Ден О’Коннелл, головний стратегічний директор Dialpad – Серія інтерв’ю

Ден є головним директором з доходів у Dialpad. Раніше він був генеральним директором TalkIQ, стартапом зі сприйняття мови в реальному часі та обробки природної мови, який Dialpad придбав у травні 2018 року. До TalkIQ він обіймав різні керівні посади у сфері продажів у AdRoll і Google (GOOGL ).

Dialpad – це платформа зв’язку, потужена штучним інтелектом, яка полегшує зв’язок та співпрацю вашої команди

Ви раніше були генеральним директором TalkIQ, стартапом зі сприйняття мови в реальному часі та обробки природної мови, який Dialpad придбав у травні 2018 року. Яка була таємниця успіху цього стартапу у сфері технології розпізнавання мови?

Це було поєднання декількох факторів: часу, людей та фокусу. Автоматичне розпізнавання мови (ASR) не є новим, воно існує вже десятиліттями – набагато довше, ніж люди думають. Під час цього часу (і, ще більше, за останні п’ять років) технологія ASR виграла від збільшення обчислювальної потужності, хмари, доступності наборів даних та масового впровадження розумних динаміків на споживчому ринку. Все це призвело до підвищення точності транскрипцій.

Окрім цих тенденцій, нам також пощастило поєднати спеціалістів (таких як лінгвісти) з хакерами. І коли я кажу хакери, я маю на увазі інженерів, які можуть швидко вивести продукти на ринок – вони рухають інновації та швидко розв’язують проблеми. І хоча ці рішення не завжди є найелегантнішими, вони зазвичай є найшвидшими та дозволяють вам бути інноватором на передньому краї – що стає чимось, що ви можете використати з точки зору маркетингу та продажів. Ця історія добре грає, коли ви будуєте свій стартап та намагаєтеся зібрати гроші.

Отже, у нас були експерти у сфері, природні тенденції на ринку, величезний синій океан, коли йдеться про застосування технології в корпоративному секторі, та команда з досвідом виведення інноваційної технології на ринок з повторюваними рухами.

Останнє, що ми зробили, – це інший підхід до розв’язання проблеми. Традиційні двигуни транскрипції функціонували як записи на плівку. Ви робите дзвінок; ви зберігаєте файл аудіо; ви передаєте його через свій двигун транскрипції; і згодом ви отримуєте свій вивід. Спочатку 30-хвилинний дзвінок займав 30 хвилин для транскрипції, тому ми говоримо про реальні затримки у масштабі.

Ми хотіли розв’язати цю проблему та створити двигун транскрипції в реальному часі, який не потребує файлу аудіо. Це може звучати трохи новаторськи сьогодні, але роки тому не існувало потокового двигуна, який міг обробляти транскрипцію в реальному часі з низькою якістю аудіо (тобто не стерео-якість – 44кГц). Ми не хотіли будувати магнітофон.

Ми хотіли створити двигун у реальному часі для розуміння та аналізу розмов. Якщо ми могли б це зробити, то можливості були б безмежними, оскільки ви можете потім автоматизувати робочі процеси та робити всі sorts of круті речі, які раніше не робилися. І великі привітання Джиму Палмеру, Етьєну Мандершейду, Кевіну Джеймсу, Ноаху Гаспару та багатьом іншим за те, що вони були першими, хто створив такий реальний двигун.

Чи можете ви розповісти про період переходу після того, як Dialpad придбав TalkIQ у травні 2018 року?

Фаза придбання була насправді надзвичайно безперебійною. Dialpad був партнером TalkIQ, а наші продукційні команди вже були на місці у Dialpad щотижня. І я раніше працював з співзасновниками Крейгом Вокером та Браяном Пітерсоном у Google та був радий перспективі об’єднання з ними.

Ми всі бачили майбутнє однаково, тобто ці технології (ASR/NLP), закладені у платформу зв’язку/співпраці, могли бути деструктивними для ринку та ігровими для бізнесу. Це частина причини, чому майже одразу після закриття придбання ми зібрали 50 мільйонів доларів у раунді, очолюваному ICONIQ. Інвестори бачили можливість у майбутньому застосуванні технологій та команди, яка працювала над цими проблемами.

У TalkIQ ми були фактично стартапом, який намагався бути трьома різними стартапами одночасно: ми будували свій власний стек телекомунікацій, двигун розпізнавання мови та внутрішню технологію NLP. Це три складні проблеми для розв’язання. Dialpad вже успішно розв’язав аспект телекомунікацій, тому коли надійшла пропозиція про придбання, це було легке рішення. Ми вважали Dialpad найбільш інноваційною бізнес-платформою зв’язку у сфері, а наше бачення майбутнього бізнес-зв’язку дуже добре збігалося.

Які різні технології машинного навчання використовуються у Dialpad?

Наш рідний двигун Voice Intelligence (Vi™) використовує штучний інтелект та машинне навчання, щоб допомогти організаціям підвищити продажі, отримати конкурентні знання, підвищити рівень обслуговування клієнтів та мати більш ефективні онлайн-зустрічі.

Технології ASR та NLP від TalkIQ використовуються для прийому розмов з голосових та відеодзвінків у реальному часі. Одночасно наша власна технологія дозволяє нам обробляти вхідні дані розмов та точно захоплювати та транскрибувати їх у легкий для читання формат з лідерською точністю.

Вбудоване машинне навчання допомагає Vi покращуватися з часом. Чим більше ви використовуєте Vi, тим більше воно вчиться та покращує обробку розмов. З часом транскрипції дзвінків підвищать свою точність, а Vi зможе обробляти більш тонкі нюанси розмов.

Dialpad недавно досягла значної віхи у сфері штучного інтелекту після аналізу понад одного мільярда хвилин голосових даних, а тести показали, що модель транскрипції Dialpad перевершує основних конкурентів, включаючи покращену телефонну модель Google. Які типи тестів були проведені для кількісної оцінки цих результатів?

У нас є колекція тестових наборів, які містять аудіо та супровідний транскрипт, який вважається істинним для того, що було сказано в аудіо. Ми надсилаємо те саме аудіо кожному конкуренту та отримуємо транскрипт назад, який потім порівнюємо з істинним. Ми обчислюємо кількість помилок, щоб визначити відсоток точності. Ми порівнювали себе з Google з моменту придбання TalkIQ у квітні 2018 року та завжди мали нижчу точність, поки тепер.

Які деякі з ключових відмінностей між власним двигуном Voice Intelligence (Vi™) Dialpad та конкуруючими двигунами?

Однією з найбільших відмінностей є те, що ми займаємося цим довше, ніж конкуренти, тобто ми проаналізували більше даних, щоб забезпечити, що наша технологія є найбільш точною. Ми проаналізували понад один мільярд хвилин голосових комунікацій та продовжимо обробляти близько 90 мільйонів хвилин на місяць за допомогою нашого двигуна Vi. У цьому відношенні ми буквально років попереду конкурентів.

Іншою відмінністю є наш підхід до моделей мови, який можна налаштувати та масштабувати. Для кожного клієнта ми будемо створювати базу даних ключових слів компанії, щоб виконувати підвищення точності за допомогою ключових слів. Наприклад, для користувача, який пише своє ім’я “Кетрін” та працює в компанії під назвою Skribbl, наш systém буде правильно писати власні імена, тоді як інші моделі, ймовірно, будуть писати їх так, як вони звучать (тобто “Катерина” та “скриббл”).

Які ваші особисті погляди на майбутнє обробки природної мови? Як довго до того, як штучний інтелект досягне майже 100% або навіть 100% точності?

Ідеальна точність майже недосяжна. Можливо, колись я буду здивований (сподіваюсь!). Я думаю, що ми досягнемо дуже високої точності, але не ідеальної. Причина полягає в тому, що автоматичне розпізнавання мови (і подальша обробка природної мови) має майже нескінченні проблеми для розв’язання: акценти, відстань до мікрофонів, фоновий шум, проблеми з підключенням, різні типи мікрофонів, швидкість мови, вимова, контекст (Сара проти Сари проти Серри), абревіатури, сленг тощо. Хоча я хотів би сказати, що ми досягнемо цього, я думаю, що ми можемо досягти дуже високої точності, але останній кілометр або 1-2% щодо точності буде складним.

Тим не менше, я думаю, що будуть деякі цікаві розробки у сфері читабельності. Сьогодні, коли ви переглядаєте транскрипт розмови, він може виглядати як потік свідомості. Ми природно говоримо у рідинному стилі, використовуємо повторювані речення, повторюємо слова, перезапускаємо речення – ми робимо всі sorts of речі, яких ми не робимо у письмовій формі. Є деякі унікальні можливості, коли йдеться про створення більш читабельної версії транскрипту – однієї, яка видаляє повторювані елементи, передбачає або покращує пунктуацію та доопрацьовує транскрипт, щоб зробити його більш легким для читання.

У моєму розумінні є дві версії: вербатимна версія, яка є найбільш близькою до 100% точності розмови (з повторюваними реченнями та ін.), та покращена версія, яка є значно легшою для сприйняття завдяки пунктуації та оптимізації.

І це потім веде нас до питання, чи можемо ми синтезувати розмову до її найбільш значимих частин? Чи потрібно нам повний транскрипт чи точний резюме, сформатований для читабельності?

Відповідь залежить від вашого випадку використання, але це те, що цікаво та захопливо у цій сфері. Ми знаходимося, можливо, у третьому іннінгу того, що можливо, та ще не зайшли до інновацій робочих процесів, де ми побачимо, як NLP стане більш “контекстно-обізнаним”, наприклад, використовуючи попередні розмови для покращення точності.

Чим більш конкретний контекст моделі мають для вивчення, тим краще. Подумайте про те, щоб поділитися тим самим контекстом над декількома розмовами та продовжувати адаптувати контекст для машинного навчання, щоб стати розумнішим. Контекстно-чутлива технологія також важлива для покращення точності з урахуванням великих відмінностей у тому, як ми спілкуємося. Те, що здається людям тонкими лінгвістичними відмінностями, дуже складно навчити модель машинного навчання дублікувати.

Які деякі з послуг, які Dialpad зараз пропонує клієнтам?

Dialpad – це розумніший спосіб працювати. Ми створили платформу для сучасної гібридної робочої сили – надаємо людям та командам бути більш ефективними, ефективними та залученими з будь-якого місця у світі. Ми забезпечуємо безперебійний досвід бізнес-зв’язку – дзвінки, чат, відеоконференції та контакт-центри – з неперевершеною якістю, безпекою та надійністю. Dialpad забезпечує цей досвід як єдину, хмарну платформу, яка є економічною, простою у розгортанні та легкою у керуванні.

Чи є щось ще, що ви хотіли б поділитися про Dialpad?

2020 рік був монументальним для компанії, що насправді дивовижно, враховуючи те, що світ пережив (і продовжує переживати). Ми подвоїли кількість працівників, забезпечили 100 мільйонів доларів фінансування, придбали компанію та зробили це, поки наша клієнтська база росла експоненціально.

З віддаленою роботою, яка залишається, ми очікуємо, що цей рост продовжиться, і ми раді майбутньому року. Ми вважаємо, що рух “працювати з будь-якого місця” підвищить потребу в інноваційних технологіях, які допоможуть працівникам працювати розумніше – а не складніше. Компанії звернуться до штучного інтелекту, щоб оптимізувати ефективність, ліквідувати монотонні завдання та дозволити працівникам зосередитися на більших пріоритетах. Dialpad добре підходить для задоволення цих потреб.

Дякуємо за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Dialpad.