Shanea Leven, Ιδρυτής και Διευθύνων Σύμβουλος στην Empromptu AI – Σειρά Συνεντεύξεων

Shanea Leven, Ιδρυτής και Διευθύνων Σύμβουλος στην Empromptu AI, είναι ένας βετεράνος ηγέτης προϊόντων με εκτεταμένη εμπειρία στην κατασκευή πλατφορμών για dévelopers και προϊόντων που βασίζονται στο AI σε μεγάλες εταιρείες τεχνολογίας. Πριν από την εκκίνηση της Empromptu το 2025, ίδρυσε την CodeSee, μια πλατφόρμα για dévelopers που βασίζεται στο AI και που βοηθά τις ομάδες να visualizar και να κατανοούν σύνθετα codebases, η οποία αποκτήθηκε από την GitKraken το 2024. Νωρίτερα στην καριέρα της, κατέλαβε υψηλές θέσεις ηγεσίας προϊόντων σε εταιρείες όπως η Docker, η Cloudflare, η eBay και η Google (GOOGL ), όπου εργάστηκε σε πρωτοβουλίες που варίουν από APIs πληρωμών του Google Assistant σε προγράμματα εκπαίδευσης dévelopers που χρησιμοποιούν εκατοντάδες χιλιάδες μάθητες.

Empromptu AI είναι μια εταιρική πλατφόρμα που σχεδιάστηκε για να βοηθήσει τις οργανώσεις να κατασκευάσουν και να αναπτύξουν ολοκληρωμένες εφαρμογές AI πιο εύκολα. Η πλατφόρμα συνδυάζει την ανάπτυξη εφαρμογών, την ενοποίηση δεδομένων, τη διακυβέρνηση, τις αξιολογήσεις, τη μνήμη και την ορχήστρα μοντέλων σε ένα ενιαίο περιβάλλον, επιτρέποντας στις εταιρείες να μεταβούν από γρήγορη πειραματική χρήση του AI σε συστήματα παραγωγής με τα απαραίτητα έλεγχα και αξιοπιστία για εταιρική χρήση.

Πέρασα περισσότερα από 15 χρόνια κατασκευάζοντας πλατφόρμες για dévelopers σε εταιρείες όπως η Google, η eBay, η Cloudflare και η Docker πριν από την ίδρυση της CodeSee, η οποία αργότερα αποκτήθηκε από την GitKraken, και τώρα ηγεσία στην Empromptu AI. Πώς αυτές οι εμπειρίες διαμόρφωσαν την προοπτική σας για το γιατί τόσο πολλά εργαλεία AI αποτυγχάνουν όταν βγουν από το στάδιο της επίδειξης, και ποιο συγκεκριμένο πρόβλημα quyếtίσατε να λύσετε όταν ίδρυσα την Empromptu;

Ένα από τα πράγματα που μαθαίνεις κατασκευάζοντας πλατφόρμες για dévelopers είναι ότι τα πιο δύσκολα προβλήματα δεν είναι ποτέ αυτά στην επίδειξη. Η επίδειξη πάντα λειτουργεί. Ο πραγματικός έλεγχος είναι τι συμβαίνει όταν χιλιάδες dévelopers χρησιμοποιούν το σύστημα, όταν τα δεδομένα είναι ακατάστατα, όταν οι ενοποιήσεις σπάσουν και όταν πραγματικές επιχειρήσεις εξαρτώνται από αυτό.

Στην Google, Cloudflare, Docker και eBay, πέρασα χρόνια εργαζόμενος σε πλατφόρμες που έπρεπε να λειτουργούν σε παγκόσμιο επίπεδο. Αυτά τα περιβάλλοντα διδάσκουν κάτι γρήγορα: η αξιοπιστία, η διακυβέρνηση και η παρακολούθηση δεν είναι χαρακτηριστικά που προστίθενται αργότερα. Είναι η αρχιτεκτονική.

Όταν άρχισα να κατασκευάζω εφαρμογές AI, τα μοντέλα ήταν άσχημα και καθώς άρχισαν να γίνονται καλύτερα, παρατήρησα ότι η βιομηχανία επαναλάμβανε το ίδιο λάθος που είδαμε σε προηγούμενες κυμαίες του λογισμικού. Στους εργαλεία ανάπτυξης υπάρχει ένα concept που φαίνεται να είχε ξεχαστεί. Πόσο γρήγορα μπορείτε να φτάσετε στο “hello world”; Σήμερα, η γενετική εκδοχή του “hello world” είναι ένα πλήρως λειτουργικό πρωτότυπο SaaS. Αλλά τώρα δεν κωδικοποιούμε μόνο SaaS εφαρμογές; κωδικοποιούμε ολόκληρες εφαρμογές AI. Ένα AI που κατασκευάζει AI απαιτεί άλλα συστήματα για να τοποθετήσει αυτό το AI σε παραγωγή.

Μπορείτε να γεννήσετε μια λειτουργική εφαρμογή AI ή χαρακτηριστικό γρήγορα, το οποίο είναι ενθαρρυντικό και πραγματικά χρήσιμο. Αλλά τα κυρίαρχα συστήματα ακόμη λείπουν της υποδομής που χρειάζονται για περιβάλλοντα παραγωγής. Πράγματα όπως δομημένες πipelines δεδομένων, πλαίσια αξιολόγησης, έλεγχοι διακυβέρνησης, παρακολούθηση και διαχείριση μακροπρόθεσμου контекστού λείπουν αλλά τα έχουμε τοποθετήσει ενώ διατηρούμε όλα τα θαυμάσια μέρη του κωδικοποίησης.

Όταν ο συνιδρυτής μου και εγώ ίδρυσα την Empromptu, το πρόβλημα που θέλαμε να λύσουμε ήταν απλό: πώς να κάνουμε τις εφαρμογές AI έτοιμες για παραγωγή από την αρχή;

Αντί να αντιμετωπίζουμε τη διακυβέρνηση, την ετοιμότητα δεδομένων, την αξιολόγηση και την βελτίωση ως ξεχωριστά εργαλεία ή διαδικασίες μετά την πραγματοποίηση, τα κατασκευάσαμε直接 στην πλατφόρμα. Η ιδέα είναι ότι οι ομάδες πρέπει να μπορούν να κατασκευάσουν εφαρμογές AI γρήγορα, αλλά με την ίδια αξιοπιστία, ποιότητα και έλεγχο που περιμένουν από συστήματα λογισμικού επιχειρήσεων.

Έχετε εκφραστεί για το χάσμα μεταξύ εντυπωσιακών επιδείξεων AI και συστημάτων που είναι έτοιμα για παραγωγή. Από την οπτική σας, ποια είναι τα πιο συχνά αρχιτεκτονικά λάθη που κάνουν οι ομάδες όταν προσπαθούν να μετατρέψουν ένα πρωτότυπο AI σε ένα αξιόπιστο προϊόν που χρησιμοποιείται από πραγματικούς πελάτες;

Το πιο συχνό λάθος που κάνουν οι ομάδες είναι ότι υποθέτουν ότι το μοντέλο είναι το προϊόν.

Στις πρώτες επιδείξεις, το μοντέλο κάνει το περισσότερο ορατό έργο. Σας δίνουν μια προτροπή, παράγει μια απάντηση και αν η απάντηση φαίνεται καλή, το σύστημα φαίνεται να λειτουργεί. Αυτό δημιουργεί την ψευδαίσθηση ότι η βελτίωση του μοντέλου είναι η κύρια πρόκληση.

Αλλά σε συστήματα παραγωγής, το μοντέλο είναι μόνο ένα компонент σε μια πολύ μεγαλύτερη αρχιτεκτονική.

Το πρώτο λάθος είναι η αντιμετώπιση των δεδομένων ως μια δεύτερη σκέψη. Στις επιδείξεις, οι ομάδες συχνά δοκιμάζουν με μικρά, καθαρά σύνολα δεδομένων. Μόλις το σύστημα συνδεθεί με πραγματικά δεδομένα λειτουργίας, τα πράγματα αλλάζουν γρήγορα. Τα δεδομένα φτάνουν ατελή, ασυνέπεδα, διπλωμένα ή σε απροσδόκητους μορφούς. Χωρίς μια δομημένη πipeline δεδομένων για να κανονικοποιήσει και να επικυρώσει τις εισαγωγές, το σύστημα γίνεται αξιόπιστο ανεξάρτητα από το πόσο καλό είναι το μοντέλο.

Το δεύτερο λάθος είναι η απουσία πλαισίων αξιολόγησης. Πολλές ομάδες εκκίνηση χαρακτηριστικών AI χωρίς να ορίσουν τι σημαίνει “καλό”. Μπορεί να ελέγξουν χειροκίνητα τις εξαγωγές κατά τη διάρκεια της ανάπτυξης, αλλά δεν κατασκευάζουν αυτόματα πipelines αξιολόγησης που μετρούν συνεχώς την ακρίβεια, την ολίσθηση και τις περιπτώσεις άκρων μια fois το σύστημα είναι ζωντανό. Χωρίς αυτά τα φράγματα, οι αποτυχίες ανακαλύπτονται συχνά από τους πελάτες αντί από τους μηχανικούς.

Ένα τρίτο ζήτημα είναι η έλλειψη μηχανισμών διακυβέρνησης και ελέγχου. Τα συστήματα AI είναι πιθανολογικά, το οποίο σημαίνει ότι μπορούν να συμπεριφερθούν διαφορετικά υπό ελαφρώς διαφορετικές συνθήκες. Σε ρυθμιζόμενες ή υψηλού κινδύνου περιβάλλοντα, αυτή η απρόβλεπτη συμπεριφορά πρέπει να περιορίζεται με детерμινιστικά πολιτικά, ροές εργασιών έγκρισης και αρχείο καταγραφής που καταγράφουν πώς λήφθηκαν οι αποφάσεις.

Αυτό που πραγματικά έρχεται σε αυτό είναι ότι τα συστήματα AI παραγωγής δεν είναι μόνο μοντέλα. Είναι λειτουργικά συστήματα.

Οι εταιρείες που सफηνούν με το AI σήμερα είναι αυτές που αντιμετωπίζουν τις πipelines δεδομένων, την αξιολόγηση, τη διακυβέρνηση και την παρακολούθηση ως βασική υποδομή, όχι προαιρετικά προσθήκες.

Πολλά πλαίσια κωδικοποίησης AI υποσχέονται ότι οποιοσδήποτε μπορεί να κατασκευάσει μια εφαρμογή χρησιμοποιώντας απλές προτροπές. Γιατί αυτά τα εργαλεία συχνά λειτουργούν καλά για επιδείξεις αλλά δυσκολεύονται όταν οι εταιρείες προσπαθούν να τα αναπτύξουν σε πραγματικά περιβάλλοντα παραγωγής;

Πολλά από αυτά τα πλαίσια λειτουργούν καλά για επιδείξεις επειδή είναι βελτιστοποιημένα για τη στιγμή της δημιουργίας, όχι για τον κύκλο ζωής ενός πραγματικού συστήματος.

Αλλά υπάρχει μια θεμελιώδης διαφορά μεταξύ της χρήσης του AI για να γεννήσει μια σελίδα landing και της χρήσης του AI για να κατασκευάσει μια εφαρμογή AI.

Μια σελίδα landing είναι κυρίως στατική λογισμικό. Μόλις.render σωστά, η δουλειά είναι κυρίως τελειωμένη. Το σύστημα δεν πρέπει να λάβει πιθανολογικές αποφάσεις, να καταναλώσει συνεχώς меняζόμενες δεδομένα ή να προσαρμοστεί σε απρόβλεπτη συμπεριφορά χρήστη.

Οι εφαρμογές AI είναι完全 διαφορετικές. Είναι δυναμικά συστήματα που βασίζονται σε πipelines δεδομένων, συμπεριφορά μοντέλου, πλαίσια αξιολόγησης και συνεχής παρακολούθηση. Η εφαρμογή πρέπει να διαχειριστεί το контекστο, να ανιχνεύσει όταν οι εξαγωγές ολίσθουν, να χειριστεί περιπτώσεις άκρων και να λειτουργήσει ασφαλώς όταν το μοντέλο συναντήσει καταστάσεις που δεν έχει δει trước.

Τα περισσότερα εργαλεία κωδικοποίησης με προτροπές δεν αντιμετωπίζουν αυτές τις στρώσεις επειδή είναι σχεδιασμένα να πάρουν κάτι να λειτουργήσει γρήγορα. Γεννούν κώδικα που παράγει ένα ορατό αποτέλεσμα, το οποίο είναι τέλειο για ένα περιβάλλον επίδειξης. Αλλά συστήματα παραγωγής απαιτούν ένα πολύ μεγαλύτερο σύνολο ικανοτήτων: δομημένη διαχείριση δεδομένων, έλεγχοι διακυβέρνησης, πipelines αξιολόγησης, παρακολούθηση και μηχανισμοί για την ασφαλή ενημέρωση της συμπεριφοράς με τον καιρό.

Έτσι, όταν οι εταιρείες προσπαθούν να αναπτύξουν αυτά τα συστήματα σε πραγματικά περιβάλλοντα, το χάσμα γίνεται σαφές. Το πρωτότυπο λειτουργούσε επειδή το περιβάλλον ήταν ελεγχόμενο. Η παραγωγή είναι ακατάστατη.

Η Empromptu εστιάζει στη μετατροπή υφιστάμενου λογισμικού σε συστήματα AI-φιλικά αντί να αναγκάζει τις εταιρείες να ξαναχτίσουν τα πάντα από την αρχή. Τι εμπλέκει αυτή η μετατροπή στην υποδομή και το επίπεδο προϊόντων;

Στο επίπεδο προϊόντων, κάθε εφαρμογή είναι πλήρως αυτοτελής και containerized. Δημιουργούμε όλα όσα χρειάζεστε από front ends, backends, βάσεις δεδομένων, μοντέλα, αξιολογήσεις, llms opps κανόνες και όλα είναι υπερ-ευέλικτα ανάλογα με τις ανάγκες της επιχείρησης.

Έχουμε πολλές διαφορετικές επιλογές για εφαρμογές AI:

«Ακέφαλο» έτσι ώστε αν ένας πελάτης έχει ήδη ένα front end μπορούμε να το συνδέσουμε με το σύστημά μας και να στείλουμε τα δεδομένα πίσω

Πλήρως containerized έτσι ώστε να μπορούν να αναπτυχθούν στην υποδομή μας ή μέσα στην υποδομή του πελάτη, έτσι ώστε να είναι on-prem by default.

Ή μπορούμε να τα γεννήσουμε και να τα αναπτύξουμε απευθείας στο cloud για την πιο βολική επιλογή.

Οποιοδήποτε κώδικα που έχουν, μπορούμε να το εισαγάγουμε απευθείας στο σύστημά μας και να το κάνουμε agentified αν δεν είναι ήδη. Για παράδειγμα, το βλέπουμε αυτό με πολλούς πελάτες που έχουν προσπαθήσει να κατασκευάσουν τις εφαρμογές τους σε δημοφιλείς πλατφόρμες όπως Lovable, Replit, Bolt ή Base44. Συχνά δεν λειτουργούν. Αλλά οι πελάτες έχουν ήδη βυθίσει πολύ χρόνο και ενέργεια και πίστωση σε αυτήν την εφαρμογή, έτσι ώστε να την εισαγάγουμε, να την ξαναγράψουμε, να κάνουμε όλο το AI να λειτουργήσει.

Και μπορούμε να το κάνουμε αυτό επειδή έχουμε πολλές προηγμένες, ιδιοκτητικές τεχνολογίες, όπως:

• Αдаптивη μηχανή контекστού για τη διαχείριση του контекστο
• Áπειρη μνήμη για να καταναλώσουμε εφαρμογές κώδικα που τρέχουν για πολύ καιρό
• Προσαρμοσμένα μοντέλα δεδομένων και χρυσές πipelines δεδομένων για να διασφαλίσουμε ότι μπορούμε να χειριστούμε οποιαδήποτε καθαρισμό δεδομένων και συνθετική ετικέτα που απαιτείται

Η πλατφόρμα σας τονίζει το контекστο, την αξιολόγηση, τη διακυβέρνηση και τα δομημένα δεδομένα ως βασικά στοιχεία των συστημάτων AI. Γιατί αυτά τα στοιχεία είναι τόσο συχνά παραμελημένα όταν οι ομάδες βιάζονται να προσθέσουν χαρακτηριστικά AI στα προϊόντα τους;

Επειδή είναι δύσκολο να τα κάνεις! Ο συνιδρυτής μου, Dr. Sean Robinson, ηγείται του ερευνητικού μας εργαστηρίου και είναι ένας υπολογιστικός αστροφυσικός που έχει εφεύρει πολλές τεχνολογίες που εμπνέονται από τις τρελές μου ιδέες, αλλά και από τις ανάγκες των πελατών μας και από το πού πηγαίνει η αγορά. Η συνδυασμένη μας εμπειρία στην κατασκευή πολλών εφαρμογών με agentic, την τοποθέτηση δορυφόρων στο διάστημα και την κατασκευή στις μεγαλύτερες εταιρείες τεχνολογίας στον κόσμο μας δίνει γνώσεις που μας βοηθούν να λύσουμε σύνθετα προβλήματα καλύτερα από άλλους.

Εργάζεστε με πολλούς ιδρυτές που δεν έχουν γράψει κώδικα πριν. Ποια είναι οι μεγαλύτερες παρεξηγήσεις που έχουν οι μη τεχνικοί ιδρυτές όταν προσπαθούν να κατασκευάσουν εφαρμογές AI για πρώτη φορά;

Νομίζω ότι υπάρχουν δύο μεγάλες παρεξηγήσεις:

Η πρώτη είναι ότι το AI είναι μαγικό. Το AI δεν είναι μαγικό. Είναι απλά καλή μηχανική. Και τελικά, φτάνετε σε ένα όριο για το τι μπορείτε να κάνετε σε αυτές τις πλατφόρμες χωρίς πραγματικό μηχανικό.

Η δεύτερη είναι ότι έχουν μεγάλες τεχνικές ικανότητες προϊόντων. Έχω ένα υπόβαθρο σε τεχνική διαχείριση προϊόντων και η ικανότητα να μεταφράζει μια όραση, đôi vezes μια πολύ μεγάλη όραση, σε μικρά, εύκολα να πλοηγηθούν κομμάτια με τη σωστή τεχνική προδιαγραφή για να артиκουλάρει ακριβώς τι θέλετε. Αυτό είναι μια πολύ δύσκολη ικανότητα που χρειάζεται χρόνο.

Για παράδειγμα, ας πούμε ότι κατασκευάζετε μια εφαρμογή που ανεβάζει ένα αρχείο PDF και το αποθηκεύει ώστε να μπορείτε να το ξαναδείτε αργότερα. Αυτό είναι ένα concept που ονομάζεται διατήρηση. Αυτό το αρχείο PDF κωδικοποιείται σε κώδικα και αποθηκεύεται σε μια βάση δεδομένων.

Αλλά αν δεν ξέρατε ότι αυτό ονομάζεται διατήρηση, πώς θα μπορέσετε να το γράψετε; Βεβαιωθείτε ότι αυτά τα δεδομένα διατηρούνται. Η τεχνική επιλογή λέξεων είναι σαν να μιλάτε μια διαφορετική γλώσσα. Υπάρχει μια διαφορά μεταξύ της γραφής σε φυσική γλώσσα και της γραφής σε τεχνική γλώσσα.

Πολλά startups υποθέτουν ότι η λύση για την κατασκευή προϊόντων AI είναι απλά η πρόσληψη περισσότερων μηχανικών. Γιατί νομίζετε ότι αυτή η προσέγγιση συχνά αποτυγχάνει, και τι πρέπει να σκέφτονται οι ιδρυτές όταν κατασκευάζουν προϊόντα που βασίζονται στο AI;

Η πρόσληψη περισσότερων μηχανικών είναι đôi vezes η σωστή απάντηση. Αν κατασκευάζετε ένα βαθιά τεχνικό προϊόν ή εργάζεστε στο μέτωπο της έρευνας μοντέλων, χρειάζεστε απολύτως ισχυρές ομάδες μηχανικών. Δεν υπάρχει αντικατάσταση για καλούς μηχανικούς όταν πρόκειται για την επίλυση δύσκολων προβλημάτων.

Αλλά το λάθος που κάνουν πολλά startups είναι ότι υποθέτουν ότι περισσότεροι μηχανικοί автомατικά λύνουν την πρόκληση της κατασκευής ενός προϊόντος AI.

Στην πραγματικότητα, τα πιο δύσκολα προβλήματα σε προϊόντα AI δεν είναι πάντα καθαρά προβλήματα μηχανικής. Είναι προβλήματα συστημάτων, όπως και κάθε άλλο προβλήμα μηχανικής. Οι μηχανικοί διδάσκονται να σκέφτονται σε συστήματα. Αλλά η γενετική ανάπτυξη είναι διαφορετική από την determinιστική ανάπτυξη. Πολλοί από εμάς κάναμε αυτή τη μετάβαση όταν μεταβαίναμε από την αντικειμενοστραφή προγραμματισμό στην λειτουργική προγραμματισμό. Είναι και τα δύο προγραμματισμός; Ναι, απολύτως, αλλά είναι διαφορετικά; Είναι ένας διαφορετικός τρόπος σκέψης; Ναι, βέβαια.

Οι εφαρμογές AI βρίσκονται στο giao της δεδομένων, του σχεδιασμού προϊόντων, των λειτουργικών ροών εργασιών και της συμπεριφοράς μοντέλων. Μπορείτε να προσλάβετε μια απίστευτη ομάδα μηχανικών, αλλά αν οι πipelines δεδομένων είναι αξιόπιστοι, τα κριτήρια αξιολόγησης είναι ασαφή ή το σύστημα λείπει της διακυβέρνησης και της παρακολούθησης, το προϊόν θα συνεχίσει να πηγαίνει σε πραγματικούς χρήστες.

Ένα άλλο ζήτημα είναι ότι πολλές ομάδες πηδούν απευθείας στην κατασκευή πριν από την ορισμό του πώς το σύστημα AI θα συμπεριφερθεί σε παραγωγή. Ερωτήσεις όπως πώς θα αξιολογηθεί το σύστημα, πώς θα χειριστούν οι περιπτώσεις άκρων, πώς θα καταγραφούν οι αποφάσεις και πώς θα ενημερωθούν τα μοντέλα με τον καιρό συχνά έρχονται πολύ αργά. Μέχρι τότε, η αρχιτεκτονική είναι ήδη δύσκολο να αλλάξει.

Τι πρέπει πραγματικά να σκέφτονται οι ιδρυτές είναι το λειτουργικό μοντέλο του συστήματος AI τους.

Ποιος είναι ο ιδιοκτήτης της πipeline δεδομένων;

Πώς μετράται η απόδοση του μοντέλου συνεχώς, όχι μόνο κατά τη διάρκεια της ανάπτυξης;

Τι συμβαίνει όταν το σύστημα συναντήσει μια κατάσταση που δεν έχει δει πριν;

Πώς να ενημερώσετε τη συμπεριφορά ασφαλώς χωρίς να σπάσετε τις ροές εργασιών;

Μερικές φορές η επίλυση αυτών των προβλημάτων σημαίνει την πρόσληψη περισσότερων μηχανικών. Αλλά μπορεί επίσης να σημαίνει την επιλογή της σωστής υποδομής, τον ορισμό ισχυρών περιορισμών προϊόντων και την κατασκευή συστημάτων που επιτρέπουν σε μικρές ομάδες να λειτουργούν αξιόπιστα σε κλίμακα.

Οι εταιρείες που सफηνούν με το AI σήμερα δεν είναι απαραίτητα αυτές με τις μεγαλύτερες ομάδες μηχανικών. Είναι αυτές που αντιμετωπίζουν το AI ως ένα σύστημα που τρέχει για πολύ καιρό και που χρειάζεται дисциплина δεδομένων, αξιολόγηση, διακυβέρνηση και συνεχής βελτίωση από την αρχή.

Έχετε υποστηρίξει ότι ορισμένα από τα τρέχοντα επιχειρηματικά μοντέλα σε εργαλεία ανάπτυξης AI δεν ευθυγραμμίζονται με την κατασκευή ανθεκτικών προϊόντων. Ποια είναι τα κίνητρα στην τρέχουσα οικολογία εργαλείων AI που οδηγούν τις εταιρείες στην λάθος κατεύθυνση;

Ένα από τα μεγαλύτερα κίνητρα που δεν ταιριάζουν είναι ότι πολλά εργαλεία ανάπτυξης AI είναι βελτιστοποιημένα για μετρήσεις αύξησης αντί για τη διάρκεια ζωής του προϊόντος.

Πολλές εταιρείες σε αυτόν τον χώρο ανταποκρίνονται στο πόσο γρήγορα οι χρήστες μπορούν να δημιουργήσουν κάτι εντυπωσιακό. Αν ένα εργαλείο μπορεί να γεννήσει μια λειτουργική εφαρμογή, ένα χαρακτηριστικό ή μια επίδειξη σε λίγα λεπτά, αυτό οδηγεί σε εγγραφές, κοινή χρήση στα μέσα κοινωνικής δικτύωσης και ενθουσιασμό επενδυτών. Από την οπτική της υιοθέτησης προϊόντων, αυτό έχει νόημα.

Αλλά αυτά τα κίνητρα συχνά σταματούν στο σημείο της δημιουργίας.

Το σκληρότερο έργο στο λογισμικό AI συμβαίνει μετά από αυτό το σημείο.

Όταν η αξιοπιστία και η ποιότητα χτίζονται. Όταν ο χρήστης θέλει να επιστρέψει ξανά και ξανά χωρίς την απογοήτευση του AI από κακές εξαγωγές. Χρειάζεται να δώσει καλές απαντήσεις ακόμη και στην ignorância ή την κακία των ανθρώπων.

Ένα άλλο ζήτημα είναι ότι πολλά εργαλεία είναι βελτιστοποιημένα για τη γεννήσει κώδικα αντί για το σχεδιασμό συστήματος. Η γρήγορη γεννήσει κώδικα είναι χρήσιμη, αλλά η κατασκευή ενός προϊόντος AI εμπλέκει περισσότερα από τη γεννήσει κώδικα. Απαιτεί τον ορισμό του πώς το σύστημα διαχειρίζεται το контекστο, πώς αξιολογούνται οι αποφάσεις, πώς χειρίζονται οι αποτυχίες και πώς η συμπεριφορά εξελίσσεται ασφαλώς με τον καιρό.

Οι εταιρείες που ευθυγραμμίζουν τα κίνητρα τους γύρω από τη βοήθεια των πελατών να τρέχουν συστήματα AI αξιόπιστα, όχι μόνο να τα κατασκευάσουν γρήγορα, είναι αυτές που θα δημιουργήσουν διαρκή αξία σε αυτήν την οικολογία.

Ορισμένοι από τους πελάτες σας περιλαμβάνουν επιχειρηματίες που κατασκευάζουν πολύ συγκεκριμένα προϊόντα, όπως εξειδικευμένα εργαλεία υγείας ή επιχειρήσεις που επικεντρώνονται στη βιωσιμότητα, συχνά χωρίς παραδοσιακές ομάδες μηχανικών. Ποια είναι τα μοτίβα που έχετε δει μεταξύ των ιδρυτών που सफηνούν να μετατρέψουν αυτές τις ιδέες σε λειτουργικά προϊόντα AI;

Ένα από τα πιο ενδιαφέροντα μοτίβα που βλέπουμε είναι ότι οι ιδρυτές που सफηνούν δεν είναι απαραίτητα οι πιο τεχνικοί. Είναι αυτοί που κατανοούν το πρόβλημα που λύνουν εξαιρετικά καλά.

Πολλοί από τους επιχειρηματίες που χρησιμοποιούν την Empromptu είναι ειδικοί σε domaine. Μπορεί να έρχονται από την υγεία, τις финάνσες, τη βιωσιμότητα ή άλλο εξειδικευμένο domaine. Αυτό που φέρνουν είναι βαθιά γνώση των ροών εργασιών, των ρυθμίσεων και των αποφάσεων που υπάρχουν σε αυτό το περιβάλλον. Αυτός ο контекστο είναι απίστευτα πολύτιμος όταν σχεδιάζετε ένα προϊόν AI επειδή ορίζει τι πρέπει να κάνει το σύστημα.

Οι ιδρυτές που सफηνούν τείνουν να αντιμετωπίσουν το AI λιγότερο σαν eine τεχνολογική πειραματική και περισσότερο σαν ένα σύστημα προϊόντων. Ξεκινούν να ρωτούν πολύ συγκεκριμένες ερωτήσεις. Ποια αποφάσεις πρέπει να βοηθήσει το AI τους χρήστες να λάβουν; Ποια πηγές δεδομένων χρειάζεται να προσεγγίσει; Τι είναι μια σωστή απάντηση στην πραγματικότητα σε αυτό το domaine; Ποια φράγματα πρέπει να υπάρχουν ώστε το σύστημα να συμπεριφερθεί υπεύθυνα;

Ένα άλλο μοτίβο είναι ότι σκέφτονται προσεκτικά τη δομή. Οι επιτυχημένες ομάδες γρήγορα καταλαβαίνουν ότι οι εξαγωγές AI είναι μόνο τόσο καλές όσο ο контекστο και τα δεδομένα που τις τροφοδοτούν. Επενδύουν χρόνο στην αρχή για να ορίσουν πipelines δεδομένων, να οργανώσουν πηγές γνώσεων και να δημιουργήσουν σαφείς κριτήρια αξιολόγησης για το τι σημαίνει “καλό”.

Βλέπουμε επίσης επιτυχημένους ιδρυτές να ενστερνίζονται την сотрудνική εργασία ανθρώπων και AI αντί να προσπαθούν να αυτοματοποιήσουν τα πάντα αμέσως. Σχεδιάζουν ροές εργασιών όπου το AI χειρίζεται αναλυτικές ή συνθετικές εργασίες δεδομένων, ενώ οι άνθρωποι παραμένουν υπεύθυνοι για κρίση και τελικές αποφάσεις. Αυτή η ισορροπία κάνει τα συστήματα πολύ πιο αξιόπιστα, ιδιαίτερα σε domaine όπως η υγεία ή οι финάνσες.

Σε πολλά τρόπα, η μεγαλύτερη αλλαγή είναι η στάση. Οι ιδρυτές που सफηνούν δεν σκέφτονται το AI σαν ένα χαρακτηριστικό που προσθέτουν. Σκέφτονται το AI σαν ένα νέο λειτουργικό επίπεδο για το πώς λειτουργεί το προϊόν τους.

Όταν τα συστήματα AI γίνονται πιο ολοκληρωμένα σε βασικές επιχειρηματικές λειτουργίες, ποια είναι οι ικανότητες που θα ορίσουν την επόμενη γενιά πλατφορμών εφαρμογών AI;

Ξέρω ότι αυτό είναι τρελό και μπορεί να λέω κάτι ιερόσυλη. Οι άνθρωποι θα μπορούν να vibe-code τα δικά τους προσαρμοσμένα μοντέλα. Κάτι που το ερευνητικό μας εργαστήριο ονομάζει expert nano μοντέλα θα βοηθήσει να ελέγξει τα κόστη.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που θέλουν να μάθουν περισσότερα πρέπει να επισκεφθούν Empromptu AI.