Matthew Fitzpatrick, CEO Invisible Technologies – Seri Wawancara

Matthew Fitzpatrick adalah seorang spesialis operasi dan pertumbuhan yang berpengalaman dengan keahlian mendalam dalam menskalakan alur kerja kompleks dan tim. Dengan latar belakang yang meliputi konsultasi, strategi, dan kepemimpinan operasional, ia saat ini menjabat sebagai CEO di Invisible Technologies, di mana ia fokus pada merancang dan mengoptimalkan solusi bisnis ujung-ke-ujung. Matthew sangat bersemangat untuk menggabungkan bakat manusia dengan otomatisasi untuk menggerakkan efisiensi pada skala besar, membantu perusahaan membuka pertumbuhan transformasional melalui inovasi proses.

Invisible Technologies adalah lapisan produksi AI dan perusahaan perangkat lunak enterprise yang membantu organisasi membangun, mengirim, dan menskalakan sistem AI di seluruh lingkungan bisnis yang kompleks. Platformnya menggabungkan perangkat lunak AI yang ditenagai, keahlian manusia, dan infrastruktur operasional untuk mendukung alur kerja produksi yang diperlukan untuk melatih, mengevaluasi, dan mengoperasikan AI lanjutan. Invisible bekerja sama dengan perusahaan untuk mengelola data kompleks, mengotomatisasi alur kerja, dan mengintegrasikan AI ke dalam proses bisnis, menyediakan infrastruktur dan keahlian yang diperlukan untuk memindahkan inisiatif AI dari eksperimen ke pengiriman skala produksi yang dapat diandalkan.

Baru-baru ini Anda beralih dari memimpin QuantumBlack Labs di McKinsey ke menjadi CEO di Invisible Technologies. Apa yang menarik Anda ke peran ini, dan apa yang paling Anda sukai tentang misi Invisible?

Di McKinsey, saya memiliki kehormatan bekerja di garis depan inovasi AI – membangun produk perangkat lunak AI, memimpin upaya R&D, dan membantu perusahaan memanfaatkan kekuatan data. Apa yang menarik saya ke Invisible Technologies adalah kesempatan untuk membuatnya operasional pada skala besar dengan kombinasi platform perangkat lunak AI yang unik dan fleksibel serta pasar ahli untuk umpan balik manusia – saya percaya Reinforcement Learning dari Umpan Balik Manusia (RLHF) adalah kunci untuk implementasi GenAI yang akurat dan dapat diandalkan. Invisible mendukung AI di seluruh rantai nilai, dari pembersihan data dan otomatisasi entri data hingga penalaran rantai pikiran dan evaluasi kustom. Misi kami sederhana: menggabungkan kecerdasan manusia dan AI untuk membantu bisnis memenuhi potensi AI, yang di perusahaan telah lebih sulit daripada yang diharapkan banyak orang.

Anda telah mengawasi 1.000+ insinyur dan menskalakan beberapa produk AI di seluruh industri. Apa pelajaran dari McKinsey yang Anda terapkan pada fase pertumbuhan Invisible berikutnya?

Dua pelajaran menonjol. Pertama, adopsi AI yang sukses sama banyaknya tentang transformasi organisasi seperti tentang teknologi. Anda perlu orang dan proses yang tepat – di atas model yang hebat. Kedua, perusahaan yang menang dalam AI adalah mereka yang menguasai “mil terakhir” – transisi dari eksperimen ke produksi. Di Invisible, kami menerapkan disiplin dan struktur yang sama untuk membantu pelanggan memindahkan dari pilot ke produksi, mengirimkan nilai bisnis nyata.

Anda telah mengatakan bahwa “2024 adalah tahun eksperimen AI, dan 2025 adalah tentang merealisasikan ROI.” Apa tren spesifik yang Anda lihat di antara perusahaan yang benar-benar mencapai ROI itu?

Perusahaan yang melihat ROI nyata tahun ini melakukan tiga hal dengan baik. Pertama, mereka menyelaraskan kasus penggunaan AI dengan erat dengan KPI bisnis inti – seperti efisiensi operasional atau kepuasan pelanggan. Kedua, mereka berinvestasi dalam data yang lebih baik dan loop umpan balik manusia untuk terus meningkatkan kinerja model. Ketiga, mereka beralih dari solusi generik ke sistem yang disesuaikan, spesifik domain yang mencerminkan kompleksitas lingkungan mereka. Perusahaan ini tidak lagi hanya menguji AI – mereka menskalakannya dengan tujuan.

Bagaimana permintaan untuk pelabelan data spesifik domain dan tingkat PhD berkembang di seluruh penyedia model dasar seperti AWS, Microsoft (MSFT ), dan Cohere?

Kami melihat lonjakan permintaan untuk pelabelan khusus karena penyedia model dasar mendorong ke vertikal yang lebih kompleks. Di Invisible, kami memiliki tingkat penerimaan tahunan 1% di kolam ahli kami, dan 30% dari pelatih kami memegang gelar master atau PhD. Keahlian mendalam itu semakin diperlukan – tidak hanya untuk mengannotasi data dengan akurat, tetapi juga untuk memberikan umpan balik yang halus, sadar konteks untuk meningkatkan penalaran, akurasi, dan keselarasan. Ketika model menjadi lebih pintar, batang untuk melatih mereka menjadi lebih tinggi.

Invisible berada di garis depan AI agen, menekankan pengambilan keputusan dalam alur kerja dunia nyata. Apa definisi Anda tentang AI agen, dan di mana kita melihat janji paling besar?

AI agen merujuk pada sistem yang tidak hanya merespons instruksi – mereka merencanakan, membuat keputusan, dan mengambil tindakan dalam batasan yang ditentukan. Ini adalah AI yang berperilaku lebih seperti rekan kerja daripada alat. Kami melihat traksi paling banyak di alur kerja kompleks dan volume tinggi: seperti dukungan pelanggan dan klaim asuransi, misalnya. Di area ini, AI agen dapat mengurangi upaya manual, meningkatkan konsistensi, dan mengirimkan hasil yang sebaliknya akan memerlukan tim manusia besar. Ini tidak tentang menggantikan manusia – sebaliknya, kami sedang melengkapi mereka dengan agen pintar yang dapat menangani yang berulang dan rutin.

Apakah Anda bisa membagikan contoh tentang bagaimana Invisible melatih model untuk penalaran rantai pikiran dan mengapa itu penting untuk penerapan enterprise?

Penalaran rantai pikiran (CoT) telah membuka potensi baru untuk AI enterprise. Di Invisible, kami melatih model untuk bernalar langkah demi langkah, yang sangat penting ketika taruhan tinggi – apakah Anda mendiagnosa pasien, menganalisis kontrak, atau memvalidasi model keuangan. CoT tidak hanya meningkatkan transparansi, tetapi juga memungkinkan debugging, penyempurnaan, dan peningkatan kinerja tanpa dataset baru yang besar. Kami telah melihat model terkemuka seperti Gemini, Sonnet, dan Grok mulai mengungkapkan jalur penalaran mereka, yang memungkinkan kami untuk mengamati tidak hanya apa yang dihasilkan model, tetapi juga bagaimana mereka tiba di sana. Ini sedang meletakkan dasar untuk metode yang lebih maju seperti Tree of Thought (di mana model mengevaluasi beberapa jalur penalaran yang mungkin sebelum menetapkan jawaban) dan Self-Consistency (di mana beberapa jalur penalaran dijelajahi).

Invisible mendukung pelatihan di lebih dari 40 bahasa pemrograman dan 30 bahasa manusia. Seberapa pentingnya presisi budaya dan linguistik dalam membangun AI yang dapat diskalakan secara global?

Sangat penting. Bahasa tidak hanya tentang terjemahan – itu tentang konteks, nuansa, dan norma budaya. Jika model salah mengartikan nada atau melewatkan variasi regional, itu dapat menyebabkan pengalaman pengguna yang buruk, atau bahkan risiko kepatuhan. Pelatih multibahasa kami tidak hanya fasih – mereka terintegrasi ke dalam budaya yang mereka wakili.

Apa titik kegagalan umum ketika perusahaan mencoba menskalakan dari konsep bukti ke produksi, dan bagaimana Invisible membantu menavigasi “mil terakhir” itu?

Kebanyakan model AI tidak pernah mencapai produksi karena perusahaan meremehkan angkat operasional yang diperlukan. Mereka kekurangan data yang bersih, protokol evaluasi yang kuat, dan strategi untuk memasukkan model ke dalam alur kerja nyata. Di Invisible, kami menggabungkan pengalaman teknis yang mendalam dengan infrastruktur data produksi untuk membantu perusahaan membangun jembatan. Kemampuan simbiotik kami dalam pelatihan dan optimasi memungkinkan kami untuk membangun model yang lebih baik dan mengirimkannya dengan sukses.

Apakah Anda bisa membawa kami melalui pendekatan Invisible terhadap RLHF (Reinforcement Learning dari Umpan Balik Manusia) dan bagaimana itu berbeda dari yang lain di industri?

Di Invisible, kami melihat Reinforcement Learning dari Umpan Balik Manusia (RLHF) sebagai lebih dari sekadar penyetelan halus – itu memungkinkan desain evaluasi kustom (“eval”) yang lebih canggih, dan pergeseran menuju melatih model dengan penilaian manusia yang halus daripada sinyal biner seperti ibu jari ke atas dan ke bawah. Sementara pendekatan industri sering memprioritaskan skala melalui data volume tinggi, rendah-sinyal, kami fokus pada mengumpulkan umpan balik yang terstruktur, berkualitas tinggi yang menangkap penalaran, konteks, dan pertukaran. Sinyal yang lebih kaya ini memungkinkan model untuk menggeneralisasi lebih efektif dan selaras lebih dekat dengan niat manusia. Dengan memprioritaskan kedalaman daripada keluasan, kami sedang membangun infrastruktur untuk sistem AI yang lebih kuat dan selaras.

Bagaimana Anda membayangkan masa depan kolaborasi AI-manusia berkembang, terutama di bidang yang berisiko tinggi seperti keuangan, kesehatan, atau sektor publik?

AI tidak menggantikan keahlian manusia – itu menjadi infrastruktur yang mendukungnya. Saya membayangkan masa depan di mana agen AI dan ahli manusia bekerja bersama – di mana klinisi didukung oleh kopilot diagnostik, lembaga pemerintah menggunakan AI untuk menangani manfaat lebih efisien, dan analis keuangan bebas untuk fokus pada strategi daripada spreadsheet. Fokus kami adalah merancang sistem di mana AI meningkatkan kemampuan manusia, bukan mengaburkan atau mengesampingkannya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut harus mengunjungi Invisible Technologies.