Μάθιου Φιτζπάτρικ, Διευθύνων Σύμβουλος της Invisible Technologies – Σειρά Συνεντεύξεων

Μάθιου Φιτζπάτρικ είναι ένας έμπειρος ειδικός σε λειτουργίες και ανάπτυξη με βαθιά εμπειρία στην κλιμάκωση σύνθετων ροών εργασίας και ομάδων. Με υπόβαθρο που εκτείνεται σε συμβουλευτικές υπηρεσίες, στρατηγική και επιχειρησιακή ηγεσία, εργάζεται επί του παρόντος ως Διευθύνων Σύμβουλος στην Invisible Technologies, όπου επικεντρώνεται στο σχεδιασμό και τη βελτιστοποίηση ολοκληρωμένων επιχειρηματικών λύσεων. Ο Matthew είναι παθιασμένος με τον συνδυασμό του ανθρώπινου ταλέντου με τον αυτοματισμό για την αύξηση της αποδοτικότητας σε κλίμακα, βοηθώντας τις εταιρείες να ξεκλειδώσουν μετασχηματιστική ανάπτυξη μέσω της καινοτομίας στις διαδικασίες.

Αόρατες Τεχνολογίες είναι μια εταιρεία αυτοματοποίησης επιχειρηματικών διαδικασιών που συνδυάζει την προηγμένη τεχνολογία με την ανθρώπινη εμπειρία για να βοηθήσει τους οργανισμούς να αναπτυχθούν αποτελεσματικά. Αντί να αντικαταστήσει τους ανθρώπους με αυτοματοποίηση, η Invisible δημιουργεί προσαρμοσμένες ροές εργασίας όπου οι ψηφιακοί εργαζόμενοι (λογισμικό) και οι ανθρώπινοι χειριστές συνεργάζονται άψογα. Η εταιρεία προσφέρει υπηρεσίες σε τομείς όπως ο εμπλουτισμός δεδομένων, η δημιουργία υποψήφιων πελατών, η υποστήριξη πελατών και οι λειτουργίες back-office, επιτρέποντας στους πελάτες να αναθέτουν σύνθετες, επαναλαμβανόμενες εργασίες και να επικεντρώνονται σε βασικούς στρατηγικούς στόχους. Το μοναδικό μοντέλο «εργασία ως υπηρεσία» της Invisible παρέχει στις επιχειρήσεις επεκτάσιμη, διαφανή και οικονομικά αποδοτική λειτουργική υποστήριξη.

Πρόσφατα μεταπηδήσατε από την ηγεσία των QuantumBlack Labs στην McKinsey στη θέση του Διευθύνοντος Συμβούλου της Invisible Technologies. Τι σας τράβηξε σε αυτόν τον ρόλο και τι σας ενθουσιάζει περισσότερο στην αποστολή της Invisible;

Στην McKinsey, είχα το προνόμιο να εργάζομαι στην πρώτη γραμμή της καινοτομίας στην Τεχνητή Νοημοσύνη – δημιουργώντας προϊόντα λογισμικού Τεχνητής Νοημοσύνης, ηγούμενος των προσπαθειών Έρευνας και Ανάπτυξης και βοηθώντας τις επιχειρήσεις να αξιοποιήσουν τη δύναμη των δεδομένων. Τι με τράβηξε; Αόρατες Τεχνολογίες ήταν η ευκαιρία να καταστεί λειτουργικό σε μεγάλη κλίμακα με έναν συνδυασμό μιας μοναδικά ευέλικτης πλατφόρμας λογισμικού Τεχνητής Νοημοσύνης (ΤΝ) και μιας εξειδικευμένης αγοράς για ανατροφοδότηση από τον άνθρωπο (human-in-the-loop feedback) – πιστεύω ότι η Ενισχυτική Μάθηση από την Ανθρώπινη Ανατροφοδότηση (RLHF) είναι το κλειδί για ακριβείς και αξιόπιστες εφαρμογές GenAI. Το Invisible υποστηρίζει την ΤΝ σε ολόκληρη την αλυσίδα αξίας, από τον καθαρισμό δεδομένων και την αυτοματοποίηση εισαγωγής δεδομένων έως τη συλλογιστική αλυσίδας σκέψης και τις προσαρμοσμένες αξιολογήσεις. Η αποστολή μας είναι απλή: να συνδυάσουμε την ανθρώπινη νοημοσύνη και την ΤΝ για να βοηθήσουμε τις επιχειρήσεις να αξιοποιήσουν τις δυνατότητες της ΤΝ, κάτι που στην επιχείρηση ήταν πολύ πιο δύσκολο από ό,τι περίμεναν οι περισσότεροι άνθρωποι.

Έχετε επιβλέψει πάνω από 1,000 μηχανικούς και έχετε αναπτύξει πολλά προϊόντα τεχνητής νοημοσύνης σε διάφορους κλάδους. Ποια διδάγματα από την McKinsey εφαρμόζετε στην επόμενη φάση ανάπτυξης της Invisible;

Δύο μαθήματα ξεχωρίζουν. Πρώτον, η επιτυχημένη υιοθέτηση της Τεχνητής Νοημοσύνης αφορά τόσο τον οργανωτικό μετασχηματισμό όσο και την τεχνολογία. Χρειάζεστε τους κατάλληλους ανθρώπους και τις κατάλληλες διαδικασίες – εκτός από εξαιρετικά μοντέλα. Δεύτερον, οι εταιρείες που κερδίζουν στην Τεχνητή Νοημοσύνη είναι αυτές που κατακτούν το «τελευταίο μίλι» – τη μετάβαση από τον πειραματισμό στην παραγωγή. Στην Invisible, εφαρμόζουμε την ίδια αυστηρότητα και δομή για να βοηθήσουμε τους πελάτες να προχωρήσουν πέρα ​​από τις πιλοτικές εφαρμογές και στην παραγωγή, προσφέροντας πραγματική επιχειρηματική αξία.

Έχετε πει ότι «το 2024 ήταν η χρονιά του πειραματισμού με την Τεχνητή Νοημοσύνη και το 2025 αφορά την επίτευξη απόδοσης επένδυσης (ROI). Ποιες συγκεκριμένες τάσεις παρατηρείτε μεταξύ των επιχειρήσεων που επιτυγχάνουν πραγματικά αυτήν την απόδοση επένδυσης;

Οι επιχειρήσεις που βλέπουν πραγματική απόδοση επένδυσης φέτος κάνουν καλά τρία πράγματα. Πρώτον, ευθυγραμμίζουν στενά τις περιπτώσεις χρήσης της Τεχνητής Νοημοσύνης με τους βασικούς επιχειρηματικούς δείκτες απόδοσης (KPI) - όπως η επιχειρησιακή αποδοτικότητα ή η ικανοποίηση των πελατών. Δεύτερον, επενδύουν σε δεδομένα καλύτερης ποιότητας και σε βρόχους ανθρώπινης ανατροφοδότησης για τη συνεχή βελτίωση της απόδοσης των μοντέλων. Τρίτον, μεταβαίνουν από γενικές λύσεις σε προσαρμοσμένα, ειδικά για κάθε τομέα συστήματα που αντικατοπτρίζουν την πολυπλοκότητα του περιβάλλοντός τους. Αυτές οι εταιρείες δεν δοκιμάζουν πλέον απλώς την Τεχνητή Νοημοσύνη - την κλιμακώνουν με σκοπό.

Πώς εξελίσσεται η ζήτηση για επισήμανση δεδομένων σε επίπεδο τομέα και διδακτορικού σε παρόχους μοντέλων βάσης όπως η AWS, η Microsoft και η Cohere;

Παρατηρούμε μια αύξηση στη ζήτηση για εξειδικευμένη επισήμανση, καθώς οι πάροχοι μοντέλων βάσης επεκτείνονται σε πιο σύνθετους κλάδους. Στην Invisible, έχουμε ετήσιο ποσοστό αποδοχής 1% στο σύνολο των ειδικών μας και το 30% των εκπαιδευτών μας κατέχουν μεταπτυχιακούς ή διδακτορικούς τίτλους. Αυτή η βαθιά εξειδίκευση είναι ολοένα και πιο απαραίτητη – όχι μόνο για την ακριβή σχολιασμό δεδομένων, αλλά και για την παροχή λεπτομερούς, λαμβάνοντας υπόψη το περιβάλλον, ανατροφοδότησης για τη βελτίωση της συλλογιστικής, της ακρίβειας και της ευθυγράμμισης. Καθώς τα μοντέλα γίνονται πιο έξυπνα, ο πήχης για την εκπαίδευσή τους ανεβαίνει.

Η Invisible βρίσκεται στην πρώτη γραμμή της πρακτικής τεχνητής νοημοσύνης, δίνοντας έμφαση στη λήψη αποφάσεων σε πραγματικές ροές εργασίας. Ποιος είναι ο ορισμός σας για την πρακτική τεχνητή νοημοσύνη και πού βλέπουμε την πιο πολλά υποσχόμενη;

Η Τεχνητή Νοημοσύνη (Agentic AI) αναφέρεται σε συστήματα που δεν ανταποκρίνονται απλώς σε οδηγίες – σχεδιάζουν, λαμβάνουν αποφάσεις και αναλαμβάνουν δράση εντός καθορισμένων προστατευτικών κιγκλιδωμάτων. Η Τεχνητή Νοημοσύνη είναι αυτή που συμπεριφέρεται περισσότερο σαν συμπαίκτης παρά σαν εργαλείο. Βλέπουμε την μεγαλύτερη απήχηση σε ροές εργασίας μεγάλου όγκου και πολύπλοκες: όπως για παράδειγμα η υποστήριξη πελατών και οι ασφαλιστικές διεκδικήσεις. Σε αυτούς τους τομείς, η Τεχνητή Νοημοσύνη (Agentic AI) μπορεί να μειώσει τη χειροκίνητη προσπάθεια, να αυξήσει τη συνέπεια και να προσφέρει αποτελέσματα που διαφορετικά θα απαιτούσαν μεγάλες ανθρώπινες ομάδες. Δεν πρόκειται για αντικατάσταση ανθρώπων – αντίθετα, τους ενισχύουμε με έξυπνους πράκτορες που μπορούν να χειριστούν την επαναλαμβανόμενη και τη ρουτίνα.

Μπορείτε να μοιραστείτε παραδείγματα για το πώς το Invisible εκπαιδεύει μοντέλα για συλλογισμό αλυσίδας σκέψης και γιατί είναι κρίσιμο για την ανάπτυξη σε επιχειρήσεις;

Η συλλογιστική αλυσίδας σκέψης (CoT) έχει ξεκλειδώσει νέες δυνατότητες για την τεχνητή νοημοσύνη των επιχειρήσεων. Στην Invisible, εκπαιδεύουμε μοντέλα να συλλογίζονται βήμα προς βήμα, κάτι που είναι απαραίτητο όταν τα διακυβεύματα είναι υψηλά - είτε διαγιγνώσκετε έναν ασθενή, είτε αναλύετε ένα συμβόλαιο είτε επικυρώνετε ένα οικονομικό μοντέλο. Το CoT όχι μόνο βελτιώνει τη διαφάνεια, αλλά επιτρέπει επίσης την αποσφαλμάτωση, τη βελτίωση και τα κέρδη απόδοσης χωρίς τεράστια νέα σύνολα δεδομένων. Έχουμε δει κορυφαία μοντέλα όπως τα Gemini, Sonnet και Grok να αρχίζουν να αποκαλύπτουν τις διαδρομές συλλογισμού τους, κάτι που μας επιτρέπει να παρατηρούμε όχι μόνο ποια μοντέλα παράγουν, αλλά και πώς φτάνουν εκεί. Αυτό θέτει τις βάσεις για πιο προηγμένες μεθόδους όπως το Δέντρο της Σκέψης (όπου τα μοντέλα αξιολογούν πολλαπλές πιθανές διαδρομές συλλογισμού πριν καταλήξουν σε μια απάντηση) και την Αυτοσυνέπεια (όπου εξερευνώνται πολλαπλές διαδρομές συλλογισμού).

Το Invisible υποστηρίζει εκπαίδευση σε περισσότερες από 40 γλώσσες προγραμματισμού και περισσότερες από 30 γλώσσες προγραμματισμού. Πόσο σημαντική είναι η πολιτισμική και γλωσσική ακρίβεια στην ανάπτυξη παγκοσμίως κλιμακώσιμης Τεχνητής Νοημοσύνης;

Είναι κρίσιμο. Η γλώσσα δεν αφορά μόνο τη μετάφραση – αφορά το πλαίσιο, τις αποχρώσεις και τους πολιτισμικούς κανόνες. Εάν ένα μοντέλο ερμηνεύσει εσφαλμένα τον τόνο ή παραβλέψει τις περιφερειακές διακυμάνσεις, αυτό μπορεί να οδηγήσει σε κακές εμπειρίες χρήστη ή ακόμα και σε κινδύνους συμμόρφωσης. Οι πολύγλωσσοι εκπαιδευτές μας δεν είναι απλώς άπταιστοι – είναι ενσωματωμένοι στους πολιτισμούς που εκπροσωπούν.

Ποια είναι τα συνηθισμένα σημεία αποτυχίας όταν οι εταιρείες προσπαθούν να επεκταθούν από την απόδειξη της ιδέας στην παραγωγή, και πώς το Invisible βοηθά στην πλοήγηση σε αυτό το «τελευταίο μίλι»;

Η πλειονότητα των μοντέλων Τεχνητής Νοημοσύνης δεν φτάνουν ποτέ στην παραγωγή επειδή οι εταιρείες υποτιμούν την απαιτούμενη λειτουργική αύξηση. Δεν έχουν καθαρά δεδομένα, ισχυρά πρωτόκολλα αξιολόγησης και μια στρατηγική για την ενσωμάτωση μοντέλων σε πραγματικές ροές εργασίας. Στην Invisible, συνδυάζουμε βαθιά τεχνική εμπειρία με υποδομή δεδομένων παραγωγικού επιπέδου για να βοηθήσουμε τις επιχειρήσεις να γεφυρώσουν το χάσμα. Οι συμβιωτικές μας δυνατότητες στην εκπαίδευση και τη βελτιστοποίηση μας επιτρέπουν τόσο να δημιουργούμε καλύτερα μοντέλα όσο και να τα αναπτύσσουμε με επιτυχία.

Μπορείτε να μας εξηγήσετε την προσέγγιση της Invisible στο RLHF (Reinforcement Learning from Human Feedback) και πώς διαφέρει από άλλους στον κλάδο;

Στην Invisible, βλέπουμε την Ενισχυτική Μάθηση από την Ανθρώπινη Ανατροφοδότηση (RLHF) ως κάτι περισσότερο από απλή βελτιστοποίηση – επιτρέπει πιο εξελιγμένο σχεδιασμό προσαρμοσμένης αξιολόγησης («αξιολόγησης») και μια στροφή προς μοντέλα εκπαίδευσης με λεπτή ανθρώπινη κρίση αντί για δυαδικά σήματα όπως αντίχειρες προς τα πάνω και αντίχειρες προς τα κάτω. Ενώ οι προσεγγίσεις του κλάδου συχνά δίνουν προτεραιότητα στην κλίμακα μέσω δεδομένων μεγάλου όγκου και χαμηλού σήματος, εμείς εστιάζουμε στη συλλογή δομημένων, υψηλής ποιότητας ανατροφοδότησης που αποτυπώνει τη συλλογιστική, το πλαίσιο και τους συμβιβασμούς. Αυτό το πλουσιότερο σήμα επιτρέπει στα μοντέλα να γενικεύονται πιο αποτελεσματικά και να ευθυγραμμίζονται πιο στενά με την ανθρώπινη πρόθεση. Δίνοντας προτεραιότητα στο βάθος έναντι του εύρους, χτίζουμε την υποδομή για πιο ισχυρά, ευθυγραμμισμένα συστήματα Τεχνητής Νοημοσύνης.

Πώς φαντάζεστε το μέλλον της συνεργασίας μεταξύ τεχνητής νοημοσύνης και ανθρώπου, ειδικά σε τομείς υψηλού διακυβεύματος όπως τα χρηματοοικονομικά, η υγειονομική περίθαλψη ή ο δημόσιος τομέας;

Η Τεχνητή Νοημοσύνη δεν αντικαθιστά την ανθρώπινη εμπειρογνωμοσύνη – γίνεται η υποδομή που την υποστηρίζει. Οραματίζομαι ένα μέλλον όπου οι πράκτορες της Τεχνητής Νοημοσύνης και οι ανθρώπινοι εμπειρογνώμονες θα εργάζονται παράλληλα – όπου οι κλινικοί γιατροί θα υποστηρίζονται από διαγνωστικούς συν-πιλότους, οι κυβερνητικές υπηρεσίες θα χρησιμοποιούν την Τεχνητή Νοημοσύνη για να διαχωρίζουν τα οφέλη πιο αποτελεσματικά και οι οικονομικοί αναλυτές θα είναι ελεύθεροι να επικεντρώνονται στη στρατηγική και όχι σε υπολογιστικά φύλλα. Εστιάζουμε στον σχεδιασμό συστημάτων όπου η Τεχνητή Νοημοσύνη θα ενισχύει την ανθρώπινη ικανότητα, αντί να την αποκρύπτει ή να την παρακάμπτει.

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