Αλόν Εϊρέβ, CTO (AI) της MCE Systems – Σειρά Συνεντεύξεων

Ο Alon Eirew, CTO (AI) της MCE Systems, ηγείται της στρατηγικής AI και της ολοκληρωμένης τεχνολογικής υποδομής της εταιρείας, από την αρχιτεκτονική και την ανάπτυξη μοντέλων έως την υποδομή, την ενσωμάτωση προϊόντων και την ευρύτερη υιοθέτηση AI στις εσωτερικές λειτουργίες. Προηγουμένως εργάστηκε πάνω από εννέα χρόνια στην Intel (INTC ), εξελισσόμενος από ανώτερο μηχανικό λογισμικού και αρχιτέκτονα σε επικεφαλής ερευνητή Επεξεργασίας Φυσικής Γλώσσας. Εκεί διηύθυνε έρευνα εξαγωγής γνώσης, εξασφάλισε χρηματοδότηση πολυετών έργων, δημοσίευσε εργασίες σε μεγάλα συνέδρια NLP και καθοδήγησε νεοφυείς επιχειρήσεις μέσω του Intel Ignite. Νωρίτερα συνέβαλε στην ανάπτυξη τεχνολογίας προσωπικού βοηθού στην Telmap, η οποία αργότερα εντάχθηκε στην Intel. Έκτοτε συμβουλεύει εταιρείες AI αρχικού σταδίου και διδάσκει επιστήμη υπολογιστών, αντικειμενοστρεφή προγραμματισμό, εξόρυξη δεδομένων και ανάκτηση πληροφοριών σε ισραηλινά πανεπιστήμια.

Η MCE Systems αναπτύσσει ένα εγγενές στην AI επίπεδο εμπειρίας για παρόχους τηλεπικοινωνιών, συνδέοντας παλαιότερα συστήματα, δεδομένα πραγματικού χρόνου και ευφυείς ροές εργασίας για την υποστήριξη αλληλεπιδράσεων πελατών σε πολλά σημεία επαφής. Η εταιρεία ιδρύθηκε το 2005 και οικοδόμησε τη δραστηριότητά της γύρω από την ψηφιακή διαχείριση του κύκλου ζωής συσκευών, με τεχνολογία για διάγνωση και φροντίδα συσκευών, προγράμματα ανταλλαγής, απομακρυσμένη αξιολόγηση και επιστροφές. Η MCE εφαρμόζει ολοένα περισσότερο παραγωγική και πρακτορική AI σε αυτές τις ροές, βοηθώντας τους παρόχους να εντοπίζουν προβλήματα συσκευών, να καθοδηγούν τους πελάτες σε πιθανές λύσεις και να συντονίζουν πιο σύνθετες διαδρομές εξυπηρέτησης σε ψηφιακά και υποβοηθούμενα κανάλια.

Περάσατε σχεδόν μία δεκαετία στην Intel εργαζόμενος σε NLP, εξαγωγή γνώσης, ανάκτηση πληροφοριών και πρώιμες τεχνολογίες προσωπικών βοηθών που ξεκίνησαν στην Telmap. Κοιτάζοντας πίσω, ποιες ιδέες εκείνων των πρώιμων συστημάτων ήταν μπροστά από την εποχή τους και ποιες υποθέσεις της βιομηχανίας αποδείχθηκαν εντελώς λανθασμένες;

Μια ιδέα σαφώς μπροστά από την εποχή της ήταν ο προσωπικός βοηθός πάνω στον οποίο εργαζόμασταν πριν από την εποχή των LLM. Ήταν συστήματα που κατανοούσαν πρόθεση, συνέδεαν το πλαίσιο μεταξύ εργασιών και βοηθούσαν τους χρήστες να πετυχαίνουν στόχους φυσικά. Είχαν τις ίδιες φιλοδοξίες με τους σημερινούς πράκτορες. Η διαφορά ήταν η υποκείμενη προσέγγιση: αντί για γλωσσικά μοντέλα, βασιζόμασταν σε συνδυασμό μηχανικής μάθησης και αλγορίθμων για να συμπεράνουμε την πρόθεση. Η μέθοδος όμως αποδείχθηκε δύσκολη σε μεγάλη κλίμακα, λόγω των διαφορετικών τρόπων με τους οποίους οι χρήστες εκφράζουν το ίδιο αίτημα.

Φανταστείτε έναν εκπρόσωπο εξυπηρέτησης που χειρίζεται χιλιάδες ερωτήματα, αλλά μπορεί να απαντήσει μόνο όταν διατυπώνονται με συγκεκριμένη σύνταξη. Θα κάλυπτε μικρό εύρος περιπτώσεων και θα δυσκολευόταν με πολλά ζητήματα. Τα LLM άλλαξαν τα πάντα. Σήμερα, η κατανόηση της πρόθεσης του χρήστη έχει σε μεγάλο βαθμό λυθεί. Στην αναλογία μας, ο εκπρόσωπος είναι πλέον ευέλικτος και μπορεί να μιλήσει με εκατομμύρια πελάτες.

Δεν θα έλεγα ότι ο κλάδος έκανε κάτι εντελώς λάθος, αλλά πιστεύω ότι πολλοί υποτίμησαν πόσο κεντρικά θα γίνονταν τα γλωσσικά μοντέλα. Το μεγάλο άλμα ήρθε με τα πρώτα μοντέλα όπως ELMo, BERT και RoBERTa. Τότε λίγοι κατανοούσαν πραγματικά το μέγεθος του μετασχηματισμού που ερχόταν. Αυτά ήταν τα θεμέλια των σύγχρονων LLM που χρησιμοποιούμε καθημερινά και δύσκολα φανταζόμαστε ότι θα μπορούσαμε να στερηθούμε. 

Οι περισσότερες εταιρείες είδαν αυτά τα αρχικά μοντέλα ως χρήσιμα στοιχεία περιορισμένων εφαρμογών και όχι ως βάση ενός εντελώς νέου υπολογιστικού παραδείγματος. Εκ των υστέρων, πολλές έχασαν την ευκαιρία να τοποθετηθούν ως μεγάλοι παίκτες της AI.

Στην ερευνητική σας σταδιοδρομία εστιάσατε στην εξαγωγή γνώσης από πολλά έγγραφα και στην κατανόηση γεγονότων. Καθώς οι επιχειρήσεις βασίζονται όλο και περισσότερο σε μεγάλα γλωσσικά μοντέλα, γιατί η δομημένη εξαγωγή γνώσης παραμένει τόσο κρίσιμη πρόκληση;

Τα LLM είναι ισχυρά εργαλεία για πολλά θέματα, αλλά οι εταιρικές εφαρμογές και οι τελικοί χρήστες χρειάζονται εξειδίκευση για να λύσουν συγκεκριμένα προβλήματα, άρα πρόσβαση σε γνώση. Αυτή η ιδιόκτητη γνώση πλαισίου συνήθως δεν περιλαμβάνεται στα δεδομένα εκπαίδευσης ενός μοντέλου. Η ανάπτυξη LLM σε μια επιχείρηση απαιτεί λοιπόν συγκέντρωση κατανόησης από ενδεχομένως εκατομμύρια εσωτερικά σημεία δεδομένων. Τα σημερινά LLM δυσκολεύονται σε μεγάλο βαθμό, χάνοντας ουσιαστικό πλαίσιο λόγω τεχνικών περιορισμών και περιορισμών πρόσβασης, και αυτό το κενό περιορίζει την επίδρασή τους.

Στην MCE, για παράδειγμα, παρέχουμε λύση πράκτορα AI για εξυπηρέτηση πελατών. Ένας στόχος είναι να επιτρέψει στους τηλεπικοινωνιακούς παρόχους να βοηθούν τους πελάτες να λύνουν τεχνικά προβλήματα κινητών συσκευών χωρίς ανθρώπινη παρέμβαση. Χωρίς πληροφορίες τεχνικού πλαισίου για τη συσκευή, ο πράκτορας θα δίνει γενικές απαντήσεις που δεν λύνουν το πρόβλημα ή είναι άσχετες, αναγκάζοντας τον πελάτη να ζητήσει ανθρώπινη βοήθεια. Αυτό είναι το πρόβλημα εξαγωγής γνώσης που έπρεπε να ξεπεράσουμε για να αναπτύξουμε AI στους πελάτες μας και εκεί συχνά αποτυγχάνουν οι οργανισμοί να πάρουν τα αποτελέσματα που θέλουν.

Η δική μου έρευνα εμβάθυνε στην εξαγωγή γνώσης και την ανάκτηση πληροφοριών από μεγάλες συλλογές εγγράφων, εξετάζοντας τη σχέση μεταξύ «γεγονότων», όρου που στην AI ορίζει την υποκείμενη αιτιότητα και το χρονικό πλαίσιο κάθε αναπαράστασης πληροφορίας. Το εφαρμόζουμε στις λύσεις AI της MCE για ανθρώπινη αλληλεπίδραση, δημιουργώντας δομική κατανόηση που βοηθά τα LLM να συνοψίζουν, να αναπαριστούν και να αναζητούν καλύτερα γνώση για την επίλυση προβλημάτων πελατών. 

Έχετε δημοσιεύσει έρευνα σε κορυφαία συνέδρια NLP, όπως ACL, EMNLP και NAACL. Ποιες ανακαλύψεις της τελευταίας πενταετίας είχαν τη μεγαλύτερη πραγματική επίδραση και ποιες πολυδιαφημισμένες εξελίξεις θεωρείτε υπερτιμημένες;

Ξεχωρίζω μερικές ανακαλύψεις που εμφανίστηκαν διαδοχικά καθώς αναπτύσσονταν τα LLM.

Η πρώτη αφορούσε τη ρύθμιση βάσει οδηγιών και τη μηχανική προτροπών. Αυτό έπρεπε να λυθεί πριν από την ευρύτερη υιοθέτηση. Όλοι έχουμε ζητήσει κάτι συγκεκριμένο από ένα LLM και το έχουμε δει να κάνει κύκλους, να πλησιάζει αλλά να μη δίνει την απάντηση που χρειαζόμαστε. Η κατανόηση της προτροπής και η παροχή ακριβών αποτελεσμάτων ήταν λοιπόν το πρώτο μεγάλο βήμα.   

Κατ’ επέκταση, η επόμενη ανακάλυψη αφορούσε τους πράκτορες, που χρειάζονταν τα LLM να υπερβούν τις μεμονωμένες εργασίες με προτροπή και να κάνουν πολλά πράγματα: να δημιουργούν σχέδια, να αλληλεπιδρούν με τον τελικό χρήστη, να χρησιμοποιούν εργαλεία και μνήμη και να προσπελαύνουν γνώση. Αυτό ήταν θεμελιώδες για το σημείο όπου βρισκόμαστε σήμερα.

Η επόμενη ανακάλυψη, που έχει λυθεί μόνο εν μέρει και συνεχίζεται, είναι η πλήρης αντιμετώπιση των ψευδαισθήσεων. Έχει σημειωθεί αρκετή πρόοδος ώστε να βασιζόμαστε στα LLM πολύ περισσότερο από πριν, αλλά παραμένει δουλειά και γι’ αυτό η ανθρώπινη επίβλεψη και οι δικλίδες ασφαλείας εξακολουθούν να είναι απαραίτητες.

Αυτό που υπερτιμάται είναι ο βαθμός αυτονομίας που ορισμένοι ισχυρίζονται ότι πρέπει να έχουν οι πράκτορες. Κατά τη γνώμη μου, πλήρως αυτόνομα συστήματα που λειτουργούν σε σύνθετα επιχειρηματικά περιβάλλοντα χωρίς ανθρώπινη επίβλεψη δεν είναι ακόμη αρκετά αξιόπιστα. Θεωρώ παραγωγικότερο να σχεδιάζουμε AI που εκτελεί εργασίες υψηλής αξίας, κλιμακώνει την αβεβαιότητα και εξηγεί τη συλλογιστική της, χωρίς να παραδίδουμε τον ανθρώπινο έλεγχο της συνολικής ροής. Εκεί θα δημιουργήσει η πρακτορική AI τη μεγαλύτερη πραγματική αξία βραχυπρόθεσμα.

Έχετε εργαστεί ως ερευνητής, αρχιτέκτονας λογισμικού, επικεφαλής μηχανικής, σύμβουλος νεοφυών επιχειρήσεων, λέκτορας και τώρα Chief AI Officer. Πώς άλλαξε ο ορισμός σας για την επιτυχημένη AI σε αυτά τα στάδια;

Στη σταδιοδρομία μου έμαθα ότι ο ορισμός της επιτυχημένης AI εξελίσσεται και οι βασικές αξίες διαφέρουν ανά κλάδο. Η εφαρμοσμένη έρευνα και η αρχιτεκτονική με δίδαξαν ότι η AI πρέπει να λειτουργεί υπό πραγματικούς περιορισμούς. Η ακαδημαϊκή έρευνα μου έδειξε τη σημασία της αυστηρότητας και της αξιολόγησης. Η ηγεσία μηχανικής απέδειξε ότι η εκτέλεση και η λειτουργική πειθαρχία μετρούν όσο και το μοντέλο. Η συμβουλευτική σε startups με δίδαξε ότι η AI έχει τη μεγαλύτερη επίδραση όταν λύνει πραγματικό πρόβλημα και διαθέτει σαφή διαδρομή υιοθέτησης.

Σήμερα, ως επικεφαλής AI στην MCE, ορίζω την επιτυχία ως AI που δημιουργεί μετρήσιμη αξία κερδίζοντας την εμπιστοσύνη του τελικού χρήστη. Πρέπει να βελτιώνει τα αποτελέσματα για πελάτες, εργαζομένους και επιχείρηση, να είναι αρκετά αξιόπιστη για παραγωγή, αρκετά διαφανής για διακυβέρνηση και αρκετά χρήσιμη ώστε οι άνθρωποι να την υιοθετούν. Έτσι, ο ορισμός μου εξελίχθηκε από το «λειτουργεί η τεχνολογία;» στο «δημιουργεί αξία υπεύθυνα, επαναλαμβανόμενα και σε κλίμακα;».

Αυτή είναι και η μετάβαση που κάναμε στην MCE, ξεκινώντας πριν από δύο χρόνια και φτάνοντας στο σήμερα. Με αυτή τη δεύτερη αξία αντιμετωπίζουμε πλέον την AI, τόσο για εσωτερικές χρήσεις όσο και για τους τηλεπικοινωνιακούς πελάτες μας.

Η MCE Systems εφαρμόζει AI στην εμπειρία πελατών, την εξυπηρέτηση και το μάρκετινγκ τηλεπικοινωνιών. Ποιες είναι οι πιο συναρπαστικές χρήσεις που αναδύονται σήμερα στον κλάδο;

Οι πάροχοι υπηρεσιών επικοινωνίας, ή «τηλεπικοινωνιακοί πάροχοι», βρίσκονται σε δύσκολη θέση και αντιμετωπίζουν εμπορευματοποίηση. Η τιμή είναι ο βασικός μοχλός προσέλκυσης ή διατήρησης πελατών, αλλά δεν είναι βιώσιμος. Άλλοι κολοσσοί καταναλωτικών προϊόντων ή υπηρεσιών, όπως Apple (AAPL ), Amazon (AMZN ) ή Netflix (NFLX ), δημιούργησαν εξαιρετικό προϊόν και εμπειρία γύρω του. Αυτό φάνηκε καθαρά στα χρηματοοικονομικά, όπου νέοι ευέλικτοι παίκτες ανάγκασαν τις τράπεζες να περάσουν από τη φύλαξη αποταμιεύσεων και τα επενδυτικά προϊόντα στην παροχή πλήρους ψηφιακής εμπειρίας. Το ίδιο ισχύει για τις τηλεπικοινωνίες.

Το όραμά μας είναι να βοηθήσουμε τους παρόχους να δώσουν πρόσθετη αξία στους πελάτες με καλύτερη εμπειρία πάνω από το εξαιρετικό προϊόν συνδεσιμότητας που ήδη παρέχουν. Αυτό σημαίνει πιο προληπτική και επικοινωνιακή προσέγγιση για τη συνολική εμπειρία δικτύου και συσκευής. Η AI είναι αυτό που επιτέλους τους επιτρέπει να το κάνουν καλά.

Στον κλάδο, όμως, η AI έχει γίνει κυρίως αμυντικό εργαλείο για μείωση του κόστους εργασίας στα τηλεφωνικά κέντρα ή αύξηση παραγωγικότητας. Για εμάς είναι επίσης επιθετικό εργαλείο, ώστε η εξυπηρέτηση να γίνεται προληπτική και η υπηρεσία και οι προσφορές να εξατομικεύονται, όλα στην κινητή συσκευή του πελάτη. 

Για παράδειγμα, να εντοπίζεις πρόβλημα συσκευής, συνδεσιμότητας ή υποβάθμιση μπαταρίας πριν το αντιληφθεί ο πελάτης και να τον βοηθάς να το διορθώσει. Τέτοιες εμπειρίες δημιουργούν πραγματική αφοσίωση. Η επαρκής γνώση της κατάστασης ενός πελάτη για την προσφορά του σωστού πακέτου ευρυζωνικότητας, πρόσθετων δεδομένων ή προϊόντος τρόπου ζωής τη σωστή στιγμή αυξάνει τις μετατροπές. Και ίσως η ισχυρότερη χρήση είναι η συγκέντρωση σημάτων από δικτυακά στοιχεία, CRM και δεδομένα συσκευών για ακριβή πρόβλεψη αποχώρησης και έγκαιρη δράση. Οι πάροχοι που θα το πετύχουν θα αποκτήσουν ουσιαστικό πλεονέκτημα.

Υπάρχει μεγάλη δημοσιότητα γύρω από το να γίνει μια εταιρεία «AI-native» ή «AI ready». Πώς προσεγγίζει η MCE αυτό το παράδειγμα και ποια σημαντικά σημεία θεωρείτε ότι παραβλέπουν οι οργανισμοί;

Αυτό που πολλοί παραβλέπουν είναι ότι ο μετασχηματισμός AI δεν αποτελεί μόνο ανάπτυξη τεχνολογίας, αλλά και αλλαγή τρόπου λειτουργίας. Οι καλύτερες ευκαιρίες είναι εκεί όπου η υιοθέτηση μοιάζει φυσική: η ροή υπάρχει ήδη, ο πόνος είναι μετρήσιμος και η AI μπορεί σαφώς να βελτιώσει ταχύτητα, ποιότητα ή λήψη αποφάσεων. Η MCE προσεγγίζει το παράδειγμα με μερικές ιδέες.

Ξεκινήσαμε αξιολογώντας την ωριμότητα εργαλείων AI και υιοθετώντας τα με τρόπους που πολλαπλασιάζουν την παραγωγικότητα. Ρωτήσαμε πώς μπορούμε να εκπαιδεύσουμε τις ομάδες, να ορίσουμε σαφείς οδηγίες χρήσης και να συνδέσουμε εσωτερικά συστήματα με AI εκεί όπου πραγματικά κάνει διαφορά καθημερινά. 

Αφού αξιολογήσαμε τη βάση εργαλείων, εξετάσαμε την αυτοματοποίηση ροών και εντοπίσαμε πού οι πράκτορες μπορούσαν να μειώσουν τη χειρωνακτική εργασία. Διαπιστώσαμε ότι μπορούσαμε να μειώσουμε δραστικά τον χρόνο ανάπτυξης. Σε ένα παράδειγμα, μια ιδιαίτερα λειτουργική πρωτότυπη εφαρμογή δημιουργήθηκε σε δύο ημέρες αντί για δύο ή τρεις εβδομάδες.

Η εκδημοκρατικοποίηση των δεδομένων συχνά υποτιμάται για την εσωτερική παραγωγικότητα. Εργαστήκαμε και συνεχίζουμε να εργαζόμαστε για καλύτερη αξιοποίηση των εσωτερικών δεδομένων, ώστε άνθρωποι και συστήματα AI να λαμβάνουν καλύτερες αποφάσεις. Αυτό περιλαμβάνει κατανόηση αναγκών πελατών, βελτίωση λειτουργιών και δημιουργία προϊόντων που μαθαίνουν από την εμπειρία. Παραμένει σε εξέλιξη, επειδή είναι επαναληπτική και αναλυτική διαδικασία αξιολόγησης όσων λειτουργούν ή όχι.

Πολλοί οργανισμοί σπεύδουν να αναπτύξουν πράκτορες AI. Ποια πρακτικά διδάγματα αποκομίσατε για το πού η αυτόνομη AI δημιουργεί πραγματικά αξία και πού παραμένει απαραίτητη η ανθρώπινη επίβλεψη;

Είναι εύκολο να παρασυρθεί κανείς από τη δημοσιότητα της αυτοματοποίησης. Πιστεύω όμως σε μεθοδική προσέγγιση. Θα συμβούλευα να μην ξεκινάτε ποτέ με έναν επιθυμητό βαθμό αυτοματοποίησης. Ξεκινήστε εντοπίζοντας ροές όπου οι πράκτορες δημιουργούν αξία, χωρίστε τις σε μικρότερα τμήματα και ρωτήστε ποια αυτοματοποιούνται πλήρως, ποια εν μέρει και πού χρειάζεται ανθρώπινη κρίση.

Στην πράξη, οι πράκτορες δημιουργούν τη μεγαλύτερη αξία σε σαφώς ορισμένες εργασίες, από συγκέντρωση πληροφοριών και ανάλυση εισόδων έως παραγωγή συστάσεων και προετοιμασία αποτελεσμάτων για το επόμενο βήμα. Η προσεκτικά ρυθμισμένη αυτοματοποίηση απλών εργασιών λειτουργεί πολύ καλύτερα από την προσπάθεια αυτοματοποίησης μιας ολόκληρης σύνθετης διαδικασίας.

Οι άνθρωποι παραμένουν απαραίτητοι στην επίβλεψη, τον χειρισμό εξαιρέσεων, τις αποφάσεις που επηρεάζουν πελάτες και γενικά όπου υπάρχει λογοδοσία. Στόχος δεν είναι ποτέ η αντικατάσταση της ανθρώπινης απόφασης, αλλά η ανάθεση στους πράκτορες όσων μπορούν να κάνουν αξιόπιστα, αφήνοντας στους ανθρώπους τις αποφάσεις που απαιτούν ευθύνη.

Η MCE έχει μιλήσει για χρήση AI ώστε οι εμπειρίες συσκευών να γίνουν πιο εξατομικευμένες και οι φορείς κινητής πιο αποδοτικοί. Πώς εξισορροπείτε την εξατομίκευση με τις ανησυχίες για ιδιωτικότητα, διαφάνεια και εμπιστοσύνη;

Επειδή η AI μοιάζει τόσο ανθρώπινη, οι χρήστες αλληλεπιδρούν φυσικά με τρόπους που αποκαλύπτουν περισσότερα από όσα μερικές φορές θα έπρεπε. Αυτό επιβάλλει στους οργανισμούς πραγματική ευθύνη για επαγρύπνηση και διαφάνεια ως προς τα δεδομένα που συλλέγονται. Ένα απλό παράδειγμα: όταν πελάτης υποβάλλει στιγμιότυπο οθόνης για αντιμετώπιση προβλήματος, η εικόνα μπορεί ακούσια να περιλαμβάνει προσωπικές πληροφορίες. Είναι επιτακτικό να εφαρμόζονται δικλίδες για περικοπή του περιττού ορατού περιεχομένου, διατηρώντας την εστίαση ακριβώς στο αντικείμενο και μειώνοντας την άσκοπη έκθεση δεδομένων.

Κατά τη γνώμη μου, κάθε δεδομένο που συλλέγουμε πρέπει σαφώς να εξυπηρετεί τα συμφέροντα και τις ανάγκες του πελάτη. Πρέπει να συλλέγεται μόνο όταν υποστηρίζει συγκεκριμένο σκοπό, όπως επίλυση ερωτήματος ή κατάλληλο βαθμό εξατομίκευσης. Παράλληλα πρέπει να διαχειρίζεται με προστασία ιδιωτικότητας, αποφεύγοντας άσκοπη σύνδεση με την πραγματική ταυτότητα του πελάτη.

Με άλλα λόγια, κατανοήστε τις συγκεκριμένες ανάγκες του προφίλ πελάτη σε σχέση με την επιχείρησή σας. Στη δική μας περίπτωση, ως οργανισμού που συμμορφώνεται με τις απαιτήσεις ιδιωτικότητας, πρόκειται για γνώση της κατάστασης της κινητής συσκευής και της συμπεριφοράς χρήσης που αφορά συγκεκριμένα τον πάροχο, όχι για την ταυτότητα ή άλλες συμπεριφορές του πελάτη.

Σημασία έχει και η ίδια η αλληλεπίδραση με τον πελάτη. Οι δικλίδες είναι κρίσιμες ώστε να διατηρούνται ο σκοπός και η φωνή της μάρκας και να αποφεύγεται η απόκλιση πέρα από όσα μπορεί να κυβερνήσει ο οργανισμός. Στην πράξη βοηθούν να αποφεύγονται νομικές ή κανονιστικές παραβάσεις και αρνητικές εμπειρίες πελατών. Μερικές φορές είναι επίπονες διαδικασίες, αλλά είναι απαραίτητες.

Έχετε διδάξει από θεμελιώδη επιστήμη υπολογιστών έως ανάκτηση πληροφοριών και εξόρυξη δεδομένων. Αν σχεδιάζατε πρόγραμμα σπουδών AI για φοιτητές που εισέρχονται σήμερα στην αγορά εργασίας, ποια θέματα θα δίνατε προτεραιότητα και ποιες παρωχημένες έννοιες θα αφαιρούσατε;

Το πρόγραμμα πρέπει να αλλάξει με δύο τρόπους. Θέματα που κάποτε περιορίζονταν σε μεταπτυχιακά, όπως νευρωνικά δίκτυα, transformers, μεγάλα γλωσσικά μοντέλα, παραγωγή επαυξημένη με ανάκτηση, αξιολόγηση, ευθυγράμμιση και υπεύθυνη AI, πρέπει να γίνουν βασικά προπτυχιακά μαθήματα. Οι νέοι εργαζόμενοι πρέπει να κατανοούν πώς λειτουργούν τα συστήματα και πώς τα αξιολογούν κριτικά.

Οι φοιτητές πρέπει επίσης να μάθουν να χρησιμοποιούν υπεύθυνα την AI ως εργαλείο μάθησης και έρευνας. Αυτό σημαίνει να αμφισβητούν τα αποτελέσματα, να επαληθεύουν πηγές, να κατανοούν περιορισμούς και να αντιμετωπίζουν την AI ως συνεργάτη σκέψης, όχι ως συντόμευση για τις εργασίες τους.

Δεν θα αφαιρούσα τα μαθηματικά και τις αλγοριθμικές βάσεις. Θα έλεγα ότι είναι σημαντικότερα από ποτέ. Θα περιόριζα εργασίες που επιβραβεύουν τη μηχανική υλοποίηση χωρίς κριτική σκέψη. Η εστίαση πρέπει να μετακινηθεί στη διατύπωση προβλημάτων, την αξιολόγηση, τον σχεδιασμό συστημάτων και την υπεύθυνη χρήση.

Έχοντας συμβουλεύσει πολλές startups για στρατηγική AI, ποια είναι τα συχνότερα λάθη ιδρυτών και τι διακρίνει τις εταιρείες που περνούν επιτυχώς από το πρωτότυπο στην παραγωγή;

Το συχνότερο λάθος είναι να ερωτεύονται την τεχνολογία πριν κατανοήσουν πραγματικά το πρόβλημα, τον πελάτη ή τη διαδρομή υιοθέτησης. Δεύτερο είναι να μην γνωρίζουν αρκετά καλά τους περιορισμούς της AI και να την πιέζουν σε χρήσεις για τις οποίες δεν είναι ακόμη ώριμη.

Αυτό που διακρίνει τους ιδρυτές που φτάνουν σε επιτυχημένη παραγωγή είναι η βαθιά γνώση του κλάδου και η ερευνητική στάση. Τα καλύτερα προϊόντα AI προέρχονται από ιδρυτές που κατανοούν έναν συγκεκριμένο τομέα αρκετά ώστε να εντοπίσουν πραγματικό τεχνολογικό κενό. Δεν ξεκινούν από το «τι μπορούμε να κάνουμε με AI;», αλλά από το «να ένα συγκεκριμένο πρόβλημα, να γιατί οι υπάρχουσες λύσεις υστερούν και να γιατί η AI μπορεί τώρα να το λύσει βιώσιμα».

Επιπλέον, οι επιτυχημένοι ιδρυτές μαθαίνουν συνεχώς από πελάτες, ανταγωνιστές, συμβούλους και αποτυχημένες προσπάθειες. Μελετούν πώς λαμβάνονται αποφάσεις, πώς κινούνται οι προϋπολογισμοί και τι δημιουργεί εμπιστοσύνη στο κοινό τους. Τελικά δεν κατασκευάζουν απλώς προϊόν, αλλά κάτι που πρέπει να επιβιώσει σε πραγματικό περιβάλλον και όχι να υπάρχει για χάρη του.

Κοιτάζοντας πέντε χρόνια μπροστά, πιστεύετε ότι η μεγαλύτερη επίδραση θα προέλθει από ισχυρότερα βασικά μοντέλα, πρακτορικά συστήματα, πολυτροπική AI, νοημοσύνη στη συσκευή ή κάποια διαφορετική τάση που σήμερα υποτιμάται;

Η μεγαλύτερη επίδραση δεν θα προέλθει μόνο από βελτιώσεις στα βασικά μοντέλα, αλλά από τον τρόπο ενσωμάτωσής τους σε συστήματα που μπορούν να παρατηρούν και να ενεργούν μέσα σε πραγματικές ροές, ενώ παράλληλα βελτιώνονται. Σε αυτή τη μετάβαση από ισχυρό μοντέλο σε ικανό σύστημα περιμένω τη σημαντικότερη βραχυπρόθεσμη πρόοδο.

Αυτό θα ενισχυθεί ιδιαίτερα όταν τα συστήματα γίνουν πλήρως πολυτροπικά και συλλογίζονται πάνω σε κείμενο, φωνή, εικόνες, βίντεο και άλλα πραγματικά σήματα πλαισίου, προσεγγίζοντας τον τρόπο με τον οποίο οι άνθρωποι κατανοούν τον κόσμο. Θα ανοίξει νέες δυνατότητες στην υποστήριξη πελατών, την υγεία, τη μεταποίηση και αλλού.

Μια ακόμη αναδυόμενη τεχνολογία που θεωρώ ανατρεπτική είναι οι πράκτορες που αλληλεπιδρούν με τον φυσικό κόσμο. Εταιρείες όπως η Boston Dynamics δείχνουν ήδη τι είναι εφικτό όταν συγκλίνουν αντίληψη, συλλογιστική, σχεδιασμός και φυσική δράση. Είτε σε ανθρωποειδή μορφή είτε ως εξειδικευμένα ρομποτικά συστήματα, οι ενσώματοι πράκτορες μπορεί να αποτελέσουν μία από τις πιο απτές και επαναστατικές εκφράσεις AI της επόμενης πενταετίας. Για την MCE αυτό δημιουργεί ευκαιρίες σε logistics και λειτουργικές ροές, όπου πολλές επαναλαμβανόμενες, χαμηλής πολυπλοκότητας εργασίες απαιτούν ακόμη ανθρώπινη φυσική παρέμβαση: παραλαβή συσκευής, πάτημα κουμπιών, σύνδεση καλωδίων ή μετακίνηση συσκευών μεταξύ σταθμών. Είναι ιδανικοί υποψήφιοι για αυτοματοποίηση μέσω ρομποτικής και AI, ώστε τα συστήματα να γίνουν αποδοτικότερα, συνεπέστερα και να χειρίζονται πολύ μεγαλύτερο όγκο.

Στις τηλεπικοινωνίες, η δυνατότητα πρόβλεψης της αποχώρησης πελατών και δράσης με μοντέλα AI θα είναι εκεί όπου θα βρίσκεται η οικονομική αξία τα επόμενα χρόνια. Αν δημιουργήσεις αξιόπιστο μοντέλο που ενσωματώνει δεδομένα από όλα τα σημεία επαφής, αξιολογεί με ακρίβεια την πιθανότητα αποχώρησης και ενεργεί ανάλογα, θα έχεις λύσει ένα χρόνιο πρόβλημα των παρόχων.

Σας ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες που θέλουν να μάθουν περισσότερα μπορούν να επισκεφθούν τη MCE Systems.