ინტერვიუები
დანიელ ციოლეკი, InvGate-ის კვლევისა და განვითარების ხელმძღვანელი – ინტერვიუს სერია
დანიელი არის ვნებიანი IT პროფესიონალი, რომელსაც აქვს 15 წელზე მეტი გამოცდილება ინდუსტრიაში. აქვს დოქტორი. კომპიუტერულ მეცნიერებაში და ხანგრძლივი კარიერა ტექნოლოგიების კვლევაში. მისი ინტერესები მრავალ სფეროშია, როგორიცაა ხელოვნური ინტელექტი, პროგრამული უზრუნველყოფის ინჟინერია და მაღალი ხარისხის გამოთვლები.
დანიელი არის InvGate-ის კვლევისა და განვითარების ხელმძღვანელი, სადაც ის ხელმძღვანელობს R&D ინიციატივებს. ის მუშაობს პროდუქტისა და ბიზნესის განვითარების გუნდებთან ერთად კომპანიის R&D სტრატეგიის შემუშავების, დანერგვისა და მონიტორინგისთვის. როდესაც ის არ იკვლევს, ის ასწავლის.
InvGate აძლევს უფლებამოსილებას ორგანიზაციებს ინსტრუმენტების მიწოდებით, რათა უზრუნველყონ უწყვეტი სერვისი განყოფილებებში, IT-დან დაწყებული დაწესებულებებამდე.
როდის და როგორ დაინტერესდით თავდაპირველად კომპიუტერული მეცნიერებით?
კომპიუტერული მეცნიერებისადმი ჩემი ინტერესი ადრეული ბავშვობიდან იწყება. მე ყოველთვის გატაცებული ვიყავი ელექტრონული მოწყობილობებით, ხშირად ვცდილობდი გამეგო, როგორ მუშაობდნენ ისინი. რაც უფრო გავიზარდე, ამ ცნობისმოყვარეობამ მიმიყვანა კოდირებამდე. ახლაც მახსოვს ის გართობა, როდესაც ვწერდი ჩემს პირველ პროგრამებს. იმ მომენტიდან მოყოლებული, ეჭვი არ მეპარებოდა, რომ მსურდა კარიერა კომპიუტერულ მეცნიერებაში.
თქვენ ამჟამად ხელმძღვანელობთ R&D ინიციატივებს და ახორციელებთ ახალ გენერაციულ AI აპლიკაციებს. შეგიძლიათ განიხილოთ ზოგიერთი თქვენი ნამუშევარი?
აბსოლუტურად. ჩვენს R&D დეპარტამენტში, ჩვენ ვაგვარებთ კომპლექსურ პრობლემებს, რომელთა ეფექტურად წარმოდგენა და გადაჭრა შეიძლება რთული იყოს. ჩვენი ნამუშევარი არ შემოიფარგლება გენერაციული AI აპლიკაციებით, მაგრამ ამ სფეროში ბოლოდროინდელმა მიღწევებმა შექმნა უამრავი შესაძლებლობა, რომლის გამოყენებაც გვინდა.
ჩვენი ერთ-ერთი მთავარი მიზანი InvGate-ში ყოველთვის იყო ჩვენი პროგრამული უზრუნველყოფის გამოყენებადობის ოპტიმიზაცია. ჩვენ ამას ვაკეთებთ იმის მონიტორინგით, თუ როგორ გამოიყენება ის, ამოვიცნოთ დაბრკოლებები და გულმოდგინედ ვმუშაობთ მათ აღმოსაფხვრელად. ერთ-ერთი ასეთი დაბრკოლება, რომელსაც ხშირად ვხვდებით, დაკავშირებულია ბუნებრივი ენის გაგებასა და გამოყენებასთან. ეს იყო განსაკუთრებით რთული საკითხის გადაწყვეტა დიდი ენის მოდელების (LLM) გამოყენების გარეშე.
თუმცა, ბოლოდროინდელი ეკონომიური LLM-ების გაჩენით, ჩვენ შევძელით ამ გამოყენების შემთხვევების გამარტივება. ჩვენი შესაძლებლობები ახლა მოიცავს რეკომენდაციების დაწერას, ცოდნის ბაზის სტატიების ავტომატურად შედგენას და ტექსტის ვრცელი ნაწილების შეჯამებას, სხვა მრავალ ენაზე დაფუძნებულ ფუნქციას შორის.
InvGate-ში თქვენი გუნდი იყენებს სტრატეგიას, რომელსაც ეწოდება "აგნოსტიკურ AI". შეგიძლიათ განსაზღვროთ რას ნიშნავს ეს და რატომ არის მნიშვნელოვანი?
Agnostic AI ფუნდამენტურად არის მოქნილობა და ადაპტირება. არსებითად, საქმე ეხება AI-ის ერთ მოდელს ან პროვაიდერს. ამის ნაცვლად, ჩვენ მიზნად ისახავს შევინარჩუნოთ ჩვენი ვარიანტები ღია, გამოვიყენოთ საუკეთესო AI პროვაიდერის შეთავაზება, ხოლო თავიდან ავიცილოთ ერთ სისტემაში ჩაკეტვის რისკი.
შეგიძლიათ ასე იფიქროთ: გამოვიყენოთ თუ არა OpenAI-ს GPT, Google-ის Gemini ან Meta's Llama-2 ჩვენი გენერირებული AI ფუნქციებისთვის? უნდა ავირჩიოთ ანაზღაურებადი ღრუბლის განლაგება, მართული მაგალითი ან თვითმმართველობის განთავსება? ეს არ არის ტრივიალური გადაწყვეტილებები და ისინი შეიძლება დროთა განმავლობაში შეიცვალოს, რადგან ახალი მოდელები გამოდის და ახალი პროვაიდერები შემოდიან ბაზარზე.
Agnostic AI მიდგომა უზრუნველყოფს, რომ ჩვენი სისტემა ყოველთვის მზად არის ადაპტაციისთვის. ჩვენს იმპლემენტაციას აქვს სამი ძირითადი კომპონენტი: ინტერფეისი, როუტერი და თავად AI მოდელები. ინტერფეისი აფერხებს AI სისტემის იმპლემენტაციის დეტალებს, რაც უადვილებს ჩვენი პროგრამული უზრუნველყოფის სხვა ნაწილებს მასთან ურთიერთობას. როუტერი წყვეტს სად გაგზავნოს თითოეული მოთხოვნა სხვადასხვა ფაქტორების საფუძველზე, როგორიცაა მოთხოვნის ტიპი და ხელმისაწვდომი AI მოდელების შესაძლებლობები. დაბოლოს, მოდელები ასრულებენ რეალურ AI ამოცანებს, რომლებიც შეიძლება მოითხოვონ მონაცემთა წინასწარი დამუშავებისა და შედეგების ფორმატირების პროცესები.
შეგიძლიათ აღწეროთ მეთოდოლოგიური ასპექტები, რომლებიც წარმართავს თქვენი გადაწყვეტილების მიღების პროცესს კონკრეტული ამოცანებისთვის ყველაზე შესაფერისი AI მოდელებისა და პროვაიდერების არჩევისას?
ჩვენ მიერ შემუშავებული ყოველი ახალი მახასიათებლისთვის, ჩვენ ვიწყებთ შეფასების საორიენტაციო ნიშნის შექმნით. ეს მაჩვენებელი შექმნილია სხვადასხვა AI მოდელების ეფექტურობის შესაფასებლად ამოცანის გადაჭრისას. მაგრამ ჩვენ არ ვამახვილებთ ყურადღებას მხოლოდ შესრულებაზე, ჩვენ ასევე განვიხილავთ თითოეული მოდელის სიჩქარეს და ღირებულებას. ეს გვაძლევს ყოვლისმომცველ ხედვას თითოეული მოდელის ღირებულების შესახებ, რაც საშუალებას გვაძლევს ავირჩიოთ ყველაზე ეფექტური ვარიანტი მარშრუტიზაციის მოთხოვნებისთვის.
თუმცა, ჩვენი პროცესი ამით არ მთავრდება. ხელოვნური ინტელექტის სწრაფად განვითარებად სფეროში მუდმივად გამოდის ახალი მოდელები და რეგულარულად განახლდება არსებული. ასე რომ, როდესაც ახალი ან განახლებული მოდელი ხელმისაწვდომი გახდება, ჩვენ ხელახლა ვიყენებთ შეფასების ეტალონს. ეს საშუალებას გვაძლევს შევადაროთ ახალი ან განახლებული მოდელის შესრულება ჩვენს ამჟამინდელ შერჩევას. თუ ახალი მოდელი აჭარბებს მიმდინარე მოდელს, ჩვენ ვაახლებთ ჩვენს როუტერის მოდულს, რათა აისახოს ეს ცვლილება.
რა არის გამოწვევები სხვადასხვა ხელოვნური ინტელექტის მოდელებსა და პროვაიდერებს შორის შეუფერხებლად გადართვისას?
ხელოვნური ინტელექტის სხვადასხვა მოდელებსა და პროვაიდერებს შორის შეუფერხებლად გადართვა მართლაც წარმოადგენს უნიკალურ გამოწვევებს.
პირველ რიგში, თითოეული AI პროვაიდერი მოითხოვს შეყვანის ფორმატირებას კონკრეტული გზებით და AI მოდელებს შეუძლიათ განსხვავებულად რეაგირება მოახდინონ იმავე მოთხოვნებზე. ეს ნიშნავს, რომ ჩვენ გვჭირდება ინდივიდუალურად ოპტიმიზაცია თითოეული მოდელისთვის, რაც შეიძლება საკმაოდ რთული იყოს სხვადასხვა ვარიანტების გათვალისწინებით.
მეორეც, ხელოვნური ინტელექტის მოდელებს განსხვავებული შესაძლებლობები აქვთ. მაგალითად, ზოგიერთ მოდელს შეუძლია გამოიმუშაოს JSON ფორმატში, ფუნქცია, რომელიც სასარგებლოა ჩვენს ბევრ განხორციელებაში. სხვებს შეუძლიათ დიდი რაოდენობით ტექსტის დამუშავება, რაც საშუალებას გვაძლევს გამოვიყენოთ უფრო სრულყოფილი კონტექსტი ზოგიერთი ამოცანისთვის. ამ შესაძლებლობების მართვა თითოეული მოდელის პოტენციალის მაქსიმალურად გაზრდის მიზნით ჩვენი მუშაობის მნიშვნელოვანი ნაწილია.
და ბოლოს, ჩვენ უნდა დავრწმუნდეთ, რომ ხელოვნური ინტელექტის მიერ გენერირებული პასუხები გამოსაყენებლად უსაფრთხოა. გენერაციულმა AI მოდელებმა შეიძლება ზოგჯერ წარმოქმნან „ჰალუცინაციები“, ან წარმოქმნან პასუხები, რომლებიც არის ყალბი, კონტექსტიდან ამოვარდნილი ან თუნდაც პოტენციურად საზიანო. ამის შესამცირებლად, ჩვენ ვნერგავთ მკაცრ შემდგომ დამუშავების სანიტარულ ფილტრებს, რათა აღმოვაჩინოთ და გავფილტროთ შეუსაბამო პასუხები.
როგორ არის შექმნილი ინტერფეისი თქვენს აგნოსტიკური AI სისტემაში, რათა უზრუნველყოს ის ეფექტურად აბსტრაქტებს ფუძემდებლური AI ტექნოლოგიების სირთულეებს მომხმარებლისთვის მოსახერხებელი ურთიერთქმედებისთვის?
ჩვენი ინტერფეისის დიზაინი არის ერთობლივი ძალისხმევა R&D და საინჟინრო გუნდებს შორის. ჩვენ ვმუშაობთ მახასიათებლის მიხედვით, თითოეული მახასიათებლის მოთხოვნებისა და ხელმისაწვდომობის განსაზღვრის მიზნით. შემდეგ, ჩვენ ვქმნით API-ს, რომელიც შეუფერხებლად ინტეგრირდება პროდუქტთან, დანერგავს მას ჩვენს შიდა AI-სერვისში. ეს საშუალებას აძლევს საინჟინრო გუნდებს ფოკუსირება მოახდინონ ბიზნეს ლოგიკაზე, ხოლო ჩვენი AI-სერვისი უმკლავდება AI-ის სხვადასხვა პროვაიდერებთან ურთიერთობის სირთულეებს.
ეს პროცესი არ ეყრდნობა უახლესი კვლევებს, არამედ დადასტურებული პროგრამული ინჟინერიის პრაქტიკის გამოყენებას.
გლობალური ოპერაციების გათვალისწინებით, როგორ უმკლავდება InvGate რეგიონული ხელმისაწვდომობის გამოწვევას და მონაცემთა ადგილობრივ რეგულაციებთან შესაბამისობას?
რეგიონალური ხელმისაწვდომობისა და მონაცემთა ადგილობრივ რეგულაციების შესაბამისობის უზრუნველყოფა InvGate-ში ჩვენი ოპერაციების გადამწყვეტი ნაწილია. ჩვენ გულდასმით ვირჩევთ ხელოვნური ინტელექტის პროვაიდერებს, რომლებსაც შეუძლიათ არა მხოლოდ მასშტაბური ფუნქციონირება, არამედ უსაფრთხოების უმაღლესი სტანდარტების დაცვა და რეგიონალური რეგულაციების დაცვა.
მაგალითად, ჩვენ განვიხილავთ მხოლოდ პროვაიდერებს, რომლებიც იცავენ ისეთ რეგულაციებს, როგორიცაა მონაცემთა დაცვის ზოგადი რეგულაცია (GDPR) ევროკავშირში. ეს უზრუნველყოფს, რომ ჩვენ შეგვიძლია უსაფრთხოდ განვათავსოთ ჩვენი სერვისები სხვადასხვა რეგიონებში, იმ დარწმუნებით, რომ ვმოქმედებთ ადგილობრივ საკანონმდებლო ჩარჩოში.
ღრუბლის ძირითადი პროვაიდერები, როგორიცაა AWS, Azure და Google Cloud, აკმაყოფილებენ ამ მოთხოვნებს და გვთავაზობენ AI ფუნქციების ფართო სპექტრს, რაც მათ შესაფერის პარტნიორებად აქცევს ჩვენი გლობალური ოპერაციებისთვის. გარდა ამისა, ჩვენ მუდმივად ვაკვირდებით ადგილობრივ მონაცემთა რეგულაციების ცვლილებებს, რათა უზრუნველვყოთ მუდმივი შესაბამისობა და საჭიროებისამებრ მოვარგოთ ჩვენი პრაქტიკა.
როგორ განვითარდა InvGate-ის მიდგომა IT გადაწყვეტილებების შემუშავებასთან დაკავშირებით ბოლო ათწლეულის განმავლობაში, განსაკუთრებით Generative AI-ის ინტეგრაციასთან ერთად?
ბოლო ათწლეულის განმავლობაში, InvGate-ის მიდგომა IT გადაწყვეტილებების შემუშავებისადმი მნიშვნელოვნად განვითარდა. ჩვენ გავაფართოვეთ ჩვენი ფუნქციების ბაზა გაფართოებული შესაძლებლობებით, როგორიცაა ავტომატური სამუშაო ნაკადები, მოწყობილობების აღმოჩენა და კონფიგურაციის მართვის მონაცემთა ბაზა (CMDB). ამ ფუნქციებმა მნიშვნელოვნად გაამარტივა IT ოპერაციები ჩვენი მომხმარებლებისთვის.
ცოტა ხნის წინ, ჩვენ დავიწყეთ GenAI-ის ინტეგრირება ჩვენს პროდუქტებში. ეს შესაძლებელი გახდა LLM პროვაიდერების ბოლო წინსვლის წყალობით, რომლებმაც დაიწყეს ეფექტური გადაწყვეტილებების შეთავაზება. GenAI-ის ინტეგრაციამ მოგვცა საშუალება გაგვეზარდა ჩვენი პროდუქტები AI-ის მხარდაჭერით, რაც ჩვენი გადაწყვეტილებები უფრო ეფექტური და მოსახერხებელი გახადა.
მიუხედავად იმისა, რომ ჯერ კიდევ ადრეა, ჩვენ ვიწინასწარმეტყველებთ, რომ AI გახდება საყოველთაო ინსტრუმენტი IT ოპერაციებში. როგორც ასეთი, ჩვენ ვგეგმავთ გავაგრძელოთ ჩვენი პროდუქტების განვითარება AI ტექნოლოგიების შემდგომი ინტეგრირებით.
შეგიძლიათ ახსნათ, როგორ აძლიერებს AI Hub-ის გენერაციული AI პასუხის სიჩქარეს და ხარისხს საერთო IT ინციდენტებზე?
გენერაციული AI ჩვენს AI Hub-ში მნიშვნელოვნად აძლიერებს პასუხების სიჩქარეს და ხარისხს საერთო IT ინციდენტებზე. ის ამას აკეთებს მრავალსაფეხურიანი პროცესის მეშვეობით:
საწყისი კონტაქტი: როდესაც მომხმარებელი პრობლემას აწყდება, მას შეუძლია გახსნას ჩატი ჩვენს AI-ზე მომუშავე ვირტუალურ აგენტთან (VA) და აღწეროს პრობლემა. VA ავტონომიურად ეძებს კომპანიის ცოდნის ბაზას (KB) და IT პრობლემების მოგვარების სახელმძღვანელოების საჯარო მონაცემთა ბაზას, რომელიც უზრუნველყოფს ხელმძღვანელობას სასაუბრო ფორმით. ეს ხშირად წყვეტს პრობლემას სწრაფად და ეფექტურად.
ბილეთის შექმნა: თუ საკითხი უფრო რთულია, VA-ს შეუძლია შექმნას ბილეთი, ავტომატურად ამოიღებს შესაბამის ინფორმაციას საუბრიდან.
ბილეთის მინიჭება: სისტემა ანიჭებს ბილეთს დამხმარე აგენტს ბილეთის კატეგორიის, პრიორიტეტისა და აგენტის გამოცდილების საფუძველზე მსგავს საკითხებთან დაკავშირებით.
აგენტის ურთიერთქმედება: აგენტს შეუძლია დაუკავშირდეს მომხმარებელს დამატებითი ინფორმაციისთვის ან შეატყობინოს, რომ პრობლემა მოგვარებულია. ურთიერთქმედება გაუმჯობესებულია AI-სთან, რაც უზრუნველყოფს წერილობით რეკომენდაციებს კომუნიკაციის გასაუმჯობესებლად.
ესკალაცია: თუ საკითხი მოითხოვს ესკალაციას, ავტომატური შეჯამების ფუნქციები ეხმარება მენეჯერებს პრობლემის სწრაფად გააზრებაში.
სიკვდილის შემდგომი ანალიზი: ბილეთის დახურვის შემდეგ, AI ახორციელებს ძირეული მიზეზის ანალიზს, ეხმარება სიკვდილის შემდგომ ანალიზსა და მოხსენებებში. აგენტს ასევე შეუძლია გამოიყენოს AI ცოდნის ბაზის სტატიის შესაქმნელად, რაც ხელს შეუწყობს მომავალში მსგავსი საკითხების გადაჭრას.
მიუხედავად იმისა, რომ ჩვენ უკვე განვახორციელეთ ამ ფუნქციების უმეტესობა, ჩვენ მუდმივად ვმუშაობთ შემდგომ გაუმჯობესებებსა და გაუმჯობესებაზე.
მომავალი ფუნქციებით, როგორიცაა უფრო ჭკვიანი MS Teams ვირტუალური აგენტი, რა არის მოსალოდნელი გაუმჯობესებები საუბრის მხარდაჭერის გამოცდილებაში?
წინსვლის ერთ-ერთი პერსპექტიული გზაა საუბრის გამოცდილების გაფართოება „კოპილოტად“, რომელსაც შეუძლია არა მხოლოდ უპასუხოს კითხვებს და განახორციელოს მარტივი ქმედებები, არამედ უფრო რთული ქმედებების განხორციელებაც მომხმარებლების სახელით. ეს შეიძლება სასარგებლო იყოს მომხმარებლების თვითმომსახურების შესაძლებლობების გასაუმჯობესებლად, ასევე აგენტებისთვის დამატებითი ძლიერი ინსტრუმენტების უზრუნველსაყოფად. საბოლოოდ, ეს მძლავრი სასაუბრო ინტერფეისები AI-ს ყოვლისმომცველ კომპანიონად აქცევს.
გმადლობთ შესანიშნავი ინტერვიუსთვის, მკითხველს, ვისაც სურს მეტი გაიგოს, უნდა ეწვიოს InvGate.
