Pablo Ormachea, VP of Data at Motus – Interview Series

Pablo Ormachea, VP of Data at Motus, κατασκευάζει συστήματα επιχειρηματικού AI και αναλυτικών που σχεδιάζονται για να κινούνται γρήγορα ενώ αντέχουν σε ρυθμιστικές και οικονομικές εξετάσεις. Ηγείται πλήρως απομακρυσμένων, διαλειτουργικών ομάδων και επικεντρώνεται σε συστήματα λήψης αποφάσεων που βασίζονται σε στοιχεία που βελτιώνουν την αποθήκευση, επεκτείνουν τα περιθώρια και παρέχουν μετρήσιμο ROI. Στο Motus, ανακατασκεύασε τις αναλύσεις για περισσότερους από 350.000 οδηγούς, επιτυγχάνοντας 60 φορές ταχύτερη αναφορά με μηδενικά χρονικά διαστήματα και αποστέλλοντας συστήματα AI/ML, συμπεριλαμβανομένης της ανίχνευσης ανωμαλιών και της πρόβλεψης αποχώρησης που έχουν σώσει τους πελάτες εκατομμύρια. Επίσης, συν-έγραψε το πλαίσιο διακυβέρνησης AI του Motus, ενεργοποιώντας την ασφαλή πειραματική διερεύνηση με σαφείς προεπιλογές, ισχυρή ελεγκτική και συνεχή επιχειρηματική λογική σε όλο το στοίβα δεδομένων.

Motus είναι μια εταιρεία λογισμικού διαχείρισης εργατικού δυναμικού και κινητικότητας που βοηθά τις οργανώσεις να διαχειρίζονται την αποζημίωση οχήματος, την παρακολούθηση μιλίων και τις мобιλείς επιχειρησιακές λειτουργίες. Η cloud πλατφόρμα της αυτοματοποιεί τα προγράμματα αποζημίωσης που ευνοούνται φορολογικά, παρέχει αναφορές και ενημερώσεις σε πραγματικό χρόνο και βοηθά τις επιχειρήσεις να μειώσουν το κόστος, να βελτιώσουν την παραγωγικότητα και να διαχειριστούν την συμμόρφωση για τους υπαλλήλους που οδηγούν ως μέρος του έργου τους.

Έχετε χτίσει μια μοναδική καριέρα στο σημείο τομής της μηχανικής AI, στρατηγικής δεδομένων και ρύθμισης — από το Harvard Law στο να ηγείστε τα δεδομένα και το AI στο Motus. Ποια κλειδιά εμπειρίες διαμόρφωσαν την προσέγγισή σας για την κατασκευή συστημάτων AI που είναι και τεχνικά προηγμένα και συμμορφώνονται με αυστηρά ρυθμιστικά πλαίσια;

Μάθαμε να αντιμετωπίζουμε τη συμμόρφωση ως μια μηχανική περιορισμό, όχι ως νομική μετάνοια. Αν χτίσετε τον αυτοκινητόδρομο, μπορείτε να οδηγήσετε με ταχύτητα αυτοκινητόδρομου. Αν προσποιηθείτε ότι είναι ένας δρόμος χωμάτινος και πατήσετε το γκάζι, δεν κινείστε γρηγορότερα. Απλώς συντρίβεστε νωρίτερα.

Το Harvard Law βοήθησε με ένα απρόσμενο τρόπο γιατί το σύστημα του κοινού δικαίου είναι βασικά μια εκμάθηση που οδηγείται από υπολείμματα. Ένα κανόνα συναντά την πραγματικότητα. Οι περιπτώσεις άκρων αποκαλύπτουν όπου αποτυγχάνει. Η διδασκαλία βελτιώνει.

Αυτός είναι ο ίδιος νοητικός μοντέλος που χρησιμοποιώ για το AI στην παραγωγή. Κάθε υπολείμμα είναι ένα δώρο. Λέει σε σας哪里 οι υποθέσεις σας διαφέρουν από τον πραγματικό κόσμο και σας δίνει einen συγκεκριμένο δρόμο για να σφίξετε το σύστημα.

Έτσι, βελτιώνω για δύο πράγματα ταυτόχρονα: την ταχύτητα αποστολής και το βάρος της απόδειξης. Ο στόχος δεν είναι «καινοτομία versus συμμόρφωση». Ο στόχος είναι να χτίσετε συστήματα που μπορούν να κινούνται γρήγορα και να απαντήσουν σαφώς και επαναλαμβανόμενα, «Πώς ξέρετε;»

Συν-έγραψα την πολιτική διακυβέρνησης AI του Motus που συντόμευσε τις εγκρίσεις διατηρώντας ισχυρά ελέγχους. Ποια αρχές οδηγούσαν όταν σχεδίαζε αυτή τη πολιτική και πώς ισορροπείτε την ταχύτητα καινοτομίας με την ετοιμότητα ελέγχου;

Δεν ξεκινήσαμε να γράφουμε κανόνες. Σχεδιάσαμε ένα χάρτη. Όταν αρχίζει η υιοθέτηση AI, το ενδιαφέρον έρχεται από κάθε κατεύθυνση και η ταχύτητα μπορεί να μετατρέπεται σε θόρυβο ή, χειρότερα, ευθύνη. Έτσι, η πρώτη δουλειά είναι η σαφήνεια: όπου μπορούν να τρέξουν τα LLM και όπου δεν μπορούν, ποια δεδομένα παραμένουν αυστηρά εσωτερικά και ποια είδη πειραμάτων επιτρέπονται σε μια ασφαλή λωρίδα.

Η ισορροπία έρχεται από το να κάνετε τον ασφαλή δρόμο τον εύκολο δρόμο. Η διακυβέρνηση αποτυγχάνει όταν είναι μια επιτροπή. Λειτουργεί όταν γίνεται προεπιλογές: εγκεκριμένα εργαλεία, σαφείς συνοριακές γραμμές δεδομένων, τυποποιημένη καταγραφή και μια ταχεία λωρίδα έγκρισης για περιπτώσεις άκρων. Ο στόχος είναι ότι οι κατασκευαστές δεν χρειάζεται να ξαναδιαπραγματεύονται την ασφάλεια κάθε φορά που αποστέλλουν.

Τότε η ετοιμότητα ελέγχου γίνεται ένα προϊόν. Δεν πανδημεύετε να συναρμολογήσετε αποδεικτικά στοιχεία μετά το γεγονός γιατί το σύστημα γεννά τα αποδεικτικά στοιχεία καθώς τρέχει.

Έχετε πει ότι οι πρακτικές AI πρέπει να ανταποκρίνουν «ακόμη και σε επίπεδο IRS». Μπορείτε να μοιραστείτε ένα παράδειγμα όπου οι ρυθμιστικές εξετάσεις επηρέασαν άμεσα μια τεχνική απόφαση AI ή ML στο Motus;

Σε ρυθμισμένες ροές εργασίας, η ερώτηση δεν είναι μόνο «είναι το μοντέλο ακριβές;» Είναι «μπορείτε να δείξετε το έργο σας αργότερα;» Αυτή η πραγματικότητα διαμορφώνει τι «καλό» μοιάζει στο Motus.

Αλλάζει τις επιλογές σχεδιασμού. Για ορισμένες περιπτώσεις χρήσης, προκαλώ προς προσεγγίσεις που είναι εξηγητές, αναπαράγονται και εύκολες να ελεγχθούν. Συχνά αυτό σημαίνει απλούστερες οικογένειες μοντέλων. Συχνά σημαίνει детерμινιστικές φρουρές, εκδόσεις χαρακτηριστικών και καταγραφή εισόδων και εξόδων με έναν τρόπο που υποστηρίζει την πραγματική αναπαραγωγή.

Ένα συγκεκριμένο παράδειγμα: όταν ενημερώσαμε μέρη της λογικής αποζημίωσης και αναφοράς, πίεσα σκληρά την αναγνωρισιμότητα σε κρίσιμους σημεία αποφάσεων. Θέλαμε το σύστημα να απαντήσει, κατόπιν αιτήματος, ποιο κανόνα ενεργοποιήθηκε, ποια δεδομένα χρησιμοποιήθηκαν, ποια έκδοση εκτελούνταν και τι θα άλλαζε το αποτέλεσμα. Έκανε τα συστατικά AI πιο χρηστικά και έκανε την整ική ροή εργασίας πιο εύκολη να υπερασπιστεί.

Το μερίδιο αποδοχής συνδυάζεται. Όταν μπορείτε να αναπαράγετε συμπεριφορά και να τομήσετε λάθη, τα υπολείμματα σταματούν να είναι μυστηριώδη. Γίνονται μια προτεραιωμένη λίστα: τι απέτυχε, πού, γιατί και ποια αλλαγή κλείνει το χάσμα.

Το Motus λειτουργεί λύσεις για αποζημίωση οχήματος και μείωση του κινδύνου που πρέπει να ικανοποιούν τις απαιτήσεις IRS και άλλων ρυθμιστικών. Πώς το AI βελτιώνει τη συμμόρφωση και την ακρίβεια σε αυτές τις επιχειρηματικές περιπτώσεις;

Το AI βοηθά με δύο τρόπους: μειώνει την τριβή χειρός και ενισχύει τη συμμόρφωση.

Στην αποζημίωση, η αξία δεν είναι μόνο η αυτοματοποίηση, είναι η συνεχή. Το AI μπορεί να βοηθήσει στην ταξινόμηση ταξιδιών, την ανίχνευση ανωμαλιών και την εμφάνιση λείπων πληροφοριών νωρίτερα, που μειώνει την ανακατασκευή μετά. Κανείς δεν θέλει η αποζημίωση να γίνει ένα μηνιαίο αρχαιολογικό έργο. Το όφελος συμμόρφωσης έρχεται από καλύτερη μέτρηση και καλύτερη τεκμηρίωση. Υποστηρίζετε αποτελέσματα με einen σαφή αρχείο αντί να βασίζεστε σε ανακατασκευή μετά.

Στον κίνδυνο, το AI είναι χρήσιμο γιατί οι ελέγχοι σε ένα σημείο του χρόνου δεν είναι αρκετοί. Οι επιχειρήσεις θέλουν συνεχή επίγνωση τι άλλαξε, τι φαίνεται άσχημα και τι χρειάζεται προσοχή. Τα καλύτερα συστήματα AI εδώ δεν είναι δραματικά. Είναι ήσυχα, συνεχή και μετρήσιμα.

Η ηγεσία απομακρυσμένων, διαλειτουργικών ομάδων που συνεργάζονται με Νομικά, Ασφάλεια, Οικονομικά και Προϊόν είναι kein μικρό κατόρθωμα. Ποια είναι τα μεγαλύτερα προκλήματα που αντιμετωπίζετε στην ευθυγράμμιση αυτών των ομάδων γύρω από πρωτοβουλίες δεδομένων και AI;

Το πιο δύσκολο μέρος είναι ότι κάθε ομάδα είναι ραціональ και βελτιώνει για διαφορετικά рисκ.

Η ασφάλεια ανησυχεί για την έκθεση. Το Νομικό ανησυχεί για την αμυντική. Τα Οικονομικά ανησυχούν για το κόστος και την προβλέψιμη. Το Προϊόν ανησυχεί για την ταχύτητα και την αξία του πελάτη. Τα δεδομένα και η μηχανική ανησυχούν για τη δυνατότητα και την αξιοπιστία. Αν αντιμετωπίζετε αυτά ως ανταγωνιστικά προγράμματα, σταματάτε.

Το αντίμετρο είναι η κοινή γλώσσα και οι σαφείς λωρίδες. Ευθυγραμμίζουμε την απόφαση που επικεντρώνεται, ορίζουμε τα όρια και συμφωνούμε σε τι αποδεικτικά στοιχεία «καλό» απαιτεί. Τότε χτίζουμε προεπιλογές ώστε η περισσότερη δουλειά να μπορεί να κινηθεί χωρίς τελετή.

Έχω βρει ότι η σαφήνεια νικά την πειθώ. Όταν οι άνθρωποι μπορούν να δουν το χάρτη, η ευθυγράμμιση γίνεται πολύ πιο εύκολη.

Έχετε οδηγήσει σημαντικές βελτιώσεις απόδοσης — όπως 60 φορές ταχύτερη αναφορά για 350.000+ οδηγούς και εκατομμύρια σε αποταμιεύσεις πελατών. Πώς αποφασίζετε ποια έργα AI/ML να προτεραιοποιήσετε για cả την τακτική επίδραση και τη στρατηγική αξία;

Προτεραιοποιώ έργα που περνούν τρεις εξετάσεις.

Πρώτον, πρέπει να αλλάξουν μια πραγματική απόφαση ή ροή εργασίας, όχι μόνο να παράγουν ένα έξυπνο σκορ. Αν η έξοδος δεν αλλάζει με συνέπεια τη συμπεριφορά, είναι μια επίδειξη, όχι ένα προϊόν.

Δεύτερον, πρέπει να είναι μετρήσιμα. Οι παππούδες μου χρησιμοποιούσαν να λένε «καλά μετρημένα είναι η μισή δουλειά». Σε ρυθμισμένες ρυθμίσεις, είναι περισσότερο από η μισή. Αν δεν μπορούμε να ορίσουμε την επιτυχία, τους τρόπους λάθους και την παρακολούθηση από την αρχή, σημαίνει ότι δεν καταλαβαίνουμε ακόμη τη δουλειά.

Τρίτον, πρέπει να είναι αμυντικά υπό σκραπίνι. Αυτό περιλαμβάνει την προέλευση δεδομένων, τα όρια πρόσβασης και την ικανότητα να εξηγήσετε και να αναπαράγετε αποτελέσματα.

Όταν ένα έργο περάσει αυτές τις εξετάσεις, τείνει να δημιουργήσει τόσο τακτικές νίκες όσο και στρατηγική σύνθεση. Στο Motus, αυτό είναι πώς abbiamo παραδώσει βελτιώσεις απόδοσης, συμπεριλαμβανομένων υλικών ταχύτερων αναφορών σε κλίμακα, λιγότερων εξαιρέσεων και αυτοματοποίησης που μεταφράζεται σε πραγματικές αποταμιεύσεις χρόνου πελατών.

Η εμπιστοσύνη και η ερμηνευσιμότητα είναι κρίσιμες για την υιοθέτηση επιχειρηματικού AI. Πώς η ομάδα σας εξασφαλίζει ότι τα μοντέλα είναι ερμηνεύσιμα και αξιόπιστα για μετόχους σε διάφορες επιχειρηματικές μονάδες;

Η εμπιστοσύνη έρχεται από σαφήνεια, συνεχή και ένα σύστημα που μπορεί να εξηγήσει τον εαυτό του υπό πίεση.

Σχεδιάζουμε συστήματα με ένα κουμπί αναπαραγωγής. Ίδια εισόδου, ίδια έκδοση, ίδια έξοδος, συν ένα αποδεικτικό στοιχείο τι άλλαξε με τον καιρό. Επίσης, κάνουμε τα υπολείμματα ορατά. Κάθε λάθος είναι πληροφορία. Αν οργανώσετε σωστά τα λάθη, μπορείτε να εξηγήσετε τη συμπεριφορά με σαφείς λέξεις και να τη βελτιώσετε με έναν πειθαρχημένο τρόπο.

Όταν μια απόφαση έχει έκθεση ελέγχου, προκαλώ προς απλούστερες μοντέλα συν με ισχυρή μέτρηση hơn από αδιαφανή πολυπλοκότητα. Πρακτικά, αυτό σημαίνει σαφείς ορισμοί δεδομένων, αξιολόγηση που κομματιάζει την απόδοση από σημαντικές τομές, παρακολούθηση για μετατόπιση και μια τεκμηριωμένη διαδικασία αλλαγής. Οι μετόχοι δεν χρειάζονται κάθε τεχνικό λεπτό. Χρειάζονται εμπιστοσύνη ότι το σύστημα είναι μετρημένο, οριοθετημένο και βελτιωμένο.

Σε επιχειρηματικές ρυθμίσεις, η ερμηνευσιμότητα δεν είναι μια φιλοσοφική προτίμηση. Είναι μια απαιτούμενη για υιοθέτηση και έχει σημασία όταν οι πελάτες χρειάζονται να αντέξουν μελλοντικές ελέγχους.

Από τις διαδρομές HIPAA για τις πipelines δεδομένων έως τις αναφορές IRS, το Motus τονίζει την ασφαλή, κλιμακωτή AI. Ποια είναι τα καλύτερα πρακτικά που θα συνιστούσατε σε άλλους ηγέτες AI που εργάζονται σε ρυθμισμένες βιομηχανίες;

Μερικές αρχές που ταξιδεύουν καλά:

• Θεραπεύετε τη συμμόρφωση ως τον αυτοκινητόδρομο. Χτίσετε δρόμους για τις ομάδες να κινούνται γρήγορα ασφαλώς.
• Ορίστε τα όρια νωρίς. Να είστε σαφείς για ποια δεδομένα δεν μπορούν να φύγουν, ποια εργαλεία είναι εγκεκριμένα και ποια είδη πειραμάτων επιτρέπονται σε μια ασφαλή λωρίδα.
• Αυτοματοποιήστε τα αποδεικτικά στοιχεία. Κάνετε την καταγραφή, την προέλευση και την εκδόση προεπιλογές, όχι μια πανδημία κατά τη διάρκεια ενός ελέγχου.
• Μετρήστε πριν κλιμακώσετε. Καλά μετρημένα είναι η μισή δουλειά. Δεν μπορείτε να βελτιώσετε τι δεν μπορείτε να δείτε.
• Λειτουργήστε τα υπολείμματα. Μετατρέψτε τα λάθη σε μια ταξινόμηση λαθών και μια προτεραιωμένη λίστα βελτίωσης.
• Σχεδιάστε για υιοθέτηση. Μεγάλα μοντέλα είναι μέρος στατιστικών, μέρος συνεργασίας και σε μεγάλο βαθμό διαχείριση αλλαγών.

Αν η διακυβέρνηση σας ζει σε ένα PDF, δεν θα κλιμακωθεί. Αν ζει στο σύστημα, θα το κάνει.

Με το Motus στην πρώτη γραμμή των λύσεων αποζημίωσης οχήματος και μείωσης του κινδύνου, πώς βλέπετε το AI να εξελίσσεται σε αυτόν τον χώρο τα επόμενα 3-5 χρόνια;

Περιμένω δύο μεγάλες μετατοπίσεις και ενισχύουν ο ένας τον άλλον.

Πρώτον, ο κίνδυνος θα μετατοπιστεί από περιοδικούς ελέγχους σε συνεχείς, αποφασιστικές σημάδια. Σήμερα, οι περισσότερες οργανώσεις ακόμα μαθαίνουν για τον κίνδυνο οδηγού πολύ αργά, είτε μετά από ένα περιστατικό είτε μετά από μια περιοδική ανασκόπηση. Η επόμενη κυμαία είναι συστήματα που επιφέρουν τον κίνδυνο νωρίτερα και πιο ακριβώς, χρησιμοποιώντας μοτίβα που ήδη υπάρχουν στις επιχειρησιακές λειτουργίες: αλλαγές στην ικανότητα, κενά κάλυψης, ασυνήθιστα μοτίβα μιλίων και ασυνέπειες μεταξύ αναμενόμενης και παρατηρημένης συμπεριφοράς. Ο στόχος δεν είναι να αντικαταστήσει την κρίση. Είναι να δώσει ασφάλεια, Ανθρώπινους Πόρους, Οικονομικά και λειτουργίες μια σαφή πίνακα προειδοποίησης, με λιγότερα ψευδώς θετικά σήματα και καλύτερη τεκμηρίωση γιατί κάτι σημειώθηκε.

Δεύτερον, η αποζημίωση θα μετατοπιστεί από χαρτί σε ροή εργασίας. Οι επιχειρήσεις ακόμα χάνουν ένα आश्चηρό χρόνο σε υποβολές, διορθώσεις, εγκρίσεις και μετα-χρονική καθαρισμό. Τα επόμενα χρόνια, περιμένω περισσότερη αυτοματοποίηση σε όλη τη διάρκεια ζωής της αποζημίωσης: προ-γεμίζοντας τι μπορεί να προ-γεμιστεί, πιάνοντας λείπων ή ασυνήθιστων εισόδων νωρίς, κατεύθυνση εξαιρέσεων στο σωστό εγκριτή με контекст και μειώνοντας το χέρι-πίσω-χέρι. Κάνετε καλά, αυτό κάνει την αποζημίωση ταχύτερη και πιο αμυντική γιατί το αποδεικτικό στοιχείο γεννιέται ως μέρος της διαδικασίας αντί να ανακατασκευαστεί αργότερα.

Τι κάνει αυτό ενθουσιασμό είναι πώς συναντώνται όταν η βάση είναι σωστή. Όταν τα όρια είναι σαφή και τα υπολείμματα είναι ορατά, παίρνετε einen συνδυασμό βρόχου: λιγότερες εξαιρέσεις, καθαρότερες υποβολές, ταχύτερες εγκρίσεις, καλύτερα σήματα κινδύνου και một σαφής αρχείο πώς οι αποφάσεις έγιναν.

Το μέλλον δεν είναι «AI παντού». Είναι AI ενσωματωμένο στα σωστά σημεία, με ισχυρά μέτρηση και βρόχους ανατροφοδότησης που διατηρούν την βελτίωση.

Βασισμένο στην πορεία σας μέσω του νόμου, της νευροεπιστήμης, των στατιστικών και του εφαρμοσμένου AI, ποια οδηγία θα δίνατε σε νέους επαγγελματίες που επιδιώκουν να ηγηθούν δεδομένων και AI σε σύνθετες επιχειρηματικές περιβάλλοντα;

Μάθετε να χτίσετε συστήματα, όχι μόνο μοντέλα. Ή, διαφορετικά, χτίσετε τον αυτοκινητόδρομο, οργανώστε τα λάθη και διατηρήστε το χάρτη ενημερωμένο.

Πηγαίνετε κοντά στους ανθρώπους που ζουν το αποτέλεσμα. Οι επιχειρηματίες στην πρώτη γραμμή συχνά βλέπουν σήματα πριν από τα δεδομένα σας. Η ανατροφοδότησή τους δεν είναι «ανεκδοτική». Είναι συχνά το λείπων σύνολο χαρακτηριστικών.

Αναπτύξτε άνεση με τη μέτρηση και την ταπείνωση για λάθος. Τα υπολείμματα είναι δώρα αν είστε πρόεδροι να ακούσετε. Σε ρυθμισμένες ρυθμίσεις, προσθέστε την πειθαρχία της απόδειξης: να μπορείτε να εξηγήσετε τι χτίσατε, γιατί συμπεριφέρθηκε με τον τρόπο που το έκανε και τι θα κάνετε όταν αλλάξει.

Τέλος, θυμηθείτε ότι η υιοθέτηση είναι μέρος της δουλειάς. Η διαχείριση αλλαγών δεν είναι ένα μαλακό πρόσθετο. Είναι μια βασική απαιτούμενη αν θέλετε το AI σας να χρησιμοποιηθεί. Αυτό σημαίνει ότι δεν είναι αρκετό να είστε ισχυροί στα δεδομένα, τα μοντέλα και τους αλγορίθμους. Πρέπει να εργαστείτε καλά σε διάφορες επιχειρηματικές μονάδες, να κερδίσετε εμπιστοσύνη και να διαπραγματευτείτε τον ανθρώπινο δρόμο που μετατρέπει ένα καλό μοντέλο σε μια πραγματική ικανότητα. Αν μπορείτε να το κάνετε, δεν θα χτίσετε μόνο μοντέλα, θα χτίσετε εμπιστοσύνη.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Motus.