme çalışmasına sizi neler çekmiştir?

Aslında, cihazlara insanlarla konuştuğumuz gibi konuşabilmek. Bu vizyon beni her zaman etkilemiştir. Ses tanıma çalışmasına lisansımın son yılında başladım. Aynı zamanda araştırma yapmaya da başladım, bu nedenle bir ses tanıma kursu ve ilgili bir araştırma projesi aldım. Bu çalışmadan bir araştırma makalesi yayınladım, InterSpeech konferansında, ses tanıma alanında en büyük ve en saygın konferanslardan birinde. Tüm bunlar beni uzun vadeli olarak ses tanıma araştırmalarına odaklanmaya yöneltti, böylece doktora eğitimimi seçtim.

2015 yılında Fluent.ai’yi kurduunuz. Bu startup’ın hikayesini paylaşabilir misiniz?

Uzun süredir girişimci bir ruh taşıyorum. İki arkadaşım ile birlikte lisans eğitimimden sonra bir şirket kurmaya çalıştım, ancak birkaç neden dolayı bu girişim başarısız oldu. McGill Üniversitesi’ndeki doktora eğitimim sırasında Montreal’in startup sahnesini izledim. Aynı zamanda TandemLaunch’tan insanlar ile temas kurmaya başladım – burada Fluent.ai’yi kurdum. Doktora eğitimimin sonuna doğruydim ve tekrar girişimciliğe yönelmeyi düşünüyordum. Çalışma deneyimim, araştırmam ve diğer ses araştırma grupları ile ilişkim, bu deneyimlerin çoğunun belirli bir şekilde ses tanıma yapmaya odaklandığını gösterdi: konuşmadan metin transkripsiyonuna ve ardından doğal dil işleme. Ancak bu, kullanılabilirlik açısından bir boşluk bıraktı. Nüfusun büyük bir kısmı, bu şekilde geliştirilen ses çözümlerinden yararlanamadı. Bu yöntemler için gereken veri miktarı o kadar büyüktü ki, daha az konuşmacı olan diller için ayrı modeller geliştirmek ekonomik olarak anlamlı olmazdı. Ayrıca, birçok lehçe ve dilin ayrı bir yazılı şekli yoktur. Ailem bile benim geliştirdiğim araçları kullanamıyordu (onlar Hintçe bir lehçe konuşuyorlar). Tüm bunları düşünerek, farklı ses modelleme yolları hakkında düşündüm, bu yöntemlerde gereken veri miktarı daha az olabileceği veya son kullanıcıların kendileri tarafından eğitilebileceği veya güncellenebileceği modeller. KU Leuven Üniversitesi’nin (KUL) bu gereksinimleri karşılayabilecek bazı çalışmaları olduğunu biliyordum. KUL’den gelen teknoloji ile birlikte, Fluent’ın bugün olduğu ilk adımları atmaya başladık.

Fluent.ai’nin sezgisel konuşma anlama çözümlerini açıklar mısınız?

Fluent.ai’nin ses tanıma çözümleri, insanların dil öğrenme ve konuşma şekline ilham alıyor. Geleneksel ses tanıma sistemleri, girişteki konuşmayı önce metne transkribe eder, ardından bu metinden anlam çıkarır. İnsanlar konuşmayı böyle tanımaz. Çocukların okuma yazma bilmeden önce konuşabilmeleri gibi bir örnek verelim: yazılı dillerin temsili hakkında hiçbir şey bilmelerine rağmen, konuşarak rahatça sohbet edebiliyorlar. Benzer şekilde, Fluent’ın derin sinir ağları tabanlı modelleri, konuşma seslerinden doğrudan anlam çıkarabilir, önce metne transkribe etmek zorunda kalmaz. Teknik olarak, bu Gerçek Konuşma Anlama’dır. Bu yaklaşımın birçok avantajı vardır. Geleneksel ses tanıma, çeşitli modüllerin bir araya geldiği, optimize edilmemiş bir yaklaşımdır ve bu, vurgulardan, gürültüye, arka plan koşullarına kadar değişen sonuçlara neden olur. Fluent’ın Otomatik Niyet Tanıma (AIR) sistemi, son derece optimize edilmiştir; tamamen bir sinir ağı tabanlı mimaridir ve tüm modüller ortak bir şekilde eğitilir, en optimal çözümü sağlar. Ayrıca, geleneksel ses tanıma sisteminde bulunan birçok hesaplama yoğun modülü kaldırabiliyoruz. Bu, düşük ayak izine sahip ses tanıma sistemleri oluşturmamızı sağlar, bu sistemler 50 MHz’de çalışan, 40 KB RAM’e sahip düşük güç mikrodenetleyici üzerinde çalışabilir. Son olarak, konuşma dili anlama tabanlı AIR sistemlerimiz, diller arasındaki benzerlikleri benzersiz bir şekilde kullanabilir, tek bir modelde birden fazla dili tanıyabilme gibi eşsiz özellikleri sunabilir.

Ses tanıma için gürültü sorununu aşmak için karşılaşılan AI zorlukları nelerdir?

Gürültü, ses tanıma için en büyük zorluklardan biridir. Bu problemi gerçekten zor yapan, birçok farklı gürültü türü olması ve bu türlerin konuşma spektrumunu farklı şekillerde etkilemesidir. Bazen gürültü, mikrofon cevabını da etkileyebilir. Çok durumda, konuşma kaynaklarını gürültü kaynaklarından ayırmak mümkün değildir. Bazı durumlarda, gürültü, konuşma spektrumunda bulunan bilgileri maskeleyebilir veya tamamen ortadan kaldırabilir. Her iki durumda da, bu durum düşük doğruluğa neden olur. Sürekli gürültü türlerini, örneğin fan gürültüsünü çıkarmak kolaydır, ancak bazı gürültü türleri, örneğin arka plandaki konuşma veya müzik, konuşma spektrumunu nasıl etkilediğine bağlı olarak çok zordur.

Edge AI nedir ve Fluent.ai bu tür AI’ı nasıl kullanıyor?

Edge AI, AI uygulamalarının düşük güç cihazlarına taşınmasına ilişkin çeşitli yöntemleri kapsayan bir terimdir. Artık bu terim, kenar cihazların belirli zeki hesaplamaları kendileri yaptığı durumlar için kullanılır. Fluent.ai’de, kenara yüksek kaliteli konuşma anlama getirmeye odaklanıyoruz. Verileri bulut tabanlı bir sunucuya göndermeden, düşük güçli cihazların kendileri girişteki konuşmayı tanıyabilmesi için verimli algoritmalar geliştirdik. İki avantajı vardır: ilk olarak, kullanıcıların ses verilerini buluta göndererek gizliliğini tehlikeye atmaz; ikinci olarak, bu yaklaşım gecikmeyi azaltır, çünkü ses verileri ve cevaplar bulut sunucusu ile cihaz arasında seyahat etmek zorunda kalmaz.

Diğer hangi tür makine öğrenimi teknolojileri kullanılıyor?

Primarily odaklandığımız derin öğrenme tabanlı yaklaşımlar, ses tanıma için kullanıyoruz. NASIL [1] gibi pekiştirme öğrenimi (RL) yöntemlerini, daha önce bilinmeyen yeni AI model mimarilerini keşfetmek için kullanıyoruz. ve AutoML’yi, önceden belirlenmiş AI modellerimizi farklı uygulamalar için güvenilir sonuçlar elde etmek amacıyla ayarlamak için kullanıyoruz, böylece güvenilirliği ve tekrar edilebilirliği artırıyoruz. Model sıkıştırma ve diğer matematiksel yaklaşımlar, model performansını optimize etmeye yardımcı olur.

Son 5 yıl içinde doğal dil anlama ve doğal dil işleme için neler olacağını öngörüyorsunuz?

Sistemlerin daha doğal etkileşimler sunmasını bekliyorum. Son yıllarda yapılan ilerlemelere rağmen, çoğu sistem sadece basit sorgulara cevap verebiliyor veya sesle aktive edilmiş bir internet araması yapabiliyor. İnsanların sorgularını tamamen cevaplayabilen ve sadece sesle aktive edilmiş bir arama motoru olarak işlev görmeden daha akıllı çözümler göreceğiz.

Diğer bir ilgi çekici yön, gizliliktir. Şu anda popüler olan çözümler, internete bağlı cihazlardır ve tüm ses verilerini bulut sunucusuna gönderir. Ancak bu çözümlerin gizliliği, bir sorun haline geliyor. Ayrıca, ses arabirimlerinin, tüketici elektroniği ötesinde, endüstriyel ortamlarda, profesyonel ses alanında, misafirperverlik ve konferans odalarında da uygulamalarını görüyoruz. Bu uygulamalar için gizlilik, birincil gereksinimdir, bu nedenle mevcut bağlı çözümler yeterli değildir, bu nedenle daha fazla kenar AI veya cihazda doğal dil çözümleri göreceğiz.

Önce de bahsettiğim gibi, konuşma ve doğal dil çözümleri, dünya nüfusunun büyük bir kısmına erişilemez durumda. Bu dillerde konuşan insanların sayısına göre, yeni AI modelleri geliştirme maliyetini azaltmak için küçük veri miktarları ile eğitim yapabilen modeller oluşturmak için önemli çalışmalar正在 yürütülüyor. Aynı zamanda, tek bir modelde birden fazla dili tanıyabilen çözümler göreceğiz. Genel olarak, anadillerinde kullanıcıların sorgularını cevaplayabilen çok dilli AI modellerinin daha fazla dağıtılmasını göreceğiz.

Fluent.ai hakkında paylaşmak istediğiniz başka bir şey var mı?

Konuşma teknolojisi son yıllarda önemli bir ilerleme kaydetti ve yolda büyük bir büyüme potansiyeli var. Fluent.ai’de, mevcut teknolojimizin yeni kullanım alanları arıyor ve sürekli olarak içimizde yenilikler yapıyoruz. COVID-19 salgını, asansör düğmeleri, restoranlardaki kiosklar gibi yüksek temas alanlarına karşı artan bir duyarlılık yarattı ve sesle etkinleştirilen teknoloji için yeni bir talep doğdu. Fluent.ai, bu boşluğu doldurmayı umuyor; çözümlerimiz çok dilli ve daha kapsayıcı, ayrıca offline çalışabiliyor, bu da ek bir gizlilik katmanı sağlıyor. Bu fonksiyonlar, konuşma teknolojisinin geleceği olacak.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Fluent.ai‘yi ziyaret edebilir.

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