Alon Eirew, MCE Systemsin CTO (AI) – Haastattelu Sarja

Alon Eirew, MCE Systemsin CTO (AI), johtaa yrityksen AI-strategiaa ja lopputuloa koskevaa teknologiaa, joka kattaa arkkitehtuurin, mallikehityksen, infrastruktuurin, tuotteen integroinnin ja AI:n laajemman soveltamisen sisäisissä prosesseissa. Hän työskenteli aikaisemmin yli yhdeksän vuotta Intelissä, edeten senior-ohjelmistosuunnittelijasta ja ohjelmistosuunnittelijasta johtavaan luonnollisen kielen prosessoinnin (NLP) tutkimusjohtajaan, jossa hän johti tietojen poistamisen tutkimusta, varmisti monivuotisten projektien rahoituksen, julkaisi artikkeleita merkittävissä NLP-konferensseissa ja valmensi startup-yrityksiä Intel (INTC ) Igniten kautta. Uransa alussa Eirew auttoi kehittämään henkilökohtaista avustajateknologiaa Telmapissa, josta myöhemmin tuli osa Intelia, ja on sen jälkeen neuvonut varhaisessa vaiheessa olevia AI-yrityksiä opettaessaan tietotekniikkaa, olio-ohjelmointia, datakaiverrusta ja tietojen hakua useissa israelilaisissa yliopistoissa.

MCE Systems kehittää AI-kokemuskerrosta teleoperaattoreille, yhdistäen perinteiset järjestelmät, reaaliaikaiset tiedot ja älykkäät työnkulut asiakasvuorovaikutuksia tukevia monikanavaisia kosketuspintoja. Perustettu vuonna 2005, yritys rakensi liiketoimintansa digitaalisten laitteiden elinkaaren hallinnan ympärille, jonka teknologia kattoi laitteiden diagnoosin ja huolen, vaihtohyvitysohjelmat, etälaitearvioinnin ja palautukset. MCE soveltaa yhä enemmän generatiivista ja agenssia AI:ta näihin työnkulkuihin, auttaen operaattoreita havaitsemaan laitteiden ongelmia, ohjaamaan asiakkaita mahdollisiin ratkaisuihin ja koordinoimaan monimutkaisempia palvelumatkoja sekä digitaalisissa että avustetuissa kanavissa.

Olet viettänyt lähes kymmenen vuotta Intelissä työskentelemällä NLP:ssä, tietojen poistamisessa, tietojen hakemisessa ja jopa varhaisissa henkilökohtaisten avustajien teknologioissa, jotka alkoivat Telmapista ennen kuin ne tulivat osaksi Intelia. Katsellessasi taakse, mitkä ideat noista varhaisista AI-järjestelmistä osoittautuivat ajassa eteenpäin, ja mitkä oletukset teollisuus sai täysin väärin?

Yksi ajassa eteenpäin ollut idea oli henkilökohtainen avustaja, jolla työskentelimme ennen LLM-aikakautta. Nämä järjestelmät ymmärsivät aikomuksen, yhdistivät kontekstin tehtävien ympärillä ja auttoivat käyttäjiä saavuttamaan tavoitteensa luonnollisesti. Nämä olivat samanlaisia kuin nykyisten agenttien tavoitteet. Ero oli taustalla olevassa lähestymistavassa: Sen sijaan, että olisimme riippuvaisia kielimalleista, turvautuimme yhdistelmään koneoppimisesta ja algoritmeista, jotta voimme johtaa käyttäjän aikomusta. Tämä menetelmä osoittautui kuitenkin hankalaksi, kun sovellettiin laajamittaisesti, kun otetaan huomioon eri tavat, joilla käyttäjät ilmaisevat saman pyynnön.

Kuvittele työskenteleväsi asiakaspalvelijana, joka käsittelee tuhansien asiakkaiden kysymyksiä, mutta joka voi käsitellä vain niitä kysymyksiä, jotka on muotoiltu tietyn lauseen rakenteen mukaisesti. Voit kuvitella, että se kattaisi vain hyvin rajatun valikoiman käyttötapaustaa ja olisi vaikea käsitellä monia asiakastilanteita. LLM:t muuttivat kaiken. Nykyään käyttäjän aikomuksen ymmärtäminen on suurelta osin ratkaistu. Niin kuin analogiamme, edustaja on nyt joustava ja pystyy puhumaan miljoonien asiakkaiden kanssa.

Vaikka en väittäisi, että teollisuus sai jotain täysin väärin, uskon, että monet aliarvioivat, kuinka keskeisiä kielimallit tulisivat olemaan. Suuri loikka tapahtui, kun ensimmäiset kielimallit, kuten ELMo, BERT ja RoBERTa, esiteltiin. Tuolloin harva todella ymmärsi muutoksen, joka oli tulossa. Nämä olivat modernien LLM:ien, joita käytämme jokapäiväisesti, selkärangan malleja.

Useimmat yritykset näkivät nämä alkuperäiset mallit hyödyllisinä komponentteina kapeissa sovelluksissa, eivätkä perustana uudelle laskennallliselle paradigman. Jälkikäteen monet heistä missasivat mahdollisuuden asettua merkittäviksi AI-pelaajiksi.

Tutkimusurallasi keskityit monidokumenttien tietojen poistamiseen ja tapahtuman ymmärtämiseen. Koska yritykset riippuvat yhä enemmän suurista kielimalleista, miksi uskot, että rakenteellinen tietojen poistaminen on edelleen kriittinen haaste?

LLM:t ovat voimakkaita työkaluja monien aiheiden käsittelyyn, mutta yrityssovellukset ja loppukäyttäjät tarvitsevat asiantuntemusta ratkaistaan tiettyä ongelmaa, mikä vaatii pääsyä tietoon. Tämä kontekstuaalinen omistaja ei yleensä ole mallin koulutusdataa, joten LLM:n käyttäminen yrityksessä tarkoittaa ymmärryksen keräämistä mahdollisesti miljoonista sisäisistä tietopisteistä. Nykyiset LLM:t kamppailevat edelleen tämän kanssa, missä on merkittäviä puutteita teknisten ja pääsyrajoitusten vuoksi, ja tämä rajoitus rajoittaa vaikutusta.

MCE:llä esimerkiksi tarjoamme asiakaspalvelun AI-agenttiratkaisun. Yksi sen tavoitteista on sallia teleoperaattoreiden auttaa asiakkaitaan ratkaisemaan teknisiä mobiililaitteiden ongelmia ilman ihmisen väliintuloa. Ilman AI-agentin kontekstuaalisen teknisen tiedon syöttämistä laitteesta, ainoastaan generoisi yleisiä tuloksia, jotka eivät ratkaise ongelmaa tai ovat asiakkaalle merkityksettömiä, ja pakottaisi asiakkaan hakeutumaan ihmisen apuun. Tämä onkaltaisia tietojen poistamisen ongelmia, joita joudumme ratkaisemaan, jotta voimme ottaa AI:n asiakkaidemme kanssa ja se on yleinen syy, miksi organisaatiot eivät saa aikaan odottamiaan tuloksia.

Oma tutkimukseni keskittyi tietojen poistamiseen ja tietojen hakemiseen suurista asiakirjakokoelmista, tutkien “tapahtumien” välistä suhdetta, joka on AI:n alalla määritelty tapahtuman perimmäisen syy-seuraus-suhteen ja aikajanan määrittelyä. Sovellamme tätä MCE:ssä AI-ratkaisuissamme ihmisen vuorovaikutuksessa rakentamalla rakenteellisen ymmärryksen, joka voi auttaa LLM:itä paremmin tiivistämään, edustamaan ja hakemaan tietoa asiakkaan ongelman ratkaisemiseksi.

Olet julkaissut tutkimuksia johtavissa NLP-konferensseissa, kuten ACL, EMNLP ja NAACL. Mitkä läpimurrot viimeisen viiden vuoden aikana ovat vaikuttaneet eniten todelliseen maailmaan, ja mitkä hyvin mainostetut edistysaskeleet ovat tällä hetkellä yliarvostettuja?

On muutamia läpimurtoja, jotka erottuvat minulle, ja ne tapahtuivat LLM:ien kehityksen edetessä.

Ensimmäinen oli ohjaussopeutus ja kehotteen insinööritaito. Tämä piti ratkaista ensin, ennen kuin voitiin siirtyä laajempaan käyttöön. Olemme kaikki olleet tilanteessa, jossa kysymme LLM:ltä jotain tiettyä, ja se menee ympyrään, tulee lähelle, mutta ei saa aikaan tarvittavaa vastausta. Niin kuin selvitettiin, miten mallit voivat ymmärtää kehotteen ja toimittaa tarkan tuloksen, se oli suuri askel.

Luonnollisesti seuraava läpimurto oli agenteille, jotka tarvitsivat LLM:ien kehittymistä yksittäisten tehtävien ulkopuolelle ja kykyä suorittaa useita asioita: luoda suunnitelmia, vuorovaikuttaa loppukäyttäjän kanssa, käyttää työkaluja, muistia ja pääsyä tietoon. Tämä oli olennainen siirtymiseen, jossa olemme tänään.

Seuraava läpimurto, joka on osittain ratkaistu mutta edelleen kesken, on hallucinaatio-ongelman täydellinen ratkaisu. On tehty jo paljon edistystä, joten voimme luottaa LLM:ihin enemmän kuin aiemmin. Mutta on vielä työtä tehtävänä, ja se on yksi syy, miksi ihmisen valvonta ja turvajärjestelmät ovat edelleen olennaisia.

Mikä on yliarvostettua, on autonomisten agenttien itsenäisyyden aste, jonka ihmiset väittävät niiden tulisi olla. Täysin itsenäiset järjestelmät, jotka toimivat monimutkaisissa liiketoimintaympäristöissä ilman ihmisen valvontaa, eivät ole vielä riittävän luotettavia. Mitä pidän tuottavampana, on suunnitella AI:ta suorittamaan arvokkaita tehtäviä, eskaloimaan epävarmuutta, selittämään sen päättelyä ilman ihmisen prosessin yleisen suunnan valvontaa. Siinä on, missä agenssia AI luo todellista arvoa lyhyellä aikavälillä.

Olet toiminut tutkijana, ohjelmistosuunnittelijana, teknologiajohtajana, startup-neuvonantajana, luennoitsijana ja nyt AI-päällikkönä. Miten AI:n onnistumisen määritelmä on muuttunut eri uranvaiheissa?

Urani aikana olen oppinut, että AI:n onnistumisen määritelmä jatkuu kehittyvänä, ja eri ydinarvot ovat eri aloilla. Soveltava tutkimus ja arkkitehtuuri opettivat minulle, että AI:n on toimittava todellisen maailman rajoituksissa. Akateeminen tutkimus opetti minulle tarkkuuden ja arvioinnin tärkeyden. Teknologiajohtajuus osoitti, että suorituskyky ja operatiivinen kuri ovat yhtä tärkeitä kuin itse malli. Startup-neuvonnan myötä opin, että AI luo suurimman vaikutuksen, kun se ratkaisee todellisen ongelman ja on selvä polku omaksumiseen.

Nykyään, MCE:n AI-päällikkönä, määrittelen onnistumisen AI:na, joka luo mitattavaa arvoa ja ansaitsee loppukäyttäjien luottamuksen. Se on parantavaa asiakkaiden tuloksia, työntekijöiden ja liiketoiminnan tuloksia, riittävän luotettavaa tuotantoon, läpinäkyvää hallittavaksi ja tarpeeksi hyödyllistä, jotta ihmiset todella omaksuvat sen. Tässä mielessä, minun määritelmäni on muuttunut “Toimii teknologia?” – “Luo se arvoa vastuullisesti, toistuvasti ja mittakaavassa?”

Tämä on myös siirtymä, jonka teimme MCE:llä, joka alkoi kaksi vuotta sitten ja johti tähän. Jälkimmäinen arvo on, miten me ajattelemme AI:ta nyt sisäisissä käyttötarkoituksissa ja asiakkaidemme kanssa telekommunikaatioalalla.

MCE Systems soveltaa AI:ta telekommunikaatioalan asiakaskokemukseen, asiakaspalveluun ja markkinointiin. Mitkä ovat kaikkein vakuuttavimmat AI-käyttötavat, jotka tällä hetkellä nousevat esiin telekommunikaatioalalla?

Viestintäpalveluntarjoajat (CSP:t), tai “operaattorit”, kuten heitä yleensä kutsutaan, ovat vaikeassa tilanteessa, jossa he kohtaavat hinnoitteluongelman. Hinta on todella vetovoimainen voima uusien asiakkaiden houkuttelemiseksi tai niiden pitämiseksi, mutta se ei ole kestävää. Jos katsot muihin jättiin, jotka myyvät kuluttajatuotteita tai -palveluita, kuten Apple (AAPL ), Amazon (AMZN ) tai Netflix (NFLX ), he rakensivat erinomaisen tuotteen ja kokemuksen sen ympärille. Tämä toteutui selvästi rahoituksessa, esimerkiksi, jossa pankit jouduttiin uusien joustavien pelaajien pakottamaan siirtymään säästöjen hallinnasta ja sijoituspalvelujen tarjoamisesta myös koko digitaaliseen kokemukseen sen ympärillä. Sama tapahtuu telekommunikaatioalalla.

Meidän visiomme on auttaa operaattoreita tarjoamaan lisäarvoa asiakkailleen paremman kokemuksen kautta yläpuolella erinomaista yhteydenpitoa, jonka he jo tarjoavat. Tämä tarkoittaa olemista enemmän proaktiivisia ja viestivää asiakkaiden kanssa heidän verkon ja laitteen kokemuksesta. Ja meidän kohdallamme AI on se, mikä lopulta mahdollistaa heidän tehdä sen hyvin.

Alalla on kuitenkin tullut enemmän puolustusvälineeksi leikata asiakaspalvelun työvoimakustannuksia tai tehdä työntekijöistä tuottavampia. Mutta meidän kohdallamme AI on myös hyökkäysväline olla proaktiivinen asiakaspalvelussa ja personoida palvelua ja mitä tarjoamme asiakkaille, kaikki asiakkaan mobiililaitteella.

Esimerkiksi havaitsemalla laitteen tai yhteyden ongelman tai akun heikentymisen ennen kuin asiakas huomaa sen ja auttamalla heitä ratkaisemaan sen. Nämä kaltaiset kokemukset rakentavat aitoa uskollisuutta. Tietäessämme asiakkaan tilannetta tarpeeksi hyvin voidaksemme tarjota oikean laajakaistapaketin, data-lisäyksen tai elämäntapa-tuotteen oikeaan aikaan, se ajaa korkeampaa muunnosta. Ja keräämällä signaaleja verkko-omaisuuden, CRM:n ja laitteen tietojen yli voidaan tarkasti ennustaa asiakkaan lojaalisuus ja toimia siinä varhain, se on ehkä voimakkain kaikista näistä sovelluksista. Operaattorit, jotka saavat tämän oikein, saavat merkittävän etulyöntiaseman.

On paljon hypeä “AI-käyttöön” tai “AI-valmiiksi” tulemisesta. Miten MCE lähestyy tätä paradigman muutosta ja mitkä ovat tärkeimmät seikat, joita organisaatiot usein väärin ymmärtävät tässä muutoksessa?

Mitä moni väärin ymmärtää, on se, että AI-muutos ei ole vain teknologisen käyttöönoton, vaan myös toimintatavan muutos. Parhaat mahdollisuudet ovat siellä, missä omaksuminen tuntuu luonnolliselta: työnkulku on jo olemassa, kipu on mitattavissa ja AI voi selvästi parantaa nopeutta, laatua tai päätöksentekoa. MCE lähestyy tätä paradigman muutosta useilla ajatuksilla.

Aloimme kysymällä AI-työkalujen kypsymisen tasoa ja omaksumista, joka moninkertaistaa työntekijöiden tuottavuuden. Kysyimme, miten voimme kouluttaa tiimejämme, määritellä selkeät käyttöohjeet ja yhdistää sisäisiä järjestelmiä AI:hen, missä se todella voi tehdä eroa päivittäin.

Kun arvioimme työkalujen perustamme, tarkailimme työnkulkujen automaatiota ja tunnistimme, missä agenteja voitiin vähentää manuaalista työtä. Luonnollisesti löysimme, että voimme leikata kehitysaikaa oleellisesti. Yhdessä esimerkissä erittäin toimiva, prototyyppi-sovellus vaati vain pari päivää luoda, kun se olisi muuten vaatinut kaksi tai kolme viikkoa.

Mitä usein aliarvioidaan sisäisen tuottavuuden kannalta, on datan demokratisointi. Olemme työskennelleet ja jatkamme työskentelemistä paremman hyödyntämisen parantamiseksi sisäisistä tietojamme, jotta sekä ihmiset että AI-järjestelmät voivat tehdä parempia päätöksiä. Tämä kattaa asiakastarpeiden ymmärtämisen, toimintojen parantamisen ja tuotteiden rakentamisen, jotka oppivat aiemman kokemuksen perusteella. Se on edelleen iteratiivinen ja analyyttinen prosessi arvioida, mitä toimii ja mitä ei.

Monet organisaatiot kilpailevat AI-agenttien käyttöönotossa. Mitkä käytännön opit olet oppinut siitä, missä autonomisen AI:n voi luoda todellista arvoa vastaan, missä ihmisen valvonta on edelleen olennainen?

On helppo joutua automaation hypeen. Uskon kuitenkin lähestymistapaan, jossa lähdetään tarkastelemaan työnkulkua. Neuvoisin aloittamaan etsimällä työnkulkua, joissa agenteja voidaan luoda arvoa, jakamaan ne pienempiin osiin ja kysymällä, mitkä osat voidaan täysin automatisoida, mitkä osia voidaan puoli-automatisoida ja missä kohtaa ihmisen arvio on tarpeen.

Käytännössä havaitsemme, että agenteja luo eniten arvoa, kun niitä käytetään määriteltyihin tehtäviin, jotka vaihtelevat tiedon keräämisestä syötteiden analysointiin, suositusten luomiseen ja seuraavien askelten valmisteluun. Hienosäädetty automaatio, jossa tehtävä on riittävän yksinkertainen, toimii paljon paremmin kuin yrittäminen koko monimutkaisen prosessin automatisointi.

Ihmiset ovat edelleen tärkeitä valvontaa, poikkeusten käsittelyä, asiakkaan herkkämielisiä päätöksiä ja yleensä tilanteita, joissa vastuu on olennainen. Tavoitteena ei ole korvata ihmisen päätöksentekoa, vaan antaa agenttien käsitellä osia, joissa ne voivat luotettavasti luoda arvoa, kun taas ihmiset käsittelevät päätöksiä, jotka vaativat vastuuta.

MCE on puhunut AI:n käytöstä tarjoamaan henkilökohtaisempia laitekokemuksia ja parantamaan operaattoreiden operatiivista tehokkuutta. Miten tasapainotat personoinnin kasvavan tietosuoja-, läpinäkyvyyden ja käyttäjien luottamuksen kanssa?

Koska AI tuntuu niin inhimilliseltä, käyttäjät vuorovaikuttavat sen kanssa tavoin, jotka paljastavat usein enemmän kuin he aikaisemmin ajoittivat. Se asettaa todellisen vastuun organisaatioille olla valppaita ja läpinäkyviä siitä, mitä tietoja kerätään. Yksinkertainen esimerkki: kun asiakas lähettää valokuvan osana vianmääritysprosessia, se kuva voi vahingossa sisältää henkilökohtaisia tietoja näytöllä. On olennaisen tärkeää, että organisaatiot soveltavat suojaustoimia leikata kuva pois tarpeettomasta sisällöstä, pitäen keskityksessä juuri sen, mistä vuorovaikutus on, ja vähentääksesi tarpeettoman tietojen altistumisen.

Minun mielestäni kaikki keräämämme tiedot tulisi palvella asiakkaan etuja ja tarpeita. Se tulisi kerätä vain, jos se tukee tiettyä tarkoitusta, kuten ratkaisemalla asiakkaan kysymystä tai tarjoamalla sopivan asteen personointia. Samalla tiedot tulisi käsitellä tietosuojaa vaalien tavalla, välttäen mitä tahansa tarpeetonta kytköstä asiakkaan todelliseen maailman identiteettiin.

Toisin sanoen, ymmärtäkää asiakkaan profiilin tiettyjä tarpeita, jotka liittyvät liiketoimintaamme. Tapauksessamme, olemme tietosuojaa noudattava organisaatio, se on tietoa laitteen tilasta ja käyttäjän käyttäytymisestä, joka liittyy erityisesti operaattoriin, eikä asiakkaan identiteettiin tai muihin käyttäytymisen muotoihin.

Mitä myös on tärkeää, on itse asiakkaan kanssa tapahtuva vuorovaikutus. Turvajärjestelmät ovat kriittisiä tässä. Ne auttavat pysymään tarkoituksen, brändi-äänensävyssä ja välttämään siirtymistä siitä, mitä organisaatiot ovat valmiit hallitsemaan. Käytännössä turvajärjestelmät estävät lakien tai sääntöjen rikkomisen ja negatiivisen asiakaskokemuksen. Joskus nämä voivat olla raskaita prosesseja, mutta ne ovat olennaisia.

Olet opettanut aiheita, jotka ulottuvat tietotekniikan perusteista tietojen hakemiseen ja datakaiverrukseen. Jos suunnittelisit AI-oppimäärän opiskelijoille, jotka tulevat työelämään tänään, mitkä aiheet priorisoisit ja mitkä vanhentuneet käsitteet poistaisit?

Oppimäärän on muututtava kahdella tavalla. Aiheita, jotka olivat aikaisemmin rajoitettu vain jatko-opintoihin, kuten neuroverkot, muuntajat, suuret kielimallit, hakijajärjestelmät, arviointi, suuntautuminen ja vastuullinen AI, on tehtävä perusopintojen aiheiksi. Opiskelijat, jotka tulevat työelämään, tarvitsevat ymmärryksen siitä, miten nämä järjestelmät toimivat ja miten arvioida niitä kriittisesti.

Opiskelijat myös tarvitsevat opetusta siitä, miten käyttää AI:ta vastuullisesti työkaluna oppimiseen ja tutkimukseen. Se tarkoittaa kyseenalaistamista tuloksia, lähteiden vahvistamista, rajoitusten ymmärtämistä ja AI:n käsittämistä ajattelevana kumppanina, ei lyhytaikaisena ratkaisuna tehtävien tekemiseen.

Mitä en poistaisi, ovat matematiikka ja algoritminen perusta. Väittäisin, että ne ovat yhtä tärkeitä kuin koskaan. Mitä vähentäisin, ovat tehtävät, jotka palkitsevat mekaanista toteutusta ilman kriittistä ajattelua. Keskittyminen tulisi siirtää ongelman määrittelyyn, arviointiin, järjestelmän suunnitteluun ja vastuulliseen käyttöön.

Olet neuvonut useita startup-yrityksiä AI-strategiasta. Mitkä ovat yleisimmät virheet, joita perustajat tekevät AI-tuotteiden kehittämisessä, ja mitä erottaa yritykset, jotka onnistuvat siirtymään prototyyppiin ja tuotantoon?

Yleisin virhe, jonka näen, on rakastuminen teknologiaan ennen kuin ymmärtää ongelmaa, asiakasta tai omaksumisen polkua. Läheinen toinen on se, ettei ymmärretä AI:n rajoituksia tarpeeksi hyvin, jolloin se pakotetaan käyttöön sovelluksissa, joissa se ei vielä ole kypsää.

Se, mikä erottaa perustajia, jotka pääsevät onnistuneeseen tuotantoon, on syvä alakohtainen asiantuntemus ja tutkimussuuntautuminen. Parhaat AI-tuotteet tulevat perustajilta, jotka ymmärtävät tietyn pystysuoran hyvin tarpeeksi tunnistamaan todellisen teknologian aukon. He eivät aloita “mitä voimme tehdä AI:lla?” vaan “tässä on tietty ongelma, tässä on, miksi olemassa olevat ratkaisut eivät riitä, ja tässä on, miksi AI voi nyt ratkaista sen kestävästi”.

Lisäksi onnistuneet perustajat oppivat jatkuvasti asiakkailta, kilpailijoilta, neuvonantajilta ja epäonnistuneista yrityksistä. He tutkivat, miten päätöksiä tehdään, miten budjetit liikkuvat ja mitä luo luottamusta kohderyhmälle. Lopulta he eivät vain rakenna tuotetta, vaan luovat jotain, joka on selviävässä olevassa todellisessa ympäristössä, eikä vain itsensä vuoksi.

Katsoen eteenpäin viisi vuotta, uskotko, että AI:n suurin vaikutus tulee tulemaan voimakkaampien perusmallien, agenssijärjestelmien, monimodaalisen AI:n, laitteen älykkyyden tai jostain aivan muusta, jota teollisuus tällä hetkellä aliarvioi?

Suurin vaikutus ei tule pelkästään perusmallien parantamisesta, vaan siitä, miten malleja upotetaan järjestelmiin, jotka voivat havainnoida ja toimia todellisissa työnkuluissa ja parantaa niitä. Tämä siirtymä voimakkaasta mallista kykyiseen järjestelmään on, missä odotan merkittävintä lähiaikaisen edistystä.

Tämä tulee erityisesti voimakkaaksi, kun järjestelmät tulevat täysin monimodaalisiksi, ja pystyvät järkeilemään tekstin, äänen, kuvan, videon ja muiden kontekstuaalisten maailmanmerkkien yli. Tämä avaa uusia mahdollisuuksia asiakastukeen, terveydenhuoltoon, valmistukseen jne.

Toinen kehittyvä teknologia, joka uskon tulevan mullistavaksi, ovat agenteilla, jotka vuorovaikuttavat fyysiseen maailmaan. Yritykset kuten Boston Dynamics ovat jo osoittaneet mahdollisuuksia, ja potentiaalia, kun havainnointi, päättely, suunnittelu ja fyysinen toiminta kohtaavat. Olipa se inhimillisenkaltaisessa muodossa tai erikoistuneissa robotti-järjestelmissä, agenteilla, joilla on kehot, voi osoittautua yhdeksi merkittävimmistä ja vallankumouksellisimmista AI:n ilmentymistä, joita näemme seuraavien viiden vuoden aikana. MCE:lle tämä luo mahdollisuuksia logistiikassa ja operatiivisissa työnkuluissa, joissa edelleen on monia toistuvia, matalan kompleksisuuden tehtäviä, jotka edellyttävät fyysistä ihmisen vuorovaikutusta. Esimerkkejä ovat laitteen nostaminen, napin painaminen, johtojen liittäminen tai laitteiden siirtäminen eri asemien välillä. Nämä ovat ihanteellisia kandidaatteja robotti- ja AI-automatisoinnille, joka sallii järjestelmien olla tehokkaampia, johdonmukaisempia ja käsitellä paljon enemmän tilavuutta.

Telekommunikaatioalalla on kyky ennustaa asiakkaan lojaalisuus ja toimia siinä, missä raha on seuraavien vuosien aikana. Jos voit rakentaa luotettavan mallin, joka yhdistää tietoja kaikista eri asiakaspuolista, arvioi tarkasti lojaalisuuden todennäköisyyden ja toimii siinä, ratkaiset ongelman, joka on ollut operaattoreille pysähtyneenä. Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla MCE Systems -sivustolla.