Donny White, CEO & Co-Founder of Satisfi Labs – Seri Wawancara

Didirikan pada tahun 2016, Satisfi Labs adalah perusahaan AI konversasional terkemuka. Kesuksesan awal datang dari kerja sama dengan New York Mets, Macy’s, dan US Open, yang memungkinkan akses mudah ke informasi yang sering tidak tersedia di situs web.

Donny menghabiskan 15 tahun di Bloomberg sebelum memasuki dunia startup dan memegang gelar MBA dari Cornell University dan BA dari Baruch College. Di bawah kepemimpinan Donny, Satisfi Labs telah mengalami pertumbuhan yang signifikan di sektor olahraga, hiburan, dan pariwisata, menerima investasi dari Google (GOOGL ), MLB, dan Red Light Management.

Anda berada di Bloomberg selama 14 tahun ketika Anda pertama kali merasakan gatal untuk menjadi wirausaha. Mengapa menjadi wirausaha tiba-tiba ada di radar Anda?

Selama tahun junior saya di perguruan tinggi, saya melamar pekerjaan sebagai resepsionis di Bloomberg. Setelah saya mendapatkan pekerjaan itu, saya memberitahu rekan kerja saya bahwa jika mereka mau mengajar saya, saya bisa belajar dengan cepat. Pada tahun senior saya, saya sudah menjadi karyawan penuh waktu dan telah memindahkan semua kelas saya ke malam hari sehingga saya bisa melakukan keduanya. Sebagai gantinya, saya menghabiskan waktu mengelola tim pertama saya pada usia 21 tahun. Dari sana, saya beruntung bekerja di meritokrasi dan beberapa kali dipromosikan. Pada usia 25 tahun, saya sudah memimpin departemen saya sendiri. Dari sana, saya pindah ke manajemen regional dan kemudian pengembangan produk, hingga akhirnya saya memimpin penjualan di seluruh Amerika. Pada tahun 2013, saya mulai bertanya-tanya apakah saya bisa melakukan sesuatu yang lebih besar. Saya melakukan beberapa wawancara di perusahaan teknologi muda dan salah satu pendiri berkata kepada saya, “Kami tidak tahu apakah Anda baik atau Bloomberg yang baik.” Saat itu saya tahu bahwa sesuatu harus berubah dan enam bulan kemudian saya menjadi VP penjualan di startup pertama saya, Datahug. Tak lama setelah itu, saya direkrut oleh sekelompok investor yang ingin mengganggu Yelp. Meskipun Yelp masih baik dan baik, pada tahun 2016 kami sejalan dengan visi baru dan saya mendirikan Satisfi Labs dengan investor yang sama.

Apakah Anda bisa berbagi cerita tentang asal-usul Satisfi Labs?

Saya berada di sebuah pertandingan bisbol di Citi Field dengan Randy, CTO dan Co-founder Satisfi saat ini, ketika saya mendengar tentang salah satu spesialisasi mereka, bacon on a stick. Kami berjalan-jalan di sekitar concourse dan bertanya kepada staf tentang itu, tetapi tidak bisa menemukannya di mana pun. Ternyata itu tersembunyi di satu ujung stadion, yang memicu kesadaran bahwa akan lebih nyaman untuk bertanya langsung kepada tim melalui obrolan. Inilah tempat ide pertama kami lahir. Randy dan saya berasal dari latar belakang keuangan dan perdagangan algoritma, yang membuat kami mengambil konsep memadukan permintaan dengan jawaban untuk membangun NLP kami sendiri untuk pertanyaan yang sangat spesifik yang akan ditanyakan di lokasi. Ide awal kami adalah membangun bot individu yang masing-masing akan ahli dalam bidang pengetahuan tertentu, terutama pengetahuan yang tidak mudah diakses di situs web. Dari sana, sistem kami akan memiliki “konduktor” yang dapat mengakses setiap bot saat diperlukan. Ini adalah arsitektur sistem asli yang masih digunakan hari ini.

Satisfi Labs telah merancang mesin NLP sendiri dan berada di ambang mengumumkan rilis pers ketika OpenAI mengganggu tumpukan teknologi Anda dengan rilis ChatGPT. Bisakah Anda membahas periode waktu ini dan bagaimana ini memaksa Satisfi Labs untuk mengubah bisnisnya?

Kami memiliki rilis pers yang dijadwalkan untuk mengumumkan peningkatan NLP Context-based paten-pending kami pada 6 Desember 2022. Pada 30 November 2022, OpenAI mengumumkan ChatGPT. Pengumuman ChatGPT mengubah tidak hanya jalan kami, tetapi juga dunia. Awalnya, kami, seperti semua orang, berlomba untuk memahami kekuatan dan keterbatasan ChatGPT dan memahami apa yang dimaksud dengan kami. Kami segera menyadari bahwa sistem NLP kontekstual kami tidak bersaing dengan ChatGPT, tetapi sebenarnya dapat meningkatkan pengalaman LLM. Ini menyebabkan keputusan cepat untuk menjadi mitra perusahaan OpenAI. Karena sistem kami dimulai dengan ide memahami dan menjawab pertanyaan pada tingkat granular, kami dapat menggabungkan desain sistem “konduktor bot” dan tujuh tahun data niat untuk meningkatkan sistem untuk mengintegrasikan LLM.

Satisfi Labs baru-baru ini meluncurkan paten untuk Sistem Respons LLM Kontekstual, apa itu secara khusus?

Pada bulan Juli, kami meluncurkan Sistem Respons LLM Kontekstual paten-pending. Sistem baru ini menggabungkan kekuatan sistem respons kontekstual paten-pending kami dengan kemampuan model bahasa besar untuk memperkuat seluruh Sistem Jawaban. Teknologi LLM Kontekstual baru ini mengintegrasikan kemampuan model bahasa besar di seluruh platform, mulai dari meningkatkan pengalihan niat hingga generasi jawaban dan pengindeksan niat, yang juga menggerakkan kemampuan pelaporan uniknya. Platform ini membawa AI konversasional melampaui chatbot tradisional dengan memanfaatkan kekuatan LLM seperti GPT-4. Platform kami memungkinkan merek untuk menjawab dengan jawaban AI generatif atau jawaban tertulis tergantung pada kebutuhan kontrol dalam respons.

Apakah Anda bisa membahas ketidaksinkronan saat ini antara sebagian besar situs web perusahaan dan platform LLM dalam menyampaikan jawaban yang sesuai dengan merek?

ChatGPT dilatih untuk memahami berbagai informasi dan oleh karena itu tidak memiliki tingkat pelatihan granular yang diperlukan untuk menjawab pertanyaan industri-spesifik dengan tingkat spesifisitas yang diharapkan oleh sebagian besar merek. Selain itu, akurasi jawaban yang disediakan oleh LLM hanya sebaik data yang disediakan. Ketika Anda menggunakan ChatGPT, itu mengambil data dari seluruh internet, yang dapat tidak akurat. ChatGPT tidak memprioritaskan data dari merek di atas data lain. Kami telah melayani berbagai industri selama tujuh tahun terakhir, mendapatkan wawasan berharga tentang jutaan pertanyaan yang diajukan oleh pelanggan setiap hari. Ini memungkinkan kami untuk memahami bagaimana menyetel sistem dengan konteks yang lebih besar per industri dan menyediakan kemampuan pelaporan niat granular yang kuat, yang sangat penting mengingat munculnya model bahasa besar. Sementara LLM efektif dalam memahami niat dan menghasilkan jawaban, mereka tidak dapat melaporkan pertanyaan yang diajukan. Dengan menggunakan tahun-tahun data niat ekstensif, kami telah menciptakan pelaporan standar melalui Sistem Pengindeksan Niat mereka.

Apa peran ahli bahasa dalam meningkatkan kemampuan teknologi LLM?

Peran insinyur prompt telah muncul dengan teknologi baru ini, yang memerlukan seseorang untuk merancang dan memperbaiki prompt yang menghasilkan respons tertentu dari AI. Ahli bahasa memiliki pemahaman yang baik tentang struktur bahasa seperti sintaksis dan semantik, di antara hal-hal lain. Salah satu insinyur AI paling sukses kami memiliki latar belakang Linguistik, yang memungkinkan mereka untuk sangat efektif dalam menemukan cara baru dan nuansa untuk memicu AI. Perubahan halus pada prompt dapat memiliki efek mendalam pada seberapa akurat dan efisien jawaban yang dihasilkan, yang membuat perbedaan besar ketika kami menangani jutaan pertanyaan di seluruh klien.

Apa yang terlihat seperti penyetelan halus di backend?

Kami memiliki model data proprietary yang kami gunakan untuk menjaga LLM tetap sejalan. Ini memungkinkan kami untuk membangun “pagar” kami sendiri untuk menjaga LLM tetap terkendali, bukan harus mencari pagar. Kedua, kami dapat memanfaatkan alat dan fitur yang digunakan platform lain, yang memungkinkan kami untuk mendukungnya di platform kami.

Penyetelan data pelatihan dan menggunakan Pembelajaran Penguatan (RL) di platform kami dapat membantu mitigasi risiko informasi yang tidak akurat. Penyetelan, bukan mengquery basis pengetahuan untuk fakta tertentu untuk menambahkan, membuat versi baru dari LLM yang dilatih pada pengetahuan tambahan ini. Di sisi lain, RL melatih agen dengan umpan balik manusia dan mempelajari kebijakan tentang bagaimana menjawab pertanyaan. Ini telah terbukti sukses dalam membangun model dengan jejak kaki yang lebih kecil yang menjadi ahli dalam tugas tertentu.

Apakah Anda bisa membahas proses untuk memasukkan klien baru dan mengintegrasikan solusi AI konversasional?

Karena kami fokus pada tujuan dan pengalaman seperti olahraga, hiburan, dan pariwisata, klien baru mendapat manfaat dari mereka yang sudah ada di komunitas, membuat proses pemasukan sangat sederhana. Klien baru mengidentifikasi di mana sumber data mereka saat ini berada seperti situs web, buku pegangan karyawan, blog, dll. Kami mengintegrasikan data dan melatih sistem secara real-time. Karena kami bekerja dengan ratusan klien di industri yang sama, tim kami dapat dengan cepat memberikan rekomendasi tentang jawaban mana yang paling sesuai untuk respons tertulis versus jawaban yang dihasilkan. Selain itu, kami mengatur aliran yang dipandu seperti Pencari Makanan & Minuman Dinamis kami sehingga klien tidak pernah perlu berurusan dengan pembangun bot.

Satisfi Labs saat ini bekerja erat dengan tim olahraga dan perusahaan, apa visi Anda untuk masa depan perusahaan?

Kami melihat masa depan di mana lebih banyak merek akan ingin mengendalikan lebih banyak aspek pengalaman obrolan mereka. Ini akan menghasilkan kebutuhan yang meningkat untuk sistem kami untuk menyediakan akses tingkat pengembang yang lebih besar. Tidak masuk akal bagi merek untuk merekrut pengembang untuk membangun sistem AI konversasional mereka sendiri karena keahlian yang diperlukan akan langka dan mahal. Namun, dengan sistem kami yang memberi makan backend, pengembang mereka dapat fokus lebih pada pengalaman pelanggan dan perjalanan dengan memiliki Satisfi Labs sebagai tulang punggung teknis pengalaman konversasional merek.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Satisfi Labs.