Ali Sarrafi, Διευθύνων Σύμβουλος και Ιδρυτής της Kovant – Σειρά Συνεντεύξεων

Αλί Σαρράφι, Ο Διευθύνων Σύμβουλος και Ιδρυτής της Kovant, είναι ένα έμπειρο στέλεχος τεχνολογίας και Τεχνητής Νοημοσύνης με έδρα τη Στοκχόλμη, με ιστορικό στην ανάπτυξη και την κλιμάκωση εταιρειών Τεχνητής Νοημοσύνης υψηλής ανάπτυξης. Από την ίδρυση της Kovant στα τέλη του 2024, έχει αξιοποιήσει τη βαθιά εμπειρία του στη στρατηγική Τεχνητής Νοημοσύνης για επιχειρήσεις, την υλοποίηση εφαρμογών στην αγορά και την επιχειρησιακή κλιμάκωση. Προηγουμένως, διετέλεσε Αντιπρόεδρος Στρατηγικής στη Silo AI μετά την εξαγορά της από την AMD, όπου ήταν υπεύθυνος για τη διαμόρφωση της στρατηγικής Τεχνητής Νοημοσύνης για επιχειρήσεις και την προώθηση της υιοθέτησής της σε μεγάλη κλίμακα. Νωρίτερα στην καριέρα του, συνίδρυσε την Combient Mix, ηγούμενη της εταιρείας μέσω της ταχείας ανάπτυξης και μιας επιτυχημένης εξαγοράς από την Silo AI, και έκτοτε έχει διατελέσει συμβουλευτικός και διοικητικός ρόλος σε νεοσύστατες επιχειρήσεις εκπαίδευσης και Τεχνητής Νοημοσύνης, αντανακλώντας μια συνεπή εστίαση στη μετατροπή της προηγμένης Τεχνητής Νοημοσύνης σε αντίκτυπο στις επιχειρήσεις στον πραγματικό κόσμο.

Κόβαντ είναι μια εταιρεία τεχνητής νοημοσύνης για επιχειρήσεις που επικεντρώνεται στο να επιτρέψει στους οργανισμούς να μεταβούν από την πειραματική χρήση της τεχνητής νοημοσύνης σε πλήρως λειτουργικές, αυτόνομες επιχειρηματικές διαδικασίες. Η εταιρεία αναπτύσσει μια πλατφόρμα που βασίζεται σε πράκτορες, σχεδιασμένη να συντονίζει ομάδες πρακτόρων τεχνητής νοημοσύνης σε σύνθετους λειτουργικούς τομείς, όπως οι προμήθειες, οι αλυσίδες εφοδιασμού, η συμμόρφωση και οι λειτουργίες των πελατών. Δίνοντας έμφαση στην ασφαλή ανάπτυξη εταιρικού επιπέδου και στον γρήγορο χρόνο επίτευξης αξίας, η Kovant τοποθετείται ως γέφυρα μεταξύ της στρατηγικής φιλοδοξίας της τεχνητής νοημοσύνης και της καθημερινής εκτέλεσης, βοηθώντας μεγάλους οργανισμούς να ενσωματώσουν την τεχνητή νοημοσύνη απευθείας στις βασικές ροές εργασίας αντί να την αντιμετωπίζουν ως αυτόνομο εργαλείο ή πιλοτικό έργο.

Έχετε ηγηθεί σημαντικών πρωτοβουλιών Τεχνητής Νοημοσύνης στο Spotify, έχετε κλιμακώσει και έχετε αποχωρήσει από το Combient Mix και αργότερα έχετε διαμορφώσει τη στρατηγική τεχνητής νοημοσύνης για επιχειρήσεις στο Silo AI πριν ιδρύσετε την Kovant. Ποια συγκεκριμένα κενά ή απογοητεύσεις αντιμετωπίσατε σε αυτούς τους ρόλους που σας έπεισαν ότι ήταν η κατάλληλη στιγμή να δημιουργήσετε μια αυτόνομη επιχειρηματική πλατφόρμα και πώς αυτή η ιστορία διαμόρφωσε την βασική φιλοσοφία σχεδιασμού της Kovant;

Σε όλους τους προηγούμενους ρόλους μου, συνέχιζαν να εμφανίζονται μερικά σταθερά κενά. Πρώτον, τα περισσότερα «κάθετα» εργαλεία Τεχνητής Νοημοσύνης είναι ουσιαστικά δεσμευμένα σε ένα μόνο στοίβα λογισμικού: κάνουν ένα πράγμα ελαφρώς καλύτερα εντός αυτού του ορίου, αλλά δυσκολεύονται τη στιγμή που μια ροή εργασίας πρέπει να εκτείνεται σε πολλά συστήματα. Ταυτόχρονα, τα εταιρικά δεδομένα είναι διάσπαρτα σε πολλά εργαλεία και πολλές λύσεις αυτοματισμού απλά δεν μπορούν να τα φτάσουν. Αν προσθέσετε χρόνια ενσωμάτωσης σημείων, έχετε την κλασική αρχιτεκτονική σπαγγέτι: η πολυπλοκότητα αυξάνεται, η αλλαγή επιβραδύνεται και οι ομάδες καταλήγουν να αυτοματοποιούν μεμονωμένα βήματα αντί να επαναπροσδιορίζουν τη ροή εργασίας από άκρο σε άκρο. Το αποτέλεσμα είναι ότι η απόδοση επένδυσης (ROI) συχνά φτάνει πιο αργά - και μικρότερη - από ό,τι αναμένουν οι οργανισμοί.

Το Kovant έχει σχεδιαστεί ως απάντηση σε αυτή την πραγματικότητα. Η βασική μας φιλοσοφία είναι ότι οι πράκτορες θα πρέπει να συμπεριφέρονται περισσότερο σαν υπάλληλοι: εργάζονται σε πολλαπλά εργαλεία, «προσλαμβάνονται» για να εκτελούν εργασίες και όχι για να αυτοματοποιούν μια ενιαία ακολουθία σεναρίων. Γι' αυτό είναι ενσωματωμένες οι ενσωματώσεις και η ενορχήστρωση και γι' αυτό υποθέτουμε ότι τα εταιρικά δεδομένα είναι συχνά ακατάστατα και αδόμητα - χρειάζονται μια πιο ανθρώπινη προσέγγιση για την αντιμετώπιση εξαιρέσεων και ασαφειών.

Χρησιμοποιούμε foundation agents για να επιτύχουμε ταχύτητα και κλίμακα, διατηρώντας παράλληλα την κυριαρχία των δεδομένων στο επίκεντρο: οι επιχειρήσεις μπορούν να έχουν πρόσβαση και να χρησιμοποιούν τα δικά τους δεδομένα οριζόντια χωρίς αυτά να φύγουν από τις εγκαταστάσεις τους.

Η Kovant αυτοπροσδιορίζεται ως μια αυτόνομη επιχειρηματική πλατφόρμα ικανή να διαχειρίζεται ολόκληρες λειτουργίες και τμήματα με πράκτορες Τεχνητής Νοημοσύνης. Πώς ορίζετε τον όρο «αυτόνομος» σε ένα επιχειρηματικό πλαίσιο και πώς διαφέρει αυτό από τον αυτοματισμό και τα εργαλεία πρακτόρων με τα οποία οι εταιρείες πειραματίζονται ήδη σήμερα;

Σε ένα επιχειρηματικό πλαίσιο, όταν λέμε «αυτόνομο» δεν εννοούμε «χωρίς επίβλεψη». Εννοούμε ότι οι πράκτορες Τεχνητής Νοημοσύνης μπορούν να αναλαμβάνουν πραγματικές ενέργειες από άκρο σε άκρο σε μια επιχείρηση με σαφείς στόχους και προστατευτικά κιγκλιδώματα, και θα κλιμακώνουν τις ενέργειες σε ανθρώπους όταν απαιτείται επίβλεψη.

Αυτό που κάνει το Kovant να διαφέρει είναι οι βασικοί μας πράκτορες. Αντί να αυτοματοποιούν μια ενιαία, σταθερή διαδικασία ή να ακολουθούν μια προκαθορισμένη ακολουθία, οι πράκτορες Kovant μπορούν να εργαστούν ως ομάδα (ή σμήνος) σε μια λειτουργία χρησιμοποιώντας μόνο οδηγίες και μια επισκόπηση λειτουργιών που ονομάζουμε σχέδιο. Δεν έχουν σχεδιαστεί για μία συγκεκριμένη εργασία. Συνεργάζονται για να λύσουν πολύπλοκες ροές εργασίας, προσαρμόζονται καθώς αλλάζουν οι συνθήκες και αναθέτουν την εργασία σε άτομα όταν η κατάσταση απαιτεί εποπτεία.

Για παράδειγμα, μια ομάδα διαχείρισης αποθεμάτων μπορεί να εκτελέσει όλες τις ακόλουθες εργασίες χωρίς να τις ανακατασκευάσει από την αρχή, όπως: επικοινωνία με προμηθευτές μέσω email, παρακολούθηση επιπέδων αποθεμάτων και σημάτων εξάντλησης αποθεμάτων, παρακολούθηση αποστολών και παραγγελιών αγοράς, ενημέρωση καταστάσεων σε όλα τα συστήματα, δημιουργία αιτημάτων απόκλισης για έγκριση από τους σχεδιαστές αποθεμάτων, ανακατανομή αποθεμάτων μεταξύ αποθηκών και ενοποίηση αναφορών αποθεμάτων.

Έτσι, η μετατόπιση είναι αντί για «εργαλεία συνομιλίας συν» ή εύθραυστους αυτοματισμούς που σπάνε σε κλίμακα, οι επιχειρήσεις μεταβαίνουν από την κατασκευή πρακτόρων στη λειτουργία τους σε κλίμακα.

Παρά το τεράστιο ενδιαφέρον για την τεχνητή νοημοσύνη των πρακτόρων, πολλοί οργανισμοί παραμένουν κολλημένοι σε πιλοτική λειτουργία. Από αυτά που βλέπετε σε πραγματικές εφαρμογές, ποιοι είναι οι κύριοι λόγοι για τους οποίους οι εταιρείες δυσκολεύονται να μεταβούν από τον πειραματισμό στην κλιμακωτή παραγωγή;

Αυτό που βλέπουμε είναι ότι οι περισσότεροι οργανισμοί δεν κολλάνε στην πιλοτική λειτουργία επειδή η ιδέα είναι λανθασμένη. Κολλάνε επειδή το περιβάλλον είναι εχθρικό στην κλιμάκωση.

Το πρώτο εμπόδιο είναι το κατακερματισμένο τεχνολογικό τοπίο των επιχειρήσεων. Οι ροές εργασίας εκτείνονται σε πολλά συστήματα, τα δεδομένα βρίσκονται σε πολλά σημεία και η αξιόπιστη συνένωση όλων είναι δύσκολη. Και η τεχνητή νοημοσύνη (AI) συχνά αναπτύσσεται ως πρόσθετο σε υπάρχοντα εργαλεία, αντί ως ένας τρόπος επανεξέτασης του τρόπου με τον οποίο πρέπει να λειτουργεί η ροή εργασίας από άκρο σε άκρο.

Υπάρχει επίσης ένα πραγματικό πρόβλημα αρχιτεκτονικής και δεδομένων. Πολλοί προμηθευτές SaaS εξακολουθούν να προσπαθούν να κλειδώσουν τα δεδομένα, γεγονός που δημιουργεί ασυμβατότητες και περιορίζει τις δυνατότητες των πρακτόρων σε όλα τα συστήματα. Και πολλές ομάδες υποτιμούν το γεγονός ότι τα περισσότερα εταιρικά δεδομένα είναι αδόμητα (email, έγγραφα, αιτήματα, PDF, αρχεία καταγραφής συνομιλιών). Εάν η προσέγγισή σας προϋποθέτει καθαρά, δομημένα δεδομένα, ο χρόνος επίτευξης αξίας γίνεται μεγάλος, επώδυνος και δύσκολος στην αναπαραγωγή μετά την πιλοτική εφαρμογή.

Με λίγα λόγια: ο κατακερματισμός, ο εγκλωβισμός και τα αδόμητα δεδομένα δημιουργούν οπισθοδρόμηση – και τα πιλοτικά προγράμματα δεν μετατρέπονται ποτέ σε παραγωγή μέχρι να σχεδιαστούν για αυτές τις πραγματικότητες.

Η αξιοπιστία αναφέρεται συχνά ως ο μεγαλύτερος παράγοντας που εμποδίζει την ανάπτυξη πρακτόρων Τεχνητής Νοημοσύνης στον πραγματικό κόσμο. Γιατί τόσα πολλά συστήματα πρακτόρων αποτυγχάνουν μόλις εγκαταλείψουν τα ελεγχόμενα περιβάλλοντα και πώς η προσέγγιση του Kovant μειώνει προβλήματα όπως οι παραισθήσεις και η απρόβλεπτη συμπεριφορά;

Ορισμένα συστήματα πρακτόρων φαίνονται εξαιρετικά σε επιδείξεις, αλλά στη συνέχεια αποτυγχάνουν στον πραγματικό κόσμο επειδή το περιβάλλον είναι ακατάστατο και απρόβλεπτο. Τα δεδομένα είναι ελλιπή ή ασυνεπή, εμφανίζονται συνεχώς ακραίες περιπτώσεις (επιστροφές χρημάτων, διαφορές, ειδικές εγκρίσεις). Οι ροές εργασίας εκτείνονται σε πολλαπλά εργαλεία, πλατφόρμες και ενσωματώσεις που αλλάζουν με την πάροδο του χρόνου και τα δικαιώματα ποικίλλουν. Όταν ένας πράκτορας Τεχνητής Νοημοσύνης καλείται να χειριστεί μια μεγάλη εργασία και του δίνονται πάρα πολλά συμφραζόμενα ταυτόχρονα, ο κίνδυνος παραισθήσεων και περίεργης συμπεριφοράς αυξάνεται.

Το Kovant μειώνει αυτό το φαινόμενο εκ κατασκευής. Η μοναδική μας αρχιτεκτονική περιορίζει τον χώρο προβλημάτων, τον χώρο αποφάσεων και το πλαίσιο με το οποίο λειτουργούν τα μοντέλα για τη μείωση των παραισθήσεων. Επίσης, χωρίζουμε τις λειτουργίες σε στενές, εστιασμένες εργασίες για μεμονωμένους πράκτορες και βήματα. Αυτό καθιστά τη συμπεριφορά πιο προβλέψιμη και προσθέτει ιχνηλασιμότητα και ελεγξιμότητα στο σύστημα και μπορεί να διαχειριστεί καλύτερα τις παραισθήσεις. Μπορούμε να δούμε τι έκανε κάθε πράκτορας, πού ξεκίνησε μια αποτυχία και να παρέμβουμε ή να κλιμακώσουμε την κατάσταση όταν χρειάζεται.

Οι ψευδαισθήσεις δεν εξαφανίζονται μαγικά, αλλά περιορίζοντας την ευθύνη κάθε παράγοντα και περιορίζοντας το πλαίσιο στο οποίο μπορεί να δράσει, μπορούμε να μειώσουμε τη συχνότητά τους και να περιορίσουμε τον αντίκτυπό τους. Αυτή η προσέγγιση «περιορισμένης εργασίας/πλαισίου» έχει επίσης υποστηριχθεί σε πρόσφατη εργασία της ερευνητικής ομάδας της Nvidia, η οποία διαπίστωσε παρόμοια οφέλη από τον περιορισμό της λήψης αποφάσεων από τους παράγοντες.

Η λογοδοσία αποτελεί μείζονα ανησυχία καθώς οι πράκτορες της Τεχνητής Νοημοσύνης αρχίζουν να αναλαμβάνουν πραγματικές δράσεις στα επιχειρηματικά συστήματα. Πώς αλλάζουν τα λεπτομερή αρχεία καταγραφής ενεργειών τη συζήτηση γύρω από την εμπιστοσύνη, τη συμμόρφωση και τον λειτουργικό κίνδυνο;

Με λεπτομερή αρχεία καταγραφής ενεργειών μπορούμε να δούμε τι συνέβη, γιατί συνέβη και τι συμβαίνει στη συνέχεια.

Τα λεπτομερή αρχεία καταγραφής μετατρέπουν έναν πράκτορα από ένα μυστηριώδες bot που εργάζεται στο μηχάνημα σε ένα σύστημα που μπορείτε να επιθεωρήσετε.

Στην Kovant, με οποιαδήποτε ανάπτυξη πρακτόρων Τεχνητής Νοημοσύνης, θα υπάρχει ένας χάρτης κινδύνου στον οποίο ο οργανισμός μπορεί να ενεργήσει. Έχουμε ενσωματωμένο σύστημα παρακολούθησης κινδύνων για τους ανθρώπους, που σημαίνει ότι οι πράκτορες μπορούν να εκτελέσουν αυτές τις εργασίες μόνο εάν ένας άνθρωπος εξετάσει και εγκρίνει την απόφαση. Όλα αυτά καταγράφονται με τον ίδιο τρόπο που καταγράφεται ένα σύστημα αρχείων και είναι ανιχνεύσιμα.

Πιστεύουμε ότι είναι σημαντικό να συνδυάζουμε τα αρχεία καταγραφής ενεργειών με την ανθρώπινη εποπτεία και παρατηρησιμότητα για την ελαχιστοποίηση του κινδύνου. Αυτό σημαίνει ότι εξακολουθείτε να απολαμβάνετε τα οφέλη ταχύτητας και κλίμακας από τους πράκτορες που εκτελούν πραγματικές λειτουργίες.

Υπάρχει αυξανόμενη συζήτηση σχετικά με το εάν οι πράκτορες της Τεχνητής Νοημοσύνης μπορούν καν να ασφαλιστούν λόγω της αδιαφανούς διαδικασίας λήψης αποφάσεων. Πώς η δυνατότητα ελέγχου και επανάληψης των ροών εργασίας των πρακτόρων βοηθά στην αντιμετώπιση του προβλήματος του «μαύρου κουτιού» και ανοίγει την πόρτα στην ασφαλισιμότητα;

Το πρόβλημα του «μαύρου κουτιού» είναι αυτό που δυσχεραίνει την ασφαλισιμότητα. Εάν δεν μπορείτε να δείξετε με σαφήνεια τι έκανε ένας ασφαλιστής, γιατί το έκανε και ποιοι έλεγχοι υπήρχαν, είναι δύσκολο για οποιονδήποτε, ειδικά για τις ασφαλιστικές εταιρείες, να αποτιμήσουν τον κίνδυνο.

Η προσέγγισή μας είναι ουσιαστικά μια επέκταση της ρύθμισης της λογοδοσίας στην προηγούμενη απάντηση. Χωρίζουμε το εύρος λήψης αποφάσεων και τον αντίκτυπο των ενεργειών σε μικρότερα κομμάτια, έτσι ώστε το μοντέλο να μην λαμβάνει μία γιγαντιαία, αδιαφανή απόφαση που μπορεί να επηρεάσει μια ολόκληρη λειτουργία. Κάθε βήμα είναι πιο περιορισμένο, πιο προβλέψιμο και πιο εύκολο στην αξιολόγηση.

Στη συνέχεια, προσθέτουμε λεπτομερή αρχεία καταγραφής, παρατηρησιμότητα και ανθρώπινη εποπτεία. Για τις πιο σημαντικές και σημαντικές αποφάσεις, χρησιμοποιούμε έναν ανθρώπινο φύλακα, ώστε ο εκπρόσωπος να μπορεί να προχωρήσει μόνο μετά από έλεγχο και έγκριση. Αυτό δημιουργεί πολύ μεγαλύτερη ορατότητα στον τρόπο με τον οποίο συμπεριφέρεται η ροή εργασίας στην πράξη.

Το τελευταίο βήμα είναι να κάνετε τις ροές εργασίας ελέγξιμες και επαναλήψιμες. Εάν κάτι πάει στραβά, μπορείτε να αναπαράγετε ό,τι συνέβη, να το διερευνήσετε γρήγορα, να επικυρώσετε τις διορθώσεις και να δείξετε πόσο συχνά απαιτείται ανθρώπινη έγκριση και πού βρίσκονται οι διασφαλίσεις. Από άποψη αξιολόγησης, αυτό μετατρέπεται σε... μυστηριώδης συμπεριφορά τεχνητής νοημοσύνης σε κάτι που πλησιάζει περισσότερο τον τυπικό λειτουργικό κίνδυνο.

Με πρωτοβουλίες όπως το Agentic AI Foundation που στοχεύουν στη δημιουργία κοινών προτύπων για τα συστήματα πρακτόρων, ποιες θεωρείτε ως τις πιο πολλά υποσχόμενες πτυχές αυτών των προσπαθειών και πού εξακολουθούν να υστερούν για τις πραγματικές επιχειρηματικές λειτουργίες;

Η τυποποίηση είναι γενικά κάτι καλό. Το AAIF μπορεί να κάνει το άκομψο αλλά ουσιαστικό έργο να κάνει τα συστήματα πρακτόρων να μιλούν την ίδια γλώσσα, κάτι που θα πρέπει να διευκολύνει τις ενσωματώσεις και να μειώσει την δέσμευση σε προμηθευτές με την πάροδο του χρόνου.

Εκεί που είμαι επιφυλακτικός είναι ποιανού η οπτική γωνία διαμορφώνει τα πρότυπα. Εάν το μεγαλύτερο μέρος της εργασίας καθοδηγείται από δημιουργούς μοντέλων και τεχνολογικές εταιρείες, υπάρχει ο κίνδυνος τα «πρότυπα» να βελτιστοποιούν αυτό που είναι πιο εύκολο να κατασκευαστεί ή να δοκιμαστεί, αντί για αυτό που πραγματικά χρειάζονται οι μεγάλοι οργανισμοί για να λειτουργούν με ασφάλεια τους πράκτορες καθημερινά.

Για τις πραγματικές επιχειρηματικές λειτουργίες, τα κενά τείνουν να αφορούν λιγότερο τους συνδέσμους και περισσότερο τον έλεγχο: σε τι μπορεί να έχει πρόσβαση και να αλλάζει ένας εκπρόσωπος, ροές εργασίας έγκρισης για ενέργειες με υψηλό αντίκτυπο, ελέγξιμα αρχεία καταγραφής και παρατηρησιμότητα, ώστε οι ομάδες να μπορούν να παρακολουθούν τη συμπεριφορά, να διερευνούν περιστατικά και να αποδεικνύουν τη συμμόρφωση. Οι επιχειρήσεις χρειάζονται επίσης πρακτικά πρότυπα για τη λειτουργία τους σε μια ακατάστατη πραγματικότητα: δοκιμές σε ακραίες περιπτώσεις, χειρισμό μεταβαλλόμενων συστημάτων και δυνατότητα ασφαλούς παύσης, περιορισμού ή επαναφοράς ενεργειών σε παλαιότερα εργαλεία και ρυθμιζόμενα περιβάλλοντα δεδομένων.

Επομένως, πρόκειται για μια πολλά υποσχόμενη κατεύθυνση, αλλά ο αντίκτυπος θα είναι περιορισμένος, εκτός εάν οι απαιτήσεις των επιχειρήσεων και οι έλεγχοι λειτουργικού κινδύνου δεν αντιμετωπιστούν ως δεύτερη σκέψη.

Η Kovant έχει ήδη αποφέρει σημαντικά έσοδα από μεγάλες σκανδιναβικές επιχειρήσεις, ενώ λειτουργεί σε μεγάλο βαθμό με μυστικότητα. Ποιοι τύποι επιχειρηματικών λειτουργιών ή ροών εργασίας αποδεικνύονται πιο έτοιμοι για αυτόνομους πράκτορες τεχνητής νοημοσύνης σήμερα;

Από ό,τι έχουμε δει σε πραγματικές αναπτύξεις, οι ροές εργασίας που είναι πιο «έτοιμες» σήμερα είναι αυτές που αποτελούνται από αντιδραστική εργασία γραφείου: παρακολούθηση, καταδίωξη, έλεγχος, ενημέρωση συστημάτων, χειρισμός εξαιρέσεων και διατήρηση της ομαλής λειτουργίας των λειτουργιών σε πολλαπλά εργαλεία.

Στην κατασκευαστική και ευρύτερη αλυσίδα εφοδιασμού επιχειρήσεων, αυτό εμφανίζεται σε:

• Προμήθεια/Εξεύρεση Υλικών: διαθεσιμότητα πρώτων υλών, βιώσιμη προμήθεια, λειτουργίες συμμόρφωσης, επιλογή προμηθευτών (συμπεριλαμβανομένης της διπλής/πολλαπλής προμήθειας), διαχείριση συμβάσεων, διαχείριση κινδύνου προμηθευτών και διαχείριση διαγωνισμών/προσφορών.
• Παραγωγή: σχεδιασμός δυναμικότητας, προγραμματισμός παραγωγής, διαχείριση συντήρησης, διαχείριση ποιότητας, διαχείριση σημείων συμφόρησης και πρόληψη απωλειών.
• Αποθήκευση: παραλαβή και επιθεώρηση, διαχείριση αποθεμάτων, εναλλαγή αποθεμάτων (FIFO/FEFO) και καταμέτρηση/έλεγχος κύκλων.
• Μεταφορά / εφοδιαστική: επιλογή τρόπου μεταφοράς και μεταφορέα, εκτελωνισμός/τεκμηρίωση, παρακολούθηση και ορατότητα, παρακολούθηση εκπομπών και συμμόρφωση με το εμπόριο.
• Πωλήσεις και υπηρεσίες: διαθεσιμότητα προϊόντων, πρόληψη ελλείψεων, διαχείριση πωλήσεων/επιστροφών, ανάλυση συμπεριφοράς καταναλωτών, καθώς και τομείς μετά την πώληση, όπως επισκευές, παρακολούθηση τέλους κύκλου ζωής, εργασίες συνεργείου και συμβάσεις σέρβις.

Όταν οι επιχειρήσεις αναπτύσσουν πράκτορες Τεχνητής Νοημοσύνης σε κρίσιμες λειτουργίες, πώς προτείνετε την εξισορρόπηση της αυτονομίας με την ανθρώπινη εποπτεία για να διασφαλιστεί ο έλεγχος χωρίς να επιβραδυνθούν τα πάντα;

Η ισορροπία διέπεται από την αυτονομία. Πρέπει να επιτρέπετε στους πράκτορες να κινούνται γρήγορα σε εργασίες χαμηλού κινδύνου εντός σαφών προστατευτικών κιγκλιδωμάτων και να κλιμακώνουν την προσοχή τους σε ανθρώπους όταν η ενέργεια υπερβαίνει ένα καθορισμένο όριο κινδύνου.

Πολλές αποτυχίες προέρχονται από το να δίνεται στο μοντέλο υπερβολικό εύρος και πολύ ευρύ πλαίσιο ταυτόχρονα. Συνιστώ να χωρίζετε τις λειτουργίες σε μικρότερες, περιορισμένου εύρους αποφάσεις, όπου κάθε βήμα έχει σαφή δικαιώματα και περιορισμένη ακτίνα επίδρασης. Αυτό μειώνει την απρόβλεπτη συμπεριφορά και διευκολύνει την παρακολούθηση και τη βελτίωση της απόδοσης.

Στη συνέχεια, συνδυάζετε τρία πράγματα: την παρατηρησιμότητα, τα αρχεία καταγραφής ενεργειών και την ανθρώπινη παρακολούθηση. Όλα όσα κάνει ο πράκτορας θα πρέπει να είναι ιχνηλάσιμα, ώστε να μπορείτε να επιθεωρείτε τι συνέβη και να διερευνάτε γρήγορα. Για ενέργειες με υψηλό αντίκτυπο ή κινδύνους, τοποθετείτε ένα βήμα ανθρώπινης έγκρισης στη ροή εργασίας, ώστε ο πράκτορας να μπορεί να προτείνει και να προετοιμάσει, αλλά εκτελεί μόνο όταν ένα άτομο εγκρίνει.

Αυτό κρατά τα πράγματα σε γρήγορη κίνηση. Αν μη τι άλλο, επιβραδύνει ελάχιστα μόνο στο στάδιο της ανθρώπινης εποπτείας, αλλά αυτό είναι ένα σημαντικό μέρος της διαδικασίας. Οι άνθρωποι δεν έχουν κολλήσει να επιβλέπουν κάθε κλικ, αλλά εξακολουθούν να έχουν τον έλεγχο των στιγμών που έχουν σημασία. Το αποτέλεσμα είναι ταχύτητα όπου είναι ασφαλής και εποπτεία όπου είναι απαραίτητη.

Κοιτώντας μπροστά, πώς αναμένετε να εξελιχθεί ο ρόλος των αυτόνομων πρακτόρων Τεχνητής Νοημοσύνης (ΤΝ) μέσα σε μεγάλους οργανισμούς τα επόμενα χρόνια, και τι θα διαφοροποιήσει τις εταιρείες που πετυχαίνουν με την ΤΝ από εκείνες που δυσκολεύονται;

Τα επόμενα χρόνια, οι αυτόνομοι πράκτορες Τεχνητής Νοημοσύνης θα μεταβούν από ενδιαφέροντα πειράματα σε ένα πραγματικό λειτουργικό επίπεδο μέσα σε μεγάλους οργανισμούς. Θα χρησιμοποιούνται για λειτουργίες, εξυπηρέτηση πελατών, οικονομικά και ανθρώπινο δυναμικό. Καθώς η αξιοπιστία, η διακυβέρνηση και η εποπτεία βελτιώνονται, θα δούμε τις επιχειρήσεις να μετατοπίζονται από μεμονωμένους πιλότους σε ομάδες πρακτόρων που λειτουργούν σε ροές εργασίας από άκρο σε άκρο.

Η μεγαλύτερη αλλαγή είναι ότι η ταχύτητα, η ευελιξία, η κλίμακα, η αποτελεσματικότητα και το κόστος θα γίνουν πολύ πιο άμεσοι ανταγωνιστικοί μοχλοί. Νομίζω ότι ένα «κίνημα Uber» έρχεται για τις επιχειρήσεις. Αυτές που πραγματικά θα κατακτήσουν την τεχνητή νοημοσύνη θα είναι σε θέση να λειτουργούν με θεμελιωδώς υψηλότερο ρυθμό από τις υστερούσες, να κατακτούν τις αγορές πιο γρήγορα και να ανταποκρίνονται στις αλλαγές χωρίς τη συνήθη λειτουργική αντίσταση.

Αυτό που διακρίνει τους νικητές δεν είναι απλώς η ανάπτυξη πρακτόρων, αλλά η καλή ανάπτυξή τους. Η αυτονομία που διέπεται από τη διοίκηση, η ισχυρή παρατηρησιμότητα και τα αρχεία καταγραφής ενεργειών, καθώς και οι αρχιτεκτονικές που περιορίζουν το πεδίο εφαρμογής των αποφάσεων θα είναι το κλειδί για αυτό. Οι εταιρείες που αντιμετωπίζουν την τεχνητή νοημοσύνη ως βασική λειτουργική δυνατότητα, με τους σωστούς ελέγχους, την ενσωμάτωση και την ιδιοκτησία, θα τη χρησιμοποιήσουν για να κάνουν περισσότερα, όχι λιγότερα. Αυτό θα απελευθερώσει τις ομάδες ώστε να επικεντρωθούν στην ανάπτυξη και την καινοτομία αντί να περνούν τις μέρες τους θαμμένες στη διαχείριση. Με λίγα λόγια, η ριζική ταχύτητα και η αποτελεσματικότητα γίνονται ένα πραγματικό ανταγωνιστικό πλεονέκτημα σε εταιρική κλίμακα.

Σας ευχαριστούμε για την υπέροχη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να το επισκεφτούν Κόβαντ.