Dimitri Masin, Gradient Labsin CEO ja Co-Perustaja – Haastattelu Sarja

Dimitri Masin on Gradient Labsin CEO ja Co-Perustaja, joka on AI-startup, joka rakentaa autonomisia asiakastukihenkilöitä erityisesti säännellyille aloille, kuten rahoituspalveluille. Ennen Gradient Labsin perustamista vuonna 2023 Masin toimi johtavissa rooleissa Monzo Bankissa, mukaan lukien Data Science, Financial Crime ja Fraud -osastojen varapresidentti, ja aiemmin hän työskenteli Googlella. Masinin johdolla Gradient Labs on nopeasti saavuttanut menestystä ja saavuttanut 1 miljoonan punnan vuosittaisen toistuvan liikevaihdon viidessä kuukaudessa. Masinin fokus on kehittää AI-järjestelmiä, jotka yhdistävät korkean suorituskyvyn tiukkaan sääntelyyn, mahdollistaen turvallisen ja skaalautuvan automaation monimutkaisiin asiakastoimiin.

Mikä innoitti sinua perustamaan Gradient Labsin menestyksekkään uran jälkeen Monzossa?

Monzossa olimme viettäneet vuosia kehittämässä asiakastukiautomaatiota, jossa tavoittelemme maltillisia 10%:n tehokkuusparannuksia. Mutta alkuvuonna 2023 näimme merkittävän teknologisen muutoksen GPT-4:n julkaisun myötä. Yhtäkkiä oli mahdollista automatisoida 70-80%:ia manuaalisesta, toistuvasta työstä täysin autonomisesti AI:n avulla.

Tämä teknologinen läpimurto, jota meidän on tällä hetkellä kokenaan, innoitti meitä perustamaan Gradient Labsin. Urallani olen nähnyt kaksi tällaista vallankumouksellista aaltoa: mobiilivallankumouksen (joka tapahtui urani alussa) ja nyt AI:n. Kun tunnistat, että olet mukana sellaisessa muutoksessa, joka muuttaa kokonaan maailman toimintatapaa, sinun on tartuttava tilaisuuteen. Tiimimme tiesi – tämä on oikea hetki.

Monzossa sinä autosit yritystä massiivisen hyperkasvun läpi. Mitkä olivat suurimmat opit tästä kokemuksesta, joita sovellet Gradient Labsiin?

Ensinnäkin, tasapaino autonomian ja ohjauksen välillä. Monzossa oletimme aluksi, että ihmiset menestyvät autonomiassa – se on se, mikä motivoi heitä eniten. Mutta tämä näkemys vaikuttaa nyt liian yksinkertaiselta. Uskon, että ihmiset arvostavat myös ohjausta. Todellinen autonomia ei ole sanomista “tee mitä haluat”, vaan antamista selkeää ohjausta ja antamista heidän ratkaista ongelmia omalla tavallaan.

Toiseksi, huipputalenttiin tarvitaan huipputasoinen palkkio. Jos tavoittelet palkkaamista 5%:ia parhaista toiminnasta, sinun on maksettava vastaavasti. Muuten suuret teknologiayritykset palkkaavat heidät pois, kun heidän huipputalenttinsa tulee julki ja heidät maksetaan aliedellyttäen.

Kolmanneksi, älä keksi pyörää uudelleen. Monzossa yritimme luoda innovatiivisia lähestymistapoja työrakenteisiin, palkkajärjestelmiin ja uramahdollisuuksiin. Avainoppi: älä haaskaa energiaa perusjärjestelmien innovointiin – tuhannet yritykset ovat jo vakiinnuttaneet parhaat käytännöt. Yhä näen LinkedIn-postauksia “poistamalla kaikki tittelit ja hierarkiat” – olen nähnyt tämän toistuvan useita kertoja, ja lähes kaikki yritykset palaavat lopulta perinteisiin rakenteisiin.

Gradient Labs keskittyy säännellyille aloille, joilla on perinteisesti monimutkaiset tarpeet. Miten lähestyt AI-välineen (kuten Otton) rakentamista, joka toimii tehokkaasti tässä ympäristössä?

Otimmme epätavanomaisen lähestymistavan, hylkäten tyypillisen neuvon julkaisemisesta nopeasti ja iteroida elävän tuotteen kanssa. Sen sijaan vietimme 14 kuukautta ennen Otton julkaisemista, ylläpitäen erittäin korkeaa laatuvaatimusta alusta alkaen. Meidän oli luotava jotain, mitä pankit ja rahoituslaitokset voivat luottaa käsittelemään heidän tukihenkilöstönsä täysin autonomisesti.

Emme rakentaneet apuohjaajia – rakensimme loppuun asti automaattista asiakastukea. Taustamme rahoituspalveluista antoi meille tarkan sisäisen vertailukohteen “mitä hyvä näyttää”, jotta voimme arvioida laatuamme ilman asiakaspalautetta. Tämä antoi meille vapauden keskittyä laatuun ja iteroida nopeasti. Ilman eläviä asiakkaita voimme tehdä suurempia hyppyjä, rikkoa asioita vapaasti ja kääntää nopeasti – lopulta toimittaa ylempää tuotetta julkaisun aikana.

Otto ylittää yksinkertaisen kysymyksen vastaamisen ja käsittelee monimutkaisia työprosesseja. Voitko kuljettaa meidät siitä, miten Otto hallitsee monivaiheisia tai korkean riskin tehtäviä, joissa tyypilliset AI-välineet epäonnistuvat?

Olemme rakentaneet Otton ympärille SOP:iin (Standard Operating Procedures) – periaatteessa ohjeita, jotka on kirjoitettu selkeäksi englanniksi ja kuvaavat, miten käsitellä tiettyjä ongelmia, samoin kuin miten annetaan ohjeita ihmisille.

Kaksi avainarkkitehtuurista päätöstä tekee Otosta erityisen tehokkaan monimutkaisten työprosessien hallinnassa:

Ensinnäkin, rajoitamme työkalujen käyttöä. Yleinen epäonnistumistapa AI-välineille on valinta virheellisesti liian monista vaihtoehdoista. Jokaiselle prosessille altistamme vain pienen osan asiaankuuluvia työkaluja Otrolle. Esimerkiksi kortin korvaamisprosessissa Otto saattaa nähdä vain 1-2 työkalua, eikä kaikkia 30 järjestelmään rekisteröityä työkalua. Tämä parantaa merkittävästi tarkkuutta vähentämällä päätöksenteon tilaa.

Toiseksi, olemme uudelleenrakentaneet suurimman osan tyypillisestä AI-avustajien infrastruktuurista, jotta voimme mahdollistaa laajan ketjuajattelun. Emme vain heittänyt prosesseja avoimeen OpenAI- tai Anthropic-avustajaan, vaan meidän arkkitehtuuri mahdollistaa useita prosessointivaiheita syötteen ja tulosteen välillä. Tämä mahdollistaa syvempiä päättelyjä ja luotettavampia tuloksia.

Gradient Labs mainostaa “yli-ihmisen laatua” asiakastuessa. Mitä “yli-ihmisen laatu” tarkoittaa sinulle, ja miten mitaat sen sisäisesti?

Yli-ihmisen laatu tarkoittaa asiakastuen toimittamista, joka on mitattavasti parempaa kuin mitä ihmiset voivat saavuttaa. Seuraavat kolme esimerkkiä havainnollistavat tätä:

Ensinnäkin, kattava tietämys. AI-välineet voivat prosessoida valtavia määriä tietoa ja tietävät yksityiskohtaisesti yrityksestä. Toisaalta ihmiset oppivat yleensä vain pienen osan tietoa, ja kun he eivät tiedä jotain, heidän on konsultoitava tietokantoja tai eskaloitava kollegoilleen. Tämä johtaa turhauttavaan kokemukseen, jossa asiakkaat siirretään ryhmästä toiseen. AI-väline, toisaalta, on syvällisesti perehtynyt yritykseen ja sen prosesseihin, toimittaen johdonmukaisia, loppuun asti vastauksia – ei eskaloimista tarvita.

Toiseksi, ei-laiskat etsintä – AI on nopea keräämään tietoa. Kun ihmiset yrittävät säästää aikaa kysymällä asiakkailta kysymyksiä ennen tutkimusta, AI tutkii proaktiivisesti tiliinformaatiota, lippuja, hälytyksiä ja virheilmoituksia ennen keskustelun aloittamista. Joten, kun asiakas sanoo epämääräisesti “Minulla on ongelma X: ssä”, AI voi välittömästi tarjota ratkaisun ilman useita tarkentavia kysymyksiä.

Lopuksi, kärsivällisyys ja laadun johdonmukaisuus. Toisin kuin ihmiset, jotka kohtaavat painetta käsitellä tietty määrä vastauksia tunnissa, AI-mme ylläpitää johdonmukaista korkeaa laatua, kärsivällisyyttä ja tiivistä viestintää. Se vastaa kärsivällisesti niin kauan kuin tarvitaan ilman kiirettä.

Mittaamme tätä pääasiassa asiakastyytyväisyyden kautta. Kaikille nykyisille asiakkaille saavutamme asiakastyytyväisyyden, joka on keskimäärin 80-90% – yleensä korkeampi kuin heidän ihmisjoukkonsa.

Sinä olet tietoisesti välttänyt sitoutumista yhteen LLM-toimittajaan. Miksi tämä valinta oli tärkeä, ja miten se vaikuttaa suorituskykyyn ja luotettavuuteen asiakkaiden kannalta?

Viimeisen kahden vuoden aikana olemme havainneet, että suurimmat suorituskyvyn parannukset tulivat kyvystämme siirtyä seuraavaan parhaaseen malliin aina, kun OpenAI tai Anthropic julkaisi jotain nopeampaa, parempaa tai tarkempaa. Mallin joustavuus on ollut avainasia.

Tämä joustavuus mahdollistaa jatkuvan laadun parantamisen ja kustannusten hallinnan. Jotkut tehtävät vaativat voimakkaampia malleja, toiset vähemmän. Meidän arkkitehtuuri mahdollistaa sopeutumisen ja evoluution ajan myötä, valitsemalla optimaalisen mallin jokaiselle tilanteelle.

Lopulta tulemme tukemaan yksityisiä avoimen lähdekoodin LLM: iä, jotka on isännöity asiakkaiden infrastruktuurissa. Meidän arkkitehtuurin ansiosta tämä on suoraviivainen siirtymä, mikä on erityisen tärkeää palvellessamme pankkeja, joilla voi olla tiettyjä vaatimuksia mallin käyttöönotosta.

Gradient Labs ei rakenna vain chatbottia – sinä pyrit täysin käsittelemään myös taustaprosessit. Mitkä ovat suurimmat tekniset tai operatiiviset haasteet automatisoitaessa näitä tehtäviä AI: n avulla?

On kaksi erilaista prosessiluokkaa, joilla on omat haasteensa:

Yksinkertaisempien prosessien osalta teknologia on pääosin olemassa jo. Päähaaste on integraatio – yhdistäminen moniin mukautettuihin taustajärjestelmiin ja työkaluihin, joita rahoituslaitokset käyttävät, koska useimmat asiakastoiminnot liittyvät useisiin sisäisiin järjestelmiin.

Monimutkaisten prosessien osalta on edelleen merkittäviä teknisiä haasteita. Nämä prosessit vaativat yleensä, että ihmiset palkataan ja koulutetaan 6-12 kuukaudeksi kehittääkseen asiantuntemusta, kuten petos- tai rahanpesututkimuksia. Haaste on tietämyksen siirtäminen – miten annamme AI-välineille saman alan asiantuntemuksen? Se on vaikea ongelma, jonka jokainen tässä alalla on edelleen ratkaisemassa.

Miten Gradient Labs tasapainottaa AI:n nopeuden ja tehokkuuden tarpeen säännellyn alan tiukkojen vaatimusten kanssa?

Se on tasapainoilu, mutta keskustelutasolla meidän agenttimme vain vie enemmän aikaa ajatellakseen. Se arvioi useita tekijöitä: Ymmärränkö, mitä asiakas kysyy? Annaneko oikean vastauksen? Näyttääkö asiakas haavoittuvuuden merkkejä? Haluaako asiakas jättää valituksen?

Tämä tietoinen lähestymistapa lisää viivettä – meidän keskimääräinen vastausaika on ehkä 15-20 sekuntia. Mutta rahoituslaitoksille se on reilu kauppa. 15 sekunnin vastaus on edelleen paljon nopeampi kuin ihmisen vastaus, ja laatusäännöt ovat paljon tärkeämmät säännellyille yrityksille, joilla me työskentelemme.

Ennustatko tulevaisuutta, jossa AI-välineet voidaan luottaa sekä tukitoimille että korkeamman tason päätöksentekoprosesseihin rahoituslaitoksissa?

Rahoituslaitokset käyttivät jo perinteisempiä AI-tekniikoita korkean tason päätöksentekoon ennen nykyistä generatiivisen AI-aaltoa. Missä näen todellisen mahdollisuuden nyt on orkestraatio – ei päätöksenteko, vaan koko prosessin koordinointi.

Esimerkiksi asiakas lataa asiakirjoja, AI-väline ohjaa ne vahvistusjärjestelmään, vastaanottaa vahvistuksen ja käynnistää tarvittavat toimenpiteet ja asiakasviestinnän. Tässä orkestraatiofunktiossa AI-välineet menestyvät.

Korkeimpien panostusten päätöksentekoprosesseissa itsessään en näe paljon muutosta lähitulevaisuudessa. Nämä mallit vaativat selitettävyyttä, puolueettomuuden estämistä ja hyväksymistä mallin riskikomitean kautta. Suuret kielimallit kohtaisivat merkittäviä sääntelyhaasteita näissä yhteyksissä.

Miten AI muuttaa asiakaskokemusta pankkeja, fintech-yrityksiä ja muita säännellyitä aloja seuraavien 3-5 vuoden aikana?

Näen viisi suurta suuntaa, jotka muokkaavat asiakaskokemusta:

Ensinnäkin, todellinen monikanava-viestintä. Kuvittele aloittavasi chatin pankkisovelluksessa ja sitten siirtymistä ääneen saman AI-välineen kanssa. Ääni, puhelut ja chat sulautuvat yhteen jatkuvaksi kokemukseksi.

Toiseksi, sopeutuvat käyttöliittymät, jotka minimoi navigointia sovelluksessa. Asiakkaat eivät enää etsi eri valikkoja tiettyjä toimintoja varten, vaan sanovat vain tarpeensa: “Lisää rajoitukset” – ja toiminto tapahtuu välittömästi keskustelun kautta.

Kolmanneksi, paremmat yksikkökustannukset. Tuki ja operatiiviset prosessit ovat massiivisia kustannuskeskuksia. Näiden kustannusten vähentäminen voisi antaa pankkeja palvella aiemmin kannattamattomia asiakkaita tai siirtää säästöt käyttäjille – erityisesti aliedustetuissa segmenteissä.

Neljänneksi, poikkeuksellinen tuki mitattavissa olevalla skaalalla. Nykyisin pienillä asiakasmäärillä voidaan tarjota henkilökohtaista tukea, mutta laatu yleensä heikkenee, kun yritykset kasvavat. AI tekee erinomaisen tuen skaalautuvaksi, ei vain mahdolliseksi.

Viimeiseksi, asiakastuki muuttaa turhauttavasta välttämättömyydestä aidosti hyödylliseksi palveluksi. Se ei enää nähdä työläänä infrastruktuurikustannuksena, vaan arvokkaana, tehokkaana asiakaskosketuksena, joka parantaa koko kokemusta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Gradient Labs -sivustolla.