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 opbygge deres AWS-datainfrastruktur og AI-modeller. Efter at have erhvervet sin ph.d. i biofysisk kemi på UCLA og Caltech, har Dr. Ries hjulpet med at udvikle banebrydende data løsninger for det amerikanske forsvarsministerium og en række Fortune 500-virksomheder.

Som Chief AI og Data Scientist for Mission, har Ryan opbygget et succesfuldt team af dataingeniører, dataarkitekter, ML-ingeniører og data scientists til 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 forretninger med at optimere teknologiinvesteringer, forbedre performance og governance, skala effektivt, sikre data og omfavne 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 personlige erfaringer eller vendepunkter har mest formet deres perspektiv på AI’s rolle i virksomheden?

Tidlig AI-udvikling var stærkt begrænset af beregningskraft og infrastrukturudfordringer. De var ofte nødt til at håndkodere modeller fra forskningspapirer, hvilket var tidskrævende og komplekst. En større skift skete med opkomsten af Python og open-source AI-biblioteker, der gjorde eksperimenter og modelbygning meget hurtigere. Men det største vendepunkt indtrådte, da hyperscalere som AWS gjorde skalerbar beregning og lagring bredt tilgængelig.

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

Hvordan hjælper Missions komplette skytjenestemodell virksomheder med at skala deres AI-arbejdslaster på AWS mere effektivt og sikkert?

Hos Mission er sikkerhed integreret i alt, hvad vi gør. Vi har været sikkerhedsparter året rundt med AWS i 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 alle udviklingsfaser. Med AWS generative AI kan kunderne drage fordel af at bruge AWS Bedrock-laget, der holder data, herunder følsomme oplysninger som PII, sikret inden for AWS-økosystemet. Denne integrerede tilgang sikrer, at sikkerhed er grundlæggende, ikke en eftertanke.

Skalbarhed er også et kernefokus hos Mission. Vi har omfattende erfaring med at opbygge MLOps-pipelines, der håndterer AI-infrastruktur til træning og slutning. Mens mange associerer generative AI med massive offentlige systemer som ChatGPT, er de fleste virksomhedsbrug til interne og kræver mere håndterbar skalering. Bedrocks API-lag hjælper med at levere denne skalerbare, sikre præstation 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. Skyoverførsel starter med at vurdere den nuværende on-premise-miljø og designe en skalerbar skyarkitektur. I modsætning til on-premise-konfigurationer, hvor du skal udbygge til toppunktskapacitet, kan skyen låse ressourcer baseret på gennemsnitsarbejdslaster, hvilket reducerer omkostningerne. Ikke alle arbejdslaster har brug for 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 piloter for at finpudse prompts og håndtere kanter, 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 team med rigtig AI-ekspertise – ikke bare bootcamp-uddannede, men erfarne data scientists. Kunder kan stole på, at vi ikke eksperimenterer på dem. Vores folk 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 generative AI bringer mest virksomheds-værdi i dag – og hvor er hypen større end virkeligheden?

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

Men hypen omkring generative billeder og videoer overstiger ofte den virkelige forretningsanvendelse beyond marketing og kreative projekter. De fleste virksomheder finder det vanskeligt at skala 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 skift 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 fantastisk til at accelerere iteration og prototypering – udviklere kan hurtigt teste ideer, generere boilerplate-kode eller afhænde 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 skift mod agente miljøer, hvor LLM’er fungerer som junior-udviklere, og mennesker overtager roller mere lignende arkitekter eller QA-ingeniører – gennemgang, finpudse og integrere AI-genererede komponenter i større systemer. Denne samarbejdsmodel kan være kraftfuld, men kun hvis der er sikkerhedsforanstaltninger på plads. Uden ordentlig oversigt kan vibe coding introducere teknisk gæld, sårbarheder eller performancesproblemer – især når det skyndes ind i produktion uden omfattende test.

Hvad er deres syn på den udviklende rolle som AI-officer? Hvordan bør organisationer omstrukturere ledelsesstrukturen, når AI bliver grundlæggende for forretningsstrategi?

AI-officerer kan absolut tilføje værdi – men kun hvis rollen er sat op til succes. For ofte opretter 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 eksklusive, risikerer du siloet beslutningstagning, modsatrettede prioriteringer og hæmmet udførelse.

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

De har ledt prisvindende AI- og datahold. Hvad kvaliteter søger de efter, når de rekrutterer til højrisiko-AI-roller?

Det vigtigste er at finde nogen, der virkelig kender AI, ikke bare nogen, der har taget nogle kurser. De har brug for mennesker, der er ægte flydende i AI og stadig opretholder nysgerrighed og interesse i at udvide, hvad der kan og ikke kan gøres.

Jeg søger efter mennesker, der altid forsøger at finde nye tilgange og udfordre 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 mener de skiller hold, der lykkes, fra dem, der stagnerer i proof-of-concept-limbo?

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

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

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

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

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