ミッションのRyan Ries氏、チーフAI＆データサイエンティスト – インタビューシリーズ

ライアン・リーズ博士は、15年以上のデータとエンジニアリングのリーダーシップ経験を持つ著名なデータサイエンティストです。ライアン博士は、AIと関わることが20年以上、AWSのデータインフラストラクチャとAIモデルを構築することに5年以上携わっています。UCLAとCaltechで生物物理化学の博士号を取得した後、ライアン博士は、米国国防総省とフォーチュン500企業のための最先端のデータソリューションを開発してきました。

ミッションのチーフAIおよびデータサイエンティストとして、ライアンは、データエンジニア、データアーキテクト、MLエンジニア、データサイエンティストのチームを構築し、世界で最も難しい問題をAWSインフラストラクチャを使用して解決しています。

ミッションは、クラウドネイティブのマネージドサービスとコンサルティングプロバイダーです。クラウドサービス、AIソリューション、AWS顧客向けのソフトウェアを提供しています。AWSプレミアパートナーとして、企業がテクノロジー投資を最適化し、パフォーマンスとガバナンスを向上させ、効率的にスケールし、データを保護し、イノベーションを自信を持って受け入れることを支援しています。

あなたのキャリアは印象的です。DAQRIでのARハードウェアの構築からミッションでのチーフAIオフィサーの役割まで。どのような個人的な経験や転換点があなたのエンタープライズにおけるAIの役割に対する見方を形作ったのでしょうか。

初期のAI開発は、コンピューティングパワーとインフラストラクチャの課題によって大幅に制限されていました。私たちは、研究論文からモデルを手動でコーディングする必要がありましたが、それは時間がかかり、複雑でした。PythonとオープンソースAIライブラリの登場により、実験とモデル構築がはるかに速くなりました。しかし、最大の転換点は、AWSのようなハイパースケーラーがスケーラブルなコンピューティングとストレージを広く利用可能にしたときでした。

これは、AIの歴史を通じて続いている課題を反映しています。ストレージとコンピューティング能力が不足しているという課題です。これらの限界は、以前のAIの冬を引き起こした原因であり、それらを克服することは、今日の「AIのルネサンス」にとって基本的なものです。

ミッションのエンドツーエンドのクラウドサービスモデルは、企業がAWSでAIワークロードをより効率的に、より安全にスケーリングするのをどのように支援していますか。

ミッションでは、セキュリティはすべての活動に統合されています。私たちは2年連続でAWSのセキュリティパートナー賞を受賞していますが、興味深いことに、専用のセキュリティチームはありません。ミッションでは、開発のすべての段階でセキュリティを念頭に置いてビルドしています。AWSのジェネレーティブAIを使用する顧客は、AWS Bedrockレイヤーを使用することで利益を得ます。Bedrockレイヤーは、個人情報を含む機密情報をAWSエコシステム内で安全に保管します。この統合アプローチにより、セキュリティが基盤となり、後から考慮されるものではありません。

スケーラビリティもミッションの重要な焦点です。私たちは、AIインフラストラクチャのトレーニングと推論のためのMLOpsパイプラインを構築する豊富な経験を持っています。ジェネレーティブAIは、ChatGPTのような大規模なパブリックスケールシステムと関連付けられることが多いですが、ほとんどのエンタープライズユースケースは内部で行われ、より管理可能なスケーリングが必要です。BedrockのAPIレイヤーにより、実際のワークロードに対してスケーラブルで安全なパフォーマンスを提供できます。

ミッションのサービスを使用して、クラウド移行からジェネレーティブAIソリューションの展開まで、典型的なエンタープライズエンゲージメントのプロセスを説明してください。

ミッションでは、まずエンタープライズのビジネスニーズとユースケースを理解します。クラウド移行は、現在のオンプレミス環境を評価し、スケーラブルなクラウドアーキテクチャを設計することから始めます。オンプレミス環境では、ピーク容量に合わせてリソースをプロビジョニングする必要がありますが、クラウドでは、平均ワークロードに基づいてリソースをスケーリングできます。コストを削減できます。すべてのワークロードを移行する必要はありません。いくつかは廃止されたり、リファクタリングされたり、効率化のために再構築されたりする可能性があります。インベントリと計画の後、段階的な移行を実行します。

ジェネレーティブAIの場合、Proof-of-Conceptの段階を超えています。エンタープライズがアーキテクチャを設計し、プロンプトを改良し、エッジケースに対処するためのパイロットを実行し、そして本稼働に移行するのを支援しています。データ駆動型AIの場合、オンプレミスデータをクラウドに移行し、より大きな価値を解放するのを支援しています。このエンドツーエンドアプローチにより、ジェネレーティブAIソリューションが堅牢でスケーラブルでビジネスに適したものになることが保証されます。

ミッションは「自信を持ってイノベーション」を強調しています。ビジネスがAIを大規模に採用する際に、これは実際の意味で何を意味しますか。

これは、真のAIの専門知識を持つチームを持っていることを意味します。ブートキャンプの卒業生ではなく、実際にAIに精通している人たちです。顧客は、私たちが彼らに実験を行っていないことを信じることができます。私たちのスタッフは、モデルがどのように機能するか、またそれらをどのように安全に、スケーラブルに実装するかを理解しています。これが、私たちがビジネスにイノベーションを提供する方法です。

あなたは予測分析、NLP、コンピュータビジョンにわたる分野で仕事をしてきました。現在、エンタープライズでジェネレーティブAIが最も価値をもたらす分野はどこですか。また、どこが過熱していますか。

ジェネレーティブAIは、エンタープライズにおいて、主にインテリジェントなドキュメント処理（IDP）とチャットボットを通じて価値を提供しています。多くの企業は、人手を増員することで業務をスケールするのに苦労しています。ジェネレーティブAIは、繰り返しのタスクを自動化し、ワークフローを高速化するのに役立ちます。たとえば、IDPは、保険申請のレビュー時間を50％短縮し、ヘルスケアにおける患者のケア調整を改善しました。チャットボットは、他のAIツールやシステムへのインターフェイスとして機能し、企業がルーティンなやり取りやタスクを効率的に自動化できるようにします。

しかし、ジェネレーティブ画像や動画の周りの過熱は、実際のビジネスアプリケーションを上回っています。これらの技術は、視覚的に印象的ですが、マーケティングやクリエイティブプロジェクト以外の実用的なアプリケーションは限られています。ほとんどの企業は、ジェネレーティブメディアソリューションをコア業務にスケールすることが難しいと考えているため、これらは新奇なものではなく、基本的なビジネストゥールです。

「バイブコーディング」という用語が登場しています。AI開発におけるこの用語の意味と、より広い文化的変化をどのように反映しているかについて説明してください。

バイブコーディングとは、開発者が、大規模な言語モデルを使用して、構造化された計画や設計ではなく、直感や自然言語プロンプトに基づいてコードを生成することを指します。これは、アイデアのテストやボイラープレートコードの生成、繰り返しのタスクのオフロードを迅速化するために役立ちます。しかし、構造化されていないコードが生成され、メンテナンスが困難になり、非効率的またはセキュリティリスクのあるコードになる可能性もあります。

私たちは、LLMがジュニア開発者のように機能し、人間がアーキテクトやQAエンジニアのような役割を担う、エージェント環境への移行を目撃しています。人間は、AI生成コンポーネントをレビューし、改良し、大規模なシステムに統合します。この共同作業モデルは強力ですが、ガイドラインがなければ、テクニカルデット、脆弱性、またはパフォーマンスの問題を引き起こす可能性があります。特に、徹底的なテストなしに本稼働環境に移行した場合にそうです。

AIオフィサーの役割の進化についてはどう考えますか。AIがビジネス戦略の基盤となるにつれて、組織はリーダーシップ構造をどのように再考するべきですか。

AIオフィサーは、役割が成功するように設定されている場合にのみ、価値を追加できます。企業は、新しい役職を作成するだけで、既存のリーダーシップ構造や権限と一致していない場合、シロxed意思決定、優先順位の衝突、停滞した実行につながる可能性があります。

組織は、AIオフィサーが既存の役割を置き換えるか、補足するかを慎重に検討する必要があります。役職名は重要ではなく、権限が重要です。重要なのは、AI戦略を組織全体にわたって形作る権限を誰かに与えることであり、データ、インフラストラクチャ、セキュリティ、ビジネスユースケースを含むすべての側面を網羅することです。そうでない場合、役割はより象徴的になる可能性があります。

あなたは高ステークスのAI役割のために誰を雇用するか。どのような特性を探していますか。

第一に探している特性は、AIに真正に精通している人です。単にコースを受けた人ではなく、AIに真正に精通している人です。AIに精通し、かつ新しいアプローチを模索し、できることとできないことの境界を押し広げようとする人を必要とします。これは、高いステークスのAI役割では不可欠です。ここでは、イノベーションと信頼性のある実装が同等に重要です。

多くの企業は、機械学習モデルを運用化するのに苦労しています。成功するチームと停滞するチームを区別するのは何ですか。

最大の問題は、チーム間の連携です。MLチームは有望なモデルを構築しますが、他の部門は優先順位が一致していないため、それらを採用しません。Proof-of-Conceptから本稼働への移行には、MLOpsインフラストラクチャが必要です。バージョニング、再トレーニング、モニタリングなどです。ジェネレーティブAIの場合、ギャップはさらに広くなります。チャットボットを本稼働環境に移行するには、プロンプトの調整、パイプライン管理、コンプライアンスが必要です。単にプロンプトをChatGPTに入れるのではなく、それらを管理する必要があります。

ミッションのインフラストラクチャとAI戦略の経験が役立つ可能性のあるAIファースト製品を構築するスタートアップの創設者にアドバイスを与えます。彼らはどのような点に注意するべきですか。

スタートアップの場合、トップレベルのAIタレントを引き付けるのは難しいです。特に、既存のブランドがない場合にそうです。強力な創設チームを持っていても、AIシステムを適切に構築してスケールするために必要な深い経験を持つ人を雇用するのは難しいです。そこで、ミッションのような企業と提携することで、インフラストラクチャ、戦略、実務的な専門知識を提供することで、違いを生み出すことができます。そうすることで、製品をより迅速に検証し、より自信を持って構築できます。

もう1つの重要な点は、焦点です。多くの創設者がChatGPTを基本的なインターフェイスでラップして製品と呼んでいるのを見ますが、ユーザーは賢くなっており、もっと期待するようになっています。実際の問題を解決したり、真正に差別化されたものを提供していない場合、ノイズの中で失われやすいです。ミッションは、スタートアップがAIで真正の価値を生み出し、最初の日からスケーラブルで安全で本稼働可能なものを構築する方法について戦略的に考えるのを支援します。そうすることで、実験ではなく成長に向けて構築することができます。

素晴らしいインタビュー、詳細を知りたい読者はミッションを訪問してください。