Ryan Ries, Chief AI & Data Scientist at Mission – Interview Series

Dr. Ryan Ries je uznávaný odborník na data s více než 15 lety zkušeností s vedením v oblasti dat a inženýrství ve firmách s rychlým růstem. Dr. Ries má více než 20 let zkušeností s prací s umělou inteligencí a 5+ let zkušeností s pomáháním zákazníkům budovat jejich infrastrukturu dat a modely AI na platformě AWS. Po dokončení svého doktorátu v oboru biofyzikální chemie na UCLA a Caltech Dr. Ries pomáhal vyvíjet inovativní datové řešení pro ministerstvo obrany USA a řadu firem z žebříčku Fortune 500.

Jako Chief AI a Data Scientist pro Mission Ryan vybudoval úspěšný tým inženýrů dat, architektů dat, inženýrů strojového učení a odborníků na data, aby řešili některé z nejtěžších problémů na světě s využitím infrastruktury AWS.

Mission je vedoucím poskytovatelem spravovaných služeb a poradenství, který vznikl v cloudu, a nabízí komplexní cloudové služby, inovativní AI řešení a software pro zákazníky AWS. Jako partner AWS Premier Tier společnost pomáhá firmám optimalizovat technologické investice, zlepšovat výkon a správu, škálovat efektivně, zabezpečovat data a přijímat inovace s důvěrou.

Máte působivou kariéru – od budování hardwaru pro rozšířenou realitu v DAQRI až po pozici Chief AI Officer v Mission. Jaké osobní zkušenosti nebo zlomové body nejvíce utvořily váš pohled na roli AI v podniku?

Raná fáze vývoje AI byla silně omezena výpočetním výkonem a infrastrukturními výzvami. Často jsme museli ručně kódovat modely z výzkumných prací, což bylo časově náročné a složité. Zásadní změna nastala se vzestupem Pythonu a otevřených knihoven AI, které umožnily mnohem rychlejší experimentování a budování modelů. Nicméně největší zlomový bod nastal, když hyperscalery jako AWS zpřístupnily škálovatelný výpočet a úložiště.

Tato evoluce odráží trvalou výzvu v historii AI – nedostatek úložiště a výpočetního výkonu. Tyto omezení způsobily předchozí “AI zimy” a překonání jich bylo zásadní pro dnešní “AI renesanci”.

Jak model komplexních cloudových služeb Mission pomáhá firmám škálovat své AI úlohy na AWS více efektivně a bezpečně?

V Mission je bezpečnost integrována do všeho, co děláme. Jsme byli bezpečnostním partnerem roku s AWS dva roky po sobě, ale zajímavé je, že nemáme専ný bezpečnostní tým. To je因为 každý v Mission buduje s ohledem na bezpečnost ve všech fázích vývoje. S generativní AI na AWS zákazníci profitují z použití vrstvy AWS Bedrock, která udržuje data, včetně citlivých informací jako PII, zabezpečená внутри ekosystému AWS. Tento integrovaný přístup zajišťuje, že bezpečnost je základním kamenem, ne něco, co je přidáno dodatečně.

Škálovatelnost je také klíčovým zaměřením v Mission. Máme rozsáhlé zkušenosti s budováním MLOps pipeline, které spravují AI infrastrukturu pro trénování a inferenci. Zatímco mnoho lidí spojuje generativní AI s velkými veřejnými systémy jako ChatGPT, většina podnikových případů použití je interní a vyžaduje více zvládnutelnou škálovatelnost. API vrstva Bedrock pomáhá dodávat škálovatelný, bezpečný výkon pro reálné zátěže.

Můžete nás provést typickým podnikovým zapojením – od migrace do cloudu až po nasazení generativních AI řešení – pomocí služeb Mission?

V Mission začínáme tím, že rozumíme podnikovým potřebám a případům použití. Migrace do cloudu začíná posouzením stávajícího prostředí na místě a navrhnout škálovatelnou cloudovou architekturu. Na rozdíl od prostředí na místě, kde musíte zajišťovat kapacitu pro špičkovou zátěž, cloud umožňuje škálovat zdroje na základě průměrné zátěže, což snižuje náklady. Ne všechny zátěže potřebují migraci – některé lze vyřadit, přepracovat nebo přestavět pro efektivitu. Po inventarizaci a plánování provedeme fázovou migraci.

S generativní AI jsme se posunuli beyond fáze proof-of-concept. Pomáháme podnikům navrhnout architektury, spustit pilotní projekty pro vylepšení promptů a řešení edge případů, a poté přejít do produkce. Pro datově řízenou AI pomáháme migraci místních dat do cloudu, což odemyká větší hodnotu. Tento komplexní přístup zajišťuje, že generativní AI řešení jsou robustní, škálovatelná a podnikově připravená od prvního dne.

Mission zdůrazňuje “inovace s důvěrou”. Co to znamená v praktických termínech pro podniky, které přijímají AI ve velkém měřítku?

To znamená mít tým s opravdovou odborností na AI – ne jen absolventy krátkodobých kurzů, ale zkušené odborníky na data. Zákazníci mohou důvěřovat, že na nich neexperimentujeme. Naši lidé rozumí, jak modely fungují a jak je implementovat bezpečně a ve velkém měřítku. To je způsob, jakým pomáháme firmám inovovat bez zbytečných rizik.

Pracoval jste napříč prediktivními analýzami, NLP a počítačovým viděním. Kde vidíte generativní AI přinášet největší hodnotu pro podniky dnes – a kde je hype překračující realitu?

Generativní AI poskytuje významnou hodnotu v podnicích主要ně prostřednictvím inteligentní dokumentové zpracování (IDP) a chatbotů. Mnoho firem bojuje se škálováním operací najímáním více lidí, takže generativní AI pomáhá automatizovat opakující se úkoly a urychlit pracovní postupy. Například IDP snížilo dobu přezkumu pojistných žádostí o 50 % a zlepšilo koordinaci péče o pacienty ve zdravotnictví. Chatboty často fungují jako rozhraní pro další AI nástroje nebo systémy, umožňující firmám automatizovat rutinní interakce a úkoly efektivně.

Nicméně hype kolem generativních obrazů a videí často překračuje skutečné podnikové použití. Zatímco jsou vizuálně působivé, tyto technologie mají omezené praktické aplikace beyond marketingu a kreativních projektů. Většina podniků nachází obtížné škálovat generativní média do.core operací, což z nich činí spíše novinku než základní podnikový nástroj.

“Vibe Coding” je vznikající termín – můžete vysvětlit, co to znamená ve vašem světě, a jak odráží širší kulturní posun ve vývoji AI?

Vibe coding odkazuje na vývojáře, kteří používají velké jazykové modely k generování kódu založeného více na intuici nebo přirozeném jazykovém.promptování než na strukturovaném plánování nebo návrhu. Je to skvělé pro urychlení iterace a prototypování – vývojáři mohou rychle testovat nápady, generovat základního kódu nebo předávat opakující se úkoly. Ale také často vede ke kódu, který postrádá strukturu, je těžké udržovat a může být neefektivní nebo nezabezpečený.

Sledujeme širší posun směrem k agenticím prostředím, kde LLM fungují jako junior vývojáři a lidé přebírají role podobné architektům nebo inženýrům QA – přezkumu, vylepšování a integrace AI generovaných komponent do větších systémů. Tento spolupracující model může být mocný, ale pouze pokud jsou zavedena ochranná opatření. Bez řádného dohledu může vibe coding zavést technický dluh, zranitelnosti nebo problémy s výkonem – zejména pokud se spěchá do produkce bez důkladného testování.

Co je váš názor na vývoj roli AI officer? Jak by měly organizace přehodnotit strukturu vedení, protože AI se stává základem podnikové strategie?

AI officer může absolutně přidat hodnotu – ale pouze pokud je role nastavena pro úspěch. Často společnosti vytvářejí nové názvy C-suite bez zarovnání s existujícími strukturami vedení nebo bez udělení skutečné autority. Pokud AI officer nesdílí cíle s CTO, CDO nebo jinými výkonnými řediteli, riskujete izolované rozhodování, konfliktní priority a zablokovanou realizaci.

Organizace by měly pečlivě zvážit, zda AI officer nahrazuje nebo doplňuje role jako Chief Data Officer nebo CTO. Název role je méně důležitý než mandát. Co je kritické, je umožnit někomu tvarovat AI strategii napříč organizací – data, infrastruktura, bezpečnost a podnikové použití – a dát jim schopnost vést významné změny. Jinak se role stává spíše symbolickou než dopadovou.

Vedli jste oceněné týmy AI a dat. Jaké kvality hledáte, když najímáte pro vysoké úkoly AI?

První kvalita je najít někoho, kdo skutečně rozumí AI, ne jen někoho, kdo absolvoval einige kurzy. Potřebujete lidi, kteří jsou skutečně plynní v AI a stále udržují zvědavost a zájem o tlačení hranic toho, co lze a nelze udělat.

Hledám lidi, kteří neustále hledají nové přístupy a kteří zpochybňují hranice toho, co lze a nelze udělat. Tato kombinace hlubokých znalostí a pokračujícího zkoumání je zásadní pro vysoké úkoly AI, kde inovace a spolehlivá implementace jsou stejně důležité.

Mnohé podniky bojují s operacionalizací svých ML modelů. Co podle vás odděluje týmy, které se daří, od těch, které uvíznou v proof-of-concept purgatoriu?

Největší problém je mezitýmová koordinace. Týmy ML budují slibné modely, ale jiné oddělení je neadoptují kvůli nesouladným prioritám. Přechod z POC do produkce také vyžaduje MLOps infrastrukturu: verzi, re-trénování a monitorování. U GenAI je mezera ještě širší. Produkční chatbot znamená prompt tuning, pipeline management a compliance… ne jen házení promptů do ChatGPT.

Jakou radu byste dal zakladatelům startupů, kteří budují AI-first produkty dnes, a kteří by mohli těžit z infrastruktury a AI strategie zkušeností Mission?

Když jste startup, je těžké přilákat top AI talent, especialmente bez zavedené značky. I s silným zakládajícím týmem je obtížné najmout lidi s hloubkou zkušeností potřebných pro budování a škálování AI systémů. To je místo, kde může partnerství s firmou jako Mission udělat skutečný rozdíl. Můžeme pomoci vám pohybovat se rychleji poskytováním infrastruktury, strategie a praktických zkušeností, abyste mohli ověřit váš produkt dříve a s větší jistotou.

Druhým kritickým kusem je zaměření. Vidíme mnoho zakladatelů, kteří se snaží zabalit základní rozhraní kolem ChatGPT a nazvat to produktem, ale uživatelé se stávají chytřejšími a očekávají více. Pokud nevyřešíte skutečný problém nebo nenabízíte něco skutečně odlišného, je snadné se ztratit v hluku. Mission pomáhá startupům myslet strategicky o tom, kde AI vytváří skutečnou hodnotu, a jak budovat něco škálovatelného, zabezpečeného a produkčně připraveného od prvního dne. Takže nestavíte pouze experimenty, ale budujete pro růst.

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