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 kombinování lidského talentu s automatizací za účelem zvýšení efektivity ve velkém měřítku, což pomáhá společnostem dosáhnout transformačního růstu prostřednictvím inovací procesů.

Invisible Technologies je společnost, která se zabývá automatizací obchodních procesů a kombinuje pokročilou technologii s lidským know-how, aby pomohla organizacím škálovat efektivně. Namísto toho, aby nahrazovala lidi automatizací, Invisible vytváří přizpůsobené pracovní postupy, ve kterých spolupracují digitální pracovníci (software) a lidský personál bezproblémově. Společnost nabízí služby v oblastech, jako je obohacování dat, generování leadů, zákaznická podpora a back-office operace – umožňující klientům delegovat komplexní, opakující se úkoly a soustředit se na základní strategické cíle. Unikátní model “práce jako služba” společnosti Invisible poskytuje podnikům škálovatelnou, transparentní a nákladově efektivní operativní podporu.

Vousately jste přešli z vedení QuantumBlack Labs ve společnosti McKinsey do funkce generálního ředitele ve společnosti Invisible Technologies. Co vás přitáhlo k této roli a co vás nejvíce vzrušuje na misi Invisible?

Ve společnosti McKinsey jsem měl tu čest pracovat na špici inovací v oblasti umělé inteligence – budovat produkty softwaru pro umělou inteligenci, vést výzkumné a vývojové úsilí a pomáhat podnikům využít sílu dat. To, co mě přitáhlo ke společnosti Invisible Technologies, byla možnost učinit to operačním ve velkém měřítku s kombinací unikátně flexibilní platformy softwaru pro umělou inteligenci a odborného trhu pro lidskou zpětnou vazbu – jsem přesvědčen, že učení s lidskou zpětnou vazbou (RLHF) je klíčem k přesným a spolehlivým implementacím obecné umělé inteligence. Invisible podporuje umělou inteligenci v celém hodnotovém řetězci, od čištění dat a automatizace vstupu dat až po řetězové uvažování a přizpůsobené hodnocení. Naše mise je jednoduchá: kombinovat lidskou inteligenci a umělou inteligenci, aby pomohly podnikům naplnit potenciál umělé inteligence, který v podnikovém prostředí byl mnohem tvrdším než většina lidí očekávala.

Vousately jste dohlížel na více než 1 000 inženýrů a škáloval několik produktů pro umělou inteligenci napříč odvětvími. Jaké zkušenosti z McKinsey aplikujete na další fázi růstu Invisible?

Dvě zkušenosti jsou zvláště důležité. První je, že úspěšná adopce umělé inteligence je stejně tak o transformaci organizace jako o technologii. Je třeba mít správné lidi a procesy na místě – kromě skvělých modelů. Druhá je, že společnosti, které vyhrávají v oblasti umělé inteligence, jsou ty, které zvládají “poslední míli” – přechod od experimentování k produkci. Ve společnosti Invisible aplikujeme stejnou přísnost a strukturu, aby nám pomohla zákazníkům přejít od pilotních projektů do produkce a dosáhnout skutečné obchodní hodnoty.

Vousately jste řekl, že “2024 byl rok experimentování s umělou inteligencí a 2025 je o realizaci návratnosti investic.” Jaké konkrétní trendy vidíte mezi podniky, které skutečně dosahují návratnosti investic?

Podniky, které skutečně dosahují návratnosti investic, dělají tři věci správně. První je, že úzce spojují případy použití umělé inteligence s hlavními obchodními ukazateli, jako je například operativní efektivita nebo spokojenost zákazníků. Druhé je, že investují do lepší kvality dat a lidských zpětnovazebních smyček, aby kontinuálně zlepšovaly výkon modelů. Třetí je, že přecházejí od obecných řešení k přizpůsobeným, doménově specifickým systémům, které odrážejí složitost jejich prostředí. Tyto společnosti již nejsou pouze testovány umělou inteligencí – škálovaly ji s účelem.

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

Sledujeme rostoucí poptávku po specializovaném označování, protože poskytovatelé základních modelů expandují do složitějších vertikál. Ve společnosti Invisible máme roční akceptační sazbu 1 % na našem odborném trhu 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 citlivých zpětných vazeb pro zlepšení uvažování, přesnosti a souladu. Jak se modely stávají chytřejšími, laťka pro jejich trénování se zvyšuje.

Invisible je na špici agentní umělé inteligence, zdůrazňující rozhodování v reálných pracovních postupech. Jak definujete agentní umělou inteligenci a kde vidíte největší slib?

Agentní umělá inteligence se týká systémů, které nereagují pouze na pokyny – plánují, rozhodují a jednají v rámci stanovených hranic. Jedná se o umělou inteligenci, která se chová více jako partner než jako nástroj. Sledujeme největší trakci v oblastech s vysokým objemem a složitými pracovními postupy, jako je například zákaznická podpora a pojistné nároky. V těchto oblastech může agentní umělá inteligence snížit manuální úsilí, zvýšit konzistenci a dosáhnout výsledků, které by jinak vyžadovaly velké lidské týmy. Nejde o nahrazování lidí – spíše je doplňujeme inteligentními agenty, kteří mohou zvládnout opakující se a rutinní úkoly.

Můžete sdílet příklady toho, jak Invisible trénuje modely pro řetězové uvažování a proč je to kritické pro nasazení v podnikovém prostředí?

Řetězové uvažování (CoT) odemklo nový potenciál pro podnikovou umělou inteligenci. Ve společnosti Invisible trénujeme modely, aby uvažovaly krok za krokem, což je nezbytné, když jsou na hře vysoké sázky – ať už se jedná o diagnostiku pacienta, analýzu smlouvy nebo ověření finančního modelu. CoT nejen zlepšuje transparentnost, ale také umožňuje ladění, rafinaci a zlepšení výkonu bez nutnosti velkých nových datových sad. Sledujeme, jak vedoucí modely, jako je Gemini, Sonnet a Grok, začínají odhalovat své cesty uvažování, což nám umožňuje pozorovat nejen výstup modelů, ale i to, jak se k němu dostanou. To vytváří základ pro pokročilejší metody, jako je Strom myšlení (kde modely vyhodnocují více možných cest uvažování, než se usadí na jedné odpovědi) a Sebe-konzistence (kde se prozkoumávají více cest uvažování).

Invisible podporuje trénink napříč 40+ programovacími jazyky a 30+ lidskými jazyky. Jak důležitá je kulturní a lingvistická přesnost při budování globálně škálovatelné umělé inteligence?

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 také zapojení 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 umělé inteligence se nikdy nedostane do produkce, protože společnosti podceňují operativní úsilí, které je zapotřebí. Chybí jim čisté údaje, robustní vyhodnocovací protokoly a strategie pro začlenění modelů do reálných pracovních postupů. Ve společnosti Invisible kombinujeme hluboké technické zkušenosti s produkčními datovými infrastrukturami, aby nám pomohly podnikům most přes tuto propast. Naše symbiotické schopnosti v tréninku a optimalizaci nám umožňují budovat lepší modely a úspěšně je nasazovat.

Můžete nás provést přístupem Invisible k RLHF (Učení s lidskou zpětnou vazbou) a jak se liší od ostatních v oboru?

Ve společnosti Invisible vidíme učení s lidskou zpětnou vazbou (RLHF) jako více než jen jemné ladění – umožňuje sofistikovanější návrh vlastních vyhodnocovacích (“eval”) designů a posun směrem k tréninku modelů s nuancovanými lidskými soudy spíše než binárními signály, jako je například palce nahoru a dolů. Zatímco průmyslové přístupy často upřednostňují škálovatelnost prostřednictvím velkého objemu dat s nízkou signalizací, soustředíme se na sběr strukturovaných, vysoce kvalitních zpětných vazeb, které zachycují uvažování, kontext a kompromisy. Tento bohatší signál umožňuje modelům generalizovat účinněji a blíže se shodovat s lidským úmyslem. Prioritizací hloubky nad šířkou budujeme infrastrukturu pro robustnější, souladnější systémy umělé inteligence.

Jak si představujete budoucnost spolupráce mezi umělou inteligencí a lidmi, zejména v oblastech s vysokými sázkami, jako je finance, zdravotnictví nebo veřejný sektor?

Umělá inteligence nenahrazuje lidskou odbornost – stává se infrastrukturou, která ji podporuje. Představuji si budoucnost, ve které agenti umělé inteligence a lidská odbornost pracují v tandemu – kde klinici jsou podporováni diagnostickými copiloty, vládní agentury využívají umělou inteligenci k efektivnímu zpracování benefitů a finanční analytici jsou osvobozeni od tabulek, aby se mohli soustředit na strategii. Naším zaměřením je návrh systémů, ve kterých umělá inteligence zvyšuje lidskou kapacitu, spíše než ji zakrývá nebo nahrazuje.

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