尼尔·耶格博士，Phrasee联合创始人兼首席科学家 – 采访系列

尼尔·耶格博士是Phrasee的首席科学家，也是Phrasee方法的架构师，Phrasee是一种人工智能驱动的文案写作工具，帮助优化了世界上一些最知名品牌的营销文案，包括eBay、Groupon和Virgin等，覆盖20多种语言，从英语到日语。

耶格博士撰写了十几篇学术论文，出版了一本关于数据挖掘的书，并拥有多项专利。他是商业化人工智能领域的世界领先专家之一，拥有澳大利亚新南威尔士大学计算机科学博士学位。

您是科技行业20年的老手，您之前的AI相关工作是什么？

我从2000年代中期开始参与AI相关工作。然而，这个领域在那时已经经历了几次重新命名。例如，15年前我研究的是“统计模式识别”。几年后，这被更常称为“机器学习”，这是一个更吸引人的名字。更近期，机器学习（特别是深度学习）已经与人工智能成为同义词。然而，我对此有混合的感受。一方面，我的工作经验告诉我品牌的重要性。另一方面，人工智能这个词带来了很多负面含义，可能会导致人们对技术的误解。我想知道，如果我们仍然称之为“统计模式识别”，会怎么样。

我之前的大部分工作都是在信号处理和计算机视觉领域。我在加入Phrasee之前没有太多自然语言处理的经验。然而，我已经学会了语言可能是AI中最难解决的问题。

2008年，您联合撰写了一本名为《生物识别系统和数据分析：设计、评估和数据挖掘》的书，这本书结合了统计和机器学习，提供了一个全面指南，用于评估、解释和理解生物识别数据。除了更多的计算资源外，您是否认为这个领域已经在这本书出版后有所发展？您能描述一下这种发展吗？

自从我写那本书以来，深度学习已经彻底改变了计算机视觉、语言处理和机器学习领域。如果我现在写那本书，肯定会有一个关于深度学习的章节。

深度学习革命真正开始于2012年，当时一个深度学习模型赢得了ImageNet比赛。ImageNet是一个视觉对象识别数据集，计算机需要确定图像中有什么（例如“狗”或“气球”）。几十年来，研究人员在这个基准数据集上取得了渐进的进展。每个子领域都独立运作，严重依赖特定领域的专业知识。几乎在一夜之间，所有这些模型都被淘汰了。外部设计的深度学习算法以显著的优势赢得了比赛。这改变了AI行业。

这个领域仍然在快速发展，甚至在我们创立Phrasee几年后仍然如此。例如，我们现在依赖的深度学习工具在我们创立公司时还不存在。创新步伐的加快也带来了自己的挑战。

您能否与我们分享Phrasee为企业提供的功能？

Phrasee解决了两个问题。首先，写作营销文案是一个问题。现在有比以往任何时候都多的广告渠道（例如电子邮件、AdWords、社交媒体、印刷品、播客等）。很难为所有这些渠道写出高质量的文案，并且符合品牌的风格和语气。Phrasee通过自动生成文案来解决这个问题。其次，使用的语言必须是有效的。Phrasee不仅生成语言，还使用机器学习来预测信息的影响并相应地优化它。

是什么吸引您使用自然语言处理（NLP）和深度学习来提高广告文案的力量？

使用人工智能来最大化数字营销活动的影响力并不是一个新想法。有很多具有物理学博士学位的团队被招募来从事广告优化工作。然而，在大多数情况下，他们都专注于诸如受众细分、个性化、投放时间、广告位置、字体等方面的研发工作。当我们最初为Phrasee集思广益时，我们注意到几乎所有关于广告的方面都被优化了，除了实际使用的语言！我们将其确定为市场中的一个空白，并且是一个巨大的机会。

Phrasee能够以20多种语言提高营销文案的质量，包括日语。您能否讨论一下在外语中遇到的独特的自然语言处理问题？

我们最近添加的支持语言是俄语。俄语是一种斯拉夫语，与其他印欧语系语言有很大区别。在这种情况下，我们需要在语言生成系统中添加新的规则，以便输出流利且语法正确的语言。这不仅仅是一个语言问题，也是一个软件开发问题。当我们的系统输出是开发人员的母语时，很容易发现错误并验证一切是否正常工作。但是，当我们处理俄语或日语时，我们可能会输出无意义的内容，并且不知道。因此，必须让母语者密切参与QA过程。

挑战不仅仅在于外语。还有有趣的区域差异。例如，英语有美国、英国、澳大利亚、加拿大等拼写变体。此外，还有语法差异。在英国英语中，你“看一下”，而在美国英语中，你“仔细看”。单词的含义也会根据地点不同而有所不同。例如，“橡皮”在英国是一种橡皮擦，而在北美则是一种避孕套！为了使NLG系统能够应用于商业应用，它们需要处理所有这些细微差别。

您能否分享一些关于Phrasee中使用的深度学习的细节？

Phrasee技术中有两个主要的AI组件。第一个是自然语言生成（NLG），它实际上产生语言。第二个是深度学习，重点是性能。性能可以根据上下文有不同的含义。例如，电子邮件主题行的目标是诱使收件人打开电子邮件并查看内容。对于Facebook，目标可能是最大化点赞或分享。给定大量历史数据，很容易找到人类无法察觉的微妙趋势和模式。这是一个标准的机器学习问题。

深度学习相比传统机器学习方法有几个优势。传统机器学习中，开发人员需要决定哪些语言特征最重要（例如，单词、长度、表情符号使用等）。问题在于，这受到开发人员的技能和想象力的限制。然而，深度学习直接将原始文本输入模型，并建立自己的语言机器表示（这被称为端到端学习）。因此，它不受人类偏见的影响，并且是一种强大的方法。然而，缺点是很难理解为什么模型会表现出这样的行为。“可解释性”是深度学习社区中一个活跃的研究领域。然而，系统的复杂性和我们理解它的能力之间存在一个基本的权衡。人类语言是混乱的，因此成功的NLP解决方案通常具有很高的复杂性。

Phrasee的一项功能是能够以品牌独特的语气写作。您能否详细说明这是如何实现的？

当我们为新客户签约时，我们首先会收集有关其品牌沟通风格的信息。这包括任何正式的品牌指南、历史上的营销活动，以及我们为此目的开发的一系列问卷。所有这些信息都由我们的语言技术人员团队使用，以建立客户特有的“语言模型”。我们的语言模型是生成式的，这意味着它们可以以客户独特的风格生成以前从未见过的语言。

语言模型可以随时更新。例如，我们现在正处于COVID-19危机的高峰期。我们的语言团队正在审查我们的模型，以确保不可能生成不当的语言。这表明我们的系统是灵活的。

一家公司要开始使用Phrasee，需要什么样的数据？

说实话，开始使用Phrasee不需要太多数据。第一步是确定一个合适的项目领域。例如，这可能是每周促销电子邮件的主题行。理想情况下，这将有一个相对较大的受众，并且会定期进行沟通。一旦确定了项目，我们就需要有关预期主题和品牌声音的信息，以便建立语言模型。Phrasee需要持续的性能结果。由于我们的解决方案使用机器学习，因此跟踪和衡量关键指标随着时间的推移至关重要。这些信息会反馈到我们的系统中，以便它可以不断优化以提高参与度。

您是否还有其他关于Phrasee的信息想要分享？

当Parry、Victoria和我五年前创立Phrasee时，我们确信这只是时间问题，其他初创公司就会出现类似的产品。我们的计划是领先于竞争对手并保持领先地位。然而，我们对进入这个领域的其他公司数量之少感到惊讶。哪里有其他人？我认为有几个原因，但其中一个主要原因是语言如此困难。我怀疑其他人可能尝试过创建类似的产品，但在研发的早期阶段就失败了。这证明了我们的技术是多么独特。

感谢您关于自然语言处理、自然语言生成和深度学习的信息丰富的采访。要了解更多信息，访客可以访问Phrasee。