拉达·巴苏，iMerit 首席执行官和创始人 – 采访系列

拉达·巴苏，iMerit 的创始人和首席执行官，在 HP 建立了她的职业生涯，花了 20 年的时间在这家科技巨头公司工作，最后领导了其企业解决方案集团。她随后将 Support.com 公开上市担任其首席执行官。拉达于 2007 年与迪帕克·巴苏共同创立了安迪普基金会，然后于 2012 年创立了 iMerit。她被认为是领先的科技企业家和导师，也是软件行业的先驱。

iMerit 通过将自动化、专家人工注释和高级分析相结合，提供多模式 AI 数据解决方案，以支持大规模高质量数据标注和模型微调。

您有着非凡的经历，从在印度建立 HP 的业务到创立 iMerit，旨在提升不丹、印度和新奥尔良的边缘青年。是什么启发您创立 iMerit，您在从零开始打造包容性全球劳动力时面临了哪些挑战？

在创立 iMerit 之前，我是 SupportSoft 的董事长和首席执行官，我领导公司完成了首次和二次公开募股，建立了它作为支持自动化软件的全球领导者。这种经历让我认识到将人和技术从一开始就结合在一起的力量。

虽然印度的科技繁荣创造了新的机会，但我注意到许多才华横溢的年轻人在欠发达地区被抛在了后面。我相信他们的潜力和学习的动力。一旦他们看到软件如何赋予先进技术如 AI 的力量，他们就热切地接受了这些职业。

我们以一个小型、多元化的团队启动了 iMerit，其中一半是女性，并且自此迅速发展。我们的团队的适应性和教练能力在数据驱动的 AI 需求增加时尤为重要，尤其是需要熟练的专家。

如今，iMerit 是一个全球性的 AI 数据解决方案提供商，为诸如自动驾驶汽车、医疗 AI 和技术等关键领域提供服务。我们的工作确保客户的 AI 模型建立在高质量、可靠的数据之上，这在高风险环境中至关重要。

最终，我们的优势在于强大的技术基础和一支受过良好培训、积极进取的员工队伍，他们在一个支持、注重学习的文化中茁壮成长。这种方法推动了我们的增长，使我们保持盈利，并获得了高 NPS 评分和忠实的客户。

iMerit 现在与超过 200 个客户合作，包括 eBay 和 Johnson & Johnson (JNJ ) 等科技巨头。您能否带我们了解公司的成长历程，从早期到成为全球 AI 数据服务领导者？

我们亲眼目睹了客户的 AI 之旅，从早期实验到大规模生产。我们的工作涵盖了初创公司、全球自动驾驶汽车领导者和大型企业。通过从头开始训练他们的模型，我们对如何在现实世界中扩展 AI 有了无与伦比的见解。

该领域正在迅速而不断地演变。我很少看到一种技术在如此短的时间内发展如此之快。我们已经从数据注释提供商转变为全栈 AI 数据公司，跨整个人工在环（HITL）生命周期提供专业解决方案：注释、验证、审计和红队测试。处理边缘情况和例外对于现实世界的部署至关重要，需要每一步都有深入的专业知识和细致的判断。

我们的最大垂直市场是自动移动性，我们管理整个感知堆栈，包括针对乘客、送货、卡车和农业车辆的 15 个传感器融合。在医疗保健领域，我们推动临床成像 AI。在高科技领域，我们处于 GenAI 调整和验证的前沿，要求我们的工作流程和人才具有更大的复杂性。

在这些领域的成功不仅仅是拥有专家——还需要培养专长：挑战、指导和上下文化 AI 模型的认知能力。这就是我们的团队与众不同的地方。

我们的增长由长期合作伙伴关系驱动，我们最大的十个客户中有超过五年与我们合作的。随着他们的需求变得更加复杂，我们不断提升我们的领域知识、工具、培训和解决方案。我们的技术堆栈和人员必须不断演变。

软件、自动化、注释和分析的融合创造了非常灵活、快速、精确的人工在环干预的框架。70% 的新标志都在我们的技术堆栈上，这需要巨大的内部转变。再次，我们的文化确保团队渴望学习和不断成长。

什么是 iMerit 历史上最关键的时刻，无论是技术里程碑还是战略决策，它们帮助塑造了公司的轨迹？

当时，AI 数据工作被视为基于人群的零工经济，我们很早就下注了这一领域将会发展成为一份职业，并且需要复杂性和企业关注。通过建立专门的团队来处理高级用例，我们使客户能够快速扩展，这最终导致我们在自动驾驶汽车领域实现了首个 100 万美元的月度收入，这一里程碑验证了我们的方法。

COVID-19 锁定测试了我们的敏捷性：我们几乎在一夜之间从完全办公室转变为完全远程，投资了大量的基础设施、安全性和文化。几周内，客户运营恢复了，我们的收入和员工数量在那一年都有所增长。如今，70% 的团队回到现场，我们继续利用远程人才，启动了学者计划，我们的全球主题专家网络，用于 GenAI 调整和验证。无论是心脏病专家还是西班牙数学家，我们的高触感文化都能吸引和激励顶尖人才，从而直接提高我们解决方案的质量和一致性。

2023 年，我们收购了 Ango.ai，一家 AI 驱动的数据标注和工作流自动化平台，以推动下一代 AI 数据工具。这一关键举动将 iMerit 的领域专业知识与 Ango 的高级工具相结合，扩大了我们在放射学、传感器融合和 GenAI 微调方面的能力。我们仍然与客户的工具合作，但许多新客户现在直接在 Ango Hub 上注册，吸引他们的是其用户友好的工作流和强大的安全性，这是我们行业的基本要求。

企业不断告诉我们，他们正在寻找最好的两全其美的解决方案：专家人工洞察力，以确保质量，结合安全、可扩展的平台，提供自动化和分析。与 Ango 合并提供了这一点，独特地将我们定位为满足当今最雄心勃勃的 AI 项目的复杂需求，并带来信心的增长。

iMerit 深入参与了自动驾驶汽车、医疗 AI 和 GenAI 等高级领域。您在这些领域面临哪些独特的数据挑战，您如何解决它们？

数据相关任务通常占 AI 项目时间的 80%，使其成为管道的关键组成部分。AI 的数据驱动部分如果处理不当，可能会耗时且昂贵。

数据质量，特别是避免严重错误，在我们运营的关键任务领域至关重要。不论是感知算法还是肿瘤检测器，干净的数据对于训练-验证循环都是必不可少的。

异常处理具有不成比例的价值。人类对为什么某事物偏离了常规或为什么场景破坏了模型的洞察力，在使模型更加完整和强大的方面创造了巨大的价值。

此外，背景窗口正在变得越来越大。我们正在总结整个医生-患者咨询的临床笔记，并分析基于不仅仅是图像而且是患者的医疗背景的 MRI 异常。主题专家必须建立分析数据的准则，以确保准确性和质量。

安全、隐私和保密是热门话题。我们的首席安全官必须防止未经授权的访问、删除和数据存储。信息安全协议，如 SOC2、HIPAA 和 TISAX，对我们来说是主要的投资领域。

最后，我们的工程师和解决方案架构师不断致力于定制集成和报告，以确保满足独特的客户需求。万能的方法在 AI 中行不通。

您曾谈到将机器人和人类智能结合起来作为 AI 的更安全路径。您能否详细说明这种工作流程在实践中的样子，以及为什么您认为它比试图消除 AI 的创造性偏差更好？

AI 提供了规模，这意味着公司正在开发工具来自动化传统上由人类执行的冗长过程。但人类提供了最后一英里的灵活性、确定性和恢复力。随着软件交付服务在 AI 中继续繁荣，结合机器人和人工在环（HITL）实践的公司将会非常成功。

我们将 HITL 视为 AI 开发和部署生命周期的每个阶段的一致层，也是信任和安全的支柱。因此，人类智慧对于模型失败时进行课程纠正至关重要。这些关键应用需要人类思维来确定需要进行的更改。这就是 HITL 服务将变得更加重要的地方，因为我们将 AI 集成到生产和现场运营中。

您的 Ango Hub 平台将自动化与人工在环专长相结合。这种混合模型如何提高生产 AI 系统中的数据质量和模型性能？

AI 和自动化提供规模和速度，而人类提供细微差别、洞察力和监督。HITL 确保在 AI 生命周期的关键节点处有人类参与，确保高质量的输入，验证输出，识别边缘情况，微调模型以适应领域，并提供上下文判断。人类帮助确保准确性，通过审查和验证输出，捕获幻觉或逻辑错误，然后在它们造成危害之前纠正它们。他们还在伦理上敏感或高风险的背景下提供监督，在这些背景下，LLM 不应做出最终决定。更重要的是，人类反馈为持续学习提供了动力，帮助 AI 系统随着时间的推移更好地与用户目标保持一致。

HITL 有很多形式。人类专家参与有针对性的注释，应用复杂推理来处理边缘情况，并使用结构化 QA 界面审查 AI 生成的内容。与其评估每个决策，通常会实施上下文升级系统。这些系统仅将低置信度输出或标记的异常路由到人类审查员，平衡监督和效率之间的关系。

HITL 的另一个关键用途是通过人类反馈强化学习（RLHF）对 AI 代理进行微调。人类审查员对代理响应进行排名、重写或提供反馈，这在医疗保健、法律服务或客户支持等敏感领域尤为重要。在此同时，基于场景的测试和红队测试允许人类评估者在部署前测试代理的对抗性或不寻常条件，以识别和修复漏洞。

AI 的全部潜力只有在人类保持在环中时才能实现，指导、验证和改进每一步。无论是改进代理输出、训练评估循环还是策划可靠的数据管道，人类监督都增加了 AI 需要的结构和责任感。

随着生成式 AI 工具的迅速演变，iMerit 如何在评估、RLHF 和微调服务方面保持领先地位？

我们最近推出了 Ango Hub Deep Reasoning Lab（DRL），这是一个用于生成式 AI 调整和与 AI 教师交互式开发链式推理的统一平台。我们的 DRL 实现了基于人类偏好的实时、逐步处理和评估，导致对复杂问题的模型响应更加连贯和准确。

GenAI 模型和应用开发的进步凸显了干净、专家创建和验证数据的价值。使用 Ango Hub DRL，专家可以测试模型，识别弱点，并使用链式推理生成干净的数据。他们可以实时与模型交互，并逐步将提示和更正发送回去，在一个界面中。

利用 iMerit 学者，Ango Hub DRL 改进了模型推理过程。它利用了 iMerit 在 HITL 工作流方面的丰富经验。专家为复杂任务设计多步骤场景，例如为高级数学问题创建链式推理提示。iMerit 学者审查输出，纠正错误，并无缝地捕获交互。魔力不在于大量招募，而在于将主题专家与模型训练过程中最有益的思考方式相匹配，以及参与度的提高。

“专家在环”在生成式 AI 微调的背景下是什么意思？您能否分享一些人类专长显著改进模型输出的例子？

专家在环将人类智慧与机器人智慧相结合，以推动 AI 进入生产。它涉及人类专家验证、改进和增强自动系统的输出。

具体来说，专家主导的数据注释确保训练数据准确地用领域特定知识进行标注，从而提高预测性 AI 模型的精度和可靠性。通过减少偏差和误分类，专家驱动的注释提高了模型在现实世界场景中的泛化能力。这导致了更值得信赖、可解释和符合行业特定需求的 AI 系统。

例如，在收购了大量医疗数据后，一家美国跨国科技公司需要评估数据以用于其面向消费者的医疗聊天机器人，以确保用户获得安全准确的医疗建议。他们转向 iMerit，利用我们的美国医疗保健专家网络，并组建了一支由护士组成的团队，与一位美国委员会认证的医生合作，进行共识工作流程和仲裁。护士们首先评估知识库中的定义，以评估准确性和风险。

通过边缘情况讨论和指南修订，护士们能够在 99% 的情况下达成一致。这使得团队能够修改项目设计，采用单票结构，并进行 10% 的审计，从而将项目成本降低了 72%。与 iMerit 合作使该公司能够不断找到扩大医疗数据注释的方法，以确保道德和效率。

拥有超过 8,000 名全职专家，您如何在规模上保持质量、性能和员工发展？

质量的定义始终根据每个客户的特定用例进行量身定制。我们的团队与客户密切合作，以定义和校准质量标准，采用定制流程，以确保每个注释都能迅速由主题专家验证。一致性对于高质量 AI 的开发至关重要。这得到了高员工留存率（90%）和对生产分析的强烈关注的支持，这是 Ango Hub 设计中的一个关键区别，受到我们团队的日常用户输入的影响。

我们不断投资自动化、优化和知识管理，这得到了我们专有的 iMerit One 培训平台的支持。这种对学习和发展的承诺不仅推动了运营卓越，还支持了我们员工的长期职业发展，培养了专长和成长的文化。

您会给希望在技术和社会影响方面创造有意义事物的 AI 初创企业家什么建议？

AI 正在以惊人的速度发展。超越技术堆栈，倾听客户，以了解对他们的业务来说什么最重要。了解他们对速度、变化和风险的胃纳。早期客户可以尝试新事物。较大的客户需要知道您是来留存的，并且您将继续优先考虑他们。通过您的主动透明、安全和问责的方法让他们放心。

此外，请仔细选择您的投资者和董事会成员，以确保与共享价值观和关切保持一致。在 iMerit，我们在诸如 COVID-19 之类的充满挑战的时期从我们的董事会和投资者那里得到了显著的支持，我们将此归功于这种一致性。

在科技行业中，企业家的成功关键不仅仅在于冒险，还在于建立一个盈利且包容的公司。

感谢这次精彩的采访，希望了解更多的读者可以访问 iMerit。