Тху Ле, Голова Продукту в Speechmatics – Серія Інтерв’ю

Тху Ле є Головою Продукту в Speechmatics, Тху має понад два десятиліття досвіду в галузі технологій та розробки інноваційних ідей, а також ступінь бакалавра механічної інженерії в Массачусетському технологічному інституті та ступінь магістра дизайну продукції в Стенфорді. Тху має широкий спектр досвіду в галузі управління продуктами, дизайну та розробки, а також дослідження та розробки, інженерії, медіа-розробки та бізнес-стратегії. В Speechmatics вона займається запуском інноваційних продуктів та послуг для забезпечення лідерства компанії на ринку.

Ви приєдналися до Speechmatics у листопаді 2019 року після роботи в різних галузях, включаючи транспортні засоби з автопілотом та програмне забезпечення для бізнес-аналітики. Що привабило вас до роботи в сфері розпізнавання мовлення?

Я завжди був приваблений застосуванням нової технології для цікавих випадків та значимого впливу. Розпізнавання мовлення, особливо в Speechmatics, відповідає цьому критерію. Безумовно, було чудово допомогти нашим клієнтам використовувати вартість мовлення-у-текст у їхніх власних різноманітних пропозиціях продукції.

Як Голова Продукту в Speechmatics, що складається ваш робочий день?

Speechmatics є компанією, що швидко росте, а наша команда продукту невелика (і зростає!), тому жодні два дні не схожі, і кожен бере участь там, де це необхідно. Як Голова Продукту, все, від вищого рівня компанії та стратегії продукції до типових обов’язків продукції, таких як визначення пріоритетів дорожньої карти та взаємодія з клієнтами, а також детальне вирішення проблем з доставкою, все це є справедливим. Безумовно, будівництво відносин між різними функціями організації та набір персоналу також є важливою частиною ролі.

Чи можете ви обговорити проблеми доступу до наборів даних з різними діалектами та акцентами?

У сфері мовлення технологія зазвичай будується шляхом навчання на одному діалекті мови, роблячи цей діалект тим, який вона найточніше розпізнає та транскрибує. Англійська мова – це американський англійський, а показники помилок зазвичай вищі для австралійських акцентів, британських акцентів, ямайських акцентів тощо. Тому для компаній, які використовують цю технологію для взаємодії з глобальною клієнтською базою, це представляє велику проблему. Три роки тому, у 2018 році, ми запустили Global English, наш лідерський пакет мови, який розуміє кожен англійський акцент та діалект, а минулого року ми продовжили цю місію з запуском Global Spanish. Ми вважаємо, що для мовлення технологія повинна зрозуміти кожного, з ким вона взаємодіє. Ми очікуємо подальшого закриття розриву “акцентної прогалини” з більшими інноваціями, які з’являться пізніше цього року.

Які деякі методології машинного навчання, які використовуються для навчання з цих наборів даних?

Ми використовуємо знайомі техніки глибокого навчання та нейронних мереж у нашому двигуні. Ми також безперервно досліджуємо нові підходи, особливо щодо того, як зменшити кількість позначених даних, необхідних у моделях розпізнавання мовлення. Дані є королями при будівництві технології розпізнавання мовлення, тому просування досліджень, які дозволяють нам розширити наш доступ до даних, є суттєвим. Використання нейронних мереж у нашому двигуні дозволяє нам краще узагальнювати різні контексти та мови.

Speechmatics зараз є лідером галузі, а тестування виявило, що Global Spanish на 3-20% точніше, ніж пропозиція Google (GOOGL ), та на 4-13% точніше, ніж порівнювана продукція Microsoft (MSFT ). Чому ви вважаєте, що це так?

Як я згадував раніше, для мовлення технологія повинна дійсно бути активом для бізнесу, вона повинна допомогти їм зрозуміти всю клієнтську базу, незалежно від мови, якою вони говорять, або діалекту, який вони використовують. Це є ядром інновацій Speechmatics, і ми зобов’язані вирішувати ці складні завдання. І у нас є чудова команда, яка є пристрасною, мотивованою та інвестованою у використання останніх технік глибокого навчання для надання нашим клієнтам найкращої технології на ринку.

Які поточні мови, які пропонуються, та які мови зараз досліджуються для додавання?

Ми зараз пропонуємо понад 30 комерційних мов, від арабської до мандаринської, польської до португальської та багатьох інших. Але саме англійський та іспанський пакети мов є глобальними. Оглядаючи вперед, ми розглядаємо нові техніки, які не тільки дозволять нам додавати нові мови швидше, але також покращувати наші існуючі мови регулярніше.

Які ваші погляди на майбутнє, де голос є основною формою спілкування?

Бізнеси все частіше бачать вартість технології розпізнавання мовлення: 2020 рік показав помітне збільшення прийняття цієї технології серед підприємств, з 68% респондентів, які повідомили, що їхня компанія має стратегію голосової технології – це на 18% більше, ніж минулого року. Але для того, щоб вона досягла максимальної вартості, технологія повинна бути підвищена. Розмова складається не тільки з слів – це також контекстні підказки, такі як настрій, каданс, пунктуація, фоновий шум, тон, зміна спікера та багато іншого. Хоча текст з технології розпізнавання мовлення сам по собі дозволяє багато цінності, коли мова йде про аудіофайли чи навіть відеофайли, фактичне мовлення, яке записано, тепер може виходити за рамки слів. Майбутнє технології розпізнавання мовлення буде враховувати всі ці інші фактори. Тільки тоді воно не буде лише про перетворення мовлення у текст, а про перетворення мовлення у вартість та справжнє розуміння кожного голосу.

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

У нас є дуже цікаві досягнення, які з’являться пізніше цього року, тому слідкуйте за ними!

Дякуємо за чудовий інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Speechmatics.