Ματθάιος Φιτζπάτρικ, Διευθύνων Σύμβουλος της Invisible Technologies – Σειρά Συνεντεύξεων

Ο Matthew Fitzpatrick είναι έμπειρος ειδικός στις λειτουργίες και την ανάπτυξη, με βαθιά γνώση της κλιμάκωσης σύνθετων ροών εργασίας και ομάδων. Έχει εργαστεί στη συμβουλευτική, τη στρατηγική και την επιχειρησιακή ηγεσία και σήμερα είναι διευθύνων σύμβουλος της Invisible Technologies, όπου σχεδιάζει και βελτιστοποιεί ολοκληρωμένες επιχειρηματικές λύσεις. Πιστεύει στον συνδυασμό ανθρώπινου ταλέντου και αυτοματοποίησης, ώστε οι εταιρείες να επιτυγχάνουν αποτελεσματικότητα σε μεγάλη κλίμακα και μετασχηματιστική ανάπτυξη μέσω της καινοτομίας διαδικασιών.

Η Invisible Technologies είναι εταιρεία επιχειρηματικού λογισμικού και επιπέδου παραγωγής AI. Βοηθά οργανισμούς να δημιουργούν, να αναπτύσσουν και να κλιμακώνουν συστήματα AI σε σύνθετα επιχειρηματικά περιβάλλοντα. Η πλατφόρμα της συνδυάζει λογισμικό με AI, ανθρώπινη τεχνογνωσία και λειτουργική υποδομή για την εκπαίδευση, αξιολόγηση και λειτουργία προηγμένων συστημάτων. Διαχειρίζεται σύνθετα δεδομένα, αυτοματοποιεί ροές εργασίας και ενσωματώνει το AI στις επιχειρηματικές διαδικασίες, μεταφέροντας πρωτοβουλίες από τον πειραματισμό σε αξιόπιστη παραγωγή μεγάλης κλίμακας.

Πρόσφατα περάσατε από την ηγεσία της QuantumBlack Labs στη McKinsey στη θέση του CEO της Invisible Technologies. Τι σας προσέλκυσε και τι σας ενθουσιάζει περισσότερο στην αποστολή της Invisible;

Στη McKinsey είχα το προνόμιο να εργάζομαι στην πρώτη γραμμή της καινοτομίας AI: δημιουργούσα προϊόντα λογισμικού, ηγούμουν προσπαθειών έρευνας και ανάπτυξης και βοηθούσα επιχειρήσεις να αξιοποιήσουν τα δεδομένα. Στην Invisible με προσέλκυσε η ευκαιρία να κάνουμε το AI λειτουργικό σε μεγάλη κλίμακα, συνδυάζοντας μια εξαιρετικά ευέλικτη πλατφόρμα λογισμικού με μια αγορά ειδικών για ανθρώπινη ανατροφοδότηση. Πιστεύω ότι η ενισχυτική μάθηση από ανθρώπινη ανατροφοδότηση (RLHF) είναι κλειδί για ακριβείς και αξιόπιστες εφαρμογές παραγωγικού AI. Υποστηρίζουμε ολόκληρη την αλυσίδα αξίας, από τον καθαρισμό και την αυτοματοποίηση εισαγωγής δεδομένων έως τη συλλογιστική αλυσίδας σκέψης και τις προσαρμοσμένες αξιολογήσεις. Η αποστολή μας είναι να συνδυάσουμε ανθρώπινη νοημοσύνη και AI, ώστε οι επιχειρήσεις να αξιοποιήσουν μια υπόσχεση που αποδείχθηκε δυσκολότερη από όσο περίμεναν πολλοί.

Έχετε επιβλέψει περισσότερους από 1.000 μηχανικούς και κλιμακώσει πολλά προϊόντα AI. Ποια μαθήματα από τη McKinsey εφαρμόζετε στην επόμενη φάση ανάπτυξης της Invisible;

Δύο μαθήματα ξεχωρίζουν. Πρώτον, η επιτυχής υιοθέτηση AI αφορά τόσο τον οργανωτικό μετασχηματισμό όσο και την τεχνολογία· χρειάζονται οι σωστοί άνθρωποι και διαδικασίες πάνω από τα καλά μοντέλα. Δεύτερον, νικούν οι εταιρείες που κατακτούν το «τελευταίο μίλι», τη μετάβαση από τον πειραματισμό στην παραγωγή. Στην Invisible εφαρμόζουμε την ίδια αυστηρότητα και δομή για να μεταφέρουμε τους πελάτες πέρα από τα πιλοτικά έργα και να παράγουμε πραγματική επιχειρηματική αξία.

Έχετε πει ότι το 2024 ήταν η χρονιά του πειραματισμού και το 2025 η χρονιά της απόδοσης επένδυσης. Τι κάνουν οι επιχειρήσεις που πετυχαίνουν πραγματικό ROI;

Κάνουν τρία πράγματα σωστά. Συνδέουν στενά τις περιπτώσεις χρήσης με βασικούς δείκτες, όπως η λειτουργική αποδοτικότητα και η ικανοποίηση πελατών. Επενδύουν σε ποιοτικότερα δεδομένα και βρόχους ανθρώπινης ανατροφοδότησης που βελτιώνουν συνεχώς τα μοντέλα. Και αντικαθιστούν τις γενικές λύσεις με προσαρμοσμένα συστήματα ειδικά για τον κλάδο και την πολυπλοκότητα του περιβάλλοντός τους. Δεν δοκιμάζουν απλώς το AI· το κλιμακώνουν με σαφή σκοπό.

Πώς εξελίσσεται η ζήτηση για επισήμανση δεδομένων ανά κλάδο και σε επίπεδο διδακτορικού από παρόχους θεμελιωδών μοντέλων όπως AWS, Microsoft (MSFT ) και Cohere;

Η ζήτηση αυξάνεται απότομα καθώς οι πάροχοι μπαίνουν σε πιο σύνθετους κλάδους. Η Invisible δέχεται ετησίως μόλις το 1% των υποψηφίων στη δεξαμενή ειδικών της και το 30% των εκπαιδευτών διαθέτει μεταπτυχιακό ή διδακτορικό. Αυτή η τεχνογνωσία απαιτείται όχι μόνο για σωστή επισήμανση, αλλά και για λεπτομερή ανατροφοδότηση με επίγνωση του πλαισίου, που βελτιώνει συλλογιστική, ακρίβεια και ευθυγράμμιση. Όσο εξυπνότερα γίνονται τα μοντέλα, τόσο ψηλότερα ανεβαίνει ο πήχης της εκπαίδευσής τους.

Πώς ορίζετε το agentic AI και πού βλέπετε τη μεγαλύτερη προοπτική;

Είναι συστήματα που δεν απαντούν απλώς σε οδηγίες, αλλά σχεδιάζουν, αποφασίζουν και ενεργούν μέσα σε καθορισμένα όρια. Συμπεριφέρονται περισσότερο σαν συνεργάτες παρά σαν εργαλεία. Η μεγαλύτερη πρόοδος εμφανίζεται σε σύνθετες ροές μεγάλου όγκου, όπως η υποστήριξη πελατών και οι ασφαλιστικές απαιτήσεις. Εκεί μειώνουν τη χειρωνακτική προσπάθεια, αυξάνουν τη συνέπεια και παράγουν αποτελέσματα που διαφορετικά θα απαιτούσαν μεγάλες ανθρώπινες ομάδες. Στόχος δεν είναι η αντικατάσταση ανθρώπων, αλλά η ενίσχυσή τους με πράκτορες που αναλαμβάνουν επαναλαμβανόμενες εργασίες.

Πώς εκπαιδεύει η Invisible μοντέλα για συλλογιστική αλυσίδας σκέψης και γιατί είναι κρίσιμη στην επιχείρηση;

Εκπαιδεύουμε μοντέλα να συλλογίζονται βήμα προς βήμα, κάτι ουσιώδες όταν το διακύβευμα είναι υψηλό: διάγνωση ασθενούς, ανάλυση σύμβασης ή επικύρωση χρηματοοικονομικού μοντέλου. Η συλλογιστική CoT αυξάνει τη διαφάνεια και επιτρέπει εντοπισμό σφαλμάτων, βελτίωση και άνοδο απόδοσης χωρίς τεράστια νέα σύνολα δεδομένων. Μοντέλα όπως Gemini, Sonnet και Grok αρχίζουν να αποκαλύπτουν τις διαδρομές συλλογισμού τους, δίνοντάς μας εικόνα όχι μόνο του αποτελέσματος αλλά και του τρόπου παραγωγής του. Αυτό ανοίγει τον δρόμο για Tree of Thought, όπου αξιολογούνται πολλές πιθανές διαδρομές, και Self-Consistency, όπου εξερευνώνται πολλαπλοί συλλογισμοί.

Υποστηρίζετε εκπαίδευση σε περισσότερες από 40 γλώσσες προγραμματισμού και 30 ανθρώπινες γλώσσες. Πόσο σημαντική είναι η πολιτισμική και γλωσσική ακρίβεια;

Είναι κρίσιμη. Η γλώσσα δεν είναι απλή μετάφραση αλλά πλαίσιο, απόχρωση και πολιτισμικοί κανόνες. Λανθασμένη ερμηνεία τόνου ή περιφερειακής παραλλαγής μπορεί να οδηγήσει σε κακή εμπειρία και κινδύνους συμμόρφωσης. Οι πολύγλωσσοι εκπαιδευτές μας δεν είναι μόνο άριστοι γνώστες της γλώσσας· ζουν μέσα στους πολιτισμούς που εκπροσωπούν.

Ποια είναι τα συνηθισμένα σημεία αποτυχίας όταν μια εταιρεία περνά από proof of concept σε παραγωγή και πώς βοηθά η Invisible στο «τελευταίο μίλι»;

Τα περισσότερα μοντέλα δεν φτάνουν ποτέ στην παραγωγή, επειδή οι εταιρείες υποτιμούν τη λειτουργική προσπάθεια. Δεν διαθέτουν καθαρά δεδομένα, ισχυρά πρωτόκολλα αξιολόγησης ή στρατηγική ενσωμάτωσης στις πραγματικές ροές. Συνδυάζουμε βαθιά τεχνική εμπειρία με υποδομή δεδομένων επιπέδου παραγωγής. Οι αλληλοσυμπληρούμενες δυνατότητες εκπαίδευσης και βελτιστοποίησης μας επιτρέπουν τόσο να δημιουργούμε καλύτερα μοντέλα όσο και να τα αναπτύσσουμε επιτυχώς.

Ποια είναι η προσέγγιση της Invisible στο RLHF και πώς διαφέρει από άλλες προσεγγίσεις του κλάδου;

Βλέπουμε το RLHF ως κάτι περισσότερο από fine-tuning. Επιτρέπει πιο σύνθετο σχεδιασμό προσαρμοσμένων αξιολογήσεων και εκπαίδευση με λεπτομερή ανθρώπινη κρίση αντί για δυαδικά σήματα, όπως θετική ή αρνητική ψήφος. Ενώ ο κλάδος συχνά επιδιώκει κλίμακα με μεγάλο όγκο δεδομένων χαμηλού σήματος, εμείς συλλέγουμε δομημένη ανατροφοδότηση υψηλής ποιότητας που καταγράφει συλλογισμό, πλαίσιο και συμβιβασμούς. Το πλουσιότερο σήμα βοηθά τα μοντέλα να γενικεύουν και να ευθυγραμμίζονται καλύτερα με την ανθρώπινη πρόθεση. Δίνοντας προτεραιότητα στο βάθος, δημιουργούμε υποδομή για ισχυρότερα και πιο ευθυγραμμισμένα συστήματα.

Πώς βλέπετε να εξελίσσεται η συνεργασία ανθρώπου και AI σε πεδία υψηλού κινδύνου, όπως χρηματοοικονομικά, υγεία και δημόσιος τομέας;

Το AI δεν αντικαθιστά την ανθρώπινη τεχνογνωσία· γίνεται η υποδομή που τη στηρίζει. Βλέπω πράκτορες και ειδικούς να εργάζονται μαζί: κλινικοί με διαγνωστικούς βοηθούς, δημόσιες υπηρεσίες που αξιολογούν αποτελεσματικότερα αιτήσεις παροχών και χρηματοοικονομικοί αναλυτές που επικεντρώνονται στη στρατηγική αντί στα υπολογιστικά φύλλα. Σχεδιάζουμε συστήματα όπου το AI ενισχύει την ανθρώπινη ικανότητα χωρίς να την αποκρύπτει ή να την παρακάμπτει.

Σας ευχαριστούμε για την εξαιρετική συνέντευξη. Οι αναγνώστες μπορούν να μάθουν περισσότερα στην Invisible Technologies.