Amazon Alexaの秘密の起源
The Secret Origins of Amazon's Alexa (wired.com)
要約
Amazon Alexaの起源は、2011年にジェフ・ベゾスが構想した音声制御デバイスに遡ります。グレッグ・ハートが率いたプロジェクトは、Siriの登場に触発され、秘密裏に、そして急速に進められました。遠距離音声認識技術の確立と、ポーランドのスタートアップIvonaの買収が、Alexaの自然な音声合成能力の基盤となりました。
全文翻訳
Amazon Alexaの秘密の起源
ジェフ・ベゾスは、2011年初頭に会議室のホワイトボードに、後のAmazon Echoとなるデバイスの構想を初めてスケッチしました。彼はそれを20ドルで販売し、完全に音声で操作できるようにしたかったのです。その頭脳はクラウドに置かれ、同社のWeb Servicesの提供を活用することで、所有者がハードウェアをアップグレードする必要なく、Amazonが継続的に改善できるようにするつもりでした。
ベゾスが古代アレクサンドリア図書館にちなんで名付けることになる人工知能仮想アシスタント、Alexaを搭載したデバイスの最初の描写には、スピーカー、マイク、ミュートボタンが描かれていました。箱から出してすぐにコマンドを理解することはできないため、スケッチでは、デバイスをワイヤレスネットワークに設定する行為が、さらなる検討を要する課題として特定されていました。
当時ベゾスのテクニカルアドバイザー(TA)だったグレッグ・ハートは、その会議に出席していたもう一人の人物であり、彼は熱心に耳を傾けていました。ベゾスは、このやや突飛な音声コンピューターのアイデアを実際の製品に変えるグループを率いるようにハートに依頼しました。ハートは、その絵を携帯電話で撮影しました。
「ジェフ、私はハードウェアの経験が全くありませんし、私が率いた最大のソフトウェアチームでも40人程度でした」と彼は回想します。
「君ならうまくやるだろう」とベゾスは答えました。
ハートは信頼の言葉に感謝し、「わかりました。では、途中で失敗したら覚えておいてください」と言いました。
[画像: Image may contain Text and White Board]
ジェフ・ベゾスは2011年にAlexaデバイスをホワイトボードにスケッチしました。
Amazon提供
その後3年間、ベゾスはこのプロジェクトに深く関与し続けました。彼は、最初のEchoがリリースされる前に数億ドルの投資を承認し、詳細な製品決定を行い、チームと2日に一度という頻度で会合しました。従業員は、ドイツ語の最上級を使って、彼を「ü ber product manager(最高のプロダクトマネージャー)」と呼んでいました。
しかし、この取り組みを主導したのはハートでした。ベゾスのオフィスから通りの向かいにある、Kindleの開発チームが入っていた建物で作業が行われました。数ヶ月の間、ハートは社内外から少人数のチームを募集しました。上司と同じように、彼は秘密主義に固執していました。「私のミッションに参加しませんか」という件名で候補者候補に曖昧なメールを送り、「盲目の人のためにKindleをどう設計しますか?」といった面接の質問をしました。候補者がどのような製品に取り組むことになるのかを具体的に伝えることは拒否しました。ある候補者は、Amazonが広く噂されていたスマートフォンだと推測したと回想し、ハートは「別のチームが電話を開発しています。しかし、これはそれよりもはるかに興味深いものです」と答えたと言います。
初期のAlexaチームは、熱狂的なまでの緊急感を持って作業を進めていました。非現実的にも、ベゾスは6ヶ月から12ヶ月以内のデバイスリリースを望んでいました。彼は急ぐ理由がありました。2011年10月4日、Alexaチームが結成されようとしていたまさにその時、AppleはiPhone 4SでSiri仮想アシスタントを発表しました。それは共同創業者スティーブ・ジョブズの最後の情熱的なプロジェクトであり、彼は翌日癌で亡くなりました。ハートと彼のチームは、復活したAppleも音声操作パーソナルアシスタントに取り組んでいるというニュースに正当性を感じましたが、Siriが市場に最初に登場し、当初は否定的なレビューもいくつかあったという事実に落胆しました。
Amazonチームは、自分たちの製品はスマートフォンから独立しているためユニークだと自分たちに言い聞かせようとしました。彼らはまた、はるかに技術的に複雑な偉業を成し遂げようとしていました。Siriのユーザーはマイクに直接コマンドを話しました。Amazonは、比較的未熟な技術であるファールド(遠距離)音声認識を使用して、騒がしい部屋のどこからでも聞こえる言語を理解できるサービスを構築しようとしていました。
開発を加速するため、ハートと彼のチームは買収するスタートアップを探しに行きました。これは容易な課題ではありませんでした。なぜなら、AppleがSiri(そして最近Microsoftに買収された)のためにライセンスした音声技術を持つボストン拠点の音声大手Nuanceは、長年にわたりアメリカのトップ音声企業を次々と買収して成長してきたからです。Alexaの幹部たちは、残りのスタートアップの中から有望なものを特定するために、候補となる企業にKindleのデジタルブックカタログを音声化するように依頼し、その手法と結果を研究しました。この探索は、ポーランドのスタートアップIvonaを含む、その後の2年間でのいくつかの迅速な買収につながりました。
Ivonaは、2001年にグダニスク工科大学のコンピューターサイエンス学生であったルカシュ・オソフスキによって設立されました。オソフスキは、いわゆるテキスト読み上げ(TTS)技術がデジタルテキストを自然な声で読み上げ、ポーランドの視覚障害者を助けることができるという考えを持っていました。若いクラスメートのミハル・カシュチュクと共に、彼は俳優の声を録音し、単語の断片(二重母音)を選択し、それらをさまざまな組み合わせでブレンドまたは「連結」して、俳優が決して発したことのないかもしれない自然に聞こえる単語や文章を近似させました。
Ivonaの創設者たちは、その技術がいかに強力になりうるかを早期に垣間見ました。彼らは、ポーランドの人気俳優ヤツェク・ラビジャクに数時間分の音声を録音してもらい、サウンドデータベースを作成しました。その結果できた製品「Spiker」は、ポーランドで最も売れているコンピューターボイスとなりました。その後数年間、それは地下鉄、エレベーター、そしてロボコールキャンペーンで広く使用されました。ラビジャクは後に、自分の声がどこでも聞こえるようになり、例えば、選挙で候補者に投票するように促す電話を定期的に受けるようになりました。いたずら好きはソフトウェアを操作して彼に不適切なことを言わせ、そのクリップをオンラインに投稿し、彼の子供たちがそれを見つけました。その後、Ivonaの創設者たちは、俳優が激怒して自分の声をソフトウェアから撤回しようとした後、俳優との契約を再交渉しなければなりませんでした。(現在、「ヤツェク」はAWSのAmazon Pollyコンピューターボイスサービスで提供されているポーランド語の声の1つです。)
2006年、Ivonaはカーネギーメロン大学が主催する最も自然なコンピューターボイスのコンペティションである年次Blizzard Challengeに参加し、繰り返し優勝しました。2012年までに、Ivonaは20言語に拡大し、40以上の声を提供していました。ハートと、プロジェクトの最初のエンジニアリングマネージャーであるアル・リンゼイは、買収対象を探すためにヨーロッパを旅行中にグダニスクを訪れました。「オフィスに入った瞬間から、私たちは文化的な適合性を感じました」とリンゼイは言います。彼は、研究者がしばしば高尚な追求に気を取られ、実際の製品を出荷するのが難しい分野でのIvonaの進歩を指摘しました。「彼らの粘り強さが、純粋な学術の外部に目を向けさせ、科学に盲目にならないようにしました。」
約3000万ドルでの買収は2012年に完了しましたが、1年間は秘密にされました。Ivonaチームと、Amazonが新しいグダニスクR&Dセンターのために採用する多数の音声エンジニアが、Alexaの声を作り出す責任を負いました。このプログラムはベゾス自身によってマイクロマネジメントされ、CEOのいつもの好奇心と気まぐれにさらされていました。
当初、ベゾスは、音楽を聴く、フライトを予約するなど、異なる目的やタスクに関連付けられた、デバイスから発せられる数十種類の異なる声が欲しいと言いました。それが非現実的であることが判明すると、チームは単一のペルソナに望ましい特性のリストを検討し、信頼性、共感、温かさといった特性が女性の声により一般的に関連付けられていると判断しました。
この声の開発と、地域的なアクセントの痕跡がないことを保証するために、ポーランドのチームは、AppleのエージェントであるSiriにボイスアクトレスのスーザン・ベネットの録音を変換するのに協力したのと同じ、アトランタ地域拠点のボイスオーバースタジオGM Voicesと協力しました。顧客のために合成ペルソナを作成するために、GM Voicesは声優に、数ヶ月に及ぶ可能性のある気が遠くなるようなプロセスで、全巻の本からランダムな記事まで、何百時間ものテキストを読ませます。
Alexaにふさわしい声の選択が極めて重要であると信じて、ハートと同僚たちは、GM Voicesがプロジェクトのために作成したさまざまな候補者の録音を数ヶ月かけてレビューし、トップの選択肢をベゾスに提示しました。Amazonチームは最良のものにランク付けし、追加のサンプルを要求し、最終的に選択を行いました。ベゾスはそれに署名しました。いつものように秘密主義のAmazonは、Alexaの背後にある声優の名前を決して明らかにしていません。私はプロの声優コミュニティを canvasing した後、彼女の身元を知りました。それは、コロラド州ボールダーを拠点とする声優で歌手のニーナ・ロールです。彼女のプロフェッショナルなウェブサイトには、モッツアップルジュースやフォルクスワーゲンパサートなどの製品の古いラジオ広告へのリンクがあり、Alexaの声の温かい響きは間違いありません。ロールは2021年2月に電話で連絡した際、私に話すことは許可されていないと言いました。Amazonに彼女と話すように依頼したところ、断られました。
Alexaには声ができましたが、すぐに新しい頭脳が必要であることが明らかになりました。2013年初頭、Amazonは最初のEchoのプロトタイプを数百人の従業員の家庭に配布し始め、彼らは機密保持契約に署名し、製品の使用経験に関するアンケートに記入するように求められました。
実験的なデバイスは、あらゆる報告によると、遅くて賢くありませんでした。おそらく最も恐ろしいレビューはベゾス自身からのものでした。CEOはシアトルの自宅でユニットをテストしていたようですが、その理解力の欠如に苛立ち、Alexaに「頭を撃て」と命じました。テストデバイスとのやり取りをレビューしていたエンジニアの一人は、「私たちは皆、プロジェクトの終わりか、少なくとも私たち数人のAmazonでのキャリアの終わりかもしれないと思いました」と語りました。
その後の数ヶ月間、Amazonが製品をより賢くするための継続的な取り組みは、対立するAIドグマ間の戦いに巻き込まれ、これまでで最大の課題につながることになります。
イギリスのケンブリッジにある人工知能企業Eviを買収したおかげで、Alexaはすでに、ファティック(交際的な)スピーチと呼ばれる文化的に一般的なおしゃべりに精通していました。ユーザーがデバイスに「アレクサ、おはよう、元気?」と言えば、Alexaは適切な接続を行い、応答することができました。また、太陽系の惑星の名前を尋ねるなど、事実に基づいた質問にも対応できました。知識グラフと呼ばれるプログラミング技術の結果であるこれらの品質は、Alexaが賢いという印象を与えました。しかし、それは賢かったのでしょうか?自然言語理解の別の方法であるディープラーニングの支持者は、Eviの方法は、ベゾスの、ユーザーと会話してあらゆる質問に答えられる汎用アシスタントという夢を満たすような本物の知性をもたらすには、あまりにも規則的すぎると考えていました。例えば、ユーザーが「Stingの音楽をかけて」と言った場合、知識グラフベースのシステムは、彼がアーティストに「バイバイ」と言おうとしていると考えて混乱するのではないかと彼らは恐れていました。
ディープラーニングの方法では、機械に、人々がどのように会話するか、そしてどのような応答が満足のいくものだったかについての大量のデータが与えられ、その後、最良の回答を提供するように自己訓練するようにプログラムされました。つまり、Alexaが使用されるほど、より賢くなるということです。
このアプローチの主な支持者は、インド生まれのエンジニアであるロヒット・プラサドでした。プラサドと同僚たちは、AIを開発するすべての企業が直面するパラドックスを解決しなければなりませんでした。もし彼らが賢くないシステムをローンチすれば、顧客はそれを使用せず、したがってサービスを改善するのに十分なデータを生成しません。しかし、企業はシステムを賢く訓練するためにそのデータが必要です。GoogleとAppleは、Nuanceから技術をライセンスし、その結果を使用して独自の音声モデルを訓練し、その後同社との関係を断つことで、このパラドックスを部分的に解決しました。長年、Googleは、フリーダイヤルのディレクトリアシスタンスラインである800-Goog-411からも音声データを収集していました。Amazonには採掘できるそのようなサービスがなく、ハートは外部技術のライセンスに反対していました。彼は、それが長期的には会社の柔軟性を制限すると考えていました。しかし、従業員の家庭でのベータテストからのわずかなトレーニングデータは、数百人のホワイトカラー労働者の音声に過ぎず、通常はオフィスにいない朝や夕方に、騒がしい部屋のどこからでも発せられたものでした。データは質が悪く、十分な量ではありませんでした。
[画像: rohit prasad]
ロヒット・プラサドはAmazonのAlexa人工知能の責任者です。
写真:Joe Buglewicz/Bloomberg/Getty Images
一方、ベゾスはしびれを切らしました。「この製品がいつ良くなるのか、どうやってわかるんだ?」と彼は繰り返し尋ねました。ハート、プラサド、そして彼らのチームは、データ収集が進むにつれてAlexaがどのように改善されるかを予測するグラフを作成しました。数学的には、Alexaの精度が3%向上するごとに、データ収集の規模を約2倍にする必要があることが示唆されました。
その春、プラサドが会社に入社してからわずか数週間後、チームは6ページの物語をベゾスに持ち込み、これらの事実を説明し、音声科学チームの規模を倍増させ、計画されていたローンチを夏から秋に延期することを提案しました。会議はうまくいきませんでした。「君たちは間違った方法で進んでいる」と、出席者の一人によると、ベゾスは遅延について読んだ後言いました。「まず魔法のような製品が何であるかを教えてくれ、それからどうすればそこにたどり着けるかを教えてくれ。」
当時ベゾスのテクニカルアドバイザーだったディリップ・クマールは、会社に十分なデータがあるかどうか尋ねました。ケンブリッジから会議に電話していたプラサドは、数千時間分の複雑なファールド音声コマンドが必要だと答えました。会議に出席していた幹部によると、ベゾスは音声科学者の数を増やすという要求を考慮に入れ、数秒で頭の中で計算しました。「私が正しく理解しているか確認させてくれ。君たちは、この製品を成功させるための大きな要求のために、40年ではなく、わずか20年で済むと言っているのか?」
プラサドは話をそらそうとしました。「ジェフ、私たちはそのように考えていません。」
「私の計算の間違いをどこで示してみろ!」と、出席者の一人によるとベゾスは言いました。ハートが割って入りました。「待ってください、ジェフ、あなたの言っていることはわかります、理解しました。」プラサドや他のAmazonの幹部たちは、Alexa開発中のベゾスとの他の厳しいやり取りと同様に、その会議を異なるように記憶することになります。しかし、そこにいた人物によると、CEOは立ち上がり、「君たちはこの製品を作ることに真剣ではない」と言い、会議を一方的に終了しました。
ジェフ・ベゾスが彼らから立ち去った後、プロトタイプに取り組んでいたAlexaの幹部たちは、傷ついたプライドを抱えて近くの会議室に引きこもり、データパラドックスへの解決策を再考しました。彼らの上司は正しかったのです。Amazonの従業員による社内テストとトレーニングはあまりにも限定的でした。彼らは、Alexaのベータ版を大幅に拡大する必要がありましたが、同時に外部世界から秘密にする必要がありました。
その結果のプログラムは、Alexaプログラムを「ステロイド」に乗せ、後に音声専門家を悩ませた質問に答えることになります。Amazonは、どこからともなく現れて、音声対応仮想アシスタントの競争でGoogleとAppleを飛び越えることに成功したのでしょうか?
その計画(社内ではAMPEDと呼ばれていました)を実行するために、Amazonはオーストラリアのデータ収集会社Appenと契約し、変装してAlexaと共に各地を回りました。ボストンから始まり、Appenは家やアパートを借り、Amazonは部屋中にさまざまな「デコイ」デバイスを配置しました。ペデスタルマイク、Xboxゲーム機、テレビ、タブレットなどです。また、さまざまな高さに約20台のAlexaデバイスが配置され、それぞれが音を通すアコースティックファブリックで覆われていましたが、外からは見えないようになっていました。Appenは次に派遣会社と契約し、契約労働者の流れが物件を通過しました。1日8時間、週6日、iPadからスクリプトを読み、決まったセリフや「お気に入りの曲をかけてと頼んで」「アシスタントにしてほしいことを何でも聞いて」といったオープンエンドのプロンプトが与えられました。
[画像: article image]
超賢いアルゴリズムはすべての仕事を奪うわけではありませんが、医療診断から広告の提供まで、かつてない速さで学習しています。
スピーカーはオフになっていたため、Alexaは音を立てませんでしたが、各デバイスの7つのマイクがすべてを捉え、音声をAmazonのサーバーにストリーミングしました。次に、別の作業者部隊が録音を手動でレビューし、トランスクリプトに注釈を付けました。「Hunger Games」をオンにして、といった機械を困らせる可能性のあるクエリを、映画を再生するリクエストとして分類しました。これにより、次回Alexaはそれを知ることができました。ボストンでのテストは有望だったので、Amazonはそのプログラムを拡大し、次の6ヶ月間でシアトルや他の10都市でさらに多くの家やアパートを借りて、何千人もの有料話者の声や話し方のパターンを収集しました。デバイスの配置、音響環境、背景ノイズ、地域的なアクセント、そして人間が天気を尋ねたり、ジャスティン・ティンバーレイクのヒット曲を再生したりするような単純なリクエストを表現する、驚くほどランダムな方法に関するデータのキノコ雲のような爆発でした。
家やアパートに絶えず出入りするランダムな人々は、不審な隣人に警察に通報させることを繰り返し引き起こしました。ある例では、ボストンのコンドミニアム複合施設の住民が隣で麻薬取引や売春のリングが行われているのではないかと疑い、警察に通報しました。警察はアパートへの立ち入りを求めました。神経質になったスタッフは、曖昧な説明とツアーを提供し、その後、サイトを急いで閉鎖しました。時折、派遣労働者が現れ、奇妙なスクリプトと全体の出来事の曖昧さを考慮し、参加を拒否しました。トランスクリプトに注釈を付けていたあるAmazonの従業員は後に、派遣労働者がセッションを中断し、聞いていると思われる人にささやいたのを覚えています。「これはとてもくだらない。これを作った会社は恥ずかしいと思うべきだ!」
Amazonは全く恥ずかしいとは思っていませんでした。2014年までに、同社は音声データの蓄積を10,000倍に増やし、AppleやGoogleのような競合他社とのデータギャップをほぼ解消していました。ベゾスは有頂天でした。Alexaは、脳を強化するスーパーフードに相当するものを摂取していました。秋までには、ローンチの準備ができていました。
2014年11月6日のAmazon Echoの発表は、わずか数ヶ月前の同社のFire Phoneの失敗によって形作られました。記者会見やベゾスによるビジョンを示すスピーチはありませんでした。彼は、故スティーブ・ジョブズが新製品を熱意をもって発表したときの、彼の半端な模倣をやめたように見えました。代わりに、ベゾスは新しい控えめなアプローチに満足しているように見えました。チームはプレスリリースとYouTubeの2分間の説明ビデオでEchoを発表しました。ビデオでは、家族が楽しそうにAlexaと話している様子が映されていました。Amazonの幹部たちは、新しいデバイスを完全に会話できるコンピューターとして売り込むことはしませんでしたが、ニュースや天気予報の提供、タイマーの設定、ショッピングリストの作成、音楽の再生など、自信を持って有用であると確信しているいくつかの領域を慎重に強調しました。
その後、彼らは顧客にEchoを購入するためのウェイティングリストに参加するように求め、Amazon Musicのユーザーであるか、Kindleを所有しているかといった要因を考慮してリストを注意深くレビューしました。未知の市場であることを認識し、彼らはまた、初期注文のFire Phoneの300,000台以上と比較して、わずか80,000台のデバイスの初期バッチを注文し、次の数ヶ月で徐々に配布しました。「Fire Phoneは確かに人々を少し慎重にさせました」とハートは言います。「それは私たちにすべてを見直させることになりました。」
Alexaのベテランの多くは、Amazon EchoがFire Phoneの隣に、消費者テクノロジーの風景に別の喫煙クレーターを残すのではないかと疑っていました。ローンチ当日、彼らはラップトップの前で「ウォー・ルーム」に集まり、ウェイティングリストが彼らの最も誇張された予測さえも超えて膨れ上がるのを見守りました。部屋のどこからでも聞こえ、応答するクラウド接続コンピューターという考えは、ジェフ・ベゾスが約4年前に会議室のホワイトボードに初めてスケッチしたときに望んでいたのと同じくらい魅力的で斬新であることが判明しました。
見守りの最中、誰かが重大な成果が評価されずに通り過ぎていることに気づきました。そこで、約100人の従業員が近くのバーに行き、待ち望んでいた祝賀会を開き、プロジェクトの長年の幹部やエンジニアの何人かがその夜、それを締めくくりました。
Brad Stone著『AMAZON UNBOUND: Jeff Bezos and the Invention of a Global Empire』より。Copyright © 2021 by Brad Stone. Simon & Schuster, Inc.の許可を得て転載。
その他のWIREDのおすすめ記事:
- 📩 テック、科学などの最新情報:ニュースレターを購読する!
- マクドナルドのアイスクリームマシンをハッキングした冷戦
- AI搭載のダンジョンゲームから始まった。それはさらに暗くなった
- PCを構築する課題を過小評価しないでください
- プラスチックが空から降ってきている。しかし、どこから来ているのか?
- NFTとAIは歴史の概念そのものを揺るがしている
- 👁️ 新しいデータベースでAIをかつてないほど探求する
- 🎮 WIRED Games:最新のヒント、レビューなどを入手する
- 💻 Gearチームのお気に入りのラップトップ、キーボード、タイピングの代替品、ノイズキャンセリングヘッドフォンで仕事のゲームをアップグレードする