Ryan Ries, Chief AI & Data Scientist hos Mission – Interview Serie

Dr. Ryan Ries er en anerkendt data scientist med mere end 15 års ledelseserfaring inden for data og ingeniørvidenskab i teknologivirksomheder, der vokser hurtigt. Dr. Ries har mere end 20 års erfaring med at arbejde med AI og 5+ års erfaring med at hjælpe kunder med at bygge deres AWS-data-infrastruktur og AI-modeller. Efter at have fået sin ph.d. i biofysisk kemi på UCLA og Caltech har Dr. Ries hjulpet med at udvikle avancerede data-løsninger for det amerikanske forsvarsministerium og en række Fortune 500-virksomheder.

Som Chief AI og Data Scientist for Mission har Ryan bygget et succesfuldt team af dataingeniører, dataarkitekter, ML-ingeniører og data scientists for at løse nogle af verdens sværeste problemer ved hjælp af AWS-infrastruktur.

Mission er en ledende leverandør af managed services og konsulenttjenester, der er født i skyen, og tilbyder komplette skytjenester, innovative AI-løsninger og software til AWS-kunder. Som en AWS Premier Tier-partner hjælper virksomheden med at optimere teknologiinvesteringer, forbedre ydelse og governance, skalerer effektivt, sikrer data og omfavner innovation med tillid.

De har haft en imponerende rejse – fra at bygge AR-hardware hos DAQRI til at blive Chief AI Officer hos Mission. Hvad er de personlige erfaringer eller vendepunkter, der har formet deres syn på AI’s rolle i virksomheden?

Tidlig AI-udvikling var stærkt begrænset af beregningskraft og infrastruktur-udfordringer. Vi var ofte nødt til at håndkodificere modeller fra forskningspapirer, hvilket var tidskrævende og komplekst. En stor ændring kom med opkomsten af Python og open-source AI-biblioteker, der gjorde eksperimentering og modelbygning meget hurtigere. Men det største vendepunkt opstod, da hyperscalere som AWS gjorde skalerbar beregning og lagring bredt tilgængelig.

Dette udvikling afspejler en vedvarende udfordring i AI’s historie – at løbe tør for lager- og beregningskapacitet. Disse begrænsninger har forårsaget tidligere AI-vintre, og at overvinde dem har været fundamentalt for i dagens “AI-renæssance”.

Hvordan hjælper Missions komplette skytjeneste-model virksomheder med at skalerer deres AI-arbejdslaster på AWS mere effektivt og sikkert?

Hos Mission er sikkerhed integreret i alt, hvad vi gør. Vi har været sikkerheds-partneren for AWS to år i træk, men interessant nok har vi ikke et dedikeret sikkerhedsteam. Det er, fordi alle hos Mission bygger med sikkerhed i mente på hvert udviklingsstadie. Med AWS generative AI kan kunderne drage fordel af at bruge AWS Bedrock-laget, der holder data, herunder følsomme oplysninger som PII, sikre inden for AWS-økosystemet. Denne integrerede tilgang sikrer, at sikkerhed er grundlæggende, ikke en eftertanke.

Skalérbarhed er også et kernefokus hos Mission. Vi har omfattende erfaring med at bygge MLOps-pipelines, der administrerer AI-infrastruktur til træning og slutbrug. Mens mange associerer generative AI med massive offentlige systemer som ChatGPT, er de fleste virksomhedsbrug til interne og kræver mere håndterbare skalering. Bedrocks API-lag hjælper med at levere den skalerbare, sikre ydelse til virkelige arbejdslaster.

Kan de føre os igennem en typisk virksomhedsengagement – fra skyoverførsel til implementering af generative AI-løsninger – ved hjælp af Missions tjenester?

Hos Mission begynder vi med at forstå virksomhedens forretningsbehov og brugstilfælde. Skyoverførslen starter med at vurdere den nuværende on-premise-miljø og designe en skalerbar skyarkitektur. I modsætning til on-premise-oplysninger, hvor man skal udbygge til toppunktskapacitet, kan man i skyen skalereressourcer baseret på gennemsnitsarbejdslaster, hvilket reducerer omkostningerne. Ikke alle arbejdslaster kræver overførsel – nogle kan pensioneres, ombygges eller genopbygges for effektivitet. Efter opgørelse og planlægning udfører vi en faset overførsel.

Med generative AI er vi gået ud over proof-of-concept-faserne. Vi hjælper virksomheder med at designe arkitekturer, køre pilotprojekter for at afklare prompts og håndtere kanttilfælde, og derefter gå til produktion. Til data-drevet AI hjælper vi med at overføre on-premise-data til skyen, hvilket låser større værdi op. Denne komplette tilgang sikrer, at generative AI-løsninger er robuste, skalerbare og forretningsklare fra dag én.

Mission betoner “innovation med tillid”. Hvad betyder det i praktisk forstand for virksomheder, der adopterer AI i stor målestok?

Det betyder at have et hold med rigtig AI-ekspertise – ikke bare bootcamp-uddannede, men erfarne data scientists. Kunder kan stole på, at vi ikke eksperimenterer på dem. Vores mennesker forstår, hvordan modeller fungerer, og hvordan de implementeres sikkert og i stor målestok. Det er, hvordan vi hjælper virksomheder med at innovere uden at tage unødvendige risici.

De har arbejdet på tværs af predictive analytics, NLP og computer vision. Hvor ser de, at generative AI giver den største værdi for virksomheder i dag – og hvor overstiger hypen virkeligheden?

Generative AI giver betydelig værdi i virksomheder primært gennem intelligent dokumentbehandling (IDP) og chatbots. Mange virksomheder kæmper med at skalerer deres operationer ved at ansætte flere mennesker, så generative AI hjælper med at automatisere repetitive opgaver og accelerere arbejdsgange. For eksempel har IDP reduceret tiden for gennemgang af forsikringsansøgninger med 50% og forbedret patientkoordinering i sundhedssektoren. Chatbots fungerer ofte som grænseflader til andre AI-værktøjer eller systemer, hvilket giver virksomheder mulighed for at automatisere rutineinteraktioner og opgaver effektivt.

Men hypen omkring generative billeder og videoer overstiger ofte den virkelige forretningsanvendelse. Mens disse teknologier er visuelt imponerende, har de begrænsede praktiske anvendelser ud over marketing og kreative projekter. De fleste virksomheder finder det vanskeligt at skalerer generative medie-løsninger ind i kerneoperationer, hvilket gør dem mere til en nymodenshed end et grundlæggende forretningsværktøj.

“Vibe Coding” er en opkomende term – kan de forklare, hvad det betyder i deres verden, og hvordan det afspejler den bredere kulturelle ændring i AI-udvikling?

Vibe coding refererer til, at udviklere bruger store sprogmodeller til at generere kode mere baseret på intuition eller naturligt sprogsprompt end struktureret planlægning eller design. Det er godt til at accelerere iteration og prototypering – udviklere kan hurtigt teste ideer, generere boilerplate-kode eller offload repetitive opgaver. Men det fører ofte også til kode, der mangler struktur, er svær at vedligeholde og kan være ineffektiv eller usikker.

Vi ser en bredere ændring mod agente-miljøer, hvor LLM’er fungerer som junior-udviklere, og mennesker tager på sig roller, der ligner arkitekter eller QA-ingeniører – gennemgang, raffinering og integration af AI-genererede komponenter i større systemer. Denne samarbejdende model kan være kraftfuld, men kun hvis der er vejledning på plads. Uden ordentlig oversigt kan vibe coding introducere teknisk gæld, sårbarheder eller ydelsesproblemer – især hvis det skyndes ind i produktion uden omfattende test.

Hvad er deres syn på den udviklende rolle for AI-officeren? Hvordan bør organisationer omstrukturere deres ledelsesstruktur, mens AI bliver grundlæggende for forretningsstrategi?

AI-officerer kan absolut tilføje værdi – men kun hvis rollen er sat op til succes. For ofte skaber virksomheder nye C-suite-titler uden at tilpasse dem til eksisterende ledelsesstrukturer eller give dem reel myndighed. Hvis AI-officeren ikke deler mål med CTO, CDO eller andre ledere, risikerer man silo-læsning, modsatrettede prioriteringer og stagnation.

Organisationer bør nøje overveje, om AI-officeren erstatter eller supplerer roller som Chief Data Officer eller CTO. Titlen er mindre vigtig end mandaten. Det, der er kritisk, er at give nogen mulighed for at forme AI-strategi på tværs af organisationen – data, infrastruktur, sikkerhed og forretningsanvendelse – og give dem evnen til at drive meningsfuld ændring. Ellers bliver rollen mere symbolsk end effektiv.

De har ledet prisvindende AI- og datahold. Hvad er de kvaliteter, de søger efter, når de ansætter til højrisiko-AI-roller?

Det vigtigste er at finde nogen, der virkelig kender AI, ikke bare nogen, der har taget nogle kurser. Man har brug for mennesker, der er sandt fluente i AI og stadig har nysgerrighed og interesse i at udvide grænserne for, hvad der kan og ikke kan gøres.

Jeg søger efter mennesker, der altid søger efter nye tilgange og udfordrer grænserne for, hvad der kan og ikke kan gøres. Denne kombination af dyb viden og fortsat udforskning er afgørende for højrisiko-AI-roller, hvor innovation og pålidelig implementering er lige så vigtige.

Mange virksomheder kæmper med at operationalisere deres ML-modeller. Hvad skiller hold, der lykkes, fra dem, der stagnerer i proof-of-concept-purgatoriet?

Det største problem er tværgående team-sammenligning. ML-hold bygger lovende modeller, men andre afdelinger adopterer dem ikke på grund af mislignende prioriteringer. At gå fra POC til produktion kræver også MLOps-infrastruktur: versionering, gen-træning og overvågning. Med GenAI er gapet endnu bredere. At producere en chatbot indebærer prompt-afstemning, pipeline-styring og overholdelse… ikke bare at kaste prompts ind i ChatGPT.

Hvad er deres råd til en startup-grundlægger, der bygger AI-først-produkter i dag, som kunne drage fordel af Missions infrastruktur- og AI-strategi-erfaring?

Når man er en startup, er det svært at tiltrække top-AI-talent, især uden en etableret brand. Selv med en stærk grundlægger-hold er det svært at ansætte mennesker med den dybde af erfaring, der er nødvendig for at bygge og skalerer AI-systemer ordentligt. Det er, hvor samarbejde med en virksomhed som Mission kan gøre en reel forskel. Vi kan hjælpe med at accelerere processen ved at tilbyde infrastruktur, strategi og praktisk ekspertise, så man kan validere sit produkt hurtigere og med større tillid.

Det andet kritiske punkt er fokus. Vi ser mange grundlæggere, der forsøger at omgive en grundlæggende grænseflade med ChatGPT og kalde det et produkt, men brugerne bliver klogere og forventer mere. Hvis man ikke løser et rigtigt problem eller tilbyder noget virkelig differentieret, er det let at blive tabt i støjen. Mission hjælper startups med at tænke strategisk om, hvor AI skaber rigtig værdi, og hvordan man bygger noget, der er skalerbart, sikkert og produktionsklart fra dag én. Så man er ikke bare eksperimenterende, man bygger for vækst.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Mission.