Πάμπλο Ορμάτσεα, Αντιπρόεδρος Δεδομένων στη Motus – Σειρά Συνεντεύξεων

Πάμπλο Ορμάτσεα, Αντιπρόεδρος Δεδομένων στη Motus, κατασκευάζει επιχειρηματικά συστήματα AI και ανάλυσης που σχεδιάζονται για να κινούνται γρήγορα ενώ αντέχουν σε ρυθμιστική και οικονομική εποπτεία. 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. Στη Motus, επανασχεδίασε την ανάλυση για περισσότερους από 350.000 οδηγούς, επιτυγχάνοντας 60 φορές ταχύτερη αναφορά με μηδενικά χρονικά διαστήματα και απέστειλε συστήματα AI/ML που έχουν σώσει τους πελάτες εκατομμύρια.

Motus είναι μια εταιρεία λογισμικού διαχείρισης εργατικού δυναμικού και κινητικότητας που βοηθά τις οργανώσεις να διαχειρίζονται την αποζημίωση οχημάτων, την παρακολούθηση μιλίων και τις επιχειρηματικές επιχειρήσεις. Η cloud πλατφόρμα της αυτοματοποιεί τα προγράμματα αποζημίωσης, παρέχει αναφορές και πληροφορίες 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 της δουλειάς τους.

Έχετε χτίσει μια μοναδική καριέρα στο giaoσημα της μηχανικής AI, στρατηγικής δεδομένων και ρύθμισης — από το Χάρβαρντ Νόμου έως την ηγεσία δεδομένων και AI στη Motus. Ποια κλειδιά εμπειρίες διαμόρφωσαν την προσέγγισή σας για την κατασκευή συστημάτων AI που είναι και τεχνικά προηγμένα και συμμορφώνονται με αυστηρές ρυθμιστικές πλαισιά;

Μάθαμε νωρίς να αντιμετωπίζουμε τη συμμόρφωση ως μια μηχανική περιορισμό, όχι ως νομική παρενθύμιση. Αν χτίσετε τον αυτοκινητόδρομο, μπορείτε να οδηγήσετε με αυτοκινητόδρομο ταχύτητας. Αν υποκριθείτε ότι είναι ένας δρόμος και οδηγείτε με ταχύτητα, δεν κινείστε γρηγορότερα. Απλώς συντρίβεστε νωρίτερα.

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

Αυτός είναι ο ίδιος νοητικός μοντέλος που χρησιμοποιώ για την AI στην παραγωγή. Κάθε υπόλοιπο είναι ένα δώρο. Μας λέει όπου οι υποθέσεις μας διαφέρουν από τον πραγματικό κόσμο και μας δίνει einen συγκεκριμένο δρόμο για να σφίξουμε το σύστημα.

Έτσι, βελτιστοποιώ για δύο πράγματα ταυτόχρονα: ταχύτητα αποστολής και βαρύτητα απόδειξης. Ο στόχος δεν είναι «καινοτομία versus συμμόρφωση». Ο στόχος είναι να χτίζουμε συστήματα που μπορούν να κινούνται γρήγορα και να απαντούν σαφώς και επαναλαμβανόμενα, «Πώς γνωρίζετε;»

Συνεισέφερε στο AI governance policy της Motus που απλοποίησε τις εγκρίσεις ενώ διατήρησε ισχυρά ελέγχους. Ποια αρχές σας οδηγούσαν όταν σχεδίαζετε αυτή την πολιτική και πώς ισορροπείτε την ταχύτητα καινοτομίας με την ετοιμότητα ελέγχου;

Δεν ξεκινήσαμε να γράφουμε κανόνες. Σχεδιάσαμε einen χάρτη. Όταν η υιοθέτηση AI ξεκινά, το ενδιαφέρον έρχεται από όλες τις κατευθύνσεις και η ταχύτητα μπορεί να γίνει θόρυβος ή χειρότερα, ευθύνη. Έτσι, η πρώτη δουλειά είναι η σαφήνεια: όπου μπορούν να τρέξουν οι LLM και όπου δεν μπορούν, ποια δεδομένα παραμένουν αυστηρά μέσα και ποια πειράματα επιτρέπονται σε ένα ασφαλές δρόμο.

Η ισορροπία έρχεται από το να κάνουμε τον ασφαλή δρόμο τον εύκολο δρόμο. Η διακυβέρνηση αποτυγχάνει όταν είναι μια επιτροπή. Λειτουργεί όταν γίνεται προεπιλογές: εγκεκριμένα εργαλεία, σαφείς οριοθετήσεις δεδομένων, τυποποιημένη καταγραφή και ένας γρήγορος δρόμος έγκρισης για περιπτώσεις άκρων. Ο στόχος είναι ότι οι κατασκευαστές δεν χρειάζεται να ξαναδιαπραγματευτούν την ασφάλεια κάθε φορά που αποστέλλουν.

Τότε η ετοιμότητα ελέγχου γίνεται ένα παραπροϊόν. Δεν πανηγυρίζετε για να συναθροίσετε αποδείξεις μετά το γεγονός γιατί το σύστημα παράγει τις αποδείξεις καθώς τρέχει.

Έχετε πει ότι οι πρακτικές AI πρέπει να ικανοποιούν «甚至 IRS επίπεδο ελέγχου». Μπορείτε να μοιραστείτε ένα παράδειγμα όπου οι ρυθμιστικές σκέψεις επηρέασαν άμεσα μια τεχνική απόφαση AI ή ML στη Motus;

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

Αλλάζει τις επιλογές σχεδιασμού. Για ορισμένες περιπτώσεις χρήσης, προτιμούμε προσεγγίσεις που είναι εξηγητές, αναπαραγώγιμες και εύκολες να ελεγχθούν. Συχνά σημαίνει απλούστερες οικογένειες μοντέλων. Συχνά σημαίνει детерμινιστικές φρουρές, διαμορφωμένες λειτουργίες και καταγραφή εισόδων και εξόδων με έναν τρόπο που υποστηρίζει την πραγματική αναπαραγωγή.

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

Το αντάλλαγμα συνδυάζεται. Όταν μπορείτε να αναπαράγετε την συμπεριφορά και να κοπείτε λάθη, τα υπολείμματα σταματούν να είναι μυστήρια. Γίνονται μια προτεραιότητα λίστα: τι απέτυχε, πού, γιατί και τι αλλαγή κλείνει το χάσμα.

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

Η AI βοηθά με δύο τρόπους: μειώνει τη χειροκίνητη τριβή και ενισχύει τη δικαιολογία.

Στην αποζημίωση, η αξία δεν είναι μόνο αυτοματοποίηση, αλλά και συνεπής. Η AI μπορεί να βοηθήσει στην ταξινόμηση ταξιδιών, την ανίχνευση ανωμαλιών και την εμφάνιση λείπων πληροφοριών νωρίτερα, το οποίο μειώνει την ανακατασκευή. Κανείς δεν θέλει η αποζημίωση να γίνει ένα μηνιαίο αρχαιολογικό έργο. Η συμμορφωτική ωφέλεια έρχεται από καλύτερη μέτρηση και καλύτερη τεκμηρίωση. Υποστηρίζετε αποτελέσματα με ένα σαφές αρχείο αντί να βασίζεστε σε ανακατασκευή μετά το γεγονός.

Στον κίνδυνο, η AI είναι χρήσιμη γιατί οι ελέγχοι σε ένα σημείο του χρόνου δεν είναι đủ. Οι επιχειρήσεις θέλουν συνεχής επίγνωση του τι άλλαξε, τι φαίνεται λάθος και τι χρειάζεται προσοχή. Τα καλύτερα συστήματα AI εδώ δεν είναι δραματικά. Είναι ήσυχα, συνεπή και μετρήσιμα.

Η ηγεσία απομακρυσμένων, διαλειτουργικών ομάδων που συνεργάζονται με Νομικά, Ασφάλεια, Οικονομικά και Προϊόν είναι δεν είναι ένα 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 ρητή και βελτιστοποιεί για διαφορετικά рисκ.

Η ασφάλεια ανησυχεί για την έκθεση. Το Νομικό ανησυχεί για τη δικαιολογία. 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 τις αντιμετωπίζετε ως ανταγωνιστικές ημερήσιες, σταματάτε.

Το φάρμακο είναι μια κοινή γλώσσα και σαφείς δρόμοι. Ευθυγραμμίζουμε την απόφαση που βρίσκεται στο jeu, ορίζουμε τα όρια και συμφωνούμε σε τι αποδείξεις «καλό» απαιτεί. Τότε χτίζουμε προεπιλογές ώστε η περισσότερη δουλειά να μπορεί να κινηθεί χωρίς τελετουργία.

Έχω βρει ότι η σαφήνεια νικά την πειθώ. Όταν οι άνθρωποι μπορούν να δουν τον 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 την στρατηγική αξία;

Προτεραιοποιώ έργα που περνούν τρία τεστ.

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

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

Τρίτον, πρέπει να είναι δικαιολογημένα υπό εποπτεία. Αυτό περιλαμβάνει προέλευση δεδομένων, οριοθετήσεις πρόσβασης και την ικανότητα να εξηγήσετε και να αναπαράγετε αποτελέσματα.

Όταν ένα έργο περάσει αυτά τα τεστ, τείνει να δημιουργήσει και τακτικές νίκες και στρατηγική συσσώρευση. Στη Motus, αυτό είναι πώς abbiamo παραδώσει βελτιώσεις που αλλάζουν το βήμα, συμπεριλαμβανομένων υλικά ταχύτερων αναφορών σε κλίμακα, λιγότερων εξαιρέσεων και αυτοματοποίησης που μεταφράζεται σε πραγματικές αποταμιεύσεις χρόνου πελατών.

Η εμπιστοσύνη και η εξηγησιμότητα είναι κρίσιμες για την υιοθέτηση AI στην επιχείρηση. Πώς η ομάδα σας διασφαλίζει ότι τα μοντέλα είναι ερμηνεύσιμα και αξιόπιστα για τους μετόχους σε διάφορες επιχειρηματικές μονάδες;

Η εμπιστοσύνη έρχεται από τη σαφήνεια, τη συνεπή 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 αρχείο αποδείξεων για 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, προτιμούμε απλούστερα μοντέλα συν με ισχυρή μέτρηση hơn από αδιαφανή πολυπλοκότητα. Πρακτικά, αυτό σημαίνει σαφείς ορισμοί δεδομένων, αξιολόγηση που κοπεί την απόδοση με σημαντικές τομές, παρακολούθηση για ολίσθηση και μια τεκμηριωμένη διαδικασία αλλαγής. Οι μετόχοι δεν χρειάζονται κάθε τεχνικό λεπτό. Χρειάζονται εμπιστοσύνη ότι το σύστημα είναι μετρημένο, οριοθετημένο και βελτιωμένο.

Σε επιχειρηματικά περιβάλλοντα, η εξηγησιμότητα δεν είναι μια φιλοσοφική προτίμηση. Είναι μια απαιτούμενη για υιοθέτηση και έχει σημασία όταν οι πελάτες χρειάζονται να αντέξουν μελλοντικούς ελέγχους.

Από τις πipelines δεδομένων του HIPAA στο IRS-συμμορφωτό reporting, η Motus τονίζει την ασφαλή, κλιμακωτή AI. Ποια είναι οι καλύτερες πρακτικές που θα συνιστούσατε σε άλλους ηγέτες AI που εργάζονται σε ρυθμισμένες βιομηχανίες;

Μερικές αρχές που ταξιδεύουν καλά:

• Θεάρετε τη συμμόρφωση ως τον αυτοκινητόδρομο. Χτίστε δρόμους ώστε οι ομάδες να μπορούν να κινούνται γρήγορα με ασφάλεια.
• Ορίστε τα όρια νωρίς. Να είστε σαφείς για ποια δεδομένα δεν μπορούν να φύγουν, ποια εργαλεία είναι εγκεκριμένα και όπου τα μοντέλα μπορούν να τρέξουν.
• Αυτοματοποιήστε τις αποδείξεις. Κάνετε την καταγραφή, την προέλευση και την εκδοχή προεπιλογές, όχι μια πανδημία κατά τη διάρκεια ενός ελέγχου.
• Μετρήστε πριν να κλιμακωθείτε. Καλά μετρημένα είναι η μισή δουλειά. Δεν μπορείτε να βελτιώσετε τι δεν можете δείτε.
• Λειτουργήστε τα υπολείμματα. Μετατρέψτε τα λάθη σε μια ταξινόμηση λαθών και μια προτεραιότητα λίστα βελτίωσης.
• Σχεδιάστε για υιοθέτηση. Μεγάλα μοντέλα είναι μέρος στατιστικών, μέρος συνεργασίας και lớn change management.

Αν η διακυβέρνηση σας ζήσει σε ένα PDF, δεν θα κλιμακωθεί. Αν ζήσει στο σύστημα, θα κλιμακωθεί.

Με τη Motus στο προσκήνιο των λύσεων αποζημίωσης οχήματος και μείωσης κινδύνου, πώς βλέπετε την AI να εξελίσσεται σε αυτόν τον χώρο τα επόμενα 3-5 χρόνια;

Περιμένω δύο μεγάλες αλλαγές και ενισχύουν η μια την άλλη.

Πρώτον, ο κίνδυνος θα μεταφερθεί από περιοδικούς ελέγχους σε συνεχείς, απόφαση-βαθμούς σήματα. Σήμερα, οι περισσότερες οργανώσεις vẫn μαθαίνουν για τον κίνδυνο οδηγού πολύ αργά, είτε μετά από ένα περιστατικό είτε μετά από einen έλεγχο σε ένα σημείο του χρόνου. Η επόμενη κυμαία είναι συστήματα που επιφέρουν τον κίνδυνο νωρίτερα και πιο ακριβώς, χρησιμοποιώντας μοτίβα που υπάρχουν ήδη στις επιχειρήσεις: αλλαγές στην ικανότητα, κενά κάλυψης, ασυνήθιστα μοτίβα μιλίων και ασυνεπή μεταξύ προβλεπόμενης και παρατηρημένης συμπεριφοράς. Ο στόχος δεν είναι να αντικαταστήσει την κρίση. Είναι να δώσει στην ασφάλεια, την Ανθρώπινη Πηγή, τα Οικονομικά και τις επιχειρήσεις μια σαφέστερη πρώιμη προειδοποίηση, με λιγότερες ψευδείς συναγερμοί και καλύτερη τεκμηρίωση γιατί κάτι σημειώθηκε.

Δεύτερον, η αποζημίωση θα μεταφερθεί από τα χαρτιά στη ροή εργασιών. Οι επιχειρήσεις vẫn χάνουν πολύ χρόνο σε υποβολές, διορθώσεις, εγκρίσεις και μετα-χρόνο καθαρισμό. Τα επόμενα χρόνια, περιμένω περισσότερη αυτοματοποίηση σε όλη τη διάρκεια της αποζημίωσης: προ-γεμίζοντας τι μπορεί να προ-γεμιστεί, πιάνοντας λείπων ή ασυνεπή εισόδους νωρίς, κατευθύνοντας εξαιρέσεις στο σωστό εγκριτή με περιεχόμενο και μειώνοντας την χειροκίνητη ανάστροφη. Κάνετε τη διαδικασία αποζημίωσης ταχύτερη και πιο δικαιολογημένη γιατί το αρχείο αποδείξεων παράγεται ως μέρος της διαδικασίας αντί να ανακατασκευαστεί αργότερα.

Τι κάνει αυτό συναρπαστικό είναι το πώς συναντώνται όταν η βάση είναι σωστή. Όταν τα όρια είναι σαφή και τα υπολείμματα είναι ορατά, παίρνετε einen συσσώρευσης βρόχου: λιγότερες εξαιρέσεις, καθαρότερες υποβολές, ταχύτερες εγκρίσεις, καλύτερα σήματα κινδύνου και một σαφέστερη εγγραφή για πώς οι αποφάσεις λήφθηκαν.

Το μέλλον δεν είναι «AI παντού». Είναι AI ενσωματωμένο στις σωστές στιγμές, με ισχυρά μέτρηση και βρόχους ανατροφοδότησης που συνεχίζουν να βελτιώνουν.

Βασισμένο στην πορεία σας από το Νόμο, την νευροεπιστήμη, τη στατιστική και την εφαρμοσμένη AI, ποια είναι η καθοδήγηση που θα δίνατε σε νεαρούς επαγγελματίες που επιδιώκουν να ηγηθούν δεδομένων και AI σε σύνθετα επιχειρηματικά περιβάλλοντα;

Μάθετε να χτίζετε συστήματα, όχι μόνο μοντέλα. Ή, με άλλα λόγια, χτίστε τον αυτοκινητόδρομο, οργανώστε τα λάθη και διατηρήστε τον 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 ρυθμισμένα περιβάλλοντα, προσθέστε την πειθαρχία της βαρύτητας απόδειξης: να μπορείτε να εξηγήσετε τι χτίσατε, γιατί συμπεριφέρθηκε με τον τρόπο που το έκανε και τι θα κάνετε όταν θα 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 επιχειρηματικές μονάδες, να κερδίσετε εμπιστοσύνη και να διανύσετε 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.