ديمتري ماسين، الرئيس التنفيذي ومؤسس Gradient Labs – سلسلة المقابلات

ديمتري ماسين هو الرئيس التنفيذي ومؤسس Gradient Labs، شركة أبحاث تعمل على إنشاء وكلاء دعم العملاء المستقلين المصممين خصيصًا للصناعات الخاضعة للتنظيم، مثل الخدمات المالية. قبل تأسيس Gradient Labs في عام 2023، شغل ماسين مناصب قيادية في بنك Monzo، بما في ذلك نائب الرئيس لعلوم البيانات والجريمة المالية والاحتيال، وعمل سابقًا في Google. تحت قيادته، اكتسبت Gradient Labs زخمًا سريعًا، ووصلت إلى مليون جنيه إسترليني في الإيرادات المتكررة السنوية في غضون خمس شهور من الإطلاق. يركز ماسين على تطوير أنظمة ذكاء اصطناعي تجمع بين الأداء العالي والامتثال التنظيمي الصارم، مما يتيح تطبيق آلي آمن ومستدام للعمليات العميلية المعقدة.

ما الذي ألهمك لإطلاق Gradient Labs بعد رحلة ناجحة في Monzo؟

في Monzo، قمنا بإنفاق سنوات في العمل على تطبيق تكنولوجيا الذكاء الاصطناعي في دعم العملاء، مع التركيز على تحقيق مكاسب كفاءة متواضعة بنسبة 10٪. لكن في أوائل عام 2023، شهدنا تحولًا تكنولوجيًا كبيرًا مع إطلاق GPT-4. فجأة، أصبح من الممكن تطبيق آلي كامل لعمليات العمل الروتينية بنسبة 70-80٪ باستخدام الذكاء الاصطناعي.

ألهمنا هذا الانفجار التكنولوجي الحالي لإطلاق Gradient Labs. في مسيرتي المهنية، رأيت موجتين ثوريتين: ثورة الهواتف المحمولة (التي حدثت في بداية مسيرتي)، والآن الذكاء الاصطناعي. عندما تدرك أنك في منتصف تحول سيغير العالم، عليك أن تسيطر على اللحظة. كان فريقنا يعلم – هذه هي اللحظة.

في Monzo، ساعدت في قيادة الشركة خلال نمو هائل. ما هي أكبر الدروس التي استفدتها من تلك التجربة والتي تطبقها الآن في Gradient Labs؟

أولاً، التوازن بين الاستقلالية والتوجيه. في Monzo، افترضنا في البداية أن الناس يزدهرون ببساطة على الاستقلالية – أنها ما يلهمهم أكثر. ومع ذلك، يبدو الآن أن هذا الرأي بسيط للغاية. أعتقد أن الناس يقدرون أيضًا التوجيه. الاستقلالية الحقيقية ليست قائلة لهم “افعل ما تريد”، ولكن توفير توجيه واضح مع منحهم حرية حل مشاكل محددة بطريقتهم.

ثانيًا، المواهب العليا تتطلب مكافآت عليا. إذا كنت تهدف إلى توظيف أفضل 5٪ في وظيفتك، عليك أن تدفع وفقًا لذلك. وإلا، ستجذب الشركات التكنولوجية الكبيرةهم بعيدًا بمجرد أن يُعلن عن وجود مواهب عظيمة يتم دفع رواتب منخفضة لهم.

ثالثًا، لا تعيد اختراع العجلة. في Monzo، حاولنا إنشاء نهج مبتكر للهياكل العمل، وأنظمة التعويض، وسلم المسارات المهنية. النتيجة الرئيسية: لا تضيع طاقتك في ابتكار الأساسيات التنظيمية – ألف شركة قد أنشأت بالفعل أفضل الممارسات. ما زلت أرى منشورات على LinkedIn حول “إلغاء جميع الألقاب والهرمية” – لقد شاهدت هذا يحدث مرارًا وتكرارًا، وغالبًا ما تعود الشركات إلى الهياكل التقليدية.

Gradient Labs تركز على الصناعات الخاضعة للتنظيم، والتي تتميز عادةً بالاحتياجات المعقدة. كيف قمت ببناء وكيل ذكاء اصطناعي (مثل Otto) يمكنه العمل بشكل فعال في هذا البيئة؟

اتبنا نهجًا غير تقليدي، حيث رفضنا النصيحة التقليدية لإطلاق المنتج بسرعة وتحديثه على المنتج الحي. بدلاً من ذلك، قمنا بإنفاق 14 شهرًا قبل إطلاق Otto، مع الحفاظ على معايير جودة عالية منذ البداية. كان علينا إنشاء شيء يمكن للبنوك والمؤسسات المالية أن تثق به لتعامل الدعم بشكل مستقل.

لم نكن نبني مساعدًا، بل كنا نبني آليًا شاملاً لدعم العملاء. مع خلفيتنا في الخدمات المالية، كان لدينا معيار داخلي دقيق لما يبدو جيدًا، مما أتاح لنا تقييم الجودة بدون الاعتماد على ملاحظات العملاء. هذا أتاح لنا الفرصة للتركيز على الجودة مع تحديث سريع. بدون عملاء حيين، يمكننا أن نقفز بأفكار أكبر، ونكسر الأشياء بحرية، وننحرف بسرعة – في النهاية، نقدم منتجًا عالي الجودة عند الإطلاق.

يتمتع Otto بقدرة على التعامل مع مهام معقدة ومتعددة الخطوات. هل يمكنك أن توضح كيف يدير Otto مهام معقدة أو عالية المخاطر التي قد يفشل فيها وكلاء الذكاء الاصطناعي التقليدية؟

لقد بنينا Otto حول مفهوم الإجراءات الموحدة (SOPs) – وثائق توجيه مكتوبة باللغة الإنجليزية التي تفصل كيفية التعامل مع قضايا محددة، مشابهة لما تقدمه لعميل بشري.

هناك قراران هيكليان رئيسيان يجعلان Otto فعالًا بشكل خاص في إدارة العمليات المعقدة:

أولاً، نقوم بتحديد نطاق الأدوات. نمط فشل شائع لوكلاء الذكاء الاصطناعي هو الاختيار الخاطئ من بين خيارات كثيرة.对于 كل إجراء، نقوم بتعريض مجموعة صغيرة من الأدوات ذات الصلة لOtto. على سبيل المثال، في عملية استبدال البطاقة، قد يرى Otto أداة أو أداتين فقط بدلاً من جميع الأدوات الثلاثين المسجلة في النظام. هذا يحسن الدقة بشكل كبير من خلال تقليل مساحة الاختيار.

ثانيًا، قمنا بإعادة بناء جزء كبير من البنية التحتية لوكيل الذكاء الاصطناعي لتمكين التفكير المتسلسل. بدلاً من مجرد طرح الإجراءات على مساعد OpenAI أو Anthropic، تسمح لنا هيكلتنا بالتكرار المتعدد بين الإدخال والإخراج. هذا يتيح التفكير الأعمق والنتائج الأكثر موثوقية.

يذكر Gradient Labs تحقيق “جودة خارقة” في دعم العملاء. ما يعني “جودة خارقة” بالنسبة لك، وكيف تقيسها داخليًا؟

الجودة الخارقة تعني تقديم دعم العملاء أفضل مما يمكن للبشر تحقيقه. هناك ثلاثة أمثلة توضح ذلك:

أولاً، المعرفة الشاملة. يمكن لوكلاء الذكاء الاصطناعي معالجة كميات هائلة من المعلومات وامتلاك معرفة تفصيلية عن الشركة. في المقابل، يتعلم البشر عادةً جزءًا صغيرًا من المعلومات، وعندما لا يعرفون شيئًا، يجب أن يتشاوروا مع قواعد المعرفة أو يرفعوا الأمر إلى زملائهم. هذا يؤدي إلى تجربة مرهقة حيث يتم تمرير العملاء بين الفرق. في المقابل، يمتلك وكيل الذكاء الاصطناعي فهمًا عميقًا للشركة وعملياتها، ويوفر إجابات متسقة ومتواصلة – بدون الحاجة إلى رفع الأمر.

ثانيًا، البحث غير الكسول. الذكاء الاصطناعي سريع في جمع المعلومات. بينما يحاول البشر توفير الوقت bằng طرح أسئلة على العملاء قبل التحقيق، يبحث وكيل الذكاء الاصطناعي بنشاط في معلومات الحساب، والflags، والتنبيهات، ورسائل الخطأ قبل بدء المحادثة. لذلك، عندما يقول العميل بتراخي “لدي مشكلة مع X”، يمكن لوكيل الذكاء الاصطناعي أن يقدم حلًا فورًا بدلاً من طرح أسئلة توضيحية متعددة.

ثالثًا، الصبر وثبات الجودة. على عكس البشر الذين يواجهون ضغطًا لتعامل عدد معين من الردود في الساعة، يحافظ وكيل الذكاء الاصطناعي على جودة عالية ومستمرة، مع تواصل هادئ وواضح. إنه ي回答 ب耐عة طالما لزم الأمر دون التسرع.

نقيس هذا بشكل رئيسي من خلال درجات رضا العملاء.对于 جميع العملاء الحاليين، نحقق درجات رضا العملاء بمتوسط 80-90٪ – عادة أعلى من فرقهم البشرية.

لقد تجنبت عمدًا ربط Gradient Labs بمزود LLM واحد. لماذا كانت هذه الخيار مهمة، وكيف يتأثر الأداء والموثوقية لعملائك؟

على مدى السنوات القليلة الماضية، لاحظنا أن تحسينات الأداء الكبيرة جاءت من قدرتنا على التبديل إلى أفضل نموذج متاح في كل مرة يصدر فيها OpenAI أو Anthropic شيئًا أسرع أو أكثر دقة. مرونة النموذج كانت مفتاحًا.

تتيح لنا هذه المرونة تحسين الجودة بشكل مستمر مع إدارة التكاليف. بعض المهام تتطلب نماذج أقوى، 而البعض الآخر أقل. تسمح لنا هيكلتنا بالتطور مع مرور الوقت، واختيار النموذج الأمثل لكل حالة.

في النهاية، سندعم النماذج المفتوحة المصدر الخاصة بالعملاء على بنية تحتية مخصصة. بسبب هيكلتنا، ستكون هذه الانتقال سهلًا، وهو ما يهم بشكل خاص عند خدمة البنوك التي قد يكون لديها متطلبات محددة بشأن نشر النماذج.

Gradient Labs لا تبني فقط برنامج تشات – بل تهدف إلى التعامل مع عمليات المكتب الخلفي أيضًا. ما هي أكبر التحديات الفنية أو التشغيلية في تطبيق الذكاء الاصطناعي على هذه الأنواع من المهام؟

هناك فئتان متميزتان من العمليات، كل واحدة لها تحدياتها الخاصة:

对于 العمليات البسيطة، التكنولوجيا موجودة بالفعل. التحدي الرئيسي هو التكامل – الاتصال بنظم وادوات الخلفية المخصصة التي تستخدمها المؤسسات المالية، حيث أن معظم عمليات العملاء تتضمن العديد من الأنظمة الداخلية.

对于 العمليات المعقدة، لا تزال هناك تحديات فنية كبيرة. هذه العمليات تتطلب عادةً توظيف وتدريب البشر لمدة 6-12 شهرًا لتطوير الخبرة، مثل التحقيقات في الاحتيال أو تقييمات غسيل الأموال. التحدي هنا هو نقل المعرفة – كيف نمنح وكلاء الذكاء الاصطناعي نفس الخبرة في المجال؟ هذا مشكلة صعبة ي cố gắng حلها الجميع في هذا المجال.

كيف توازن Gradient Labs بين الحاجة إلى سرعة وفعاليّة الذكاء الاصطناعي مع متطلبات الامتثال الصارمة للصناعات الخاضعة للتنظيم؟

من المحتمل أن يكون هذا توازنًا، ولكن على مستوى المحادثة، وكيلنا يأخذ وقتًا أطول للتفكير. يقيّم العديد من العوامل: هل أفهم ما يسأله العميل؟ هل أقدّم الإجابة الصحيحة؟ هل يظهر العميل علامات ضعف؟ هل يريد العميل تقديم شكوى؟

هذا النهج المتعمد يزيد من التأخير – قد يكون وقت الاستجابة المتوسط لدينا 15-20 ثانية. لكن بالنسبة للمؤسسات المالية، هذا مقايضة عادلة. استجابة مدتها 15 ثانية لا تزال أسرع من استجابة بشرية، بينما تكون ضمانات الجودة مهمة أكثر للشركات الخاضعة للتنظيم التي نعمل معها.

هل تتوقع مستقبلًا حيث يُعتمد على وكلاء الذكاء الاصطناعي ليس فقط لدعم العملاء ولكن أيضًا لمهام اتخاذ القرارات ذات المخاطر العالية داخل المؤسسات المالية؟

المؤسسات المالية كانت تستخدم بالفعل تقنيات الذكاء الاصطناعي التقليدية لاتخاذ قرارات عالية المخاطر قبل موجة الذكاء الاصطناعي الحالية. حيث أرى الفرصة الحقيقية الآن هو في التنسيق – ليس اتخاذ القرار، ولكن تنسيق العملية بأكملها.

على سبيل المثال، يرفع العميل وثائق، ويكيل وكيل الذكاء الاصطناعيها إلى نظام التحقق، ويتلقى تأكيد الصحة، ثم يطلق الإجراءات والتواصل مع العملاء المناسبين. هذه وظيفة التنسيق هي حيث يتفوق وكلاء الذكاء الاصطناعي.

对于 القرارات عالية المخاطر نفسها، لا أرى تغييرًا كبيرًا في المدى القصير. هذه النماذج تتطلب تفسيرًا، ومنع التحيز، وموافقة لجنة مخاطر النماذج. ستواجه نماذج اللغة الكبيرة تحديات كبيرة في هذه السياقات.

ما هو رأيك في كيفية تغيير الذكاء الاصطناعي لتجربة العملاء في البنوك وشركات التكنولوجيا المالية وغيرها من القطاعات الخاضعة للتنظيم خلال السنوات الثلاث إلى خمس القادمة؟

أرى خمسة اتجاهات رئيسية لتغيير تجربة العملاء:

أولاً، التفاعل عبر جميع القنوات. تخيل بدء محادثة في تطبيق البنك، ثم الانتقال بسلاسة إلى الصوت مع نفس وكيل الذكاء الاصطناعي.

ثانيًا، واجهات مستخدم قابلة للتكيف تقلل من التنقل داخل التطبيق. بدلاً من البحث في القوائم عن وظائف محددة، سيطلب العملاء ببساطة احتياجاتهم: “يرجى زيادة حدودي” – والعمل يتم فورًا من خلال المحادثة.

ثالثًا، اقتصاديات الوحدة الأفضل. الدعم والعمليات هي مراكز تكلفة هائلة. تقليل هذه التكاليف يمكن أن يسمح للبنوك بخدمة عملاء لم يكونوا مربحين من قبل أو تمرير التوفير إلى المستخدمين – خاصة في القطاعات غير المربحة.

رابعًا، دعم استثنائي على نطاق واسع. حاليًا، يمكن للشركات الناشئة مع عدد قليل من العملاء تقديم دعم شخصي، لكن الجودة عادةً ما تتراجع مع نمو الشركة. يجعل الذكاء الاصطناعي الدعم الجيد قابلًا للتطوير، وليس فقط ممكنًا.

خامسًا، سيتغير دعم العملاء من ضرورة مرهقة إلى خدمة مفيدة حقًا. لم يعد يُعتبر تكلفة بنية تحتية شاقة، ولكن نقطة اتصال كفءة وقيمة تعزز التجربة العامة.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة Gradient Labs.