Matthew Fitzpatrick, generální ředitel Invisible Technologies – Interview Series

Matthew Fitzpatrick je zkušený specialista na operace a růst s hlubokými znalostmi v oblasti škálování komplexních pracovních postupů a týmů. S pozadím, které zahrnuje konzultace, strategii a operativní vedení, v současné době působí jako generální ředitel ve společnosti Invisible Technologies, kde se zaměřuje na návrh a optimalizaci komplexních obchodních řešení. Matthew je vášnivý zastánce kombinace lidského talentu s automatizací za účelem zvýšení efektivity ve velkém měřítku, pomáhá společnostem dosáhnout transformačního růstu prostřednictvím inovací procesů.

Invisible Technologies je vrstva produkce AI a softwarová společnost, která pomáhá organizacím budovat, nasazovat a škálovat systémy AI napříč komplexními obchodními prostředími. Jejich platforma kombinuje softwarové produkty s umělou inteligencí, lidskou odborností a operační infrastrukturou, aby podporovala pracovní postupy produkce potřebné pro školení, hodnocení a provoz pokročilé AI. Invisible spolupracuje s podniky na správě komplexních dat, automatizaci pracovních postupů a integraci AI do obchodních procesů, poskytuje infrastrukturu a odbornost potřebnou pro přesun AI iniciativ z experimentů do spolehlivého, produkčního nasazení.

Vousately jste přešel z vedení QuantumBlack Labs v McKinsey do funkce generálního ředitele Invisible Technologies. Co vás přitáhlo k této roli a co vás nejvíce fascinuje na misi Invisible?

V McKinsey jsem měl tu čest pracovat na špici inovací AI – budovat softwarové produkty AI, vést výzkumné a vývojové úsilí a pomáhat podnikům využít sílu dat. Co mě přitáhlo k Invisible Technologies, byla možnost učinit to operačním ve velkém měřítku s kombinací unikátně flexibilní platformy AI a odborného trhu pro lidskou zpětnou vazbu – věřím, že Učení z lidské zpětné vazby (RLHF) je klíčem k přesným a spolehlivým implementacím GenAI. Invisible podporuje AI napříč celou hodnotovou řetězcem, od čištění dat a automatizace vstupu dat až po řetězové myšlení a přizpůsobené hodnocení. Naše mise je jednoduchá: kombinovat lidskou inteligenci a AI, aby podniky mohly plnit potenciál AI, který v podnikovém prostředí byl mnohem obtížnější, než většina lidí očekávala.

Vous vedl více než 1 000 inženýrů a škáloval několik produktů AI napříč odvětvími. Jaké zkušenosti z McKinsey aplikujete na další fázi růstu Invisible?

Dvě zkušenosti jsou zvláště důležité. První je, že úspěšná adopce AI je stejně tak o transformaci organizace jako o technologii. Potřebujete správné lidi a postupy na místě – kromě skvělých modelů. Druhá je, že podniky, které vyhrávají v AI, jsou ty, které zvládají “poslední míli” – přechod z experimentů do produkce. V Invisible aplikujeme stejnou přísnost a strukturu, abychom pomohli zákazníkům přesunout se za hranice pilotních projektů a do produkce, dodávat skutečnou obchodní hodnotu.

Vous jste řekl, že “2024 byl rok experimentování s AI a 2025 je o realizaci ROI.” Jaké konkrétní trendy vidíte mezi podniky, které skutečně dosahují tohoto ROI?

Podniky, které skutečně dosahují ROI, dělají tři věci dobře. První je, že úzce spojují případy použití AI s hlavními obchodními ukazateli, jako je operativní efektivita nebo spokojenost zákazníků. Druhé je, že investují do lepší kvality dat a lidské zpětné vazby, aby kontinuálně zlepšovaly výkony modelů. Třetí je, že přecházejí od obecných řešení k přizpůsobeným, odvětvovým systémům, které odrážejí složitost jejich prostředí. Tyto podniky již nejsou pouze testovány AI – škáluje ji s účelem.

Jak se vyvíjí poptávka po doménově specifickém a PhD-úrovni označování dat napříč poskytovateli základních modelů, jako jsou AWS, Microsoft (MSFT ) a Cohere?

Sledujeme vzrůstající poptávku po specializovaném označování, protože poskytovatelé základních modelů expandují do složitějších vertikál. V Invisible máme 1% roční akceptační sazbu v našem odborném fondu a 30% našich trenérů má magisterský nebo PhD titul. Tato hluboká odbornost je stále více nezbytná – nejen pro přesné anotování dat, ale i pro poskytování nuancovaných, kontextově aware zpětných vazeb pro zlepšení rozumu, přesnosti a zarovnání. Jak modely rostou, tak roste i laťka pro jejich trénink.

Invisible je na špici agentic AI, zdůrazňující rozhodování v reálných pracovních postupech. Jak definujete agentic AI a kde vidíte největší slib?

Agentic AI se týká systémů, které nedělají pouze pokyny – plánují, rozhodují a jednají v rámci definovaných hranic. Je to AI, která se chová více jako partner než jako nástroj. Sledujeme největší úspěchy v komplexních pracovních postupech, jako je zákaznická podpora a pojistné nároky, například. V těchto oblastech může agentic AI snížit manuální úsilí, zvýšit konzistenci a dodat výsledky, které by jinak vyžadovaly velké lidské týmy. Není to o nahrazování lidí – spíše je o tom, abychom je doplnili inteligentními agenty, kteří mohou zvládnout opakující se a rutinní úkoly.

Můžete sdílet příklady, jak Invisible trénuje modely pro řetězové myšlení a proč je to kritické pro podnikové nasazení?

Řetězové myšlení (CoT) odemklo nové potenciály pro podnikovou AI. V Invisible trénujeme modely, aby reasonovaly krok za krokem, což je zásadní, když jsou na hře vysoké sázky – ať už diagnostikujete pacienta, analyzujete smlouvu nebo ověřujete finanční model. CoT nejen zlepšuje transparentnost, ale také umožňuje ladění, vylepšení a zlepšení výkonu bez masivních nových dat. Sledujeme vedoucí modely, jako jsou Gemini, Sonnet a Grok, které začaly odhalovat své myšlení, což nám umožňuje pozorovat nejen výstup modelů, ale i to, jak se tam dostanou. To vytváří základ pro pokročilejší metody, jako je Strom myšlení (kde modely vyhodnocují více možných myšlení předtím, než se usadí na odpovědi) a Sebe-konzistence (kde se procházejí více myšlení předtím, než se usadí na odpovědi).

Invisible podporuje trénink napříč 40+ programovacími jazyky a 30+ lidskými jazyky. Jak důležité je kulturní a lingvistické přesnosti při budování globálně škálovatelné AI?

Je to kritické. Jazyk není pouze o překladu – je to o kontextu, nuancích a kulturních normách. Pokud model špatně interpretuje tón nebo přehlíží regionální variace, může to vést k špatným uživatelským zkušenostem nebo dokonce k riziku compliance. Naši multilingvní trenéři nejsou pouze plynní – jsou zasazení do kultur, které reprezentují.

Jaké jsou běžné body selhání, když společnosti snaží škálovat z proof of concept na produkci, a jak Invisible pomáhá navigovat tuto “poslední míli”?

Většina modelů AI nikdy nedosáhne produkce, protože společnosti podceňují operační úsilí, které je vyžadováno. Chybí jim čisté údaje, robustní vyhodnocovací protokoly a strategie pro vložení modelů do reálných pracovních postupů. V Invisible kombinujeme hlubokou technickou zkušenost s produkčními datovými infrastrukturami, abychom pomohli podnikům překlenout tuto mezeru. Naše symbiotické schopnosti v tréninku a optimalizaci umožňují nám nejen budovat lepší modely, ale i je úspěšně nasazovat.

Můžete nás provést přístupem Invisible k RLHF (Učení z lidské zpětné vazby) a jak se liší od ostatních v průmyslu?

V Invisible vidíme RLHF jako více než jen jemné ladění – umožňuje sofistikovanější návrh přizpůsobených vyhodnocení („eval“) a posun směrem k tréninku modelů s nuancovanými lidskými soudy spíše než binárními signály, jako je palce nahoru a dolů. Zatímco průmyslové přístupy často upřednostňují škálovatelnost prostřednictvím vysokého objemu, nízko-signálových dat, my se zaměřujeme na sběr strukturovaných, vysoce kvalitních zpětných vazeb, které zachycují rozum, kontext a kompromisy. Tento bohatší signál umožňuje modelům generalizovat více efektivně a zarovnávat se více s lidským úmyslem. Prioritizací hloubky nad šířkou budujeme infrastrukturu pro robustnější, zarovnanější systémy AI.

Jak si představujete budoucnost spolupráce mezi AI a lidmi, zejména v kritických odvětvích, jako je finance, zdravotnictví nebo veřejný sektor?

AI nenahrazuje lidskou odbornost – stává se infrastrukturou, která ji podporuje. Představuji si budoucnost, kde AI agenti a lidská odbornost pracují v tandemu – kde klinici jsou podporováni diagnostickými kopiloty, vládní agentury využívají AI k efektivnímu zpracování benefitů a finanční analytici se mohou soustředit na strategii místo tabulek. Naše zaměření je na návrh systémů, kde AI rozšiřuje lidskou kapacitu, spíše než ji zakrývá nebo nahrazuje.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Invisible Technologies.