Adit Abraham, συνιδρυτής και διευθύνων σύμβουλος της Reducto – Σειρά συνεντεύξεων

Adit Abraham είναι συνιδρυτής και διευθύνων σύμβουλος της Reducto, όπου επικεντρώνεται στη μετατροπή σύνθετων εταιρικών εγγράφων σε αξιόπιστα δεδομένα για εφαρμογές τεχνητής νοημοσύνης. Πριν ιδρύσει την εταιρεία μαζί με τον Raunak Chowdhuri, απόφοιτο του MIT, σπούδασε πληροφορική στο MIT, διεξήγαγε έρευνα στη μηχανική μάθηση στο MIT Media Lab και εργάστηκε ως διευθυντής προϊόντος στις Διαφημίσεις και την Αναζήτηση της Google. Η Reducto προέκυψε από τις προσπάθειες των ιδρυτών να δημιουργήσουν εργαλεία μνήμης για μεγάλα γλωσσικά μοντέλα, όταν η αναξιόπιστη εισαγωγή εγγράφων έγινε επανειλημμένο εμπόδιο. Η άμεση συνεργασία του Abraham με τους πρώτους πελάτες συνέβαλε στη διαμόρφωση της έμφασης της εταιρείας στην ακρίβεια, την ασφάλεια, την ευελιξία ανάπτυξης και την προβλέψιμη απόδοση σε περιβάλλον παραγωγής.

Η Reducto αναπτύσσει υποδομή νοημοσύνης εγγράφων που βοηθά τις ομάδες τεχνητής νοημοσύνης να μετατρέπουν PDF, σαρώσεις, υπολογιστικά φύλλα και άλλα αρχεία σε δομημένες, αξιοποιήσιμες πληροφορίες. Η πλατφόρμα της συνδυάζει οπτική αναγνώριση χαρακτήρων, υπολογιστική όραση και μοντέλα όρασης-γλώσσας, ώστε να ερμηνεύει κείμενο, πίνακες, γραφήματα, μορφοποίηση και σύνθετες διατάξεις σελίδων. Παράλληλα με την ανάλυση, προσφέρει εργαλεία για δομημένη εξαγωγή, διαχωρισμό εγγράφων, ταξινόμηση και επεξεργασία, καθώς και παραπομπές που συνδέουν τις εξαγόμενες πληροφορίες με την πηγή τους. Στους πελάτες της περιλαμβάνονται οι Harvey, Scale AI, Vanta, Mercor και Rogo. Το έργο της εταιρείας καλύπτει την παραγωγή επαυξημένης ανάκτησης, την αναζήτηση και τις ροές εργασίας εγγράφων σε τομείς όπως τα χρηματοοικονομικά, η υγειονομική περίθαλψη και η νομική, όπου η ακριβής εισαγωγή δεδομένων και τα αποτελέσματα που μπορούν να εντοπιστούν στην πηγή τους είναι απαραίτητα.

Η Reducto προέκυψε από τις δυσκολίες που αντιμετωπίσατε εσύ και ο Raunak Chowdhuri κατά τη δημιουργία εργαλείων μνήμης για μεγάλα γλωσσικά μοντέλα. Τι ακριβώς δεν λειτουργούσε στα υπάρχοντα εργαλεία επεξεργασίας εγγράφων και πότε συνειδητοποιήσατε ότι το ίδιο το πρόβλημα της ανάλυσης ήταν αρκετά μεγάλο ώστε να δημιουργήσετε μια εταιρεία γύρω από αυτό;

Προσπαθούσαμε να δώσουμε στα μοντέλα πρόσβαση στο περιεχόμενο των εγγράφων, οπότε προσθέσαμε μια λειτουργία μεταφόρτωσης αρχείων, αλλά αντιμετωπίζαμε συνεχώς προβλήματα με την ποιότητα της επεξεργασίας. Δοκιμάσαμε όλα τα διαθέσιμα τότε εργαλεία, αλλά κανένα δεν ανταποκρινόταν στα πρότυπά μας όταν επρόκειτο για την επεξεργασία των ακατάστατων εγγράφων του πραγματικού κόσμου που ανέβαζαν οι χρήστες.

Έτσι, δημιουργήσαμε τη δική μας λύση ανάλυσης, αρχικά ως λειτουργία του προϊόντος μνήμης για μεγάλα γλωσσικά μοντέλα. Στη συνέχεια, όμως, είδαμε ότι πολλοί προγραμματιστές που είχαν αντιμετωπίσει οι ίδιοι αυτό το πρόβλημα ενδιαφέρθηκαν έντονα για τη λύση μας και τη βρήκαν εξαιρετική. Ορισμένες ομάδες περνούσαν εβδομάδες δημιουργώντας και συντηρώντας τις δικές τους ροές εισαγωγής δεδομένων, επειδή τα διαθέσιμα εργαλεία δεν μπορούσαν να χειριστούν αξιόπιστα τα έγγραφά τους. Αυτές οι συζητήσεις μάς έκαναν να αντιληφθούμε πολύ πιο καθαρά την ευκαιρία, καθώς, παρά τη συνεχή βελτίωση της νοημοσύνης των μοντέλων, το καθαρό και ακριβές περιεχόμενο εξακολουθούσε να κάνει τεράστια διαφορά.

Τα PDF είναι σχεδιασμένα τεχνικά για την προβολή πληροφοριών και όχι για να καθιστούν τις πληροφορίες αυτές αναγνώσιμες από μηχανές. Τι κάνει τα σύνθετα έγγραφα —ιδίως όσα περιέχουν πίνακες, γραφήματα, διατάξεις πολλών στηλών ή ενσωματωμένες εικόνες— τόσο δύσκολα στην αξιόπιστη κατανόηση από συστήματα τεχνητής νοημοσύνης;

Όταν εμείς οι άνθρωποι διαβάζουμε ένα έγγραφο, θεωρούμε αυτονόητο μεγάλο μέρος της φυσικής μας κατανόησης: μπορούμε να συναγάγουμε σχεδόν αμέσως τις μεταξύ τους σχέσεις, επειδή βλέπουμε ότι ένας αριθμός ανήκει σε μια συγκεκριμένη επικεφαλίδα στήλης, ότι το κείμενο συνεχίζεται σε άλλη στήλη ή ότι μια λεζάντα αναφέρεται στο παραπάνω γράφημα.

Τα μοντέλα τεχνητής νοημοσύνης δυσκολεύονται πραγματικά με αυτό, καθώς τα PDF δεν είναι σχεδιασμένα να διατηρούν αυτού του είδους τις σχεσιακές πληροφορίες ή τα μεταδεδομένα· στην ουσία, είναι εικόνες με εξαιρετικά πυκνή πληροφορία. Ένας αναλυτής πρέπει να ανασυνθέσει αυτές τις σχέσεις από τη σελίδα, ενώ το πρόβλημα γίνεται πολύ δυσκολότερο όταν υπάρχουν συγχωνευμένα κελιά, ένθετοι πίνακες, γραφήματα, σαρώσεις και ασυνήθιστες διατάξεις. Επειδή επικεντρωνόμαστε σε αυτό το πρόβλημα κατανόησης εγγράφων, μπορούμε να επεξεργαζόμαστε αξιόπιστα το ευρύ φάσμα σπάνιων και ασυνήθιστων εγγράφων στα οποία τα μοντέλα τεχνητής νοημοσύνης τείνουν να παραισθάνονται και να κάνουν λάθη.

Η Reducto συνδυάζει την υπολογιστική όραση, την οπτική αναγνώριση χαρακτήρων και τα μοντέλα όρασης-γλώσσας στη ροή επεξεργασίας εγγράφων της. Πώς συνεργάζονται αυτές οι διαφορετικές τεχνολογίες και σε ποια σημεία εξακολουθούν να υστερούν τα παραδοσιακά συστήματα OCR;

Η παραδοσιακή οπτική αναγνώριση χαρακτήρων (OCR) υπάρχει εδώ και δεκαετίες και σχεδιάστηκε για να διαβάζει έγγραφα με καθαρό, ευανάγνωστο κείμενο, χαρακτήρα προς χαρακτήρα. Αυτή η προσέγγιση καταρρέει εύκολα όταν εμφανίζονται χειρόγραφα, σαρωμένα ή λοξά έγγραφα, καθώς και πίνακες, που συνιστούν συνήθως το μεγαλύτερο μέρος των εταιρικών δεδομένων.

Η Reducto πρωτοστάτησε στην εισαγωγή μοντέλων όρασης-γλώσσας στον τομέα της επεξεργασίας εγγράφων με το «Agentic OCR», επειδή είδαμε τις δυνατότητες των VLM να κατανοούν περισσότερα από το απλό κείμενο των εγγράφων: η πραγματική νοημοσύνη εγγράφων απαιτεί συμφραζόμενα, ακρίβεια και πολυτροπικές δυνατότητες. Το νεότερο μοντέλο ανάλυσής μας, το r-1, συνδυάζει τις δυνατότητες του Agentic OCR με λειτουργίες όπως η μορφοποίηση, οι παραπομπές και ο εντοπισμός διάταξης, σε ένα μόνο πέρασμα.

Αυτή η πρόσθετη δουλειά έχει σημασία, επειδή ακόμη και ένας αναλυτής με πολύ υψηλή συνολική ακρίβεια μπορεί να προκαλέσει σοβαρό πρόβλημα, αν οι λίγες πληροφορίες που παραλείπει περιλαμβάνουν το στοιχείο, τη ρήτρα ή την εγγραφή πίνακα που χρειάζεται κάποιος.

Καθώς τα μοντέλα τεχνητής νοημοσύνης γίνονται ολοένα πιο πολυτροπικά και ικανά να ερμηνεύουν απευθείας εικόνες και έγγραφα, πώς βλέπετε να εξελίσσεται ο ρόλος των εξειδικευμένων πλατφορμών νοημοσύνης εγγράφων; Θα μπορούσαν τα θεμελιώδη μοντέλα να αναλάβουν τελικά μεγάλο μέρος αυτής της δουλειάς ή θα παραμείνει απαραίτητη η εξειδικευμένη υποδομή;

Στην πραγματικότητα, ποντάρουμε στο ότι τα μοντέλα ΤΝ θα συνεχίσουν να βελτιώνονται και να γίνονται ταχύτερα και καλύτερα. Καθώς κυκλοφορούν διαρκώς νέα μοντέλα, παρακολουθούμε τις αδυναμίες τους και ενσωματώνουμε τα δυνατά τους σημεία στις δικές μας ροές εργασίας, ώστε να προσφέρουμε συνολικά την καλύτερη δυνατή απόδοση στους πελάτες μας. Η Reducto θέλει να λειτουργεί ως η ομάδα εισαγωγής δεδομένων σας και να σας βοηθά να αναπτύσσεστε.

Οι μεγάλες επιχειρήσεις εξακολουθούν να αντιμετωπίζουν τη μοναδική πρόκληση ότι χρειάζονται όχι μόνο υψηλές επιδόσεις, αλλά και κλιμακώσιμη διαμεταγωγική ικανότητα, διακυβέρνηση και δυνατότητα επαλήθευσης σε παραγωγική κλίμακα — απαιτήσεις που τα μοντέλα θεμελίωσης εξακολουθούν να δυσκολεύονται να καλύψουν.

Πρόσφατα δοκιμάσαμε την απόδοσή τους στο benchmark GDP.pdf, το οποίο έδειξε ότι τα μοντέλα αιχμής εξακολουθούν να δυσκολεύονται να συλλογιστούν πάνω σε σύνθετα, πραγματικά επαγγελματικά έγγραφα και σημείωσαν ποσοστά επιτυχίας κάτω από 15% έως 25% σε αυστηρά κριτήρια αξιολόγησης ανά εργασία. Όταν αφήσαμε τη Reducto να αναλύσει πρώτα αυτά τα έγγραφα και στη συνέχεια δώσαμε τα δομημένα δεδομένα στα μοντέλα αιχμής, η συνολική ακρίβεια βελτιώθηκε κατά εννέα ποσοστιαίες μονάδες, ενώ τα διακριτικά συλλογισμού μειώθηκαν κατά 13 τοις εκατό σε σύγκριση με τα μοντέλα που επεξεργάζονταν απευθείας τα έγγραφα.

Αυτό δείχνει ότι οι εξειδικευμένες υποδομές εισαγωγής δεδομένων εξακολουθούν να έχουν τεράστια αξία, καθώς τα περισσότερα εταιρικά δεδομένα παραμένουν σε μεγάλο βαθμό ανεκμετάλλευτα.

Πολλές εφαρμογές ΤΝ για επιχειρήσεις βασίζονται τελικά στη γενιά με επαυξημένη ανάκτηση (RAG) ή σε συστήματα με δυνατότητες αυτόνομης δράσης που αναζητούν πληροφορίες κρυμμένες σε εσωτερικά έγγραφα. Σε ποιον βαθμό τα προβλήματα αξιοπιστίας αυτών των συστημάτων ξεκινούν στην πραγματικότητα νωρίτερα, κατά την εισαγωγή και την ανάλυση των εγγράφων;

Ένα σημαντικό μέρος του προβλήματος ξεκινά κατά την εισαγωγή των δεδομένων — οι ομάδες συχνά το εντοπίζουν πολύ αργότερα, επειδή η λανθασμένη απάντηση εμφανίζεται στο τέλος της ροής εργασίας. Αν ένας αναλυτής παραλείψει μια γραμμή πίνακα, μπερδέψει τη σειρά ανάγνωσης δύο στηλών ή δεν εντοπίσει ένα σχήμα, η ανάκτηση δεν μπορεί να ανακτήσει πληροφορίες που δεν έφτασαν ποτέ στη βάση δεδομένων.

Βλέπουμε συχνά την εμπειρία των τελικών χρηστών των πελατών μας να βελτιώνεται θεαματικά όταν αντικαθιστούν τη δική τους λύση εισαγωγής δεδομένων με τη Reducto, καθώς τα συστήματα RAG και αναζήτησης επιστρέφουν καλύτερα αποτελέσματα με μεγαλύτερη συνέπεια. Για παράδειγμα, η Harvey είδε τα αιτήματα υποστήριξης πελατών που σχετίζονταν με το OCR να μειώνονται δραστικά και τη χρήση του προϊόντος να πολλαπλασιάζεται μετά την υιοθέτηση της Reducto ως επιπέδου επεξεργασίας.

Η Reducto έχει επεκταθεί πέρα από την ανάλυση εγγράφων, προσφέροντας πλέον δομημένη εξαγωγή δεδομένων και ευρύτερες ροές εργασίας εγγράφων. Πώς διαμορφώνεται το επόμενο επίπεδο της νοημοσύνης εγγράφων, όταν ένα σύστημα μπορεί να κατανοεί με ακρίβεια την υποκείμενη δομή ενός εγγράφου;

Η εισαγωγή δεδομένων αποτελεί συνήθως μόνο το πρώτο βήμα μιας πολύ ευρύτερης επιχειρηματικής διαδικασίας. Μια εταιρεία μπορεί να λάβει ένα αρχείο 500 σελίδων και να χρειάζεται να εντοπίσει τα έγγραφα που περιλαμβάνει, να τα ταξινομήσει, να εξαγάγει συγκεκριμένες πληροφορίες, να τις συγκρίνει με δεδομένα σε ένα άλλο σύστημα και να παραπέμψει ασυνήθιστες περιπτώσεις σε ειδικό για έλεγχο. Εδώ και 2 χρόνια εκπαιδεύουμε τα καλύτερα μοντέλα κατανόησης εγγράφων της αγοράς και τώρα αφιερώνουμε περισσότερο χρόνο στο πώς θα απλοποιήσουμε όσα ακολουθούν.

Όταν μπορείς να κατανοείς αξιόπιστα το περιεχόμενο και τη δομή ενός εγγράφου, μπορείς να αυτοματοποιήσεις μεγαλύτερο μέρος της εργασίας που οι άνθρωποι αφιερώνουν σήμερα στη συγκέντρωση και τον έλεγχο πληροφοριών, καθώς και στη μεταφορά τους από το ένα σύστημα στο άλλο. Σχεδόν κάθε επιχειρηματική ροή εργασίας υψηλού διακυβεύματος μπορεί να αναλυθεί σε βήματα που περιλαμβάνουν είτε ανθρώπους να διαβάζουν από άλλα έγγραφα, να λαμβάνουν αποφάσεις και να καταχωρίζουν πληροφορίες σε αυτά — στόχος μας είναι στο μέλλον να γίνουμε ο προεπιλεγμένος τρόπος με τον οποίο οι άνθρωποι ή οι πράκτορες αλληλεπιδρούν με δεδομένα εγγράφων.

Οι πελάτες σας κυμαίνονται από εταιρείες με εγγενή χρήση ΤΝ, όπως οι Harvey, Vanta, Scale AI, Mercor και Rogo, έως μεγάλα χρηματοπιστωτικά ιδρύματα και εταιρείες της Fortune 10. Πόσο διαφέρουν οι απαιτήσεις επεξεργασίας εγγράφων μιας νεοφυούς εταιρείας ΤΝ από εκείνες μιας μεγάλης επιχείρησης που υπόκειται σε αυστηρούς κανονισμούς;

Οι εταιρείες με εγγενή χρήση ΤΝ τείνουν να κινούνται γρήγορα και οι ομάδες μηχανικών τους θέλουν ένα API που να μπορεί να χειρίζεται δύσκολα έγγραφα, χωρίς να τις αναγκάζει να δημιουργούν και να συντηρούν τη δική τους στοίβα επεξεργασίας. Οι μεγάλες επιχειρήσεις ενδιαφέρονται εξίσου για την ακρίβεια, αλλά συχνά έχουν πρόσθετες απαιτήσεις σχετικά με το πού αποθηκεύονται τα δεδομένα, τον τρόπο ανάπτυξης του λογισμικού, τη διαχείριση των αιχμών στον όγκο και τη δυνατότητα των χρηστών να εντοπίζουν την αρχική σελίδα από την οποία προήλθε μια τιμή που εξήχθη. Για παράδειγμα, η Scale AI χρησιμοποιεί τη Reducto σε κυβερνητικά περιβάλλοντα όπου έχουν σημασία η εμπιστευτικότητα και η εγκατάσταση στις εγκαταστάσεις του πελάτη, ενώ η Harvey αξιολόγησε την ακρίβεια, την αξιοπιστία, το κόστος, τον λανθάνοντα χρόνο και τους τρόπους αστοχίας μας, προτού περάσει στην παραγωγή μέσα σε περίπου έξι εβδομάδες. Η συνεργασία με πελάτες και των δύο τύπων μάς ώθησε να εστιάσουμε εξίσου στην απόδοση της Reducto υπό πραγματικές απαιτήσεις παραγωγής και στην ακρίβειά της κατά τον χειρισμό ενός μεμονωμένου εγγράφου.

Σύμφωνα με δημοσιεύματα, η Reducto ξεπέρασε τα 5 εκατομμύρια δολάρια σε ετήσια επαναλαμβανόμενα έσοδα, κυρίως μέσω πωλήσεων με επικεφαλής τους ιδρυτές, προτού δημιουργήσει ειδικό τμήμα πωλήσεων. Τι μάθατε από τις απευθείας συζητήσεις με τους πρώτους πελάτες για τα προβλήματα που προσπαθούσαν πραγματικά να λύσουν οι προγραμματιστές;

Αυτές οι συζητήσεις μάς έμαθαν να αφιερώνουμε λιγότερο χρόνο σε γενικές συζητήσεις για την επεξεργασία εγγράφων και περισσότερο στην κατανόηση του τι προσπαθούσαν πραγματικά να πετύχουν οι πελάτες. Οι πρώτες κλήσεις πωλήσεων συχνά μετατρέπονταν σε συνεδρίες εργασίας, όπου ένας πελάτης μάς έδειχνε τα έγγραφα που προκαλούσαν προβλήματα στη ροή εργασιών του και εξετάζαμε τι συνέβαινε στη συνέχεια όταν αποτύγχανε η εξαγωγή δεδομένων. Στον τομέα της υγείας, αυτό σήμαινε ότι βλέπαμε πώς μια γραμμή πίνακα που παραλειπόταν ή μια μονάδα μέτρησης που διαβαζόταν λανθασμένα σε μια εργαστηριακή αναφορά μπορούσε να καθυστερήσει μια ασφαλιστική απαίτηση ή να αφήσει έναν κλινικό γιατρό με ελλιπές ιστορικό ασθενούς. Αυτές οι συνέπειες ανέβασαν τον πήχη μας για την ακρίβεια: μια υψηλή βαθμολογία σε μια δοκιμή αναφοράς έχει μικρή σημασία αν αποκρύπτει τα σφάλματα που έχουν τη μεγαλύτερη σημασία. Οι πελάτες χρειάζονταν ακρίβεια, αλλά και αξιοπιστία, ασφάλεια, ευελιξία στην εγκατάσταση και προβλέψιμες επιδόσεις σε μεγάλη κλίμακα· αυτά που ακούσαμε απευθείας από τους ίδιους διαμόρφωσαν όσα δημιουργήσαμε.

Η Reducto επεξεργάζεται πλέον δισεκατομμύρια σελίδες τον μήνα. Ποιες προκλήσεις μηχανικής προκύπτουν σε αυτή την κλίμακα, ιδίως όσον αφορά τον χρόνο απόκρισης, την ακρίβεια, το κόστος και τη διατήρηση σταθερών αποτελεσμάτων σε πολύ διαφορετικούς τύπους εγγράφων;

Έχω ήδη χάσει το μέτρημα των σελίδων που επεξεργαζόμαστε, οπότε ακόμη και μια μικρή αναποτελεσματικότητα μπορεί πολύ γρήγορα να γίνει δαπανηρή. Η προσθήκη περιττών συμπερασματικών υπολογισμών σε κάθε σελίδα αυξάνει τόσο το κόστος όσο και τον χρόνο απόκρισης, ενώ η υπερβολική βελτιστοποίηση για ταχύτητα μπορεί να μειώσει την ακρίβεια σε δύσκολα έγγραφα. Γι’ αυτό αφιερώνουμε πολλή προσπάθεια μηχανικής για να προσδιορίσουμε πόση επεξεργασία χρειάζεται πραγματικά κάθε σελίδα.

Με το r-1, βελτιώσαμε την ακρίβεια ανάλυσης, μειώνοντας παράλληλα τον χρόνο απόκρισης και διαμορφώνοντας την τιμή στο ένα σεντ ανά σελίδα. Παράλληλα, εργαζόμαστε για την πιο αυτοματοποιημένη δρομολόγηση, ώστε μια απλή σελίδα να μη χρησιμοποιεί τους ίδιους πόρους με μια σελίδα που περιέχει περίπλοκο πίνακα ή γράφημα. Με τον σημερινό μας όγκο, αυτές οι αποφάσεις επηρεάζουν εκατομμύρια σελίδες κάθε μέρα, καθιστώντας την αποδοτικότητα βασικό μέρος της πρόκλησης μηχανικής.

Κοιτάζοντας αρκετά χρόνια μπροστά, καθώς οι πράκτορες τεχνητής νοημοσύνης αλληλεπιδρούν όλο και περισσότερο με συμβάσεις, οικονομικά αρχεία, ερευνητικές εργασίες, παρουσιάσεις και άλλα εταιρικά έγγραφα, πώς πιστεύετε ότι θα μοιάζει η ιδανική διεπαφή ανάμεσα στα συστήματα τεχνητής νοημοσύνης και τον μη δομημένο όγκο πληροφοριών του κόσμου;

Οι σημερινοί πράκτορες τεχνητής νοημοσύνης βασίζονται ουσιαστικά στο κείμενο. Είναι πολύ καλοί στη συλλογιστική πάνω σε καθαρές, ψηφιακές πληροφορίες, αλλά ο πραγματικός κόσμος εξακολουθεί να λειτουργεί με PDF, υπολογιστικά φύλλα, παρουσιάσεις, σαρωμένα έγγραφα, συμβάσεις και οικονομικά αρχεία. Με τον καιρό, πιστεύω ότι οι πράκτορες θα πρέπει να μπορούν να αλληλεπιδρούν με αυτά τα έγγραφα τόσο φυσικά όσο αλληλεπιδρούν σήμερα με ένα αρχείο κειμένου.

Οι προγραμματιστές δεν θα έπρεπε να χρειάζεται να ασχολούνται σε βάθος με την οπτική αναγνώριση χαρακτήρων (OCR), την ανάλυση εγγράφων, την επιλογή μοντέλων ή τη δομή των εγγράφων. Ένας πράκτορας θα πρέπει να μπορεί να λαμβάνει οποιοδήποτε αρχείο, να κατανοεί το περιεχόμενό του, να εντοπίζει την πηγή των σημαντικών πληροφοριών και να τις χρησιμοποιεί αξιόπιστα σε όποια εργασία πρέπει να ολοκληρώσει. Η υποδομή που βρίσκεται στο παρασκήνιο θα πρέπει να καθορίζει τον τρόπο επεξεργασίας του εγγράφου, να επιλέγει τα κατάλληλα μοντέλα και να παραπέμπει τις περιπτώσεις αβεβαιότητας για ανθρώπινη κρίση, όταν αυτή είναι πράγματι απαραίτητη.

Αυτή είναι τελικά η κατανομή εργασιών που πιστεύω ότι επιδιώκουμε: οι μηχανές να αναλαμβάνουν τις επαναλαμβανόμενες εργασίες με έγγραφα, ενώ οι άνθρωποι αφιερώνουν τον χρόνο τους στις αποφάσεις που απαιτούν πλαίσιο, θεσμική γνώση και κρίση. Τα έγγραφα περιέχουν τεράστιο μέρος των πληροφοριών πάνω στις οποίες βασίζονται οι επιχειρήσεις, επομένως το να καταστήσουμε αυτές τις πληροφορίες πραγματικά αξιοποιήσιμες από πράκτορες τεχνητής νοημοσύνης θα αποτελέσει σημαντική εξέλιξη για τη χρησιμότητα της τεχνητής νοημοσύνης στις πραγματικές επιχειρησιακές διαδικασίες.

Σας ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα για τη μετατροπή σύνθετων εγγράφων σε αξιόπιστα δεδομένα για εφαρμογές τεχνητής νοημοσύνης μπορούν να επισκεφθούν τη Reducto.