Pablo Ormachea, Motusin Data-VP – Haastattelusarja

Pablo Ormachea, Motusin Data-VP, rakentaa yritysten AI- ja analytiikkajärjestelmiä, jotka on suunniteltu toimimaan nopeasti ja kestämään sääntely- ja taloudellisen tarkastelun. Hän johtaa täysin etätyöskenteleviä, monitoimisia tiimejä ja keskittyy näyttöön perustuviin päätöksentekojärjestelmiin, jotka parantavat pidättävyyttä, laajentavat marginaaleja ja tuottavat mitattavissa olevaa tuottoa. Motusissa hän uudelleenrakensi analytiikkaa yli 350 000 kuljettajalle, saavuttaen 60-kertaisesti nopeamman raportoinnin ilman aikakatkoksia, ja toimitti AI/ML-järjestelmiä, mukaan lukien poikkeamien havaitseminen ja asiakastappioiden ennustaminen, jotka ovat säästäneet asiakkaille miljoonia. Hän on myös yhdessä kirjoittanut Motusin AI-hallinnon puitteet, jotka mahdollistavat turvallisen LLM-kokeilun selkeiden oletusten, vahvan tarkastettavuuden ja johdonmukaisen liiketoimintalogiikan kanssa koko datastaossa.

Motus on työvoiman hallinta- ja liikkuvuusohjelmisto, joka auttaa organisaatioita hallitsemaan ajoneuvon korvausta, matkanseurantaa ja liikkuvan työvoiman toimintaa. Sen pilvipohjainen alusta automatisoi verohyödyllisiä korvausohjelmia, tarjoaa reaaliaikaisia raportteja ja näkymiä ja auttaa yrityksiä vähentämään kustannuksia, parantamaan tuottavuutta ja hallitsemaan noudattamista työntekijöiden osalta, jotka ajavat työtehtävien hoitamiseksi.

Olet rakentanut uran AI-teknisen, datastrategisen ja sääntelyn leikkauskohdassa – Harvardin lakista johtamaan dataa ja AI:ta Motusissa. Mitkä kokemukset ovat muovanneet lähestymistapaasi rakentaa AI-järjestelmiä, jotka ovat sekä teknisesti edistyneitä että sääntelyn mukaisia?

Olen oppinut käsittämään sääntelyn teknisenä rajoituksena, ei pelkästään oikeudellisena jälkikäteen. Jos rakennat moottoritien, voit ajaa moottoritien nopeuksilla. Jos teet tien epätasaiseksi ja kiihdytät kuitenkin, et liiku nopeammin. Et vain törmää nopeammin.

Harvardin lakikoulu auttoi yllättävällä tavalla, koska tapauslakijärjestelmä on perustapaa johdettu oppiminen. Sääntö kohtaa todellisuuden. Reunatapaukset paljastavat, missä se epäonnistuu. Oppi parantaa.

Käytän samaa mieltymallia AI-järjestelmissä tuotannossa. Jokainen jäännös on lahja. Se kertoo, missä oletukset poikkeavat todellisesta maailmasta, ja se antaa konkreettisen polun järjestelmän kiristämiseksi.

Optimoin kahta asiaa samanaikaisesti: toimitusnopeutta ja todistuskuormaa. Tavoitteena ei ole ”innovaatio vastaan sääntely”. Tavoitteena on rakentaa järjestelmiä, jotka voivat liikkua nopeasti ja vastata selvästi ja toistuvasti: ”Miten tiedät?”

Yhdessä kirjoitit Motusin AI-hallintopuitteet, jotka yksinkertaisivat hyväksynnät säilyttäen vahvat valvontatoimet. Mitkä periaatteet ohjasivat sinua suunnitellessasi tätä politiikkaa, ja miten tasapainotat innovaation nopeuden ja tarkastusvalmiuden?

Emme olleet aikomassa kirjoittaa sääntöjä. Piirsimme kartan. Kun AI-omaksuminen alkaa, kiinnostus tulee joka suunnasta, ja nopeus voi muuttua meluksi tai jopa vastuullisuudeksi. Ensimmäinen tehtävä on selkeys: missä LLM:t voivat toimia ja missä eivät, mikä data pysyy tiukasti sisällä, ja mitälaisia kokeita on sallittu turvallisessa kaistassa.

Tasapaino saavutetaan tekemällä turvallinen reitti helpoksi. Hallinto epäonnistuu, kun se on komitea. Se toimii, kun se muuttuu oletuksiksi: hyväksyttyjen työkalujen, selkeiden datarajojen, standardoidun lokipohjaisen ja nopean hyväksymiskaistan reunatapauksille. Tavoitteena on, ettei rakentajien tarvitse uudelleenneuvotella turvallisuutta joka kerta, kun he toimittavat.

Sitten tarkastusvalmius tulee sivutuotteena. Et ole kiirehditty keräämässä todisteita tapahtuman jälkeen, koska järjestelmä tuottaa todisteita, kun se toimii.

Olet sanonut, että AI-käytännöt tulisi täyttää jopa IRS-tason tarkastelun. Voitko antaa esimerkin, jossa sääntelyhuomio vaikuttaa suoraan tekniseen AI- tai ML-päätökseen Motusissa?

Säänteltyjen työnkulkujen tapauksessa kysymys ei ole vain ”onko malli tarkin?” Se on ”voitko näyttää tekemäsi työn myöhemmin?” Tämä todellisuus muotoilee sitä, mitä ”hyvä” tarkoittaa Motusissa.

Se muuttaa suunnittelupäätöksiä. Tietyissä käyttötarkoituksissa suosimme lähestymistapoja, jotka ovat selitettävissä, toistettavissa ja helppoja tarkastaa. Joskus se tarkoittaa yksinkertaisempia malliperheitä. Usein se tarkoittaa deterministisiä varoitusviittoja, versioitujen ominaisuuksien ja lokien syöttämistä ja tulostamista tavalla, joka tukee todellista toistoa.

Kokonainen esimerkki: kun päivitimme osia korvauslogiikastamme ja raportoinnista, painoimme voimakkaasti jäljitettävyyttä avainpäätöksenteossa. Halusimme, että järjestelmä vastaisi pyynnöstä, mikä sääntö laukesi, mikä dataa käytettiin, mikä versio oli käynnissä ja mikä muutos muuttaisi lopputuloksen. Se teki AI-komponenteista käyttökelpoisempia, ja se teki koko työnkulusta helpommin puolustettavan.

Hyöty kaksinkertaistuu. Kun voit toistaa käyttäytymistä ja jakaa virheitä, jäännökset loppuvat olemaan arvoituksellisia. Ne muuttuvat priorisoituneksi parannuslistaksi: mitä epäonnistui, missä, miksi ja mikä muutos sulkee aukon.

Motus toimii ratkaisuilla, jotka tyydyttävät ajoneuvon korvausta ja riskin vähentämistä, jotka on tyydyttävä IRS:n ja muiden sääntelyvaatimusten mukaisiksi. Miten AI parantaa sääntelyä ja tarkinnettavuutta näissä yritysten käyttötarkoituksissa?

AI auttaa kahdella tavalla: se vähentää manuaalista kitkaa, ja se vahvistaa puolustettavuutta.

Korvauksissa arvo on ei vain automaatio, vaan myös johdonmukaisuus. AI voi auttaa luokittelemalla matkoja, havaitsemalla poikkeamia ja paljastamalla puuttuvaa tietoa aikaisemmin, mikä vähentää myöhempiä sovitteluita. Kukaan ei halua, että korvaus muuttuu kuukausittaiseksi arkeologian projekti. Sääntelyhyöty tulee paremmasta mittaamisesta ja paremmasta asiakirjoituksesta. Tuetaan tuloksia selkeällä todisteella eikä jälkikäteen jälleenrakenneta.

Riskin osalta AI on hyödyllistä, koska pisteen aikaiset tarkastukset eivät ole tarpeeksi. Yritykset haluavat jatkuvaan tietoisuutta siitä, mitä on muuttunut, mitä näyttää epäilyttävältä ja mitä vaatii huomiota. Parhaat AI-järjestelmät tässä ovat ei dramaattisia. Ne ovat hiljaisia, johdonmukaisia ja mitattavissa.

Johtaminen etätyöskentelevistä, monitoimisista tiimeistä, jotka tekevät yhteistyötä Lakien, Turvallisuuden, Talouden ja Tuotteen kanssa, ei ole pieni saavutus. Mitkä ovat suurimmat haasteet, joita olet kohdannut näiden ryhmien liniassa data- ja AI-aloitteiden kanssa?

Haasteellisin osa on, että jokainen ryhmä on järkevä, ja he optimoivat eri riskejä.

Turvallisuus huolehtii altistumisesta. Lakit huolehtivat puolustettavuudesta. Talous huolehtii kustannuksista ja ennustettavuudesta. Tuote huolehtii nopeudesta ja asiakasarvon arvosta. Data ja insinöörit huolehtivat toteutettavuudesta ja luotettavuudesta. Jos käsitetään nämä kilpaileviksi agendoiksi, pysähtyy.

Korjaus on jaettu kieli ja selkeät kaistat. Sopimme päätöksestä, määrittelimme rajat ja sopimme siitä, mitä näyttö ”hyvä” vaatii. Sitten rakennamme oletukset, jotta useimmat työt voivat liikkua ilman seremoniaa.

Olen havainnut, että selkeys voittaa vakuuttamisen. Kun ihmiset voivat nähdä kartan, liniointi tulee helpommaksi.

Olet ajanut merkittäviä suoritusparannuksia – kuten 60-kertaisesti nopeamman raportoinnin yli 350 000 kuljettajalle ja miljoonia asiakastalletuksia. Miten päätät, mitkä AI/ML-projektit priorisoida sekä taktiselle vaikutukselle että strategiselle arvolle?

Priorisoin projekteja, jotka läpäisevät kolme testiä.

Ensinnäkin ne on muutettava todellista päätöstä tai työnkulkua, ei vain tuottaa taitavaa tulosta. Jos tuloste ei muuta luotettavasti käyttäytymistä, se on demo, ei tuote.

Toiseksi ne on mitattavissa. Isovanhempani sanoivat ”hyvin mitattu on puoliksi tehty”. Säänteltyjen ympäristöissä se on enemmän kuin puoli. Jos emme voi määritellä onnistumista, virhetilaa ja seurantaa etukäteen, se tarkoittaa, että emme ymmärrä työtä vielä.

Kolmanneksi ne on puolustettavissa tarkastelun alla. Se sisältää datan alkuperän, pääsyrajoitukset ja kyvyn selittää ja toistaa tuloksia.

Kun projekti läpäisee nämä testit, se lukee sekä taktisia voittoja että strategista kaksinkertaistumista. Motusissa se on, miten olemme toimittaneet askelmuodon parannukset, mukaan lukien olennaisesti nopeamman raportoinnin suurten mittakaavojen kanssa, vähemmän poikkeamia ja automaation, joka kääntyy todelliseksi asiakkaan ajan säästöksi.

Luottamus ja selitettävyys ovat kriittisiä yritysten AI-omaksumisessa. Miten tiimisi varmistaa, että mallit ovat tulkitettavissa ja luotettavissa liiketoimintayksiköiden laajuisesti?

Luottamus tulee selkeydestä, johdonmukaisuudesta ja järjestelmästä, joka voi selittää itsensä paineen alla.

Suunnittelemme järjestelmiä, joissa on toistopainike. Samat syötöt, sama versio, sama tuloste, plus näyttö siitä, mitä muutosta tapahtui ajan myötä. Teemme myös jäännökset näkyviksi. Jokainen virhe on tieto. Jos instrumentoit virheitä oikein, voit selittää käyttäytymistä selkeässä kielellä ja parantaa sitä kurinalaisella tavalla.

Kun päätöksellä on tarkastusaltis, suosimme yksinkertaisempia malleja vahvan mittauksen kanssa verrattuna epäselvään monimutkaisuuteen. Käytännössä se tarkoittaa selkeitä datamääritelmiä, arviointia, joka leikkaa suorituskykyä merkityksellisillä osuuksilla, seurantaa siirtymisestä ja asiakirjoitettua muutosprosessia. Sidosryhmien ei tarvitse jokaista teknistä yksityiskohtaa. He tarvitsevat luottamusta, että järjestelmä on mitattu, rajoitettu ja parantunut.

Yritysympäristöissä selitettävyys ei ole filosofinen suunta. Se on vaatimus omaksumiselle, ja se on tärkeää, kun asiakkaat tarvitsevat kestää tulevia tarkastuksia.

Lääketieteellisistä tietoputkista IRS:n mukaisiin raportteihin, Motus korostaa turvallista, skaalautuvaa AI:ta. Mitkä parhaat käytännöt suosittelet muiden AI-johtajien, jotka työskentelevät säänneltyjen alojen parissa?

Jotkut periaatteet, jotka matkustavat hyvin:

• Käsittää sääntelyn moottoritienä. Rakenna päällystettyjä teitä, jotta tiimit voivat liikkua nopeasti turvallisesti.
• Määrittele rajat aikaisin. Ole eksplisiittinen siitä, mitä dataa ei voi poistaa, mitkä työkalut on hyväksytty ja missä malleja voidaan suorittaa turvallisessa kaistassa.
• Automaatio todisteita. Tee lokipohjaisuus, jäljitettävyys ja versionhallinta oletuksiksi, ei kiirehtiessä tarkastuksen aikana.
• Mittaa ennen kuin skaalaa. Hyvin mitattu on puoliksi tehty. Et voi parantaa sitä, mitä et voi nähdä.
• Toiminta jäännöksiä. Muunna virheet virhetaulukoksi ja priorisoituksi parannuslistaksi.
• Suunnittele omaksumista varten. Hyvät mallit ovat osittain tilastollisia, osittain kumppanuutta ja suurelta osin muutoksen hallintaa.

Jos hallintosi asuu PDF-tiedostossa, se ei skaalaa. Jos se asuu järjestelmässä, se skaalaa.

Motus on edelläkävijä ajoneuvon korvaus- ja riskiratkaisuissa. Miten näet AI:n kehittyvän tässä alalla seuraavien 3-5 vuoden aikana?

Odotan kahta suurta muutosta, ja ne vahvistavat toisiaan.

Ensinnäkin riski siirtyy jaksoittaisista tarkastuksista jatkuviin, päätöksentekijöille tarkoitettuihin signaaleihin. Nykyään useimmat organisaatiot oppivat ajoneuvon riskistä liian myöhään, joko tapahtuman jälkeen tai jaksoittaisen tarkastelun jälkeen. Seuraava aalto on järjestelmiä, jotka paljastavat riskiä aikaisemmin ja tarkemmin, käyttäen kaavojen mukaisia malleja, jotka ovat jo toiminnassa: muutokset oikeutuksissa, katkokset, epätavalliset ajomatkat ja ristiriidat odotetun ja havaitun käyttäytymisen välillä. Tavoitteena ei ole korvata tuomio. Se on antaa turvallisuudelle, HR:lle, taloudelle ja operaatioille selkeä varhaisen varoituspaneeli, vähemmän väärä hälytys ja parempi asiakirjat siitä, miksi jotain merkittiin.

Toiseksi korvaus siirtyy paperityöstä työnkulkuun. Yritykset menettävät yhä paljon aikaa lomakkeiden täyttämiseen, korjauksiin, hyväksymisiin ja jälkikäteen puhdistamiseen. Odotan, että seuraavien vuosien aikana on enemmän automaatiota korvauksen elinkaaren aikana: esitäytäminen, mitä voidaan esitäyttää, virheiden havaitseminen ja poikkeusten ohjaaminen oikeaan hyväksyjään asiayhteyden kanssa ja manuaalisen takaisinviennin vähentäminen. Tehokkaasti tehtynä se tekee korvauksesta nopeamman ja puolustettavamman, koska todisteiden jälki on osa prosessia, ei myöhemmin jälleenrakennettu.

Mikä tekee tästä jännittävää, on miten ne yhdistyvät, kun perusta on oikein. Kun rajat ovat selkeät ja jäännökset ovat näkyvissä, saat kaksinkertaisen silmukan: vähemmän poikkeamia, puhdas lomakkeiden täyttäminen, nopeampi hyväksyntä, paremmat riskisignaalit ja selkeämpi muistiinpano siitä, miten päätökset tehtiin.

Tulevaisuus ei ole ”AI joka paikassa”. Se on AI upotettuna oikeisiin hetkiin, vahvoilla mittauksilla ja palautekanavilla, jotka jatkuvasti parantavat.

Pohjautuen matkaasi lakien, neurotieteen, tilastojen ja sovelletun AI:n kautta, mitä ohjeita antaisit nuorille ammattilaisille, jotka pyrkivät johtamaan dataa ja AI:ta monimutkaisissa liiketoimintaympäristöissä?

Opettele rakentamaan järjestelmiä, ei vain malleja. Tai toisin sanoen, rakenna moottoritie, instrumentoi virheet ja pidä karttaa ajan tasalla.

Pääse lähelle ihmisiä, jotka elävät lopputuloksia. Eturintaman operaattorit usein näkevät signaaleja ennen kuin datasi. Heidän palautensa ei ole ”anekdoottista”. Se on usein puuttuva ominaisuus.

Kehitä mittaamisen kanssa. Opi nöyryyttä virheestä. Jäännökset ovat lahja, jos olet valmis kuuntelemaan. Säänteltyjen ympäristöissä lisää kurinalaisuutta todisteiden kuormasta: ole kykeneväisiä selittämään, mitä olet rakentanut, miksi se käyttäytyi tavalla, jolla se teki, ja mitä teet, kun se muuttuu.

Lopulta muista, että omaksuminen on osa työtä. Muutoksen hallinta ei ole pehmeä lisäys. Se on ydinvaatimus, jos haluat AI:si käytettäväksi. Se tarkoittaa, ettei ole tarpeeksi olla vahva datasta, malleista ja algoritmeista. Sinun on työskenneltävä hyvin liiketoimintayksiköiden kanssa, ansaittava luottamus ja navigoimalla ihmisen polku, joka muuttaa hyvän mallin todelliseksi kyvyksi. Jos voit tehdä sen, et vain rakenna malleja, rakennat luottamusta.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, kannattaa vierailla Motus:ssa.