Neal Lathia، المؤسس المشارك والرئيس التقني في Gradient Labs – سلسلة المقابلات

Neal Lathia، المؤسس المشارك والرئيس التقني في Gradient Labs، هو قائد في مجال التعلم الآلي وعلوم البيانات يتمتع بما يقرب من عقدين من الخبرة تغطي التكنولوجيا المالية، المنصات الاستهلاكية، والبحث الأكاديمي. قبل أن يشارك في تأسيس Gradient Labs في عام 2023، قضى أكثر من خمس سنوات في Monzo، حيث ترقّى من عالم بيانات أول إلى مدير التعلم الآلي ومهندس تعلم آلي رئيسي، وبنى بنية تحتية للتعلم الآلي وساعد في توسيع المجال لدعم التطبيقات عبر العمليات، الجرائم المالية، والمنتجات. في السابق، عمل Lathia كعالم بيانات أول في Skyscanner وتولى مناصب بحثية في University of Cambridge وUniversity College London، حيث استكشف أنظمة التوصية، بيانات السلوك، استشعار الهواتف الذكية، والخدمات الرقمية المخصصة. في Gradient Labs، يقود الآن التكنولوجيا وراء الوكلاء الذكاء الاصطناعي المصممة لتدفقات عمل مالية معقدة ومنظمة.

Gradient Labs هي شركة ذكاء اصطناعي مقرها لندن تبني وكلاء مستقلين متخصصين للخدمات المالية، مع تركيز على أتمتة عمليات العملاء التي تتطلب عادةً تدخلاً بشرياً كبيراً. تأسست على يد قادة Monzo السابقين ديميتري ماسين، Neal Lathia، وداناي أنطونيو، وتطوّر الشركة وكلاء في مجالات تشمل الإقراض والتحصيل، النزاعات، Know Your Business (KYB)، الإعداد، مطالبات التأمين، وخدمة العملاء، وتعمل عبر الصوت، الدردشة، والبريد الإلكتروني مع دمج ضوابط الامتثال المصممة للبيئات المنظمة. تقول Gradient Labs إن تقنيتها تخدم الآن أكثر من 32 مليون مستخدم نهائي عبر عملاء بما في ذلك Wise، Zego، Current، Stash، وRho. في يونيو 2026، أعلنت الشركة عن توسيع تمويل السلسلة أ إلى 26 مليون دولار بينما تعمل نحو رؤية أوسع لأتمتة عمليات البنوك والمالية التقنية المعقدة باستخدام وكلاء ذكاء اصطناعي متخصصين مترابطين.

قضيت أكثر من خمس سنوات في بناء وقيادة التعلم الآلي في Monzo قبل أن تشارك في تأسيس Gradient Labs في عام 2023. ما الذي رأيته عن كثب في Monzo أقنعك بوجود فرصة لإنشاء شركة جديدة حول الوكلاء الذكاء الاصطناعي المستقلين، ولماذا جعل وصول نماذج اللغة الكبيرة هذه الفرصة ممكنة؟

في Monzo، قضيت سنوات في بناء أنظمة تعلم آلي تحتاج إلى العمل في بيئة منظمة، حيث الأخطاء لها عواقب واقعية جداً وكل شيء يتطلب سجل تدقيق. أكثر ما أثر فيّ كان الحاجة إلى تطوير بنية تحتية مخصصة، لأن لا شيء جاهز يمكنه العمل بأمان تحت تلك القيود الصارمة. تركتني هذه التجربة بقناعتين. الأولى هي أن التكنولوجيا يمكنها أخيراً أن ترفع البنوك من العبء التشغيلي الذي أعاق الصناعة لعقود. الثانية هي أن الذكاء الاصطناعي العام الأفقي لن يحقق تأثيراً ملحوظاً — فدقة العمل المنظم خاصة جداً. عندما أصبحت نماذج اللغة الكبيرة قادرة بما فيه الكفاية على التفكير عبر تفاعلات متعددة الخطوات وأحياناً غامضة مع العملاء، بدأ من الممكن بناء وكلاء يمكنهم إدارة تدفقات عمل منظمة كاملة من البداية إلى النهاية، بدلاً من مجرد مساعدة إنسان في ذلك. تلك الفجوة، بين ما تحتاجه الشركات المنظمة فعلياً وما هو موجود بالفعل، هي السبب في تأسيسنا لـ Gradient Labs ولماذا راهنا على الذكاء الاصطناعي العمودي المبني خصيصاً للمالية.

لقد وصفت ما يختبره المستهلكون بأنه “الحافة المتعرجة للتجربة”: يستطيع وكيل الذكاء الاصطناعي تنفيذ مهمة معقدة للغاية بينما يفشل نظام آخر في شيء بسيط مثل التمييز بين رقم هاتف واسم. ما الذي يسبب فعلياً هذه الفجوة الكبيرة بين تجارب الذكاء الاصطناعي عندما قد تكون النماذج الأساسية متقاربة في القدرة؟

أعتقد أن الفجوة تتعلق أكثر بكمية الهندسة المضافة إلى النموذج بدلاً من كفاءة النموذج الخام نفسها. إذا فشل نظام في مهمة بسيطة، مثل الخلط بين رقم هاتف واسم، فهذا يعني أنه لم يستثمر في الإطار المحيط به، مثل التحقق، منطق الاحتياطي، معالجة البيانات المهيكلة، إلخ. من المرجح أن الوكيل الأكثر إبهاراً قد تم هندسته بدقة لمهمته. إنه نفس عائلة النماذج الأساسية لكن مع مستوى صرامة مختلف تماماً حولها، وهذا هو ما يسبب الحافة المتعرجة.

مع استمرار تحسين النماذج المتقدمة، لماذا تستمر الأخطاء الأساسية في الذكاء الاصطناعي؟ هل هي في الأساس قيود في النماذج نفسها، أم فشل في بنية النظام المحيطة، البيانات، تدفقات العمل، التقييم، وتصميم المنتج؟

الأمر يتعلق أساساً بالنظام وليس بالنموذج. تستمر النماذج المتقدمة في تحسين قدراتها على الاستدلال. ومع ذلك، غالباً ما تربط الشركات هذه النماذج بأنظمة لم تُطور لسلوكيات قائمة على الاحتمالات. هناك تكاملات هشة وبيانات غير مكتملة في الأنظمة، دون وجود حلقة تقييم حقيقية قبل نشر التغييرات. لذا فإن الفشل الأساسي للذكاء الاصطناعي في الإنتاج ليس فشلاً في الذكاء الاصطناعي بحد ذاته، بل فشلاً في الاستثمار في عمليات التقييم، المراقبة، وتصميم تدفقات العمل.

تبدو أن العديد من الشركات تُحسّن خدمة العملاء المدعومة بالذكاء الاصطناعي بناءً على السرعة أو الاحتواء أو تحويل التذاكر. ما هي المقاييس التي ينبغي على الشركات استخدامها بدلاً من ذلك إذا أرادت قياس ما إذا كان وكيل الذكاء الاصطناعي يحسن تجربة العميل فعلاً؟

لهذا، سيتعين علينا النظر في دقة الحل. تُستخدم السرعة والاحتواء لتقييم ما إذا كنت قادرًا على إبعاد العميل عن الهاتف، وليس ما إذا كنت قادرًا على حل مشكلته. يجب أن تُستخدم دقة الحل، التي ينبغي أن تقيس قدرة وكيل الذكاء الاصطناعي، لتحديد ما إذا كان الوكيل قد فعل الشيء الصحيح، بدلاً من مجرد الاستجابة بسرعة. سيتكامل ذلك مع إشارات أخرى مثل معدلات الاتصال المتكرر، حجم الشكاوى، ومدى اضطرار الإنسان للتدخل لاحقًا. ستدرك أنك تُحسّن النتيجة الخاطئة إذا ارتفعت نسبة التحويل، لكن اتصالات المتكررة والشكاوى أيضًا تزداد.

تركز Gradient Labs على الخدمات المالية المنظمة، حيث يمكن أن يكون للرد غير الصحيح عواقب أكبر بكثير من خطأ خدمة العملاء العادي. كيف تحدد متى يكون وكيل الذكاء الاصطناعي موثوقًا بما يكفي للتعامل بشكل مستقل مع عمليات تشمل مجالات مثل الإقراض، النزاعات، الانضمام، أو فحوصات “اعرف عميلك”؟

المسار الافتراضي الذي يفضله معظم الفرق هو دور المساعد: يوافق شخص على كل إجراء لأنه يبدو أكثر أمانًا. ويُفترض معظمهم أنه أكثر أمانًا. لكن في الواقع، مع تحسن دقة الذكاء الاصطناعي، يوافق المراجعون على الأمور دون فحص فعلي، وتفقد السلامة يحدث على أي حال. هذا لا يقلل من عبء العمل الحالي؛ بل يجعل العملية أسرع ويقلل من القيمة التي تحصل عليها.

لهذا السبب فإن مفهوم أن يكون وكيل الذكاء الاصطناعي موثوقًا بما يكفي يكون محددًا للعمليات في Gradient Labs. بالنسبة لنا، يجب تطويره من خلال استقلالية مرحلية ولا يُنظر إليه كهدف واحد يُستكمل فقط. يمكن منح الوكيل استقلالية أكبر في أمور مثل KYC أو النزاعات فقط بعد أن يتم اختباره مقابل مجموعة كبيرة وحية من الحالات الواقعية، مع مراجعة بشرية لعينة من قراراته حتى بعد دخوله مرحلة الإنتاج. ومن المثير للاهتمام أن ذلك يؤكد أن القابلية للعكس مهمة أيضًا هنا. إذا كان بالإمكان التراجع عن شيء ما، سيكتسب استقلالية أسرع من شيء لا يمكن التراجع عنه.

تُقدم الحواجز (Guardrails) بشكل متزايد كحل لجعل وكلاء الذكاء الاصطناعي أكثر أمانًا، لكن إضافة المزيد من القواعد قد تجعل الأنظمة صلبة أو تمنعها من إكمال مهام مشروعة. كيف توازن بين الاستقلالية والحواجز دون أن تتحول الوكيل إلى روبوت محادثة مقيد بشدة؟

الخطأ هو اعتبار الحواجز جدارًا يرتدّ عنه الوكيل ببساطة. في نظامنا، تقوم الحواجز بوظيفتين في آن واحد. نطبق الحواجز على كل خطوة من خطوات المحادثة — بعضها يفتش ما يقوله العميل لاكتشاف أمور مثل الضعف، الصعوبات المالية، أو الشكوى، والبعض الآخر يفتش ما سيقوله الوكيل للحفاظ على الامتثال. ولكن عندما تُفعَّل إحدى الحواجز، لا تُحَجِّب فقط: بل تُعيد توجيه الوكيل إلى الإجراء الصحيح، ويكون هذا القرار شفافًا في منطق الوكيل، بحيث يمكن للمشغلين رؤية سبب تصرفه. تُدمج الحواجز الأعمق أيضًا في طريقة تعليم الوكيل على التفكير في المهمة، والبيانات التي يمكنه الوصول إليها، والأدوات التي يمكنه استخدامها. هذا الجمع هو ما يحافظ على الأمان دون جعل النظام صلبًا: يفهم الوكيل ما هي الحواجز ولماذا توجد، فيكمل مهمة مشروعة بدلاً من رفض أي شيء يشبه ما هو غير مسموح به.

هنا، أعتقد أن المشكلة تكمن في رؤية الحواجز كجدار صلب يصدّ الوكيل. بشكل أكثر تحديدًا، نطبق نوعين مختلفين من الحواجز في كل خطوة من خطوات المحادثة. أولاً، لدينا حواجز العملاء التي تفحص ما يقوله العميل وتُصمم لاكتشاف الضعف، الصعوبات المالية، الشكاوى، وما شابه ذلك. ثانيًا، لدينا حواجز الوكيل التي تعمل بالعكس وتتحقق مما سيقوله الوكيل قبل إرسال الرسالة، لضمان الامتثال.

هذا يعني أنه بدلاً من حظر الإجراء تمامًا عندما تُفعَّل إحدى هذه الحواجز، يتم إعادة توجيهه إلى المسار الصحيح. بهذه الطريقة، يُحافظ على الشفافية فيما يتعلق بعمليات اتخاذ القرار للوكيل ويُوفر للمشغلين البشريين سبب اتخاذ هذا الإجراء.

نستطيع القيام بذلك أيضًا لأن ليس كل جانب من جوانب عملية تفكير الوكيل يُجبر على المرور عبر نموذج لغة كبير (LLM). الحواجز مثل هذه حتمية لأنها لا تُفعَّل فقط في نهاية المحادثة، بل تُطلق طوال دورة حياة الوكيل. وهذا هو ما يتيح لنا الثقة في الوكيل عند التعامل مع اتصالات حساسة ويسمح بتخصيص وكلاء محددين لحالات الاستخدام على نطاق واسع وبطريقة يمكن التنبؤ بها.

ما يهم أكثر هو كيفية تعليم الوكيل على التفكير في المهمة من البداية، وضمان أنه يستطيع الوصول إلى البيانات ذات الصلة ومعرفة الأدوات التي يحتاج لاستخدامها. هذه القدرة على إكمال مهمة مشروعة بدلاً من رفض أي شيء يبدو غير مسموح به هي ما يساعد على تحسين الأمان وتجنب الصلابة.

أين يجب أن يبقى البشر في الحلقة مع تزايد استقلالية وكلاء الذكاء الاصطناعي؟ هل هناك قرارات أو تفاعلات مع العملاء تعتقد أنه يجب أن تستمر في طلب الحكم البشري بغض النظر عن مدى قدرة النماذج الأساسية على التطور؟

يجب أن يشارك الإنسان إذا كان القرار يتطلب تقديرًا صادقًا، أو له عواقب كبيرة على العميل، أو يتعلق بنتيجة لم يتم تقييم الوكيل ضدها بعد. لا يلزم أن يقوم الإنسان بكل شيء، بل يجب أن يراجع أو يوافق حسب الحاجة. من المحتمل أن يكون هذا صحيحًا حتى مع تزايد قدرة النماذج، لأن الأمر لا يتعلق بالقدرة بل بالمسؤولية وحق العميل في وجود صانع قرار بشري عندما تكون الأمور مثل نتائج الائتمان أو النزاعات متضمنة.

يجب أن يشارك الإنسان إذا كان القرار يتطلب تقديرًا صادقًا، أو له عواقب كبيرة على العميل، أو يتعلق بنتيجة لم يتم تقييم الوكيل ضدها بعد. بل وأذهب بهذا الأمر أبعد من نموذج الرجوع التقليدي لأؤكد أن الوكلاء يكتسبون مكانتهم تدريجيًا في المخطط التنظيمي إلى جانب البشر. وهذا بدوره يغيّر موضع تركيز الجهود البشرية نحو التصعيد والقرارات الحاسمة، بينما يتولى الوكلاء مهام التنسيق وتوجيه العمل.

ولكن لكي ينجح ذلك فعليًا، يحتاج الوكلاء إلى نفس السياق المؤسسي الذي يتمتع به الإنسان، حتى يعرفوا من يجب إشراكه في القضايا المختلفة ومتى. لهذا السبب بنينا “Collaborate”. لتمكين المشغلين والمهندسين والوكلاء من العمل معًا كزملاء مع التحكم في الإصدارات، والتقييمات، والتعلم المستمر في صميم العملية. وهذا يضمن بقاء البشر مشاركين بالكامل، وتغيير شكل الحلقة لتواكب مدى تنسيق الوكيل والإنسان.

تركز Gradient Labs على الوكلاء المتخصصين المصممين لتدفقات عمل محددة في الخدمات المالية بدلاً من وكيل عام واحد. هل تعتقد أن مستقبل الذكاء الاصطناعي للمؤسسات سيتكون أساسًا من شبكات من الوكلاء المتخصصين، أم أن النماذج الأساسية المتزايدة القدرة ستجعل هذا التخصص أقل أهمية في النهاية؟

أعتقد أنه حتى مع تحسين النماذج الأساسية، يظل التخصص مهمًا. لن يدفع الناس فقط مقابل نموذج ذكي، بل مقابل تقييم مخصص لتدفق العمل، والضوابط، وتكامل البيانات المبني حوله. وهذا العمل لا يختفي لمجرد أن النموذج الأساسي يتحسن. أرى ذلك كشبكة من الوكلاء المتخصصين المبنية جميعًا على نموذج أساسي قوي ومشترك، بدلاً من وكيل عام واحد يقوم بكل شيء.

يحتاج وكلاء الذكاء الاصطناعي بشكل متزايد إلى التعلم والتحسين بعد النشر، ولكن في البيئات المنظمة حتى التغيير السلوكي الصغير قد يخلق مخاطر جديدة. كيف يمكن للشركات تحسين الوكيل باستمرار مع ضمان أن التحديثات لا تُحدث تراجعات أو مشاكل امتثال أو سلوك غير متوقع؟

المبدأ الذي نتبعه هو أن كل تحديث يُعامل كإصدار نموذج جديد، وليس كتغيير تكويني تدريجي، لذا يمر كل تعديل عبر مجموعة تقييم شاملة قبل أن يُطلق. وهذا يشمل اختبارات تراجعية تُجرى على سابقة كان الخطأ فيها سيُحدث فرقًا حقيقيًا، ولا يُطلق أي شيء مباشرةً على جميع العملاء دفعة واحدة: نُطلقه تدريجيًا ونراقبه، بحيث إذا بدأ الانحراف يظهر نتمكن من اكتشافه على شريحة محدودة من الحركة بدلاً من النطاق الكامل. هذا هو بالضبط ما يُبنى حول إصدار Collaborate الأخير. يتيح Collaborate للمشغلين والمهندسين والوكيل الذكي العمل معًا كزملاء على تعريف حي مشترك لكيفية تفكير الوكيل، مع التحكم في الإصدارات، والتقييمات، والتعلم المستمر المدمج مباشرةً في سير العمل. لذا عندما يحسن أحدهم طريقة تعامل الوكيل مع حالة ما، يُصبح هذا التغيير مُصدَّرًا، يُختبر ضد محادثات سابقة، ويُطلق تحت نفس الضوابط كأي إصدار آخر. وهذا يعني أن الوكيل يمكنه الاستمرار في التحسن بعد النشر دون أن يصبح التحسين نفسه هو ما يُسبب تراجعًا أو مشكلة امتثال.

نظرة إلى المستقبل، مع تزايد توفّر نماذج الأساس القوية وتصبح سلعًا سائدة، من أين سيأتي الميزة التنافسية الحقيقية في تطبيقات الذكاء الاصطناعي؟ هل سيكون الفائزون هم أصحاب أفضل النماذج، أم أصحاب أفضل مهارات هندسة الأنظمة الموثوقة وتقديم تجارب ثابتة جيدة حولها؟

مع تلاقي المزيد من نماذج الأساس، سيتحول التفوق تقريبًا بالكامل إلى من يجيد هندسة أنظمة أكثر موثوقية حول هذه النماذج، بما في ذلك التقييم، والضوابط، والبيانات، وتصميم سير العمل. يصبح النموذج مدخلًا سلعًا، لكن الثبات والاعتمادية في الإنتاج هما المنتج الفعلي.

حتى بعد ذلك، أرى الميزة تنبع أكثر من مدى دمج الوكيل في عمليات الشركة. الوكلاء الذين يستطيعون الاندماج في أجزاء متعددة من عمليات الشركة سيفوزون على الأدوات التي يمكنها التعامل مع مشكلات محددة فقط أو الوصول إلى الخط الأمامي فقط. عندما يستطيع الوكيل العمل عبر أنظمة الخط الأمامي والخلفي، يمكنه إضفاء سياق أكبر على التفاعلات ومعالجة مشكلات أكثر تعقيدًا من البداية إلى النهاية، كما يفعل الإنسان. القدرة على التوافق مع طريقة عمل الشركة هي ما أتوقع أن تكون مصدر الفوز الدائم.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يجب أن يزوروا Gradient Labs.