Neal Lathia, Συνιδρυτής και CTO της Gradient Labs – Σειρά Συνεντεύξεων

Neal Lathia, Συνιδρυτής και CTO της Gradient Labs, είναι ηγέτης στον τομέα της μηχανικής μάθησης και της επιστήμης δεδομένων με σχεδόν δύο δεκαετίες εμπειρίας που καλύπτουν την τεχνολογία χρηματοοικονομικών, τις πλατφόρμες καταναλωτών και την ακαδημαϊκή έρευνα. Πριν συνιδρύσει τη Gradient Labs το 2023, πέρασε πάνω από πέντε χρόνια στη Monzo, προοδεύοντας από Ανώτερο Επιστήμονα Δεδομένων σε Διευθυντή Μηχανικής Μάθησης και Μηχανικό Μηχανικής Μάθησης επιπέδου Staff, όπου δημιούργησε υποδομή μηχανικής μάθησης και βοήθησε στην κλιμάκωση του κλάδου για την υποστήριξη εφαρμογών σε λειτουργίες, χρηματοοικονομικό έγκλημα και προϊόν. Πριν από αυτό, ο Lathia εργάστηκε ως Ανώτερος Επιστήμονας Δεδομένων στη Skyscanner και κατείχε ερευνητικές θέσεις στο University of Cambridge και στο University College London, όπου η δουλειά του εξερεύνησε συστήματα σύστασης, δεδομένα συμπεριφοράς, ανίχνευση μέσω smartphone και εξατομικευμένες ψηφιακές υπηρεσίες. Στη Gradient Labs, ηγείται τώρα της τεχνολογίας πίσω από πράκτορες AI σχεδιασμένους για σύνθετες, ρυθμιζόμενες ροές εργασίας χρηματοοικονομικών υπηρεσιών.

Gradient Labs είναι μια εταιρεία AI με έδρα το Λονδίνο που δημιουργεί εξειδικευμένους αυτόνομους πράκτορες για χρηματοοικονομικές υπηρεσίες, με έμφαση στην αυτοματοποίηση των λειτουργιών πελατών που παραδοσιακά απαιτούν σημαντική ανθρώπινη παρέμβαση. Η εταιρεία, που ιδρύθηκε από πρώην ηγέτες της Monzo, τους Dimitri Masin, Neal Lathia και Danai Antoniou, αναπτύσσει πράκτορες για τομείς όπως δανεισμός και είσπραξη, διαφορές, Know Your Business (KYB), ένταξη νέων πελατών, ασφαλιστικές αξιώσεις, και εξυπηρέτηση πελατών, λειτουργώντας μέσω φωνής, συνομιλίας και email, ενώ ενσωματώνει μηχανισμούς συμμόρφωσης σχεδιασμένους για ρυθμιζόμενα περιβάλλοντα. Η Gradient Labs δηλώνει ότι η τεχνολογία της εξυπηρετεί πλέον πάνω από 32 εκατομμύρια τελικούς χρήστες σε πελάτες όπως Wise, Zego, Current, Stash και Rho. Τον Ιούνιο του 2026, η εταιρεία ανακοίνωσε ότι διεύρυνε τη χρηματοδότηση Series A σε 26 εκατομμύρια δολάρια, καθώς εργάζεται για ένα ευρύτερο όραμα αυτοματοποίησης σύνθετων τραπεζικών και fintech λειτουργιών με διασυνδεδεμένους εξειδικευμένους πράκτορες AI.

Πέρασες πάνω από πέντε χρόνια αναπτύσσοντας και διευθύνοντας τον τομέα μηχανικής μάθησης στη Monzo πριν συνιδρύσεις τη Gradient Labs το 2023. Τι είδες από πρώτο χέρι στη Monzo που σε έπεισε ότι υπήρχε ευκαιρία να δημιουργηθεί μια νέα εταιρεία γύρω από αυτόνομους πράκτορες AI, και γιατί η άφιξη των μεγάλων γλωσσικών μοντέλων έκανε αυτή την ευκαιρία εφικτή;

Στη Monzo, πέρασα χρόνια δημιουργώντας συστήματα ML που έπρεπε να λειτουργούν σε ρυθμιζόμενο περιβάλλον, όπου τα λάθη έχουν πολύ πραγματικές συνέπειες και όλα απαιτούν ίχνος ελέγχου. Αυτό που με επηρέασε περισσότερο ήταν η ανάγκη να αναπτυχθεί προσαρμοσμένη υποδομή, επειδή τίποτα προ-κατασκευασμένο δεν μπορούσε να λειτουργήσει με ασφάλεια υπό αυτούς τους αυστηρούς περιορισμούς. Αυτή η εμπειρία με άφησε με δύο πεποιθήσεις. Η πρώτη ήταν ότι η τεχνολογία θα μπορούσε τελικά να απαλλάξει τις τράπεζες από το λειτουργικό βάρος που κρατάει τον κλάδο πίσω για δεκαετίες. Η δεύτερη ήταν ότι η γενικής χρήσης, οριζόντια AI δεν θα έκανε καμία διαφορά — η λεπτομέρεια της ρυθμιζόμενης εργασίας είναι πολύ συγκεκριμένη. Όταν τα LLM έγιναν αρκετά ικανά να συλλογίζονται γύρω από πολυβήματες, μερικές φορές ασαφείς αλληλεπιδράσεις πελατών, άρχισε να γίνεται εφικτό να δημιουργηθούν πράκτορες που θα μπορούσαν να διαχειρίζονται ολόκληρες ρυθμιζόμενες ροές εργασίας από άκρη σε άκρη, αντί να βοηθούν απλώς έναν άνθρωπο. Αυτό το χάσμα, μεταξύ του τι χρειάζονται πραγματικά οι ρυθμιζόμενες εταιρείες και του τι υπήρχε ήδη, είναι ο λόγος που ξεκινήσαμε τη Gradient Labs και γιατί επενδύσαμε σε κάθετη AI που έχει σχεδιαστεί ειδικά για τα χρηματοοικονομικά.

Έχετε περιγράψει ό,τι βιώνουν οι καταναλωτές ως το «οδοντωτό άκρο της εμπειρίας»: ένας πράκτορας AI μπορεί να εκτελέσει μια εξαιρετικά πολύπλοκη εργασία, ενώ ένα άλλο σύστημα αποτυγχάνει σε κάτι τόσο απλό όσο η διάκριση ενός τηλεφωνικού αριθμού από ένα όνομα. Τι προκαλεί πραγματικά ένα τόσο δραματικό χάσμα μεταξύ των AI εμπειριών όταν τα υποκείμενα μοντέλα μπορεί να είναι εξίσου ικανά;

Θα έλεγα ότι το χάσμα αφορά περισσότερο το πόση τεχνική εργασία επενδύεται στο μοντέλο παρά τη γυμνή ικανότητα του μοντέλου. Αν ένα σύστημα αποτυγχάνει σε μια απλή εργασία, όπως η σύγχυση ενός τηλεφωνικού αριθμού με ένα όνομα, σημαίνει ότι δεν έχει επενδύσει στο πλαίσιο γύρω του, όπως η επικύρωση, η λογική εναλλακτικού σχεδίου, η διαχείριση δομημένων δεδομένων κ.λπ. Ο πιο εντυπωσιακός πράκτορας πιθανότατα έχει σχεδιαστεί ακριβώς για την εργασία του. Είναι η ίδια θεμελιώδης οικογένεια μοντέλων με εντελώς διαφορετικό επίπεδο αυστηρότητας γύρω από αυτήν, και αυτό είναι ακριβώς αυτό που οδηγεί στο οδοντωτό άκρο.

Καθώς τα μοντέλα αιχμής συνεχίζουν να βελτιώνονται, γιατί παραμένουν φαινομενικά βασικές αποτυχίες AI; Είναι κυρίως περιορισμοί των ίδιων των μοντέλων, ή αποτυχίες στην περιβάλλουσα αρχιτεκτονική συστήματος, τα δεδομένα, τις ροές εργασίας, την αξιολόγηση και το σχεδιασμό προϊόντος;

Είναι κυρίως το σύστημα και όχι το μοντέλο. Τα μοντέλα αιχμής συνεχίζουν να βελτιώνονται στη συλλογιστική. Ωστόσο, οι εταιρείες συχνά τα ενσωματώνουν σε συστήματα που δεν έχουν αναπτυχθεί για συμπεριφορές βασισμένες στην πιθανότητα. Υπάρχουν εύθραυστες διασυνδέσεις και ελλιπή δεδομένα στα συστήματα, χωρίς πραγματικό βρόχο αξιολόγησης πριν από την κυκλοφορία των αλλαγών. Έτσι, μια βασική αποτυχία AI στην παραγωγή δεν είναι πραγματικά αποτυχία AI, αλλά αποτυχία επένδυσης στην αξιολόγηση, την παρακολούθηση και τις διαδικασίες σχεδιασμού ροών εργασίας.

Πολλές εταιρείες φαίνεται να βελτιστοποιούν την εξυπηρέτηση πελατών AI γύρω από την ταχύτητα, τη διεκπεραίωση χωρίς μεταφορά σε άνθρωπο ή την αποτροπή δημιουργίας αιτημάτων υποστήριξης. Ποιες μετρικές θα πρέπει να χρησιμοποιούν οι εταιρείες αν θέλουν να μετρήσουν εάν ένας πράκτορας AI βελτιώνει πραγματικά την εμπειρία του πελάτη;

Για αυτό, θα πρέπει να λάβουμε υπόψη την ακρίβεια επίλυσης. Η ταχύτητα και η διεκπεραίωση χωρίς μεταφορά σε άνθρωπο χρησιμοποιούνται για να αξιολογήσουν εάν καταφέρατε να τερματίσετε την κλήση με έναν πελάτη, όχι εάν καταφέρατε να λύσετε το πρόβλημά του. Η ακρίβεια επίλυσης, η οποία θα έπρεπε να χρησιμοποιείται για τη μέτρηση της ικανότητας ενός AI πράκτορα, θα εξετάζει αν ο πράκτορας έκανε το σωστό, αντί απλώς να ανταποκρίνεται γρήγορα. Αυτό θα λειτουργήσει μαζί με άλλα σήματα όπως τα ποσοστά επαναλαμβανόμενων επαφών, ο όγκος των παραπόνων και η συχνότητα με την οποία ένας άνθρωπος πρέπει να παρέμβει μετά. Θα καταλάβετε ότι βελτιστοποιείτε το λάθος αποτέλεσμα εάν η αποτροπή δημιουργίας αιτημάτων αυξηθεί, αλλά ταυτόχρονα αυξηθούν και οι επαναλαμβανόμενες επαφές και τα παράπονα.

Η Gradient Labs εστιάζει σε ρυθμιζόμενες χρηματοοικονομικές υπηρεσίες, όπου μια λανθασμένη απάντηση μπορεί να έχει πολύ μεγαλύτερες συνέπειες από ένα τυπικό σφάλμα εξυπηρέτησης πελατών. Πώς καθορίζετε πότε ένας AI πράκτορας είναι αρκετά αξιόπιστος ώστε να διαχειρίζεται αυτόνομα διαδικασίες που αφορούν δανεισμό, διαφορές, ενσωμάτωση ή ελέγχους Know Your Customer;

Η προεπιλεγμένη διαδρομή που οι περισσότερες ομάδες προτιμούν είναι αυτή του βοηθού τύπου copilot: κάποιος εγκρίνει κάθε ενέργεια επειδή φαίνεται πιο ασφαλές. Και οι περισσότεροι υποθέτουν ότι είναι πιο ασφαλές. Αλλά στην πραγματικότητα, καθώς το AI κάνει τα περισσότερα σωστά, οι αξιολογητές εγκρίνουν πράγματα χωρίς πραγματικά να ελέγχουν, και η ασφάλεια χάεται ούτως ή άλλως. Αυτό δεν κάνει τίποτα για τη μείωση του υπάρχοντος φόρτου εργασίας. Απλώς το κάνει πιο γρήγορο και μειώνει την αξία που λαμβάνετε.

Γι’ αυτό το λόγο η έννοια ενός AI πράκτορα που είναι αρκετά αξιόπιστος είναι ιδιαίτερα εξειδικευμένη ανά διαδικασία στη Gradient Labs. Για εμάς, πρέπει να αναπτύσσεται μέσω σταδιακής αυτονομίας και να μην θεωρείται απλώς ένας στόχος που θα τσεκαριστεί. Ένας πράκτορας μπορεί να λάβει μεγαλύτερη ανεξαρτησία σε θέματα όπως το KYC ή οι διαφορές μόνο αφού έχει αξιολογηθεί έναντι ενός μεγάλου, ζωντανού συνόλου πραγματικών περιπτώσεων, με ανθρώπινη ανασκόπηση ενός δείγματος των αποφάσεών του ακόμη και μετά την είσοδό του στην παραγωγή. Συνεπώς, αυτό επιβεβαιώνει ότι η αναστρεψιμότητα είναι επίσης πολύ σημαντική εδώ. Εάν κάτι μπορεί να αναιρεθεί, θα αποκτήσει αυτονομία πιο γρήγορα από κάτι που δεν μπορεί.

Τα guardrails παρουσιάζονται όλο και περισσότερο ως η λύση για την ασφάλεια των AI πρακτόρων, αλλά η προσθήκη περισσότερων κανόνων μπορεί επίσης να κάνει τα συστήματα άκαμπτα ή να τα εμποδίσει να ολοκληρώσουν νόμιμες εργασίες. Πώς εξισορροπείτε την αυτονομία με τα guardrails χωρίς να μετατρέψετε έναν πράκτορα σε ακόμη ένα εξαιρετικά περιορισμένο chatbot;

Το λάθος είναι να θεωρούμε τα guardrails ως έναν τοίχο από τον οποίο ο πράκτορας απλώς αναπηδά. Στο σύστημά μας, κάνουν ταυτόχρονα δύο πράγματα. Εκτελούμε guardrails σε κάθε γύρο μιας συνομιλίας — μερικά ελέγχουν τι λέει ο πελάτης, για να εντοπίσουν ενδείξεις ευαλωτότητας του πελάτη, οικονομικές δυσκολίες ή παράπονα, και άλλα ελέγχουν τι πρόκειται να πει ο πράκτορας, ώστε να συμμορφώνεται με τους κανόνες. Όταν ένα ενεργοποιείται, δεν μπλοκάρει απλώς: ανακατευθύνει τον πράκτορα στη σωστή διαδικασία, και αυτή η απόφαση είναι διαφανής στη λογική του πράκτορα, ώστε οι χειριστές να μπορούν να δουν γιατί ενήργησε. Τα πιο βαθιά guardrails ενσωματώνονται επίσης στον τρόπο που ο πράκτορας διδάσκεται να σκέφτεται μια εργασία, στα δεδομένα που μπορεί να προσπελάσει και στα εργαλεία που μπορεί να χρησιμοποιήσει. Αυτός ο συνδυασμός τον κρατά ασφαλή χωρίς να τον κάνει άκαμπτο: ο πράκτορας καταλαβαίνει τι είναι τα guardrails και γιατί υπάρχουν, έτσι ολοκληρώνει μια νόμιμη εργασία αντί να αρνείται κάτι που μοιάζει μόνο με μη επιτρεπτό.

Εδώ, νομίζω ότι το πρόβλημα είναι το να βλέπουμε τα guardrails ως έναν τοίχο από τούβλα από τον οποίο ο πράκτορας αναπηδά. Συγκεκριμένα, εκτελούμε δύο διαφορετικούς τύπους guardrails σε κάθε γύρο της συνομιλίας. Πρώτον, έχουμε τα guardrails του πελάτη που ελέγχουν τι λέει ο πελάτης και προορίζονται να εντοπίζουν ευαλωτότητες, οικονομικές δυσκολίες, παράπονα πελατών και παρόμοια. Δεύτερον, έχουμε τα guardrails του πράκτορα που λειτουργούν αντίστροφα και ελέγχουν τι θα πει ο πράκτορας πριν αποσταλεί το μήνυμα, προκειμένου ο πράκτορας να συμμορφώνεται με τους κανόνες.

Αυτό σημαίνει ότι, αντί να μπλοκάρει πλήρως μια ενέργεια όταν ενεργοποιείται ένα από αυτά τα guardrails, θα την ανακατευθύνει στη σωστή διαδρομή. Με αυτόν τον τρόπο, διατηρεί τη διαφάνεια σχετικά με τις διαδικασίες λήψης αποφάσεων του πράκτορα και παρέχει στους ανθρώπινους χειριστές τον λόγο για τη λήψη της ενέργειας.

Μπορούμε επίσης να το κάνουμε αυτό επειδή δεν είναι αναγκασμένη κάθε πτυχή της συλλογιστικής διαδικασίας ενός πράκτορα να περάσει από ένα LLM. Τα guardrails όπως αυτά είναι ντετερμινιστικά επειδή δεν ενεργοποιούνται μόνο στο τέλος μιας συνομιλίας, αλλά ενεργοποιούνται καθ’ όλη τη διάρκεια ζωής του πράκτορα. Έτσι, μπορούμε να εμπιστευτούμε στον πράκτορα ευαίσθητες επικοινωνίες και να επιτρέψουμε την προσαρμογή συγκεκριμένων πρακτόρων για περιπτώσεις χρήσης σε μεγάλη κλίμακα και με προβλέψιμο τρόπο.

Το πιο σημαντικό είναι πώς διδάσκεται ο πράκτορας να σκέφτεται μια εργασία από την αρχή, διασφαλίζοντας ότι μπορεί να προσπελάσει τα σχετικά δεδομένα και να γνωρίζει τα εργαλεία που πρέπει να χρησιμοποιήσει. Αυτή η ικανότητα του πράκτορα να ολοκληρώνει μια νόμιμη εργασία αντί να αρνείται να αναλάβει κάτι που φαίνεται μη επιτρεπτό είναι αυτό που βοηθά στη βελτίωση της ασφάλειας και στην αποφυγή της άκαμπτης συμπεριφοράς.

Πού πρέπει οι άνθρωποι να παραμένουν στο βρόχο καθώς οι AI πράκτορες γίνονται όλο και πιο αυτόνομοι; Υπάρχουν συγκεκριμένες αποφάσεις ή αλληλεπιδράσεις με πελάτες που θεωρείτε ότι θα πρέπει να απαιτούν ανθρώπινη κρίση, ανεξάρτητα από το πόσο ικανά γίνονται τα υποκείμενα μοντέλα;

Πρέπει να εμπλέκεται ένας άνθρωπος όταν μια απόφαση απαιτεί ουσιαστική άσκηση κρίσης, έχει σημαντικές συνέπειες για τον πελάτη ή αφορά ένα αποτέλεσμα ως προς το οποίο ο πράκτορας δεν έχει ακόμη αξιολογηθεί. Ο άνθρωπος δεν χρειάζεται απαραίτητα να κάνει όλο το έργο, αλλά πρέπει να το ελέγχει ή να το εγκρίνει ανάλογα. Αυτό είναι πιθανό να ισχύει ακόμη και καθώς τα μοντέλα γίνονται πιο ικανά, επειδή συχνά δεν πρόκειται για ζήτημα ικανότητας, αλλά λογοδοσίας και του δικαιώματος του πελάτη για ανθρώπινη λήψη απόφασης όταν εμπλέκονται θέματα όπως αποτελέσματα πιστωτικών αποφάσεων ή διαφορές.

Πρέπει να εμπλέκεται ένας άνθρωπος όταν μια απόφαση απαιτεί ουσιαστική άσκηση κρίσης, έχει σημαντικές συνέπειες για τον πελάτη ή αφορά ένα αποτέλεσμα ως προς το οποίο ο πράκτορας δεν έχει ακόμη αξιολογηθεί. Θα το πήγαινα ακόμη πιο πέρα από το τυπικό μοντέλο εφεδρείας, υποστηρίζοντας ότι οι πράκτορες κερδίζουν ολοένα και περισσότερο τη θέση τους στον οργανωτικό χάρτη δίπλα στους ανθρώπους. Κατ’ αυτόν τον τρόπο, η ανθρώπινη προσπάθεια μετατοπίζεται προς τις παραπομπές σε αρμόδιους ανθρώπους και τις αποφάσεις που απαιτούν ανθρώπινη κρίση, αφήνοντας τους πράκτορες να διαχειρίζονται το συντονισμό και τη δρομολόγηση.

Αλλά για να είναι αυτό πραγματικά επιτυχές, οι πράκτορες χρειάζονται το ίδιο θεσμικό πλαίσιο που έχει και ένας άνθρωπος, ώστε να ξέρουν ποιους να εμπλέξουν σε συγκεκριμένα ζητήματα και πότε. Γι’ αυτό δημιουργήσαμε το Collaborate. Για να επιτρέψουμε σε χειριστές, μηχανικούς και πράκτορες να συνεργάζονται ως ισότιμοι, με έλεγχο εκδόσεων, αξιολογήσεις και συνεχόμενη μάθηση στο κέντρο της διαδικασίας. Αυτό διασφαλίζει ότι οι άνθρωποι παραμένουν πλήρως εντός του κύκλου, ενώ ο κύκλος απλώς αλλάζει μορφή ώστε να λογαριάζει πόσο καλά συντονίζονται ο πράκτορας και ο άνθρωπος.

Η Gradient Labs έχει επικεντρωθεί σε εξειδικευμένους πράκτορες σχεδιασμένους για συγκεκριμένες ροές εργασίας χρηματοοικονομικών υπηρεσιών, αντί για έναν ενιαίο γενικού σκοπού πράκτορα. Πιστεύετε ότι το μέλλον της επιχειρηματικής AI θα αποτελείται κυρίως από δίκτυα εξειδικευμένων πρακτόρων, ή ότι τα όλο και πιο ικανά μοντέλα βάσης θα κάνουν αυτήν την εξειδίκευση λιγότερο σημαντική;

Νομίζω ότι ακόμη και καθώς τα βασικά μοντέλα βελτιώνονται, η εξειδίκευση παραμένει σημαντική. Οι πελάτες δεν θα πληρώνουν μόνο για ένα έξυπνο μοντέλο, αλλά για αξιολόγηση προσαρμοσμένη στη ροή εργασίας, περιορισμούς και ενσωμάτωση δεδομένων γύρω από αυτό. Και αυτή η εργασία δεν εξαφανίζεται μόνο επειδή το υποκείμενο μοντέλο γίνεται καλύτερο. Θα το έβλεπα ως ένα δίκτυο εξειδικευμένων πρακτόρων που χτίζονται πάνω σε ένα κοινό και ισχυρό βασικό μοντέλο, αντί για έναν γενικού σκοπού πράκτορα που κάνει τα πάντα.

Οι πράκτορες AI χρειάζεται όλο και περισσότερο να μαθαίνουν και να βελτιώνονται μετά την ανάπτυξη, αλλά σε ρυθμιζόμενα περιβάλλοντα ακόμη και μια μικρή αλλαγή στη συμπεριφορά μπορεί να εισάγει νέους κινδύνους. Πώς μπορούν οι εταιρείες να βελτιώνουν συνεχώς έναν πράκτορα διασφαλίζοντας ότι οι ενημερώσεις δεν δημιουργούν παλινδρομήσεις λογισμικού, προβλήματα συμμόρφωσης ή απρόσμενη συμπεριφορά;

Η αρχή που ακολουθούμε είναι ότι κάθε ενημέρωση αντιμετωπίζεται ως νέα κυκλοφορία μοντέλου, όχι ως σταδιακή αλλαγή ρυθμίσεων, ώστε κάθε αλλαγή να περνάει από πλήρες σύνολο αξιολογήσεων πριν κυκλοφορήσει. Αυτό περιλαμβάνει δοκιμές παλινδρόμησης εναντίον προγενέστερων περιπτώσεων όπου ένα λάθος θα είχε πραγματική διαφορά, και τίποτα δεν ενεργοποιείται σε όλους τους πελάτες ταυτόχρονα: κυκλοφορούμε σταδιακά και παρακολουθούμε, ώστε αν αρχίσει να εμφανίζεται απόκλιση, να την εντοπίζουμε σε περιορισμένο τμήμα της κίνησης αντί για πλήρη κλίμακα. Αυτό είναι ακριβώς το σημείο γύρω από το οποίο χτίστηκε η πρόσφατη κυκλοφορία του Collaborate. Το Collaborate επιτρέπει σε χειριστές, μηχανικούς και τον πράκτορα AI να συνεργάζονται ως ισότιμοι πάνω στην ίδια διαρκώς εξελισσόμενη περιγραφή του πώς πρέπει να σκέφτεται ο πράκτορας, με έλεγχο εκδόσεων, αξιολογήσεις και συνεχόμενη μάθηση ενσωματωμένα απευθείας στη ροή εργασίας. Έτσι, όταν κάποιος βελτιώνει τον τρόπο που ο πράκτορας διαχειρίζεται μια περίπτωση, η αλλαγή αυτή αποκτά έκδοση, δοκιμάζεται έναντι παλαιότερων συνομιλιών και κυκλοφορεί υπό τους ίδιους ελέγχους όπως κάθε άλλη κυκλοφορία. Σημαίνει ότι ένας πράκτορας μπορεί να συνεχίσει να βελτιώνεται μετά την ανάπτυξη χωρίς η βελτίωση αυτή να γίνεται η πηγή παλινδρόμησης λογισμικού ή προβλήματος συμμόρφωσης.

Κοιτάζοντας μπροστά, καθώς η πρόσβαση σε ισχυρά μοντέλα βάσης γίνεται όλο και πιο τυποποιημένη και ευρέως διαθέσιμη, από πού θα προέρχεται το πραγματικό ανταγωνιστικό πλεονέκτημα στις εφαρμογές AI; Θα είναι οι νικητές εκείνοι με τα καλύτερα μοντέλα, ή εκείνοι που είναι καλύτεροι στην κατασκευή αξιόπιστων συστημάτων και στην παροχή σταθερά καλών εμπειριών γύρω από αυτά;

Τώρα που όλο και περισσότερα μοντέλα βάσης αρχίζουν να συγκλίνουν, το πλεονέκτημα θα μετακινηθεί σχεδόν εξ ολοκλήρου υπέρ εκείνου που είναι καλύτερος στην κατασκευή πιο αξιόπιστων συστημάτων γύρω από αυτά τα μοντέλα, συμπεριλαμβανομένης της αξιολόγησης, των περιορισμών, των δεδομένων και του σχεδιασμού ροής εργασίας. Το μοντέλο γίνεται ένα τυποποιημένο στοιχείο εισόδου, αλλά η συνέπεια και η αξιοπιστία στην παραγωγή είναι το πραγματικό προϊόν.

Ακόμη και πέρα από αυτό, βλέπω το πλεονέκτημα να προέρχεται περισσότερο από το πόσο βαθιά ένας πράκτορας έχει ενσωματωθεί στις λειτουργίες μιας εταιρείας. Οι πράκτορες που έχουν τη δυνατότητα να ενσωματωθούν σε πολλά διαφορετικά τμήματα των λειτουργιών μιας εταιρείας θα νικήσουν έναντι εργαλείων που μπορούν να αντιμετωπίσουν μόνο συγκεκριμένα προβλήματα ή να φτάσουν μόνο στην πρώτη γραμμή εξυπηρέτησης. Όταν ένας πράκτορας μπορεί να λειτουργήσει τόσο σε συστήματα πρώτης γραμμής όσο και σε συστήματα εσωτερικών λειτουργιών, μπορεί να προσφέρει περισσότερο πλαίσιο στις αλληλεπιδράσεις και να διαχειριστεί πιο σύνθετα προβλήματα από άκρη σε άκρη, όπως θα έκανε ένας άνθρωπος. Η ικανότητα ενός πράκτορα να ταιριάζει με τον τρόπο που λειτουργεί πραγματικά μια εταιρεία είναι εκεί που αναμένω ότι θα προέλθει η διαρκής νίκη.

Σας ευχαριστούμε για τη σπουδαία συνέντευξη, αναγνώστες που θέλουν να μάθουν περισσότερα θα πρέπει να επισκεφθούν Gradient Labs.