Ryan Ries, Chief AI & Data Scientist at Mission – Intervista della serie

Dr. Ryan Ries è un noto data scientist con più di 15 anni di esperienza di leadership nel settore dei dati e dell’ingegneria in aziende tecnologiche in rapida crescita. Il Dr. Ries ha più di 20 anni di esperienza lavorativa con l’AI e 5+ anni di aiuto ai clienti a costruire la loro infrastruttura di dati AWS e modelli di intelligenza artificiale. Dopo aver conseguito il dottorato in Chimica Biofisica alla UCLA e al Caltech, il Dr. Ries ha aiutato a sviluppare soluzioni di dati all’avanguardia per il Dipartimento della Difesa degli Stati Uniti e per una miriade di aziende Fortune 500.

Come Chief AI e Data Scientist di Mission, Ryan ha costruito un team di successo di Data Engineer, Data Architect, ML Engineer e Data Scientist per risolvere alcuni dei problemi più difficili del mondo utilizzando l’infrastruttura AWS.

Mission è un fornitore leader di servizi gestiti e consulenza nato nel cloud, che offre servizi cloud end-to-end, soluzioni di intelligenza artificiale innovative e software per i clienti AWS. Come partner di livello Premier di AWS, l’azienda aiuta le aziende a ottimizzare gli investimenti tecnologici, migliorare le prestazioni e la governance, scalare in modo efficiente, proteggere i dati e adottare l’innovazione con fiducia.

Ha avuto un percorso impressionante – dalla costruzione di hardware AR in DAQRI al diventare Chief AI Officer in Mission. Quali esperienze personali o punti di svolta hanno maggiormente influenzato la sua prospettiva sul ruolo dell’AI nell’impresa?

Lo sviluppo iniziale dell’AI era fortemente limitato dalla potenza di calcolo e dalle sfide infrastrutturali. Spesso dovevamo scrivere a mano i modelli dai paper di ricerca, il che era lungo e complesso. Un grande cambiamento è arrivato con l’ascesa di Python e delle librerie di intelligenza artificiale open-source, che hanno reso più veloce la sperimentazione e la costruzione dei modelli. Tuttavia, il punto di svolta più grande si è verificato quando i provider di servizi cloud come AWS hanno reso ampiamente accessibili il calcolo e l’archiviazione scalabili.

Questa evoluzione riflette una sfida persistente nella storia dell’AI – esaurire la capacità di archiviazione e calcolo. Queste limitazioni hanno causato le precedenti “inverni dell’AI” e superarle è stato fondamentale per l’attuale “rinascita dell’AI”.

Come il modello di servizio cloud end-to-end di Mission aiuta le aziende a scalare i loro carichi di lavoro di intelligenza artificiale su AWS in modo più efficiente e sicuro?

In Mission, la sicurezza è integrata in tutto ciò che facciamo. Siamo stati il partner di sicurezza dell’anno con AWS per due anni consecutivi, ma ciò che è interessante è che non abbiamo un team di sicurezza dedicato. Ciò è perché tutti in Mission costruiscono con la sicurezza in mente in ogni fase dello sviluppo. Con l’AI generativa di AWS, i clienti beneficiano dell’utilizzo del livello AWS Bedrock, che mantiene i dati, comprese le informazioni sensibili come le informazioni personali, al sicuro all’interno dell’ecosistema AWS. Questo approccio integrato garantisce che la sicurezza sia fondamentale, non un afterthought.

La scalabilità è anche un focus fondamentale in Mission. Abbiamo una vasta esperienza nella costruzione di pipeline MLOps che gestiscono l’infrastruttura di intelligenza artificiale per l’addestramento e l’inferenza. Mentre molti associano l’AI generativa a sistemi pubblici di grandi dimensioni come ChatGPT, la maggior parte dei casi d’uso aziendali è interna e richiede una scalabilità più gestibile. Il livello API di Bedrock aiuta a fornire prestazioni scalabili e sicure per carichi di lavoro reali.

Posso chiederle di guidarci attraverso un tipico impegno aziendale – dalla migrazione al cloud alla distribuzione di soluzioni di intelligenza artificiale generativa – utilizzando i servizi di Mission?

In Mission, iniziamo comprendendo le esigenze aziendali e i casi d’uso dell’impresa. La migrazione al cloud inizia con la valutazione dell’ambiente on-premise attuale e la progettazione di un’architettura cloud scalabile. A differenza delle configurazioni on-premise, dove è necessario prevedere la capacità di picco, il cloud consente di scalare le risorse in base ai carichi di lavoro medi, riducendo i costi. Non tutti i carichi di lavoro richiedono la migrazione – alcuni possono essere ritirati, rifatti o ricostruiti per l’efficienza. Dopo l’inventario e la pianificazione, eseguiamo una migrazione fase per fase.

Con l’AI generativa, siamo andati oltre le fasi di proof-of-concept. Aiutiamo le imprese a progettare architetture, a eseguire piloti per raffinare i prompt e affrontare i casi limite, quindi a passare alla produzione. Per l’AI basata sui dati, aiutiamo a migrare i dati on-premise nel cloud, sbloccando un valore maggiore. Questo approccio end-to-end garantisce che le soluzioni di intelligenza artificiale generativa siano robuste, scalabili e pronte per l’impresa fin dal primo giorno.

Missione sottolinea “l’innovazione con fiducia”. Cosa significa questo in termini pratici per le aziende che adottano l’AI su larga scala?

Significa avere un team con vera esperienza nell’AI – non solo laureati in corsi di formazione, ma scienziati dei dati stagionati. I clienti possono fidarsi del fatto che non stiamo sperimentando su di loro. Le nostre persone capiscono come funzionano i modelli e come implementarli in modo sicuro e scalabile. È così che aiutiamo le aziende a innovare senza correre rischi inutili.

Ha lavorato nel campo dell’analisi predittiva, del NLP e della visione artificiale. Dove vede l’AI generativa portare il maggior valore aziendale oggi – e dove l’iperiallo supera la realtà?

L’AI generativa sta fornendo un valore significativo alle imprese principalmente attraverso l’elaborazione intelligente dei documenti (IDP) e i chatbot. Molte aziende lottano per scalare le operazioni assumendo più persone, quindi l’AI generativa aiuta ad automatizzare i compiti ripetitivi e a velocizzare i flussi di lavoro. Ad esempio, l’IDP ha ridotto i tempi di revisione delle domande di assicurazione del 50% e migliorato la coordinazione dell’assistenza sanitaria nel settore sanitario. I chatbot spesso agiscono come interfacce per altri strumenti o sistemi AI, consentendo alle aziende di automatizzare le interazioni e i compiti routine in modo efficiente.

Tuttavia, l’iperiallo intorno alle immagini e ai video generativi spesso supera le applicazioni aziendali reali. Sebbene siano visualmente impressionanti, queste tecnologie hanno applicazioni pratiche limitate al di là del marketing e dei progetti creativi. La maggior parte delle aziende trova difficile scalare le soluzioni di media generative nel nucleo delle operazioni, rendendole più una novità che uno strumento aziendale fondamentale.

“Vibe Coding” è un termine emergente – può spiegarci cosa significa nel suo mondo e come riflette il più ampio cambiamento culturale nello sviluppo dell’AI?

Vibe coding si riferisce ai developer che utilizzano grandi modelli linguistici per generare codice basato più sull’intuizione o sulla prompt naturale che sulla pianificazione strutturata o sulla progettazione. È ottimo per velocizzare l’iterazione e la prototipazione – i developer possono testare rapidamente le idee, generare codice boilerplate o scaricare compiti ripetitivi. Tuttavia, spesso porta anche a codice che manca di struttura, è difficile da mantenere e potrebbe essere inefficiente o insicuro.

Stiamo vedendo un cambiamento più ampio verso ambienti agentic, in cui i modelli linguistici di grandi dimensioni agiscono come developer junior e gli esseri umani assumono ruoli più simili a quelli di architetti o ingegneri di QA – revisione, raffinamento e integrazione di componenti generati dall’AI in sistemi più grandi. Questo modello collaborativo può essere potente, ma solo se ci sono delle garanzie. Senza una supervisione adeguata, il vibe coding può introdurre debito tecnico, vulnerabilità o problemi di prestazioni – specialmente quando viene inserito in produzione senza test rigorosi.

Qual è la sua opinione sull’evoluzione del ruolo dell’ufficiale AI? Come le organizzazioni dovrebbero ripensare la struttura di leadership mentre l’AI diventa fondamentale per la strategia aziendale?

Gli ufficiali AI possono assolutamente aggiungere valore – ma solo se il ruolo è impostato per il successo. Troppo spesso, le aziende creano nuovi titoli di C-suite senza allinearli alle strutture di leadership esistenti o senza dar loro un’autorità reale. Se l’ufficiale AI non condivide gli obiettivi con il CTO, il CDO o altri esecutivi, si rischia di prendere decisioni in silos, priorità in conflitto e azioni bloccate.

Le organizzazioni dovrebbero considerare attentamente se l’ufficiale AI sta sostituendo o integrando ruoli come il Chief Data Officer o il CTO. Il titolo è meno importante del mandato. Ciò che è critico è autorizzare qualcuno a plasmare la strategia AI in tutta l’organizzazione – dati, infrastruttura, sicurezza e casi d’uso aziendali – e dargli la capacità di guidare un cambiamento significativo. Altrimenti, il ruolo diventa più simbolico che efficace.

Ha guidato team di AI e dati vincitori di premi. Quali qualità cerca quando assume per ruoli di AI ad alto livello?

La qualità principale è trovare qualcuno che conosca veramente l’AI, non solo qualcuno che ha seguito alcuni corsi. È necessario trovare persone che siano veramente fluenti in AI e che mantengano la curiosità e l’interesse per spingere i limiti di ciò che può e non può essere fatto.

Cerco persone che siano sempre alla ricerca di nuovi approcci e che sfidino i confini di ciò che può e non può essere fatto. Questa combinazione di conoscenza approfondita e continua esplorazione è essenziale per ruoli di AI ad alto livello in cui l’innovazione e l’implementazione affidabile sono ugualmente importanti.

Molte aziende lottano per operazionalizzare i loro modelli di apprendimento automatico. Cosa separa i team che hanno successo da quelli che si bloccano nella fase di proof-of-concept?

Il problema più grande è l’allineamento tra team. I team di apprendimento automatico costruiscono modelli promettenti, ma gli altri reparti non li adottano a causa di priorità non allineate. Passare dalla fase di proof-of-concept alla produzione richiede anche un’infrastruttura MLOps: versioning, riaddestramento e monitoraggio. Con l’AI generativa, il divario è ancora più ampio. La produzione di un chatbot significa sintonizzazione dei prompt, gestione delle pipeline e conformità… non solo inserire prompt in ChatGPT.

Qual è il consiglio che darebbe a un fondatore di startup che costruisce prodotti AI-first oggi e che potrebbe trarre beneficio dall’infrastruttura e dall’esperienza di strategia AI di Mission?

Quando si è una startup, è difficile attirare talenti di alto livello nell’AI, specialmente senza un marchio stabilito. Anche con un team di fondatori forte, è difficile assumere persone con la profondità di esperienza necessaria per costruire e scalare sistemi di intelligenza artificiale in modo appropriato. È qui che il partenariato con un’azienda come Mission può fare una grande differenza. Possiamo aiutare a muoversi più velocemente fornendo infrastruttura, strategia ed esperienza pratica, in modo che si possa validare il prodotto prima e con maggiore fiducia.

Un altro pezzo critico è la concentrazione. Vediamo molti fondatori che cercano di avvolgere un’interfaccia di base intorno a ChatGPT e chiamarla un prodotto, ma gli utenti stanno diventando più intelligenti e si aspettano di più. Se non si sta risolvendo un problema reale o offrendo qualcosa di veramente differenziato, è facile perdersi nel rumore. Mission aiuta le startup a pensare strategicamente a dove l’AI crea valore reale e a come costruire qualcosa di scalabile, sicuro e pronto per la produzione fin dal primo giorno. Quindi non si sta solo sperimentando, si sta costruendo per la crescita.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Mission.