Δημήτρης Μασίν, Διευθύνων Σύμβουλος & Συνιδρυτής tại Gradient Labs – Σειρά Συνεντεύξεων

Δημήτρης Μασίν είναι ο Διευθύνων Σύμβουλος και Συνιδρυτής της Gradient Labs, μια εταιρεία τεχνητής νοημοσύνης που κατασκευάζει αυτόνομους πράκτορες υποστήριξης πελατών ειδικά σχεδιασμένους για ρυθμιστικές βιομηχανίες, όπως οι χρηματοοικονομικές υπηρεσίες. Πριν από την ίδρυση της Gradient Labs το 2023, ο Μασίν κατέχει υψηλές ηγετικές θέσεις στην Monzo Bank, συμπεριλαμβανομένης της Αντιπροέδρου της Επιστήμης Δεδομένων, της Οικονομικής Εγκληματικότητας και της Απάτης, και προηγουμένως εργάστηκε στη Google. Υπό την ηγεσία του, η Gradient Labs έχει κερδίσει γρήγορα έδαφος, φθάνοντας τα 1 εκατομμύρια λίρες σε ετήσιες επαναλαμβανόμενες έσοδα μέσα σε πέντε μήνες από την εκκίνηση. Ο Μασίν επικεντρώνεται στην ανάπτυξη συστημάτων τεχνητής νοημοσύνης που συνδυάζουν υψηλή απόδοση με αυστηρή συμμόρφωση με τους κανονισμούς, ermögνωντας ασφαλή και κλιμακωτή αυτοματοποίηση για σύνθετες επιχειρησιακές λειτουργίες.

Τι σας ενέπνευσε να ξεκινήσετε την Gradient Labs μετά από μια τόσο επιτυχημένη πορεία στην Monzo;

Στην Monzo, hatten pasado χρόνια εργαζόμαστε πάνω στην αυτοματοποίηση της υποστήριξης πελατών, συνήθως στόχευοντας σε μετρίες κέρδη αποδοτικότητας 10%. Αλλά στις αρχές του 2023, μαρτυρήσαμε μια σεισμική τεχνολογική μετατόπιση με την κυκλοφορία του GPT-4. Ξαφνικά, έγινε δυνατό να αυτοματοποιήσουμε το 70-80% του χειροκίνητου, επαναλαμβανόμενου έργου完全 αυτόνομα μέσω της τεχνητής νοημοσύνης.

Αυτή η τεχνολογική επανάσταση που ζούμε σήμερα μας ενέπνευσε να ξεκινήσουμε την Gradient Labs. Κατά τη διάρκεια της καριέρας μου, έχω δει δύο τέτοιες επαναστατικές κυμάνσεις: την κινητή επανάσταση (η οποία συνέβη στις αρχές της καριέρας μου) και τώρα την τεχνητή νοημοσύνη. Όταν αναγνωρίζετε ότι βρίσκεστε στη μέση μιας τέτοιας μεταμόρφωσης που θα αλλάξει完全ώς τον τρόπο που λειτουργεί ο κόσμος, πρέπει να схватίσετε την ευκαιρία. Η ομάδα μας γνώριζε – αυτή είναι η στιγμή.

Στην Monzo, βοήθησες να οδηγήσετε την εταιρεία μέσω μιας μαζικής υπερβολικής αύξησης. Ποια ήταν τα μεγαλύτερα μαθήματα από αυτή την εμπειρία που εφαρμόζετε τώρα στην Gradient Labs;

Πρώτον, ισορροπία αυτονομίας με κατεύθυνση. Στην Monzo, αρχικά υποθέσαμε ότι οι άνθρωποι απλώς ευδοκιμούν στην αυτονομία – ότι είναι αυτό που τους мотιβάρει περισσότερο. Ωστόσο, αυτή η άποψη τώρα φαίνεται υπερβολικά απλοϊκή. Πιστεύω ότι οι άνθρωποι επίσης αξιολογούν την καθοδήγηση. Αληθινή αυτονομία δεν σημαίνει να λέτε στους ανθρώπους “κάνετε ότι-ever σας decide να κάνετε”, αλλά να τους παρέχετε σαφή κατεύθυνση ενώ τους δίνετε την ελευθερία να λύνουν καλά ορισμένα προβλήματα με τον δικό τους τρόπο.

Δεύτερον, τοπικό ταλέντο απαιτεί τοπική αμοιβή. Αν στόχευε να προσλάβετε το 5% των καλύτερων στην λειτουργία σας, πρέπει να πληρώσετε ανάλογα. Αλλιώς, μεγάλες τεχνολογικές εταιρείες θα τους προσλάβουν μακριά μια φορά που θα γίνει γνωστό ότι έχετε τοπικό ταλέντο που πληρώνεται λιγότερο.

Τρίτον, μην ξαναδημιουργήσετε το τροχό. Στην Monzo, προσπαθήσαμε να δημιουργήσουμε καινοτόμες προσεγγίσεις για δομές εργασίας, συστήματα αμοιβής και καριέρες. Το κλειδί takeaway: μην σπαταλήσετε ενέργεια καινοτομώντας στις οργανωτικές θεμελιώσεις – χιλιάδες εταιρείες έχουν ήδη καθιερώσει τις καλύτερες πρακτικές. ακόμα βλέπω ανάρτησεις στο LinkedIn για “απαλλαγή από όλα τα τίτλους και την ιεραρχία” – έχω δει αυτό να αναπτύσσεται επανειλημμένα και σχεδόν όλες οι εταιρείες τελικά επιστρέφουν στις παραδοσιακές δομές.

Η Gradient Labs εστιάζει σε ρυθμιστικές βιομηχανίες, οι οποίες παραδοσιακά έχουν σύνθετες ανάγκες. Πώς προσεγγίσατε την κατασκευή ενός πράκτορα AI (όπως ο Otto) που μπορεί να λειτουργήσει αποτελεσματικά σε αυτό το περιβάλλον;

Παίρναμε μια μη συμβατική προσέγγιση, απορρίπτοντας τη συνήθη συμβουλή να κυκλοφορήσετε γρήγορα και να επαναλάβετε σε ένα ζωντανό προϊόν. Αντίθετα, ξοδεύσαμε 14 μήνες πριν από την κυκλοφορία του Otto, διατηρώντας ένα πολύ υψηλό ποιοτικό πρότυπο από την αρχή. Χρειαζόμασταν να δημιουργήσουμε κάτι που οι τράπεζες και οι χρηματοοικονομικές ιδρύματα θα εμπιστεύονταν να χειριστούν完全ώς την υποστήριξή τους.

Δεν κατασκευάζαμε συν-πιλότους – κατασκευάζαμε αυτοματοποίηση από άκρου σε άκρο της υποστήριξης πελατών. Με το υπόβαθρό μας στις χρηματοοικονομικές υπηρεσίες, είχαμε ένα ακριβές εσωτερικό πρότυπο για “τι είναι καλό”, που μας επέτρεψε να αξιολογήσουμε την ποιότητα χωρίς να βασίζουμε την ανάδραση του πελάτη. Αυτό μας έδωσε την ελευθερία να εμμονήσουμε στην ποιότητα ενώ επαναλάμβαναμε γρήγορα. Χωρίς ζωντανούς πελάτες, μπορούσαμε να κάνουμε μεγαλύτερα βήματα, να σπάσουμε πράγματα ελεύθερα και να πηδήξουμε γρήγορα – τελικά να παραδώσουμε ένα προϊόν υψηλότερης ποιότητας στην κυκλοφορία.

Ο Otto ξεπερνά την απάντηση σε απλές ερωτήσεις και χειρίζεται σύνθετες ροές εργασιών. Μπορείτε να μας οδηγήσετε πώς ο Otto διαχειρίζεται εργασίες πολλαπλών βημάτων ή υψηλού κινδύνου που τυπικοί πράκτορες AI μπορεί να αποτύχουν;

Κατασκευάσαμε τον Otto γύρω από την έννοια των SOP (Τυποποιημένες Διαδικασίες Λειτουργίας) – ουσιαστικά οδηγίες γραμμένες σε απλή αγγλική που περιγράφουν πώς να χειριστούν συγκεκριμένα ζητήματα, παρόμοια με αυτά που θα δώσετε σε έναν ανθρώπινο πράκτορα.

Δύο κλειδιά αρχιτεκτονικής αποφάσεις κάνουν τον Otto ιδιαίτερα αποτελεσματικό στη διαχείριση σύνθετων ροών εργασιών:

Πρώτον, περιορίζουμε την έκθεση εργαλείων. Ένας συνηθισμένος τρόπος αποτυχίας για πράκτορες AI είναι η λανθασμένη επιλογή από πολλές επιλογές. Για κάθε διαδικασία, εκθέτουμε μόνο một μικρό υποσύνολο σχετικών εργαλείων στον Otto. Για παράδειγμα, σε μια ροή αντικατάστασης καρτών, ο Otto μπορεί να δει μόνο 1-2 εργαλεία αντί για όλα τα 30 που έχουν καταχωρηθεί στο σύστημα. Αυτό βελτιώνει δραματικά την ακρίβεια μειώνοντας τον χώρο απόφασης.

Δεύτερον, ξαναχτίσαμε μεγάλο μέρος της τυπικής υποδομής βοηθού AI για να ενεργοποιήσουμε εκτεταμένη αλυσίδα σκέψης. Αντί να ρίχνουμε απλώς διαδικασίες σε έναν βοηθό OpenAI ή Anthropic, η αρχιτεκτονική μας επιτρέπει πολλαπλά βήματα επεξεργασίας μεταξύ εισόδων και εξόδων. Αυτό επιτρέπει βαθύτερη σκέψη και πιο αξιόπιστα αποτελέσματα.

Η Gradient Labs αναφέρει την επίτευξη “υπεράνθρωπης ποιότητας” στην υποστήριξη πελατών. Τι σημαίνει “υπεράνθρωπη ποιότητα” για σας, και πώς τη μετράτε εσωτερικά;

Υπεράνθρωπη ποιότητα σημαίνει παροχή υποστήριξης πελατών που είναι μετρητικά καλύτερη από αυτή που possono να επιτύχουν οι άνθρωποι. Τα ακόλουθα τρία παραδείγματα εικονογραφούν αυτό:

Πρώτον,綜合 γνώση. Οι πράκτορες AI μπορούν να επεξεργαστούν τεράστιες ποσότητες πληροφοριών και να έχουν λεπτομερή γνώση μιας εταιρείας. Σε αντίθεση, οι άνθρωποι τυπικά μαθαίνουν μόνο ένα μικρό υποσύνολο πληροφοριών, και όταν δεν ξέρουν κάτι, πρέπει να συμβουλεύονται βάσεις γνώσεων ή να αναβαθμίζουν σε συναδέλφους. Αυτό οδηγεί σε μια εξοργιστική εμπειρία όπου οι πελάτες περνούν μεταξύ ομάδων. Ένας πράκτορας AI, από την άλλη πλευρά, έχει μια βαθιά κατανόηση της εταιρείας και των διαδικασιών της, παρέχοντας συνεχή, από άκρου σε άκρο απαντήσεις – keine ανάβαση απαιτείται.

Δεύτερον, μη-λαζαρικές αναζητήσεις – η AI είναι γρήγορη να συλλέξει πληροφορίες. Ενώ οι άνθρωποι προσπαθούν να σώσουν χρόνο ρωτώντας τους πελάτες ερωτήσεις πριν από την έρευνα, η AI προκαταβολικά εξετάζει πληροφορίες λογαριασμού, σημαίες, ενημερώσεις και μηνύματα σφάλματος πριν από την αρχή της συνομιλίας. Έτσι, όταν ένας πελάτης λέει αμυδρά “Έχω ένα ζήτημα με το X”, η AI μπορεί να προσφέρει αμέσως μια λύση αντί να ρωτάει πολλές διευκρινιστικές ερωτήσεις.

Τρίτον, υπομονή και συνεχή ποιότητα. Σε αντίθεση με τους ανθρώπους που αντιμετωπίζουν πίεση να χειριστούν ένα bestimm aantal απαντήσεων ανά ώρα, η AI μας διατηρεί συνεχώς υψηλή ποιότητα, υπομονή και συνεχή επικοινωνία. Απαντάει υπομονετικά όσο χρειάζεται χωρίς να βιάζεται.

Μετράμε αυτό主要 μέσω των βαθμολογιών ικανοποίησης πελατών. Για όλους τους τρέχοντες πελάτες, επιτύχουμε βαθμολογίες CSAT που κυμαίνονται μεταξύ 80%-90% – τυπικά υψηλότερες από τις ανθρώπινες ομάδες τους.

Έχετε επιλέξει να μην συνδέσετε την Gradient Labs με έναν單一 LLM προμηθευτή. Γιατί ήταν αυτή η επιλογή σημαντική, και πώς επηρεάζει την απόδοση και την αξιοπιστία για τους πελάτες σας;

Τους τελευταίους δύο χρόνια, έχουμε παρατηρήσει ότι οι μεγαλύτερες βελτιώσεις απόδοσης μας προέρχονται από την ικανότητά μας να μεταβούμε στο επόμενο καλύτερο μοντέλο κάθε φορά που η OpenAI ή η Anthropic κυκλοφορούν κάτι ταχύτερο, καλύτερο ή πιο ακριβές. Η ευελιξία του μοντέλου ήταν κλειδί.

Αυτή η ευελιξία μας επιτρέπει να βελτιώνουμε συνεχώς την ποιότητα ενώ διαχειριζόμαστε τα κόστη. Ορισμένες εργασίες απαιτούν πιο ισχυρά μοντέλα, άλλες λιγότερο. Η αρχιτεκτονική μας μας επιτρέπει να προσαρμοζόμαστε και να εξελισσόμαστε με την πάροδο του χρόνου, επιλέγοντας το βέλτιστο μοντέλο για κάθε κατάσταση.

Τελικά, θα υποστηρίξουμε ιδιωτικά ανοιχτά μοντέλα LLM που φιλοξενούνται στην υποδομή των πελατών. Λόγω της αρχιτεκτονικής μας, αυτή θα είναι μια ευθύγραμμη μετάβαση, η οποία είναι ιδιαίτερα σημαντική όταν εξυπηρετούμε τράπεζες που μπορεί να έχουν συγκεκριμένες απαιτήσεις σχετικά με την ανάπτυξη μοντέλων.

Η Gradient Labs δεν κατασκευάζει μόνο ένα chatbot — στοχεύετε να χειριστείτε τις διαδικασίες του πίσω γραφείου επίσης. Ποια είναι τα μεγαλύτερα τεχνικά ή λειτουργικά προκλήματα στη αυτοματοποίηση αυτών των είδων εργασιών με AI;

Υπάρχουν δύο διακριτές κατηγορίες διαδικασιών, καθεμία με τις δικές της προκλήματα:

Για τις απλές διαδικασίες, η τεχνολογία υπάρχει ήδη. Η κύρια πρόκληση είναι η ενοποίηση – σύνδεση με τα πολλά εξειδικευμένα συστήματα και εργαλεία που χρησιμοποιούν οι χρηματοοικονομικές ιδρύσεις, καθώς οι περισσότερες επιχειρησιακές λειτουργίες πελατών εμπλέκουν πολλά εσωτερικά συστήματα.

Για τις σύνθετες διαδικασίες, υπάρχουν σημαντικά τεχνικά προκλήματα. Αυτές οι διαδικασίες τυπικά απαιτούν από τους ανθρώπους να προσληφθούν και να εκπαιδευτούν για 6-12 μήνες για να αναπτύξουν εξειδίκευση, όπως ερευνες απάτης ή αξιολογήσεις πλυσίματος χρημάτων. Η πρόκληση εδώ είναι η μεταφορά γνώσεων — πώς να δώσουμε στους πράκτορες AI την ίδια εξειδίκευση τομέα; Αυτό είναι ένα δύσκολο πρόβλημα που όλοι στην αυτήν την περιοχή προσπαθούν ακόμα να λύσουν.

Πώς η Gradient Labs ισορροπεί την ανάγκη για ταχύτητα και αποδοτικότητα AI με τις αυστηρές απαιτήσεις συμμόρφωσης των ρυθμιστικών βιομηχανιών;

Είναι σίγουρα μια ισορροπία, αλλά στο επίπεδο της συνομιλίας, ο πράκτοράς μας απλώς παίρνει περισσότερο χρόνο να σκεφτεί. Αξιολογεί πολλαπλά παράγοντες: Καταλαβαίνω τι ζητά ο πελάτης; Δίνω την σωστή απάντηση; Ο πελάτης δείχνει σημάδια ευαλωτότητας; Ο πελάτης θέλει να καταθέσει μια καταγγελία;

Αυτή η σκόπιμη προσέγγιση αυξάνει την υστέρηση – ο μέσος χρόνος απόκρισης μας μπορεί να είναι 15-20 δευτερόλεπτα. Αλλά για τις χρηματοοικονομικές ιδρύματα, αυτό είναι μια δίκαιη ανταλλαγή. Μια απάντηση 15 δευτερολέπτων είναι ακόμα πολύ ταχύτερη από μια ανθρώπινη απάντηση, ενώ οι εγγυήσεις ποιότητας είναι πολύ σημαντικότερες για τις ρυθμιστικές εταιρείες με τις οποίες συνεργαζόμαστε.

Προβλέπετε ένα μέλλον όπου οι πράκτορες AI θα είναι αξιόπιστοι όχι μόνο για υποστήριξη αλλά και για εργασίες λήψης αποφάσεων υψηλών απαιτήσεων εντός των χρηματοοικονομικών ιδρυμάτων;

Οι χρηματοοικονομικές ιδρύσεις ήδη χρησιμοποιούσαν παραδοσιακές τεχνικές AI για αποφάσεις υψηλών απαιτήσεων πριν από την τρέχουσα κυμαία της γενετικής AI. Όπου βλέπω την πραγματική ευκαιρία τώρα είναι στην ορχήστρα – όχι στη λήψη της απόφασης, αλλά στη συντονισμό της ολόκληρης διαδικασίας.

Για παράδειγμα, ένας πελάτης ανεβάζει έγγραφα, ένας πράκτορας AI τους οδηγεί σε ένα σύστημα επαλήθευσης, λαμβάνει επιβεβαίωση της εγκυρότητας και στη συνέχεια ενεργοποιεί τις κατάλληλες ενέργειες και επικοινωνίες πελάτη. Αυτή η λειτουργία ορχήστρας είναι όπου οι πράκτορες AI ξεχωρίζουν.

Για τις υψηλότερες αποφάσεις από خود, δεν βλέπω πολλά να αλλάζουν στο κοντινό μέλλον. Αυτά τα μοντέλα απαιτούν εξηγησιμότητα, πρόληψη προκατάληψης και έγκριση από επιτροπές κινδύνου μοντέλων. Τα μεγάλα γλωσσικά μοντέλα θα αντιμετωπίσουν σημαντικές προκλήματα συμμόρφωσης σε αυτές τις περιπτώσεις.

Σύμφωνα με την άποψή σας, πώς θα αναμορφώσει η AI την εμπειρία του πελάτη για τις τράπεζες, τις εταιρείες fintech και άλλους ρυθμισμένους τομείς τα επόμενα 3-5 χρόνια;

Βλέπω πέντε μεγάλες τάσεις που αναμορφώνουν την εμπειρία του πελάτη:

Πρώτον, πραγματική ολοκληρωμένη αλληλεπίδραση. Φανταστείτε να ξεκινάτε μια συνομιλία στην εφαρμογή τραπεζικής σας και στη συνέχεια να μεταβαίνετε ομαλά στη φωνή με τον ίδιο πράκτορα AI.

Δεύτερον, προσαρμόσιμες διεπαφές που ελαχιστοποιούν την πλοήγηση μέσα στην εφαρμογή. Αντί να ψάχνετε μέσα στα μενού για συγκεκριμένες λειτουργίες, οι πελάτες θα απλώς εκφράσουν τις ανάγκες τους: “Παρακαλώ αυξήστε τα όρια μου” – και η ενέργεια συμβαίνει αμέσως μέσω συνομιλίας.

Τρίτον, καλύτερα οικονομικά αποτελέσματα. Η υποστήριξη και οι επιχειρησιακές λειτουργίες είναι τεράστιοι κόμβοι κόστους. Η μείωση αυτών των κόστους θα μπορούσε να επιτρέψει στις τράπεζες να εξυπηρετούν προηγουμένως μη κερδοφόρες πελάτες ή να μεταβιβάζουν τις οικονομίες στους χρήστες — ιδιαίτερα σε υποαπασχολημένα τμήματα.

Τέταρτον, εξαιρετική υποστήριξη σε κλίμακα. Τώρα, οι νεοφυείς εταιρείες με λίγους πελάτες μπορούν να παρέχουν προσωποποιημένη υποστήριξη, αλλά η ποιότητα τυπικά μειώνεται καθώς οι εταιρείες μεγαλώνουν. Η AI κάνει τη μεγάλη υποστήριξη κλιμακωτή, όχι απλώς δυνατή.

Τέλος, η υποστήριξη πελατών θα μεταμορφωθεί από μια εξοργιστική αναγκαιότητα σε μια πραγματικά χρήσιμη υπηρεσία. Δεν θα θεωρείται πλέον ως μια εργασιακή, εντατική κόστος υποδομής, αλλά ως eine αποτελεσματική, αποτελεσματική επαφή πελάτη που ενισχύει την ολική εμπειρία.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την Gradient Labs.