Matthew Fitzpatrick, Invisible Technologiesin toimitusjohtaja – Haastattelusarja

Matthew Fitzpatrick on kokenut operaatioiden ja kasvun erikoisosaaja, jolla on syvä osaaminen monimutkaisten työnkulkujen ja tiimien skaalauksesta. Taustansa, joka kattaa konsultoinnin, strategian ja operatiivisen johdon, hän toimii tällä hetkellä Invisible Technologiesin toimitusjohtajana, jossa hän keskittyy suunnittelemalla ja optimoimalla liiketoimintaratkaisuja. Matthew on intohimoisen kiinnostunut yhdistämään inhimillisen kyvykkyyden automaation kanssa tehokkuuden asteittain, auttaen yrityksiä lukitsemaan muodonmuutosprosessien kautta kasvua.

Invisible Technologies on tekoälytuotantokerros- ja yritysohjelmistoyritys, joka auttaa organisaatioita rakentamaan, käyttämään ja skaalaamaan tekoälyjärjestelmiä monimutkaisissa liiketoimintaympäristöissä. Sen alusta yhdistää tekoälyohjelmistoa, inhimillistä osaamista ja operatiivista infrastruktuuria tukeakseen tuotantoprosesseja, joita tarvitaan koulutus-, arviointi- ja tekoälyn toiminnan harjoittamiseen. Invisible työskentelee yritysten kanssa hallitakseen monimutkaisia tietoja, automatisoidakseen työnkulkuja ja integroidakseen tekoälyn liiketoimintaprosesseihin, tarjoamalla infrastruktuuria ja osaamista, jota tarvitaan siirtääkseen tekoälyaloitteita kokeilusta tuotannon asteiseen käyttöön.

Siirtyessäsi johtamaan QuantumBlack Labsia McKinseystä Invisible Technologiesin toimitusjohtajaksi, mitä sinut veti tähän rooliin, ja mitä sinä innostaa eniten Invisible Technologiesin tehtävästä?

McKinseyssä minulla oli etuoikeus työskennellä tekoälyn innovaation eturintamassa – rakentamalla tekoälyohjelmistotuotteita, johtamalla tutkimus- ja kehitystyötä ja auttamalla yrityksiä hyödyntämään datan voimaa. Se, mikä sinut veti Invisible Technologiesiin, oli mahdollisuus tehdä se toimivaksi asteittain yhdistämällä ainutlaatuinen joustava tekoälyohjelmistoalusta ja asiantuntijoiden markkinapaikka inhimillisen palautejärjestelmän kanssa – uskon, että vahvistusoppiminen inhimillisen palautejärjestelmän kautta (RLHF) on avain oikean ja luotettavan GenAI-toteutuksen kannalta. Invisible tukee tekoälyä koko arvoketjun ajan, aina tietojen puhdistamisesta ja tietojen syöttöautomaatiosta ketjuajattelun ja mukautettujen arviointien kautta. Meidän tehtävämme on yksinkertainen: yhdistää inhimillinen älykkyys ja tekoäly auttamaan yrityksiä toteuttamaan tekoälyn mahdollisuuksia, mikä on ollut yrityksissä odotettua vaikeampaa.

Olet johtanut yli 1 000 insinööriä ja skaalannut useita tekoälytuotteita eri aloilla. Mitkä oppitunnit McKinseystä sovelletaan Invisible Technologiesin seuraavaan kasvuvaiheeseen?
Kaksi oppituntia erottuu. Ensinnäkin, onnistunut tekoälyn omaksuminen on yhtä paljon organisaatiomuutosta kuin teknologiaa. Tarvitaan oikeat ihmiset ja prosessit paikallaan – yhdessä hyvien mallien kanssa. Toiseksi, yritykset, jotka voittavat tekoälyssä, ovat niitä, jotka hallitsevat “viimeisen mailin” – siirtymisen kokeilusta tuotantoon. Invisiblessa sovelletaan samaa kuria ja rakennetta auttamaan asiakkaita siirtymään koehenkilöistä tuotantoon, tarjoamalla todellista liiketoimintaa arvoa.
Kerroit, että “2024 oli tekoälyn kokeiluvuosi, ja 2025 on tekoälyn tuottavuuden toteutusvuosi.” Mitkä tarkat suuntaukset näet yrityksissä, jotka saavuttavat todellista tuottavuutta?

Yritykset, jotka saavuttavat todellista tuottavuutta tänä vuonna, tekevät kolme asiaa hyvin. Ensinnäkin, he kohdistavat tekoälyn sovellukset tiiviisti ydinyrityksen KPI:ihin, kuten operatiiviseen tehokkuuteen tai asiakastyytyväisyyteen. Toiseksi, he panostavat parempaan tietojen laatuun ja inhimilliseen palautejärjestelmään jatkuvasti parantamaan mallin suorituskykyä. Kolmanneksi, he siirtävät yleisistä ratkaisuista räätälöityihin, alakohtaisiin järjestelmiin, jotka heijastavat ympäristönsä monimutkaisuutta. Nämä yritykset eivät enää vain testaa tekoälyä – he skaalaavat sitä tarkoituksella.
Miten perustason mallien tarjoajien, kuten AWS:n, Microsoftin (MSFT ) ja Cohere, vaatimukset alakohtaisiin ja PhD-tasoisin tietojen merkintöihin kehittyvät?

Näemme kasvavan vaatimusta erikoistuneille merkinnöille, kun perustason mallien tarjoajat siirtyvät monimutkaisempiin pystyihin. Invisiblessa meillä on 1%:n vuotuinen hyväksymisprosentti asiantuntijapoolissamme, ja 30%:ssa kouluttajistamme on joko maisterin tai tohtorin tutkinto. Tämä syvä osaaminen on yhä enenevissä määrin välttämätöntä – ei ainoastaan tarkkaa tietojen merkintää varten, vaan myös antaakseen nuanssillisen, kontekstuaalisen palautejärjestelmän parantamaan päättelyä, tarkkuutta ja suuntautumista. Kun mallit tulevat älykkäämmiksi, niiden koulutuksen vaatimukset kasvavat.

Invisible on edelläkävijä agenteilla tekoälyssä, korostamalla päätöksentekoa todellisissa työnkuluissa. Mikä on sinun määritelmäsi agenteille tekoälyssä, ja missä näet eniten lupausta?

Agenteille tekoälyssä viitataan järjestelmiin, jotka eivät pelkästään reagoi ohjeisiin – ne suunnittelevat, tekevät päätöksiä ja toteuttavat toimia määritellyn turvallisuuden puitteissa. Se on tekoäly, joka toimii enemmän kuin tiimikaverina kuin työkaluna. Näen eniten lupaavaa tulosta monimutkaisissa työnkuluissa, kuten asiakastuessa ja vakuutuskorvauksissa. Näissä aloissa agenteille tekoälyssä voidaan vähentää manuaalista työtä, lisätä johdonmukaisuutta ja tuottaa tuloksia, jotka vaatisivat muutoin suuria inhimillisiä tiimejä. Se ei ole inhimillisten korvaamista – sen sijaan me kehitämme älykkäitä agenteja, jotka voivat käsitellä toistuvat ja rutiininomaiset tehtävät.

Voihsinhan jakaa esimerkkejä siitä, miten Invisible kouluttaa malleja ketjuajattelun perusteella ja miksi se on kriittinen yritysten käyttöönotossa?

Ketjuajattelu on avannut uusia mahdollisuuksia yritysten tekoälylle. Invisiblessa me koulutamme malleja päättämään askel askeleelta, mikä on välttämätöntä, kun panokset ovat korkeat – olipa kyse potilaan diagnosoinnista, sopimuksen analyysistä tai rahoitusmallin validoinnista. Ketjuajattelu parantaa ei ainoastaan läpinäkyvyyttä, vaan myös mahdollistaa virheenkorjaamisen, hienosäätöä ja suorituskyvyn parantamista ilman massiivisia uusia tietoja. Olemme nähneet johtavat mallit, kuten Gemini, Sonnet ja Grok, alkavat paljastaa heidän päättelypolkunsa, mikä mahdollistaa meidän havainnoida ei ainoastaan mitä mallit tuottavat, vaan myös miten he pääsevät sinne. Tämä luo perustaa edistyneemmille menetelmille, kuten Tree of Thought (jossa mallit arvioivat useita mahdollisia päättelypolkuja ennen kuin päättävät vastauksesta) ja Self-Consistency (jossa useita päättelypolkuja tutkitaan).

Invisible tukee koulutusta yli 40 ohjelmointikielellä ja 30 inhimillisen kielen kielellä. Kuinka tärkeää on kulttuurinen ja kielellinen tarkkuus rakentamassa globaalisti skaalautuvaa tekoälyä?

Se on kriittistä. Kieli ei ole vain käännöstä – se on kontekstia, nuansseja ja kulttuurisia normeja. Jos malli tulkitsee väärin sävyä tai jättää huomiotta alueellisen variation, se voi johtaa huonoihin käyttökokemuksiin tai jopa vaatimustenmukaisuusriskeihin. Monikieliset kouluttajamme eivät ole vain sujuvaan puhujia – he ovat upotettuina kulttuureihin, joita he edustavat.

Mitkä yleiset epäonnistumisen kohdat ovat, kun yritykset yrittävät skaalata koehenkilöistä tuotantoon, ja miten Invisible auttaa navigoimaan tämän “viimeisen mailin”?

Useimmat tekoälymallit eivät pääse koskaan tuotantoon, koska yritykset aliarvioivat operatiivisen nostamisen vaatimukset. Heillä ei ole puhdasta dataa, vankkaa arviointiprotokollaa eikä strategiaa mallien upottamiseksi todellisiin työnkuluksiin. Invisiblessa yhdistämme syvän teknisen osaamisen tuotannon asteiseen data-infrastruktuuriin auttamaan yrityksiä silittämään tämän kuilun. Meidän symbioottiset kyvykkyydet koulutuksessa ja optimoinnissa mahdollistavat meidän sekä rakentaa parempia malleja että käyttää niitä onnistuneesti.

Voihsinhan kuljettaa meidät läpi Invisible Technologiesin lähestymistavan RLHF:ään (Reinforcement Learning from Human Feedback) ja miten se eroaa muiden teollisuuden toimijoiden lähestymistavasta?

Invisiblessa näemme Reinforcement Learning from Human Feedbackin (RLHF) enemmän kuin pelkän hienosäätön – se mahdollistaa monimutkaisemman mukautetun arviointisuunnittelun ja siirtymisen kouluttamiseen, jossa käytetään inhimillistä arviointia sijaan binäärisiä signaaleja, kuten peukku ylös ja peukku alas. Toisin kuin teollisuuden lähestymistavat, jotka usein priorisoivat skaalautuvuutta korkean volumen, matalan signaalin dataa, me keskitymme keräämään rakenteellista, korkealaatuista palautetta, joka sisältää päättelyä, kontekstia ja vaihtoehtoja. Tämä rikkaampi signaali mahdollistaa mallien yleistämisen tehokkaammin ja lähemmän suhteen inhimillisen aikomusten kanssa. Priorisoimalla syvyyttä leveyden sijaan, me rakennamme perustan vahvempien, suunniteltujen tekoälyjärjestelmien kehittämiseksi.

Miten sinä näet tekoälyn ja inhimillisen yhteistyön tulevaisuuden kehittyvän, erityisesti korkean panoksen aloilla, kuten rahoituksessa, terveydenhuollossa tai julkisella sektorilla?

Tekoäly ei korvaa inhimillistä osaamista – se tulee infrastruktuuriksi, joka tukee sitä. Näen tulevaisuuden, jossa tekoälyagentit ja inhimilliset asiantuntijat työskentelevät yhdessä – jossa klinikat ovat tuettuina diagnostisilla apulaisilla, hallitukset käyttävät tekoälyä priorisoimaan hyödyt tehokkaammin, ja rahoitusanalyytikot ovat vapaita keskittymään strategiaan sijaan taulukoissa. Meidän fokuksena on suunnitella järjestelmiä, joissa tekoäly vahvistaa inhimillistä kykyä, sen sijaan että se peittää tai ohittaa sen.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia enemmän, voivat vierailla Invisible Technologiesissa.