بابلو أورماتشيا، نائب الرئيس لبيانات في Motus – سلسلة المقابلات

بابلو أورماتشيا، نائب الرئيس لبيانات في Motus، يبني أنظمة ذكاء اصطناعي وتحليلات شركة مصممة للحركة بسرعة معstanding للوائح المالية والتنظيمية. وهو يقود فرقًا متعددة الوظائف عن بُعد بالكامل ويركز على أنظمة اتخاذ القرارات القائمة على الأدلة التي تحسن الاحتفاظ، وتوسع الهامش، وتقدم عائدًا ملموسًا على الاستثمار. في Motus، أعاد هندسة التحليلات لمزيد من 350,000 سائق، وحقق تقارير أسرع 60 مرة مع عدم وجود مهلات، وتم تسليم أنظمة AI / ML بما في ذلك الكشف عن الشذوذ والتنبؤ بالهجرة التي أنقذت العملاء ملايين الدولارات. كما شارك في تأليف إطار الحوكمة الاصطناعية لشركة Motus، مما يسمح بالتجربة الآمنة لنمذجة اللغة الكبيرة مع افتراضات واضحة ومراقبة قوية و منطق أعمال متسق عبر مكدس البيانات.

Motus هي شركة برمجيات لإدارة القوى العاملة والتنقل تساعد المنظمات على إدارة التعويضات المركزية، وتسجيل الأميال، وعمليات القوى العاملة المتنقلة. منصتها السحابية توتير برامج التعويضات المواتية للضريبة، وتقدم تقارير وتحليلات في الوقت الفعلي، وتساعد الشركات على خفض التكاليف، وتحسين الإنتاجية، وإدارة الامتثال لموظفيها الذين يقودون السيارات كجزء من وظائفهم.

لقد بنيت مسيرة فريدة في تقاطع هندسة الذكاء الاصطناعي، واستراتيجية البيانات، والتنظيم — من كلية الحقوق بجامعة هارفارد إلى قيادة البيانات والذكاء الاصطناعي في Motus. ما هي الخبرات الرئيسية التي شكلت نهجك في بناء أنظمة الذكاء الاصطناعي التي تكون متقدمة فنيًا ومتوافقة مع الإطارات التنظيمية الصارمة؟

تعلمت في وقت مبكر معاملة الامتثال مثل تقييد هندسي، وليس فكرة قانونية لاحقة. إذا بنيت الطريق السريع، يمكنك القيادة بسرعة الطريق السريع. إذا تظاهرت أنه طريق ترابي وضغطت على البنزين على أي حال، لا تتحرك بسرعة. أنت تصطدم فقط في وقت أقرب.

ساعدت كلية الحقوق بجامعة هارفارد بطريقة مفاجئة لأن نظام القانون العام هو في الأساس تعلم بالبقايا. لقاء قاعدة الواقع. تظهر الحالات الحدودية حيث يفشل. يُ tinhDoctrine.

هذا هو نفس نموذج العقل الذي أستخدمه للذكاء الاصطناعي في الإنتاج. كل باقي هو هدية. إنه يخبرك حيث تختلف افتراضاتك عن العالم الحقيقي، ويهلك لك طريقًا ملموسًا لتighten النظام.

لذلك، أختار لشخصين في وقت واحد: سرعة الشحن وعبء الإثبات. الهدف ليس “الابتكار مقابل الامتثال”. الهدف هو بناء أنظمة يمكن أن تتحرك بسرعة ويمكن أن تجيب، بوضوح وبالتكرار، “كيف تعرف؟”

لقد شاركت في تأليف سياسة حوكمة الذكاء الاصطناعي لشركة Motus التي سطرت الموافقات مع الحفاظ على التحكم القوي. ما هي المبادئ التي أرشدتك عند تصميم تلك السياسة، وكيف توازن بين سرعة الابتكار والاستعداد للتفتيش؟

لم نكن نهدف إلى كتابة القواعد. لقد رسمنا خريطة. عندما يبدأ اعتماد الذكاء الاصطناعي، يأتي الاهتمام من كل اتجاه، ويمكن أن يتحول السرعة إلى ضجيج، أو أسوأ، إلى مسؤولية. لذلك، المهمة الأولى هي الوضوح: حيث يمكن تشغيل الذكاء الاصطناعي وحيث لا يمكن، ما هي البيانات التي تظل بداخلها فقط، وما هي أنواع التجارب المسموح بها في مسار آمن.

التوازن يأتي من جعل المسار الآمن هو المسار السهل. يفشل الحوكمة عندما تكون لجنة. يعمل عندما يصبح الافتراضات: أدوات معتمدة، حدود بيانات واضحة، تسجيل معياري، ومسار موافقة سريع للحالات الحدودية. الهدف هو أن البناة لا يحتاجون إلى إعادة التفاوض على السلامة كل مرة يرسلون فيها.

ثم يصبح استعداد التفتيش ناتجًا ثانويًا. أنت لا تضطر إلى العجلة لتجميع الأدلة بعد الحادث لأن النظام يولد الأدلة أثناء تشغيله.

لقد قلت إن ممارسات الذكاء الاصطناعي يجب أن تتوافق مع “مستوى فحص الضرائب حتى”. هل يمكنك مشاركة مثال حيث أثرت الاعتبارات التنظيمية مباشرة على قرار فني للذكاء الاصطناعي / التعلم الآلي في Motus؟

في تدفقات العمل المنظمة، السؤال ليس فقط “هل النموذج دقيق؟” بل “هل يمكنك إظهار عملك لاحقًا؟” تلك الحقيقة تشكل ما يبدو “جيدًا” في Motus.

تغيرت خيارات التصميم. في بعض الحالات، نميل نحو نهج يمكن تفسيره، وإعادة تشغيله، وسهل التفتيش. أحيانًا يعني ذلك عائلات نماذج أبسط. غالبًا ما يعني ذلك حواجز حتمية، ميزات مصدرة، وتسجيل المدخلات والمخرجات بطريقة تدعم التشغيل الحقيقي.

مثال ملموس: عندما قمنا بتحديث أجزاء من منطق التعويضات وتقاريرنا، دفعنا بجد على قابليتها للتتبع في نقاط اتخاذ القرار الرئيسية. كنا نريد أن النظام يجيب، عند الطلب، على ما القاعدة التي تم تشغيلها، ما هي البيانات التي استخدمها، ما الإصدار الذي كان يعمل، وما الذي سيغير النتيجة. جعل ذلك مكونات الذكاء الاصطناعي أكثر قابلية للاستخدام، وجعل تدفق العمل ككل أسهل في الدفاع عنه.

المنافع تتراكم. عندما يمكنك إعادة تشغيل السلوك وتقطيع الأخطاء، ت停止 البقايا عن أن تكون غامضة. تصبح قائمة عمل ذات أولوية: ما فشل، أين، لماذا، وما التغيير الذي يغلق الفجوة.

تدير Motus حلولًا لتعويض المركبات وتخفيف المخاطر التي يجب أن ت满ي متطلبات الضرائب والتنظيمية الأخرى. كيف يحسن الذكاء الاصطناعي الامتثال والدقة في هذه الحالات الاستخدامية للشركات؟

الذكاء الاصطناعي يساعد في طريقتين: يقلل من الاحتكاك اليدوي، ويقوي الدفاعية.

فيما يتعلق بالتعويض، القيمة ليست فقط في الأتمتة، بل في الاتساق. يمكن للذكاء الاصطناعي مساعدة تصنيف الرحلات، اكتشاف الشذوذ، وتمييز المعلومات المفقودة في وقت مبكر، مما يقلل من المصالحات في وقت لاحق. لا أحد يريد أن يصبح التعويض مشروعًا أثريًا شهريًا. المنفعة الامتثالية تأتي من القياس الأفضل وتوثيق أفضل. تدعم النتائج بسجل واضح بدلاً من الاعتماد على إعادة بناء لاحقة.

فيما يتعلق بالمخاطر، الذكاء الاصطناعي مفيد لأن فحص النقطة في الوقت الفعلي ليس كافياً. الشركات تريد الوعي المستمر بما تغير، وما يبدو غير صحيح، وما يحتاج إلى الانتباه. أفضل أنظمة الذكاء الاصطناعي هنا ليست دراماتيكية. إنها هادئة، ومستمرة، ويمكن قياسها.

قيادة فرق عن بُعد متعددة الوظائف التي تتعاون مع القانون، والأمن، والمالية، والمنتج ليست مهمة صغيرة. ما هي أكبر التحديات التي واجهتها في جعل هذه المجموعات تتوافق حول مبادرات البيانات والذكاء الاصطناعي؟

الأمر الأكثر صعوبة هو أن كل مجموعة عقلانية، وتحسين المخاطر المختلفة.

الأمن يقلق بشأن التعرض. القانون يقلق بشأن الدفاعية. المالية تقلق بشأن التكلفة والتنبؤ. المنتج يقلق بشأن السرعة والقيمة الزبون. البيانات والهندسة تقلقان بشأن الجدوى والموثوقية. إذا عاملت هذه كأجندات منافسة، ستتوقف.

الإصلاح يأتي من لغة مشتركة ومسارات واضحة. نحن نتوافق على القرار المحدد، ونحدد الحدود، ونوافق على ما يُعتبر دليل “جيد”. ثم نبني الافتراضات حتى يمكن أن تتحرك معظم الأعمال بدون церемонية.

لقد وجدت أن الوضوح يغلب على الإقناع. عندما يمكن للناس رؤية الخريطة، يصبح التوافق أسهل بكثير.

لقد قادت تحسينات أداء كبيرة — مثل تقارير أسرع 60 مرة لمزيد من 350,000 سائق وعدد من الملايين في مدخرات العملاء. كيف ت决定 أي مشاريع الذكاء الاصطناعي / التعلم الآلي لتوجيهها لتأثير تكتيكي وقيمة استراتيجية؟

أوثر على المشاريع التي تمر ثلاثة اختبارات.

أولاً، يجب أن تغير قرارًا حقيقيًا أو تدفق عمل، وليس فقط إنتاج درجة ذكية. إذا لم يغير الإخراج سلوكًا موثوقًا به، فهو عرض تقديمي، وليس منتجًا.

ثانيًا، يجب أن تكون قابلة للقياس. كان جدي يقول “يتم قياسه جيدًا، ونصف الشغل مكتمل”. في بيئات منظمة، أكثر من نصف. إذا لم نستطع تعريف النجاح، ووضع الخطأ، ومراقبة مسبقًا، يعني ذلك أننا لا ن理解 العمل بعد.

ثالثًا، يجب أن تكون قابلة للدفاع عند الفحص. هذا يشمل أصل البيانات، وحدود الوصول، والقدرة على تفسير وإعادة تشغيل النتائج.

عندما يمر المشروع بهذه الاختبارات، يميل إلى خلق انتصارات تكتيكية وتراكمي استراتيجي. في Motus، هذا هو كيف سلمنا تحسينات كبيرة، بما في ذلك تقارير أسرع بشكل كبير في النطاق، وأقل استثناءات، وتأتمتية تترجم إلى مدخرات وقت حقيقية للعملاء.

الثقة والتفسيرية هي أمور حرجة لاعتماد الذكاء الاصطناعي في الشركات. كيف يضمن فريقك أن النماذج قابلة للتفسير وموثوقة للمستفيدين عبر وحدات الأعمال؟

الثقة تأتي من الوضوح، والاتساق، ونظام يمكن أن يفسر نفسه تحت الضغط.

نصمم أنظمة مع زر إعادة التشغيل. نفس المدخلات، نفس الإصدار، نفس الإخراج، بالإضافة إلى مسار أدلة لما تغير بمرور الوقت. كما نجعل البقايا مرئية. كل خطأ هو معلومات. إذا كنت قد أدخلت الأخطاء بشكل صحيح، يمكنك تفسير السلوك بلغة بسيطة وتحسينه بطريقة منضبطة.

عندما يكون هناك فحص للمحكمة، نميل نحو نماذج أبسط مع قياس قوي hơn تعقيد غامض. عمليًا، يعني ذلك تعريفات بيانات واضحة، وتقييم يقطع الأداء حسب قطاعات ذات معنى، ومراقبة الانحراف، وعمليات تغيير وثيقة. المستفيدون لا يحتاجون إلى كل التفاصيل الفنية. يحتاجون إلى ثقة بأن النظام تم قياسه، وحدوده، وتحسينه.

في بيئات الشركات، التفسيرية ليست تفضيلًا فلسفيًا. إنها متطلب للاعتماد، وأهم عندما يحتاج العملاء إلى مقاومة التدقيق في المستقبل.

من أنابيب بيانات HIPAA إلى تقارير متوافقة مع الضرائب، تؤكد Motus على الذكاء الاصطناعي الآمن والمقابل. ما هي أفضل الممارسات التي توصي بها لقادة الذكاء الاصطناعي الذين يعملون في صناعات منظمة؟

بعض المبادئ التي تتنقل جيدًا:

• اعامل الامتثال كالطريق السريع. بناء طرق معبدة حتى تتمكن الفرق من التحرك بسرعة بأمان.
• حدد الحدود في وقت مبكر. كن صريحًا عما لا يمكن أن تغادر البيانات، وأدوات معتمدة، و哪里 يمكن تشغيل النماذج.
• أتمتة الأدلة. اجعل التسجيل والتنقيب والتسجيل الافتراضي، لا عجلة خلال التفتيش.
• قيس قبل أن تتوسع. تم قياسه جيدًا، ونصف الشغل مكتمل. لا يمكنك تحسين ما لا يمكنك رؤيته.
• أتمتة البقايا. تحويل الأخطاء إلى تصنيف للأخطاء وقائمة عمل ذات أولوية.
• صمم للاعتماد. النماذج العظيمة هي جزء إحصائي، وجزء شراكة، وجزء كبير من إدارة التغيير.

إذا كانت الحوكمة تعيش في ملف PDF، لن تتوسع. إذا كانت تعيش في النظام، سوف تفعل.

مع Motus في طليعة حلول تعويض المركبات وتخفيف المخاطر، كيف ترى تطور الذكاء الاصطناعي في هذا المجال خلال السنوات الثلاث إلى خمس القادمة؟

أتوقع两个 تحولًا كبيرًا، ويعززان بعضهما البعض.

أولاً، سيتحرك المخاطر من الفحوصات الدورية إلى إشارات اتخاذ القرار المستمرة. اليوم، لا يزال معظم المنظمات يتعلمون عن مخاطر السائقين في وقت متأخر، إما بعد حادث أو بعد مراجعة في وقت معين. الموجة التالية هي أنظمة تظهر المخاطر في وقت مبكر ودقيق، باستخدام الأنماط الموجودة بالفعل في العمليات: تغييرات في الأهلية، فجوات في التغطية، أنماط الأميال غير عادية، وتناقضات بين السلوك المتوقع والملاحظ. الهدف ليس استبدال الحكم. إنه إعطاء الأمان، والموارد البشرية، والمالية، والعمليات لوحة تحذير مبكرة أفضل، مع إنذارات كاذبة أقل وتوثيق أفضل لما تم تسليطه.

ثانيًا، سيتحرك التعويض من الأوراق إلى تدفق العمل. الشركات لا تزال تفقد الكثير من الوقت في التقديمات، والتصحيحات، والموافقات، والتنظيف اللاحق. في السنوات القليلة القادمة، أتوقع المزيد من الأتمتة عبر دورة التعويض: ملء ما يمكن ملؤه مسبقًا، واكتشاف المدخلات المفقودة أو غير المتسقة في وقت مبكر، وتمرير الاستثناءات إلى الم approver الصحيح مع السياق، وخفض التفاعل اليدوي. إذا تم القيام به جيدًا، يجعله التعويض أسرع وأكثر دفاعًا لأن مسار الأدلة يتم إنشاؤه كجزء من العملية بدلاً من إعادة بنائه في وقت لاحق.

ما يجعل هذا مثيرًا هو كيف يتقارب عندما يكون الأساس صحيحًا. عندما تكون الحدود واضحة والبقايا مرئية، تحصل على حلقة تجميعية: أقل استثناءات، وتقديمات أنظف، وموافقات أسرع، وإشارات مخاطر أوضح، وسجل أوضح لاتخاذ القرارات.

المستقبل ليس “الذكاء الاصطناعي في كل مكان”. إنه الذكاء الاصطناعي المدمج في اللحظات الصحيحة، مع قياس قوي ودوائر تغذية راجعة تحافظ على التحسين.

استنادًا إلى رحلتك من خلال القانون، وعلم الأعصاب، والإحصاء، والذكاء الاصطناعي التطبيقي، ما هي النصيحة التي تقدمها للمحترفين الشباب الذين يطمحون إلى قيادة البيانات والذكاء الاصطناعي في بيئات أعمال معقدة؟

تعلم بناء الأنظمة، وليس فقط النماذج. أو بعبارة أخرى، بناء الطريق السريع، وتسجيل الأخطاء، وحدوث الخريطة.

اقترب من الأشخاص الذين يعيشون النتيجة. مشغلي الخط الأمامي غالبًا ما يرون الإشارات قبل أن ترى البيانات. ملاحظاتهم ليست “قصصية”. غالبًا ما تكون مجموعة الميزات المفقودة.

تطوير الراحة مع القياس، والتواضع بشأن الخطأ. البقايا هي هدايا إذا كنت على استعداد للاستماع. في البيئات المنظمة، أضف انضباط عبء الإثبات: كن قادرًا على تفسير ما بنيت، ولماذا سلوكها على هذا النحو، وماذا ستفعل عندما يتغير.

أخيرًا، تذكر أن الاعتماد هو جزء من العمل. إدارة التغيير ليست إضافة لينة. إنها متطلب أساسي إذا كنت تريد أن يستخدم الذكاء الاصطناعي. هذا يعني أنه ليس كافياً أن تكون قوياً في البيانات، والنمذجة، والخوارزميات. عليك العمل جيدًا عبر وحدات الأعمال، وكسب الثقة، وتحديد مسار بشري يتحول نموذج جيد إلى قدرة حقيقية. إذا كنت تستطيع ذلك، لن تبني فقط نماذج، ستبني الثقة.

شكرًا على المقابلة العظيمة، القراء الذين يرغبون في التعلم أكثر يجب أن يزوروا Motus.