Ali Ansari, micro1:n perustaja ja toimitusjohtaja – haastattelusarja

Ali Ansari on micro1:n perustaja ja toimitusjohtaja. Hän keskittyy muuttamaan ihmisten asiantuntemuksen edistyneiden tekoälyjärjestelmien koulutusdataksi ja arvioinneiksi. Hänen yrittäjätaustansa sisältää ohjelmistokehitysyrityksen perustamisen ja peerlincin perustamisen ennen micro1:n käynnistämistä vuonna 2022. Hän opiskeli tietojenkäsittelytiedettä UC Berkeleyssä ja Stanfordissa keskittyen vahvistusoppimiseen. Nyt hän työskentelee sellaisten järjestelmien parissa, joita tarvitaan asiantuntijoiden löytämiseen ja arviointiin sekä heidän tekoälyn kehittämiseen antamansa panoksen koordinointiin.

micro1 on datalaboratorio, joka auttaa kouluttamaan huipputason tekoälymalleja ja arvioimaan tekoälyagentteja hyödyntämällä asiantuntijoiden panosta ja realistisia työympäristöjä. Sen alusta kokoaa yhteen erikoistuneen rekrytoinnin, datan tuotannon, laadun tarkastamisen ja mallien arvioinnin esimerkiksi oikeustieteen, terveydenhuollon, rahoituksen, tekniikan ja luonnontieteiden aloilla. Tässä haastattelussa Ansari kertoo, miksi ihmisten asiantuntemuksen kysyntä kasvaa, miten operatiivinen data tukee vahvistusoppimista ja millaisia uramahdollisuuksia tekoälyn koulutuksen ja arvioinnin ympärille on syntymässä.

Perustit micro1:n vuonna 2022 rakennettuasi ja myytyäsi aiemmin peerlincin. Mitä ongelmaa alun perin yritit ratkaista, ja miten micro1:stä kehittyi huipputason tekoälymallien koulutukseen ja arviointiin keskittyvä yritys?

Alun perin kyse oli ongelmasta, joka minulla oli omassa yrityksessäni. Johdin ohjelmistokehitysyritystä, ja jokainen uusi projekti tarkoitti sitä, että minun piti löytää ja haastatella lisää ohjelmistokehittäjiä. Käytin siihen valtavasti aikaa. Rakensimme siis avuksi tekoälypohjaisen haastattelijan nimeltä Zara, ja siitä kehittyi lopulta micro1.

Aloitimme myymällä rekrytointiohjelmistoa ja rakentamalla tarkastettujen osaajien markkinapaikkaa. Sitten eräs asiakas tarvitsi satoja insinöörejä tekoälymallien kouluttamiseen. Aloimme selvittää, miksi he tarvitsivat niin paljon ihmisiä, ja ymmärsimme, että mallien kehittämisen taustalla oli valtava kysyntä ihmisten asiantuntemukselle.

Olimme jo käyttäneet vuosia siihen, että rakensimme kyvyn löytää ja seuloa ihmisiä laajassa mittakaavassa. Ihmisiltä kerätty data oli erittäin vaikuttava tapa hyödyntää tätä infrastruktuuria. Panostimme siis siihen täysillä, käytimme tekoälypohjaista rekrytoijaa asiantuntijoiden löytämiseen ja seulomiseen sekä rakensimme sen ympärille muita datan tuotantoalustoja ja laadunhallintajärjestelmiä. Nykyään autamme laboratorioita muuttamaan tämän asiantuntemuksen paremmiksi mallien kyvykkyyksiksi.

Olet esittänyt, että kun tekoälymallit kehittyvät yhä kyvykkäämmiksi, ihmisten asiantuntemuksen kysyntä itse asiassa kasvaa eikä katoa. Mistä tämä yhteys johtuu?

Tässä tapahtuu pari asiaa. Ensinnäkin, kun mallit kehittyvät, pyydämme niitä tekemään vaikeampia asioita. Kysymykseen vastaava malli on hyödyllinen. Koko työnkulun hoitamaan pystyvä malli on paljon hyödyllisempi, mutta siihen pääseminen edellyttää huomattavasti enemmän asiantuntijoiden panosta.

Toiseksi ihmiset luovat jatkuvasti uutta työtä. Jos juristi voi käyttää tekoälyä moniin päivän aikana aikaa vieviin tehtäviin, hänelle jää enemmän aikaa paneutua monitahoisempiin ongelmiin tai kehittää asiakkaille uusi palvelu. Näistä kokonaan uusista tehtävistä tulee sitten myös asioita, joita haluamme siirtää malleihin. Tätä tarkoitamme ilmauksella ”ei viimeistä mailia”. Työ kehittyy jatkuvasti.

Synteettinen data tekee tästä vielä kiinnostavampaa. Sen avulla voidaan laajentaa asiantuntijoiden luomia tehtäviä ja palautetta, mikä lisää alkuperäisen ihmisen antaman panoksen hyödyllisyyttä. Uskon, että tämä yhdistelmä selittää, miksi ihmisten asiantuntemuksen kysyntä kasvaa mallien kyvykkyyden rinnalla.

micro1 työskentelee eri alojen asiantuntijoiden kanssa esimerkiksi oikeustieteen, terveydenhuollon, rahoituksen, tekniikan ja luonnontieteiden parissa. Mitä nämä ammattilaiset voivat tuoda tekoälyjärjestelmiin sellaista, mitä ei voi yksinkertaisesti oppia jo verkossa olevasta datasta?

Suuri osa siitä, mikä tekee ihmisestä erinomaisen lääkärin, juristin tai insinöörin, on työn kautta kehittynyttä harkintakykyä. Osa siitä on dokumentoitu, mutta suuri osa näkyy siinä, miten ammattilainen käsittelee poikkeuksellista tapausta, tunnistaa puuttuvat tiedot tai ratkaisee, mikä yksityiskohta on todella tärkeä.

Tämä on erittäin arvokasta mallien kouluttamisessa. Asiantuntija voi laatia vaikean tehtävän, selittää, millainen hyvä tulos olisi, ja osoittaa täsmälleen, missä malli jää jälkeen. Vastaus voi kuulostaa hyvin vakuuttavalta ja silti sivuuttaa asian, joka on tärkein kyseistä työtä tekevälle ihmiselle.

Tarvitsemme asiantuntijoita tekemään tällaisia erotteluja. Tarvitsemme myös useita näkökulmia ja vahvan arviointiprosessin, sillä yhden ihmisen harkintakyky ei kata kaikkia tapauksia. Tavoitteena on muuntaa tämä kokemus signaaliksi, josta malli voi oppia. Jokaisella alalla on lisäksi valtavasti vivahteita. Esimerkiksi oikeudellinen asiantuntemus ei ole yksi yhtenäinen kokonaisuus: se vaihtelee oikeudenalan, osavaltion tai oikeudenkäyttöalueen sekä eri maiden oikeusjärjestelmien mukaan. Jokainen taso edellyttää erikoistuneempaa tietämystä ja harkintakykyä. Samaa syvällisyyttä tarvitaan kaikilla aloilla ja niiden monilla osa-alueilla, minkä vuoksi tarvitsemme asiantuntijoita, jotka ymmärtävät, mitä nämä erot merkitsevät käytännössä.

Alan huomion siirtyessä yhä enemmän jälkikoulutukseen, vahvistusoppimiseen ja arviointiin, missä näet tällä hetkellä suurimmat pullonkaulat huipputason mallien kehittämisessä?

Mielestäni pääsy todellisuutta vastaavan datan äärelle on yksi suurimmista pullonkauloista. Yritykset ovat vuosien ajan ratkaisseet ongelmia, tehneet päätöksiä ja käsitelleet poikkeustilanteita, ja tämä kokemus on tallentunut niiden asiakirjoihin, järjestelmiin ja työnkulkuihin. Se on erittäin arvokasta, jos halutaan opettaa mallille, miten oikeaa työtä tehdään.

Siksi perustimme Company Data Partnerships -ohjelman eli CDP:n. Maksamme yrityksille niiden toimintadataan liittyvistä lisensseistä. Data voi sisältää sisäistä dokumentaatiota, projektihistorioita, CRM-tietueita sekä prosesseja, joita ihmiset noudattavat saadakseen työn tehtyä. Arvokkaista yritysten data-aineistoista maksamme yli 2 miljoonaa dollaria; summa määräytyy datan ja kumppanuuden mukaan.

Käytämme tätä aineistoa realististen koulutus- ja arviointiympäristöjen rakentamiseen. Ajatellaan vaikka asiakasongelman ratkaisemista: saatat joutua tarkastelemaan asiakastilin historiaa, etsimään asiaankuuluvan käytännön ja päättelemään, mitä pitäisi tehdä. Tällaiseen työnkulkuun rakennettu ympäristö tarjoaa mallille paikan harjoitella näitä vaiheita. Asiantuntijat määrittelevät tehtävän ja sen, miten arvioidaan, onko se suoritettu onnistuneesti. Tämä palaute tekee ympäristöstä hyödyllisen vahvistusoppimisessa.

Yritykset säilyttävät omistusoikeuden pohjana olevaan dataansa. Sovimme käytön laajuudesta ja käsittelyvaatimuksista, kuten yksityisyyden suojasta, ja valmistelemme datan aiottua käyttötarkoitusta varten.

Arvo piilee kokemuksessa, jonka nämä tietueet tallentavat. CDP tarjoaa yrityksille tavan ansaita tuloja tästä kokemuksesta ja auttaa samalla malleja oppimaan toimimaan huomattavasti realistisemmissa ympäristöissä.

Mitkä inhimillisen harkinnan tai asiantuntemuksen muodot ovat mielestäsi erityisen vaikeita tekoälyjärjestelmien jäljitellä, vaikka mallit kehittyisivät huomattavasti kyvykkäämmiksi?

Uskon, että ihmisten makuaisti ja luovuus ovat alueita, joiden jäljitteleminen on malleille erityisen vaikeaa. Syynä on se, miten koulutusdataa luodaan.

Monissa tehtävissä voimme koota asiantuntijoita ja saada heidät sopimaan siitä, miltä hyvä lopputulos näyttää. Näin saamme hyödyllisen signaalin, jonka perusteella mallia voidaan kouluttaa. Mutta jos ihmisiltä kysyy, mikä tekee kuvasta hienon, elokuvasta erinomaisen tai muotoilusta vaikuttavan, heidän näkemyksensä voivat eriytyä sitä enemmän, mitä enemmän he keskustelevat asiasta. Yhtä yhteistä vastausta ei aina löydy.

Tekoälystä voi silti olla näillä alueilla paljon hyötyä. Mutta sen päättäminen, mitä haluat luoda, kenelle se on tarkoitettu ja vetoaako se todella yleisöön, edellyttää paljon inhimillistä harkintaa. Uskon, että harkinnan merkitys kasvaa entisestään, kun työkalut helpottavat asioiden tuottamista.

Yhä useammat ammattilaiset pitävät tekoälyn kouluttamista ja arviointia vakavasti otettavana asiantuntijatyönä eivätkä sivutoimena. Voisiko siitä kehittyä kokonaan uusi työllistymisen ala, ja millaisia nämä urat voisivat olla?

Ehdottomasti. Tämä on jo uusi, useiden miljardien dollarien arvoinen työn kategoria. Asiantuntijat hyödyntävät uransa aikana kartuttamaansa osaamista tekoälyn kouluttamisessa ja arvioinnissa. Joillekin siitä on tulossa merkittävä osa työelämää.

Itse työ voi olla hyvin syvällistä. Juristi voi luoda vaativan skenaarion ja määritellä, miten mallin vastausta arvioidaan. Insinööri voi rakentaa tehtävän, joka vie agentin läpi kokonaisen ohjelmistotyönkulun. Lisäksi on ihmisiä, jotka tarkastelevat dataa, kehittävät arviointikriteerejä ja johtavat asiantuntijatiimejä. Työ voi myös antaa ihmisille enemmän tilaa keskittyä siihen, mikä sai heidät alun perin hakeutumaan omalle alalleen. Useimmissa työtehtävissä suuri osa ajasta kuluu hallinnollisiin tehtäviin ja velvollisuuksiin, jotka eivät liity siihen työhön, jota ihmiset pitävät merkityksellisimpänä. Tekoälyn kouluttaminen omalla osaamisalueella voi nostaa asiantuntemuksen työn keskiöön: vaikeiden ongelmien ratkomiseen, harkinnan soveltamiseen ja kokemuksen kartuttamien oppien jakamiseen. Näin voi käyttää enemmän aikaa asioihin, joista välittää ja joissa on parhaimmillaan, ja samalla auttaa muovaamaan sitä, miten tekoäly lähestyy tätä työtä.

Uskon, että kaiken tämän ympärille kehittyy todellisia urapolkuja. Voit tulla erittäin taitavaksi muuntamaan oman alasi asiantuntemusta koulutusdataksi tai ylläpitämään dataputkea ja ymmärtämään, missä mallit tarvitsevat apua. Nämä ovat arvokkaita taitoja, ja olemme vasta aivan alkuvaiheessa sen selvittämisessä, millaisia kaikista näistä tehtävistä tulee.

Kun yritykset rekrytoivat lääkäreitä, juristeja, insinöörejä, tutkijoita ja muita asiantuntijoita tekoälymallien kehittämiseen, miten varmistatte heidän asiantuntemuksensa ja sen, että koulutusdata on tarkkaa ja yhdenmukaista?

Olemme rakentaneet tätä varten kokonaisen järjestelmän. Kaikki alkaa Zarasta, tekoälyrekrytoijastamme, joka auttaa meitä etsimään asiantuntijoita ja arvioimaan, vastaavatko heidän taitonsa projektin vaatimuksia. Sen jälkeen Merit-työkalumme auttaa seuraamaan heidän työnsä laatua, nopeutta ja luotettavuutta ajan mittaan. Meidän on ymmärrettävä sekä ihmisen asiantuntemus että se, miten se näkyy hänen tuottamassaan datassa.

flow-alusta kokoaa asiantuntijoiden työn ja mallit, jotka olemme rakentaneet tukemaan datan tuottamista ja tarkastelua. Asiantuntijat määrittelevät tehtävät ja sen, miltä hyvä tulos näyttää. Sen jälkeen flow gen laajentaa tätä lähtökohtaa uusiksi esimerkeiksi ja muunnelmiksi. flow qc tarkistaa datasta ongelmia, kuten puuttuvia todisteita tai tehtävän ja sen arviointikriteerien ristiriitoja. flow grader puolestaan arvioi mallin suoriutumista näiden kriteerien perusteella.

Tärkeintä on se, mitä tapahtuu, kun asiantuntija huomaa virheen. Korjaus voi parantaa koulutusdataa, mutta se voi myös auttaa kehittämään itse generointityökaluja ja laaduntarkistuksia. Voimme muuttaa toistuvat virheet testeiksi seuraavaa versiota varten.

Tämä on synteettisen datan kasvusilmukka, jota rakennamme. Ihmisten asiantuntemus antaa meille lähtökohdan ja harkintakyvyn. Työkalumme auttavat skaalaamaan toimintaa, ja asiantuntijoiden palaute auttaa parantamaan seuraavaa kierrosta. Sen jälkeen testaamme, parantavatko nämä muutokset todella mallin suorituskykyä. Juuri se tekee tästä palautekehästä arvokkaan.

AI-agenttien on yhä useammin suoritettava monimutkaisia, useita vaiheita sisältäviä tehtäviä sen sijaan, että ne vain tuottaisivat vastauksia. Miten näiden järjestelmien kouluttaminen ja arviointi eroavat perinteisten suurten kielimallien parantamiseen tarvittavasta työstä?

Suurin ero on tehtävän pituus. Agentin on ehkä tehtävä useita toimia eri työkaluilla ennen kuin se pääsee hyödylliseen lopputulokseen. Se voi suoriutua hyvin muutamasta ensimmäisestä vaiheesta mutta epäonnistua silti koko tehtävässä, koska virheet kasaantuvat.

Tarvitsemme siis ympäristöjä, joissa malli voi harjoitella koko työnkulkua, sekä arviointeja, jotka kertovat, missä se kompuroi. Löysikö se oikeat tiedot? Käyttikö se työkalua oikein? Pääsikö se todella haluttuun lopputulokseen?

Lisäksi on otettava huomioon yrityksen toimintaympäristö. Yhdessä yrityksessä toimivan agentin on ymmärrettävä kyseisen yrityksen prosessit ja odotukset. Yleisistä kyvyistä on hyötyä vain tiettyyn pisteeseen asti.

Siksi oman alan asiantuntijat ovat todella tärkeitä. He auttavat meitä selvittämään, mistä virheet johtuvat, ja tuottamaan dataa niiden korjaamiseksi. Järjestelmää arvioidaan, puutteet tunnistetaan, mallia koulutetaan niiden korjaamiseksi ja arviointi tehdään uudelleen. Prosessi jatkuu, kun agentti saa vastuulleen yhä enemmän tehtäviä.

Miten perustamallien kykyjen kehittyminen muuttaa niiden tarvitsemaa ihmisten tuottamaa dataa, ja millaisesta asiantuntemuksesta tai arvioinnista odotat tulevan huomattavasti arvokkaampaa lähivuosina?

Kaksi asiaa korostuu yhä enemmän: tehtävän kesto ja se, kuinka hyvin se vastaa todellista maailmaa. Mallien kehittyessä hyödyllinen koulutusdata liittyy yhä monimutkaisempiin työnkulkuihin, joissa on enemmän päätöksiä, enemmän kontekstia ja enemmän mahdollisuuksia tehdä virheitä.

Siksi käytännön työn asiantuntemus on erittäin arvokasta. Vuosia jotakin työtä tehnyt ihminen ymmärtää poikkeukset ja riippuvuudet, jotka on helppo sivuuttaa tehtävää ulkopuolelta suunniteltaessa. Hän osaa myös kertoa, toimisiko agentin tulos todella yrityksen arjessa.

Uskon, että yritysten arvioinnista kasvaa ajan mittaan valtava markkina, jonka arvo voi olla biljoona dollaria vuodessa. Jokaisen agentteja käyttöön ottavan yrityksen on ymmärrettävä, missä ne toimivat, missä ne epäonnistuvat ja miten niitä voidaan parantaa. Ihmisillä, jotka osaavat muuttaa tietonsa hyödyllisiksi arvioinneiksi, on tässä keskeinen rooli. Tarve jatkuu, koska yritykset, mallit ja työ muuttuvat jatkuvasti.

Jotkut ammattilaiset saattavat käytännössä auttaa kouluttamaan tekoälyjärjestelmiä hoitamaan osan omista työtehtävistään. Miten suhtaudut tähän ristiriitaan, ja millaiseksi uskot ihmisten asiantuntemuksen ja tekoälyn välisen suhteen kehittyvän seuraavien kolmen–viiden vuoden aikana?

Uskon, että aliarvioimme sen, kuinka paljon uutta työtä ihmiset luovat saadessaan nämä työkalut käyttöönsä.

Otetaan esimerkiksi rekrytointi. Jos agentti pystyy hoitamaan suuremman osan alkuvaiheen karsinnasta, rekrytoija voi käyttää enemmän aikaa suhteiden luomiseen hakijoihin tai sen pohtimiseen, miten tavoittaa ihmisiä, joita yritys ei aiemmin olisi saanut mukaan. Rekrytoijan rooli muuttuu, ja hän pystyy saamaan enemmän aikaan samassa ajassa.

Odotan samanlaista kehitystä monilla aloilla. Seuraavien kolmen–viiden vuoden aikana agenteista tulee yhä useammin työtovereita, joita ihmiset ohjaavat, joille he antavat kontekstia ja joiden työtä he arvioivat. Samalla ihmiset ottavat vastuulleen uusia tehtäviä.

Siksi suhtaudun tulevaisuuteen optimistisesti. Näemme jo, että tekoälyn kouluttamisen ja arvioinnin ympärille syntyy uutta työtä. Uskon, että sitä tulee vielä paljon lisää, kun ihmiset huomaavat, mitä kaikkea he voivat rakentaa ja saada aikaan tekoälyn avulla.

Kiitos hienosta haastattelusta. Lukijat, jotka haluavat kuulla lisää asiantuntijoiden johtamasta koulutusdatan tuottamisesta, tekoälyn arvioinnista ja mahdollisuuksista jakaa oman alansa asiantuntemusta, voivat tutustua palveluun micro1.