ماثيو فيتزباتريك، الرئيس التنفيذي لشركة Invisible Technologies – سلسلة المقابلات

ماثيو فيتزباتريك هو خبير في العمليات والنمو مع خبرة عميقة في توسيع العمليات والفرق المعقدة. مع خلفية تمتد إلى الاستشارات والاستراتيجية والقيادة التشغيلية، يعمل حاليًا كرئيس تنفيذي في شركة Invisible Technologies، حيث يركز على تصميم وتحسين الحلول التجارية الشاملة. ماثيو متحمس لدمج الموهبة البشرية مع التأتمتية لتعزيز الكفاءة على نطاق واسع، مما يساعد الشركات على تحقيق نمو تحويلي من خلال الابتكار في العمليات.

Invisible Technologies هي شركة طبقة إنتاج ذكاء اصطناعي وبرمجيات企業 التي تساعد المنظمات على بناء ونشر وتوسيع أنظمة الذكاء الاصطناعي عبر بيئات أعمال معقدة. منصة الشركة تجمع بين البرمجيات المدعومة بالذكاء الاصطناعي والخبرة البشرية والبنية التحتية التشغيلية لدعم تدفقات العمل الإنتاجية المطلوبة لتدريب وتقييم وتشغيل الذكاء الاصطناعي المتقدم. تعمل Invisible مع الشركات لتدارة البيانات المعقدة وتأتمتة العمليات وتكامل الذكاء الاصطناعي في العمليات التجارية، مما يوفر البنية التحتية والخبرة اللازمة لنقل مبادرات الذكاء الاصطناعي من التجربة إلى النشر على نطاق الإنتاج الموثوق.

لقد انتقلت مؤخرًا من قيادة QuantumBlack Labs في McKinsey إلى منصب الرئيس التنفيذي لشركة Invisible Technologies. ما هو ما جذبك إلى هذا الدور، وما هو ما يثيرك أكثر حول مهمة Invisible؟

في McKinsey، كان لي شرف العمل في طليعة الابتكار في الذكاء الاصطناعي – بناء منتجات برمجيات الذكاء الاصطناعي، وتحديد جهود البحث والتطوير، ومساعدة الشركات على استغلال قوة البيانات. ما جذبني إلى Invisible Technologies كان الفرصة لجعلها تشغيلية على نطاق واسع مع مزيج من منصة برمجيات الذكاء الاصطناعي الفريدة والمرونة وسوق الخبراء لتعليقات الحلقات البشرية – أعتقد أن التعلم من التعزيز من التعليقات البشرية (RLHF) هو المفتاح لتنفيذ أنظمة الذكاء الاصطناعي العامة (GenAI) دقيقة وموثوقة. تدعم Invisible الذكاء الاصطناعي عبر سلسلة القيمة بأكملها، من تنظيف البيانات وتأتمتة إدخال البيانات إلى سلاسل التفكير والتقويمات المخصصة. مهمتنا بسيطة: دمج الذكاء البشري والذكاء الاصطناعي لمساعدة الأعمال على تحقيق إمكانات الذكاء الاصطناعي، الذي في الشركات كان أكثر صعوبة مما توقع معظم الناس.

لقد أشرفت على أكثر من 1000 مهندس ووسعت منتجات الذكاء الاصطناعي المتعددة عبر الصناعات. ما هي الدروس التي تعلمتها من McKinsey وتطبقها على مرحلة النمو التالية لشركة Invisible؟

درسان بارزان. أولاً، تبني الذكاء الاصطناعي الناجح يعتمد على التحول التنظيمي بقدر ما يعتمد على التكنولوجيا. تحتاج إلى الأشخاص والعمليات المناسبة – بالإضافة إلى نماذج رائعة. ثانيًا، الشركات التي تفوز في الذكاء الاصطناعي هي تلك التي تتقن “الآخر ميل” – الانتقال من التجربة إلى الإنتاج. في Invisible، نحن نطبق نفس الانضباط والهيكل لمساعدة العملاء على الانتقال بعيدًا عن التجارب وصولًا إلى الإنتاج، وتقديم قيمة تجارية حقيقية.

لقد قلت إن “2024 كانت سنة تجربة الذكاء الاصطناعي، و2025 هي عن تحقيق العائد على الاستثمار”. ما هي الاتجاهات المحددة التي تريها بين الشركات التي تحقق فعلاً هذا العائد على الاستثمار؟

الشركات التي تحقق عائدًا حقيقيًا على الاستثمار هذا العام تفعل ثلاثة أشياء جيدًا. أولاً،它们 تتماشى بشكل وثيق بين حالات استخدام الذكاء الاصطناعي والمؤشرات الأساسية للأداء الرئيسية مثل الكفاءة التشغيلية أو رضا العملاء. ثانيًا،它们 تستثمر في بيانات ذات جودة أفضل ودوائر تعليقات بشرية لتحسين أداء النموذج بشكل مستمر. ثالثًا،它们 تنتقل من الحلول العامة إلى أنظمة مخصصة ومحددة النطاق تعكس تعقيد بيئاتها. هذه الشركات لم تعد مجرد اختبار الذكاء الاصطناعي – بل هي توسيع نطاقه بغرض.

كيف تتطور demande للتعليم المحدد والمستوى الدكتوراه للبيانات في مقدمي أساسيات النموذج مثل AWS وMicrosoft وCohere؟

نحن نشهد زيادة في الطلب على التسمية المتخصصة مع تقدم مقدمي أساسيات النموذج إلى مجالات أكثر تعقيدًا. في Invisible، لدينا معدل قبول سنوي بنسبة 1٪ في مجموعة الخبراء، و30٪ من مدربينا يحملون شهادات ماجستير أو دكتوراه. هذه الخبرة العميقة أصبحت ضرورية بشكل متزايد – ليس فقط لتحديد البيانات بدقة، ولكن لتوفير تعليقات دقيقة وواعية إلى السياق لتحسين العقلانية والدقة والتناسب. مع نمو النماذج، يصبح معيارها أعلى.

Invisible في طليعة الذكاء الاصطناعي العامل، مع التركيز على اتخاذ القرارات في سلاسل العمل الحقيقية. ما هو تعريفك للذكاء الاصطناعي العامل، وأين نرى أكثر الوعد؟

الذكاء الاصطناعي العامل يشير إلى أنظمة لا تستجيب فقط للتعليمات – بل تخطط وتتخذ قرارات وتتحرك داخل الحدود المحددة. إنه الذكاء الاصطناعي الذي يتصرف أكثر مثل شريك من أداة. نحن نرى أكبر زخم في سلاسل العمل المعقدة والكبيرة الحجم: مثل دعم العملاء وطلبات التأمين، على سبيل المثال. في هذه المجالات، يمكن للذكاء الاصطناعي العامل تقليل الجهد اليدوي وزيادة الاتساق وتقديم النتائج التي ستتطلب في العادة فرقًا بشرية كبيرة. لا يتعلق الأمر باستبدال البشر – بل بتعزيزهم مع وكلاء ذكاء اصطناعي يمكنهم التعامل مع الأمور الروتينية والتكرارية.

يمكنك مشاركة أمثلة حول كيفية تدريب Invisible للنماذج على التفكير في سلسلة الأفكار ولما هو ذلك حاسم للنشر في الشركات؟

التفكير في سلسلة الأفكار (CoT) أطلق إمكانيات جديدة للذكاء الاصطناعي في الشركات. في Invisible، ندرّب النماذج على التفكير خطوة تلو الأخرى، وهو أمر ضروري عندما تكون المخاطر عالية – سواء كنت تشخص مريضًا أو تحلل عقدًا أو تؤكد نموذجًا ماليًا. التفكير في سلسلة الأفكار لا يحسن فقط الشفافية، بل يسمح أيضًا بالتصحيح والتحسين والتحسين دون مجموعات بيانات ضخمة جديدة. لقد رأينا نماذج رائدة مثل Gemini وSonnet وGrok تبدأ في الكشف عن مسارات التفكير الخاصة بها، مما يسمح لنا بمشاهدة ليس فقط ما ينتج عنه النماذج، ولكن كيف تصل إليها. هذا يضع الأساس لمETHODS أكثر تقدمًا مثل شجرة الفكر (حيث تقيّم النماذج مسارات التفكير المتعددة قبل الاستقرار على إجابة) والاتساق الذاتي (حيث يتم استكشاف مسارات التفكير المتعددة).

تدعم Invisible التدريب عبر أكثر من 40 لغة برمجة و30 لغة بشرية. ما مدى أهمية الدقة الثقافية واللغوية في بناء الذكاء الاصطناعي القابل للتوسيع على مستوى العالم؟

من المهم للغاية. اللغة ليست فقط عن الترجمة – بل عن السياق وال细微差别 والقيم الثقافية. إذا فشل النموذج في تفسير النبرة أو إهمال التباين الإقليمي، يمكن أن يؤدي ذلك إلى تجارب مستخدم سيئة أو مخاطر متعلقة بالامتثال. مدربونا المتعددين اللغات ليسوا فقط متحدثين بلغاتهم – بل也是 جزء من الثقافات التي يمثلونها.

ما هي النقاط الشائعة للفشل عند محاولة الشركات الانتقال من概念 الإثبات إلى الإنتاج، وكيف تساعد Invisible في التنقل في ذلك “الآخر ميل”؟

معظم نماذج الذكاء الاصطناعي لا تصل إلى الإنتاج لأن الشركات تقلل من تقدير الجهد التشغيلي المطلوب.她们 تفتقر إلى بيانات نظيفة وبروتوكولات تقييم قوية و استراتيجية لدمج النماذج في سلاسل العمل الحقيقية. في Invisible، نجمع بين الخبرة الفنية العميقة والبنية التحتية للبيانات على مستوى الإنتاج لمساعدة الشركات على جسر الفجوة. قدراتنا التكاملية في التدريب والتحسين تسمح لنا ببناء نماذج أفضل ونشرها بنجاح.

يمكنك أن تشرح لنا подход Invisible إلى التعلم من التعزيز من التعليقات البشرية (RLHF) وكيف يختلف عن الآخرين في الصناعة؟

في Invisible، نرى التعلم من التعزيز من التعليقات البشرية (RLHF) على أنه أكثر من مجرد تحسين دقيق – إنه يسمح بتصميم تقييم مخصص أكثر تعقيدًا (“تقييم”) وانتقال نحو تدريب النماذج بالحكم البشري المتعلم بدلاً من الإشارات الثنائية مثل الإبهام للأعلى أو الإبهام للأسفل. في حين أن نهج الصناعة غالبًا ما يركز على النطاق من خلال بيانات عالية الحجم ومنخفضة الإشارة، نحن نركز على جمع تعليقات عالية الجودة ومنظمة التي تلتقط العقلانية والسياق والترادفات. هذا الإشارة الغنية تمكن النماذج من تعميمها بشكل أكثر فعالية والاتساق بشكل أوثق مع النية البشرية. من خلال تقديم العمق على العرض، نحن نبني البنية التحتية لأنظمة الذكاء الاصطناعي أكثر متانة وموائمة.

كيف تتخيل مستقبل التعاون بين الذكاء الاصطناعي والإنسان، خاصة في مجالات عالية المخاطر مثل المالية والرعاية الصحية أو القطاع العام؟

الذكاء الاصطناعي لا يستبدل الخبرة البشرية – بل يصبح البنية التحتية التي تدعمها. أتخيل مستقبلًا حيث يعمل وكلاء الذكاء الاصطناعي والخبراء البشر معًا – حيث يتم دعم الأطباء بمساعدات تشخيصية، ووكالات الحكومة تستخدم الذكاء الاصطناعي لترشيح الفوائد بشكل أكثر كفاءة، والمحللون الماليون يتركون حرًا للاهتمام بالاستراتيجية بدلاً من الجداول. تركيزنا هو تصميم أنظمة حيث يعزز الذكاء الاصطناعي القدرات البشرية، بدلاً من إخفائها أو إلغائها.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة Invisible Technologies.