Baptiste Bouvier, dyrektor generalny i współzałożyciel Daptic – cykl wywiadów

Baptiste Bouvier jest dyrektorem generalnym i współzałożycielem Daptic, gdzie pracuje nad połączeniem wiedzy o regulacjach z rozwojem produktów. Ukończył informatykę i inżynierię na MIT. Jego doświadczenie obejmuje badania nad sztuczną inteligencją i systemami autonomicznymi w MIT CSAIL, zastosowanie AI w ochronie zdrowia w Babylon Health, badania ilościowe w J.P. Morgan, inżynierię AR/VR w Meta oraz doradztwo w McKinsey. Koncentruje się na wspieraniu producentów w przekładaniu złożonych wymogów regulacyjnych na praktyczne decyzje inżynieryjne.

Daptic oferuje platformę zgodności produktów opartą na AI, która łączy zmiany regulacyjne, ich interpretację i wymagania dotyczące produktów na wszystkich etapach cyklu ich życia. Oprogramowanie pomaga specjalistom ds. regulacji, inżynierom i zespołom produktowym monitorować wymogi obowiązujące na całym świecie, oceniać ich wpływ i uwzględniać je w procesach rozwoju produktów, zapewniając możliwość śledzenia źródeł i nadzór człowieka. W tym wywiadzie Bouvier opowiada o wiedzy na temat regulacji, fizycznej AI, ograniczeniach projektowych możliwych do odczytu maszynowego oraz przejściu w stronę ciągłego zarządzania zgodnością produktów w całym cyklu ich życia.

Twoja kariera wiodła od badań nad AI i systemami autonomicznymi w MIT CSAIL przez zastosowanie AI w ochronie zdrowia w Babylon Health, badania ilościowe w J.P. Morgan i inżynierię AR/VR w Meta po doradztwo w McKinsey. Jak te doświadczenia wpłynęły na decyzję o współzałożeniu Daptic i co przekonało cię, że AI może fundamentalnie zmienić obszar wiedzy o regulacjach?

Najbardziej uderzyło mnie to, jak dużą rolę regulacje odgrywają w rozwoju produktów i jak niewiele było oprogramowania wspierającego tę pracę.

Mam przede wszystkim wykształcenie informatyczne, a także pewne przygotowanie z zakresu inżynierii mechanicznej. Zanim założyłem Daptic, pracowałem w różnych środowiskach technicznych. To jednak w McKinsey bliżej przyjrzałem się temu, jak duże firmy opracowują produkty fizyczne i jak regulacje mogą spowalniać ten proces.

Widziałem niezwykle zaawansowane technologicznie firmy, które zarządzały kluczowym etapem rozwoju produktów za pomocą dokumentów, arkuszy kalkulacyjnych, poczty elektronicznej i rozmów prowadzonych przez wiele różnych zespołów. Regulacja może początkowo przyjąć formę języka prawniczego opublikowanego przez rząd, ale ostatecznie ktoś musi przełożyć ją na konkretne wymaganie inżynieryjne, które wpłynie na sposób projektowania produktu.

Zainteresowała mnie właśnie ta luka między regulacjami a inżynierią. W tę pracę zaangażowana była ogromna wiedza specjalistyczna, ale brakowało infrastruktury, która łączyłaby poszczególne działania. Tę szerszą dziedzinę określamy jako zarządzanie zgodnością produktów w całym cyklu ich życia. Chodzi o powiązanie zmian regulacyjnych, ich interpretacji i wymagań dotyczących produktów z decyzjami podejmowanymi przez zespoły podczas opracowywania produktu i przez cały okres jego użytkowania.

AI zmienia zakres tego, co jest możliwe, ponieważ potrafi jednocześnie przetwarzać ogromne ilości materiałów regulacyjnych, informacji o produktach i wiedzy organizacyjnej. Dzięki temu możemy stworzyć infrastrukturę wspierającą proces, który dotychczas wymagał ogromnego nakładu pracy ręcznej. To właśnie stanowiło fundament Daptic.

Inżynierowie produktów z takich sektorów jak motoryzacja, lotnictwo i kosmonautyka, obronność, wyroby medyczne czy robotyka mogą mieć do czynienia z tysiącami zmieniających się regulacji. Jaką największą przewagę daje AI w przekształcaniu ogromu informacji regulacyjnych w wiedzę, z której inżynierowie mogą faktycznie korzystać podczas opracowywania produktów?

Największą zaletą jest możliwość utrzymywania powiązania między zmianami w regulacjach a tym, co dzieje się z produktem.

Wyobraź sobie, że opracowujesz złożony produkt fizyczny, który ostatecznie będzie sprzedawany na 30 lub 40 różnych rynkach geograficznych. Musisz ustalić, które regulacje mają zastosowanie, monitorować ich zmiany, określić, które z tych zmian dotyczą twojego produktu, i przełożyć odpowiednie wymogi na decyzje inżynieryjne.

AI może stale monitorować otoczenie regulacyjne i ograniczać ilość informacji, które zespół musi przeanalizować. Jeśli wymóg ulegnie zmianie, system może pomóc wskazać produkty, komponenty lub decyzje inżynieryjne, których może ona dotyczyć, oraz przekazać odpowiedni kontekst osobom, które go potrzebują.

Jeszcze ciekawsza możliwość pojawia się wtedy, gdy kontekst regulacyjny staje się częścią samego procesu inżynieryjnego. Inżynier podejmujący decyzję projektową powinien móc szybko sprawdzić, jakie wymogi się z nią wiążą, bez konieczności ręcznego przeszukiwania przepisów obowiązujących w różnych jurysdykcjach, norm i obszarów regulacyjnych.

Regulacje się zmieniają, podobnie jak produkty. Prawdziwa wartość polega na utrzymywaniu powiązania między tymi dwoma obszarami, by zespoły mogły zrozumieć konsekwencje zmian, póki mają jeszcze czas na podjęcie innej decyzji inżynieryjnej. Takie stałe powiązanie jest kluczowym elementem zarządzania zgodnością produktów w całym cyklu ich życia.

Zgodność z regulacjami to obszar zastosowania AI o szczególnie wysokiej stawce, w którym przeoczenie wymogu lub błędna interpretacja mogą mieć poważne konsekwencje. Jak Daptic podchodzi do dokładności, wyjaśnialności i nadzoru człowieka przy wykorzystaniu AI do analizy regulacji?

Zaufanie ma w tej dziedzinie fundamentalne znaczenie.

Decyzje regulacyjne wymagają wysokiego poziomu pewności, dlatego możliwość prześledzenia ich podstaw musi być uwzględniona w procesie pracy. Zespoły muszą mieć możliwość sprawdzenia, skąd pochodzą informacje, zapoznania się z materiałami źródłowymi i zrozumienia, w jaki sposób doszło do określonej interpretacji.

Wiedza i doświadczenie ludzi pozostają niezwykle ważne, ponieważ przepisy bywają niejednoznaczne. Przepis może dostarczyć wielu informacji, ale zastosowanie go do konkretnego produktu często wymaga znajomości kontekstu, doświadczenia i umiejętności oceny sytuacji. Różni eksperci mogą też odmiennie interpretować ten sam wymóg.

Nasze podejście polega na wykorzystywaniu AI do wspierania wiedzy i doświadczenia ekspertów. AI może wyszukiwać i porządkować informacje, łączyć je z kontekstem danego produktu oraz zachowywać dotychczasowy tok rozumowania. Inżynierowie i specjaliści ds. regulacji nadal uczestniczą w tym procesie: mogą go weryfikować, doskonalić i wnosić do niego własną wiedzę i doświadczenie.

Z czasem przynosi to organizacji również inną korzyść. Uzasadnienie decyzji regulacyjnej staje się wiedzą instytucjonalną, do której można się odwoływać i którą można rozwijać, zamiast pozostawiać ją w wątku e-mailowym lub w pamięci jednej osoby. Aby zarządzanie zgodnością produktu w całym cyklu jego życia mogło być skutecznie prowadzone na dużą skalę, kontekst i ekspercka ocena muszą być zachowywane w różnych zespołach, przy różnych produktach i w kolejnych cyklach rozwoju.

Fizyczna sztuczna inteligencja szybko wychodzi poza kontrolowane środowiska przemysłowe i trafia do produktów, które mogą działać w domach i przestrzeni publicznej. W miarę jak roboty humanoidalne i takie systemy jak robotyczne psy zyskują coraz większe możliwości, jakie wyzwania regulacyjne będą, Pana/Pani zdaniem, największą przeszkodą w ich powszechnym upowszechnieniu wśród konsumentów?

Fizyczna sztuczna inteligencja łączy obszary regulacji, które dotychczas można było traktować znacznie bardziej niezależnie od siebie.

Weźmy humanoidalnego robota działającego w domu lub przestrzeni publicznej. W przypadku tego samego produktu mogą mieć zastosowanie wymogi dotyczące bezpieczeństwa fizycznego, układów elektrycznych, baterii, łączności bezprzewodowej, cyberbezpieczeństwa, prywatności i autonomicznego działania. W zależności od funkcji robota mogą mieć również zastosowanie dodatkowe wymogi dotyczące maszyn, transportu, zastosowań medycznych lub innych regulowanych działań.

Szczególnie interesujące jest to, że produkty te w coraz większym stopniu są definiowane przez oprogramowanie. Oprogramowanie może istotnie zmienić produkt fizyczny nawet po jego sprzedaży. Nowa funkcja lub sposób działania wprowadzony w aktualizacji może zmienić wymagania regulacyjne dotyczące tego produktu.

Oznacza to, że firmy muszą uwzględniać regulacje na każdym etapie cyklu życia produktu, a nie tylko w jednym momencie przed jego wprowadzeniem na rynek. Przejście od zgodności ocenianej w określonym momencie do ciągłego zarządzania zgodnością produktu w całym cyklu jego życia ma szczególne znaczenie w przypadku produktów, których możliwości mogą się zmieniać już po wprowadzeniu ich na rynek.

Istotny jest również wymiar globalny. Poszczególne jurysdykcje opracowują przepisy dotyczące tych technologii w różnym tempie i często wychodzą z odmiennych założeń.

W przypadku firm tworzących produkty wykorzystujące fizyczną sztuczną inteligencję strategia regulacyjna staje się coraz częściej częścią strategii produktowej. Decyzje dotyczące czujników, autonomii, gromadzenia danych, materiałów, łączności i sposobu działania produktu mogą wpływać na to, gdzie można go wdrożyć, jak należy go testować i jakie wymogi musi spełniać. Zależności te trzeba rozumieć, gdy produkt jest jeszcze na etapie projektowania.

Obecnie zgodność z przepisami często traktuje się jako etap przypadający pod koniec prac nad produktem. Co się zmienia, gdy wymogi regulacyjne stają się uwzględnianymi od samego początku założeniami dla inżynierii i projektowania produktu?

Inżynierowie zyskują znacznie większą przestrzeń do poszukiwania rozwiązań.

Dobrym punktem odniesienia jest podejście do projektowania z myślą o wytwarzaniu. Można stworzyć w systemie CAD projekt, który wygląda zupełnie rozsądnie, a następnie odkryć, że jego produkcja na dużą skalę wymaga zupełnie innego podejścia. W branży opracowano narzędzia i metody, które pozwoliły uwzględniać informacje o możliwościach produkcyjnych na wcześniejszym etapie projektowania, dzięki czemu inżynierowie mogli brać te ograniczenia pod uwagę, gdy nadal mieli swobodę wprowadzania zmian.

Wymogi regulacyjne mogą być uwzględniane podobnie.

Jeśli inżynierowie znają ograniczenia regulacyjne już na etapie projektowania, mogą lepiej oceniać różne architektury, materiały, komponenty i sposoby działania produktu w odpowiednim kontekście. Mogą też zrozumieć, jak dana decyzja może wpłynąć na testy, certyfikację lub dostęp do rynku, zanim poświęcą na jej realizację wiele miesięcy pracy nad rozwojem produktu.

Może to znacząco wpłynąć na tempo i koszty prac rozwojowych. Co ważniejsze, sprawia, że regulacje stają się jednym z założeń procesu inżynieryjnego, a nie informacją, która dociera dopiero po podjęciu wielu kluczowych decyzji dotyczących produktu. To jedna z fundamentalnych zmian związanych z zarządzaniem zgodnością produktu w całym cyklu jego życia: wiedza o wymogach regulacyjnych staje się częścią procesu rozwoju produktu, a nie jedynie kryterium, które produkt musi spełnić na późniejszym etapie.

Czy przepisy mogłyby kiedyś przybrać formę niemal czytelnych maszynowo ograniczeń projektowych, dzięki czemu systemy AI ostrzegałyby inżynierów w czasie rzeczywistym, że proponowany komponent, materiał, funkcja oprogramowania lub sposób działania produktu może naruszać wymogi na określonym rynku? Jak blisko jesteśmy takiego sposobu pracy?

Zmierzamy w tym kierunku, ale kluczowe nie jest samo przekształcenie przepisów w formę czytelną maszynowo. Chodzi o przełożenie języka regulacji na ograniczenia, które mają znaczenie w kontekście konkretnego produktu.

Przepisy na ogół nie są formułowane tak jak specyfikacje techniczne. Piszą je rządy i organizacje normalizacyjne z myślą o ludziach, a między tekstem regulacji a ograniczeniem technicznym, którego rzeczywiście potrzebuje inżynier, istnieje kilka poziomów interpretacji.

AI daje nam znacznie lepsze narzędzia do łączenia tych poziomów. System może rozumieć wymogi regulacyjne, oficjalne interpretacje oraz kontekst projektowanego produktu. Gdy inżynier zmienia materiał, komponent, funkcję oprogramowania lub sposób działania produktu, system może wskazać wymogi, na które zmiana może wpłynąć, i wyjaśnić ten związek.

Kluczowe znaczenie ma kontekst produktu. Ten sam język regulacji może mieć zupełnie inne konsekwencje w zależności od produktu, rynku, komponentu lub zamierzonego zastosowania.

Już teraz wdrażamy poszczególne elementy tego procesu. Głęboka integracja informacji zwrotnych dotyczących regulacji z narzędziami inżynieryjnymi wymaga uporządkowanych danych o produkcie oraz niezawodnych powiązań między językiem regulacji, wewnętrznymi interpretacjami i wymogami technicznymi. AI przyspieszyła budowanie takich powiązań.

Z czasem informacje zwrotne dotyczące regulacji będą, jak sądzę, znacznie ściślej zintegrowane z narzędziami, z których inżynierowie już korzystają. Podobnie inne ograniczenia inżynieryjne zbliżyły się do miejsca, w którym podejmuje się decyzje projektowe.

Globalni producenci często muszą przestrzegać różnych, a czasem sprzecznych przepisów obowiązujących w dziesiątkach jurysdykcji. Jak AI może pomóc zespołom inżynieryjnym ustalić nie tylko, które regulacje mają zastosowanie, lecz także jak decyzja projektowa podjęta na jednym rynku może wpłynąć na produkt na całym świecie?

Właśnie tutaj połączenie wiedzy o regulacjach z kontekstem produktu okazuje się bardzo przydatne.

Producenci zazwyczaj chcą maksymalnie ujednolicić produkty na różnych rynkach, ponieważ utrzymywanie wielu wersji tego samego produktu znacznie zwiększa koszty i złożoność. Jednocześnie wymogi różnią się w zależności od jurysdykcji, dlatego w niektórych przypadkach produkt trzeba zmodyfikować.

AI może pomóc zespołom znacznie bardziej systematycznie mapować te zależności. Jeśli rozważasz zastosowanie konkretnego materiału, komponentu lub funkcji, możesz ocenić rynki, na których produkt będzie sprzedawany, i ustalić obowiązujące na każdym z nich wymogi.

Dzięki temu zespoły inżynieryjne mogą znacznie wcześniej dostrzec globalne konsekwencje decyzji projektowej. Jedno rozwiązanie może sprawdzić się na 25 rynkach, ale wiązać się z dodatkowymi wymogami na pięciu. Zespół może wtedy zdecydować, czy zmienić projekt globalny, stworzyć wariant regionalny, czy wybrać inne kompromisowe rozwiązanie.

Producenci podejmują takie decyzje już dziś. Szansą jest zapewnienie ludziom znacznie lepszego wglądu w to, jak regulacje wiążą się z produktem, tak aby można było wcześniej podejmować decyzje dotyczące kompromisów i dysponować przy tym pełniejszym kontekstem.

Analiza regulacyjna obejmuje więcej niż śledzenie już uchwalonych przepisów. Jak AI może wykrywać wczesne sygnały płynące z projektów przepisów, dyskusji rządowych, prac organizacji normalizacyjnych, działań związanych z egzekwowaniem przepisów i innych źródeł, aby firmy mogły przewidywać wymogi, zanim wpłyną one na wprowadzenie produktu na rynek?

Skanowanie horyzontu regulacyjnego staje się szczególnie ważne, gdy cykle rozwoju produktu trwają latami.

Dla producenta zrozumienie tego, co zmieniło się wczoraj, to tylko część obrazu. Zespoły muszą też wiedzieć, co może się zmienić w czasie projektowania, testowania i przygotowywania produktu do wprowadzenia na rynek.

Potencjalnych sygnałów jest wiele. Rządy publikują projekty przepisów i dokumenty konsultacyjne. Organizacje normalizacyjne omawiają zmiany. Organy regulacyjne wydają wytyczne i podejmują działania związane z egzekwowaniem przepisów. Wszystkie te źródła mogą dostarczać przydatnych wskazówek co do kierunku, w którym zmierzają wymogi.

Skala tego zadania jest znaczna. Globalny producent może potrzebować monitorować źródła z dziesiątek jurysdykcji, w wielu językach i obszarach regulacyjnych, a następnie ustalić, które zmiany rzeczywiście dotyczą jego produktów.

AI może stale monitorować te źródła, wykrywać potencjalnie istotne zmiany i łączyć je z konkretnymi produktami, komponentami lub obszarami działalności firmy. Dzięki temu eksperci ds. regulacji mogą poświęcać więcej czasu na ocenę zmian, które mogą istotnie wpłynąć na plan rozwoju produktu.

Im wcześniej zespół produktowy uzyska taki kontekst, tym większą elastyczność ma firma. Jeśli wymóg prawdopodobnie zmieni się za dwa lata, a wprowadzenie kolejnego produktu na rynek planujesz za 18 miesięcy, już dziś można uwzględnić to w planowaniu produktu.

W miarę coraz głębszego osadzania agentów AI w procesach inżynieryjnych, czy możemy spodziewać się, że wyspecjalizowani agenci ds. zgodności będą współpracować z inżynierami, menedżerami produktu i innymi systemami AI przez cały cykl życia produktu? Jak taka architektura wyglądałaby w praktyce?

Tak. Sądzę, że kluczowe jest, aby te systemy monitorowały obie strony równania. Regulacje się zmieniają, ale produkt również.

Wyspecjalizowani agenci mogliby nieustannie monitorować zmiany przepisów i ustalać, które z nich mają znaczenie dla określonego portfela produktów. Inni agenci mogliby pomagać w przekładaniu tych wymagań na konsekwencje dla prac inżynieryjnych.

Jednocześnie agenci mogliby monitorować zmiany dotyczące samego produktu. Zespół mógłby zmienić materiał, zaktualizować oprogramowanie, zmienić dostawcę, zmodyfikować komponent lub wprowadzić nową funkcję produktu. Każda z tych decyzji może wpłynąć na to, które wymagania mają zastosowanie albo jak należy interpretować istniejące wymaganie.

Systemy te muszą współdzielić kontekst. Agent ds. regulacji musi rozumieć produkt. Agent ds. inżynierii musi mieć dostęp do odpowiednich ograniczeń regulacyjnych. Obaj muszą mieć dostęp do wcześniejszych decyzji i interpretacji organizacji.

Osąd człowieka pozostaje ważnym elementem tej architektury. Gdy agent napotka niejednoznaczność, sprzeczne wymagania lub decyzję mogącą mieć istotne konsekwencje, odpowiedni ekspert powinien móc przeanalizować źródła, na których się ona opiera, przedstawić własną interpretację i zachować uzasadnienie tej decyzji do wykorzystania przez resztę organizacji.

Widzę tę architekturę jako sieć wyspecjalizowanych systemów i ekspertów, którzy opierają się na wspólnym rozumieniu produktu. W przypadku produktów fizycznych takie podejście jest szczególnie skuteczne, ponieważ pojedyncza decyzja inżynieryjna może mieć dalsze konsekwencje dla produkcji, bezpieczeństwa, certyfikacji, regulacji i dostępu do rynku. Pod wieloma względami taka wspólna infrastruktura może stać się systemem zarządzania cyklem życia zgodności produktu: rozwiązaniem koordynującym wiedzę o regulacjach, kontekst produktu, AI i wiedzę ekspertów na wszystkich etapach cyklu życia.

Jak, patrząc pięć do dziesięciu lat naprzód, przewidujesz rozwój relacji między inżynierią, AI i regulacjami, gdy fizyczna AI, autonomiczne maszyny i produkty w coraz większym stopniu definiowane przez oprogramowanie staną się powszechne? Jaką rolę widzisz dla Daptic w tym ekosystemie?

Spodziewam się, że wiedza o regulacjach stanie się standardowym elementem wykorzystywanym przy projektowaniu produktów fizycznych.

Widzieliśmy już, jak to się dzieje w innych obszarach inżynierii. Informacje, które kiedyś były częścią odrębnego procesu, z czasem trafiają bliżej inżyniera i stają się dostępne w chwili podejmowania decyzji. Dobrym przykładem jest projektowanie z myślą o wytwarzalności.

Regulacje zmierzają w tym kierunku, ponieważ AI pozwala nam radzić sobie ze skalą i złożonością tego zagadnienia oraz powiązać wymagania regulacyjne z konkretnymi produktami i decyzjami inżynieryjnymi.

Staje się to coraz ważniejsze w miarę, jak produkty stają się bardziej autonomiczne i w coraz większym stopniu definiowane przez oprogramowanie. Aktualizacja oprogramowania może zmienić sposób działania produktu fizycznego po jego wprowadzeniu na rynek. Dostawca lub komponent mogą ulec zmianie. Nowa funkcja może zmienić zakres odpowiednich wymagań. Jednocześnie przepisy i normy wciąż ewoluują na różnych rynkach.

Zmienia się produkt i zmienia się otoczenie regulacyjne. Firmy potrzebują infrastruktury, która będzie nieustannie łączyć te dwa obszary.

Właśnie w tym kierunku rozwijamy Daptic. Chcemy, aby wiedza o regulacjach stała się częścią infrastruktury rozwoju produktów, zapewniając inżynierom wgląd w konsekwencje regulacyjne, gdy wciąż mają swobodę w projektowaniu, a ekspertom ds. regulacji umożliwiając wykorzystanie ich wiedzy w znacznie większych organizacjach.

Ostatecznie uważamy, że zarządzanie cyklem życia zgodności produktu stanie się kluczowym elementem tej infrastruktury. Celem jest powiązanie regulacji z pracami inżynieryjnymi na wszystkich etapach cyklu życia produktu, aby firmy mogły podejmować lepsze decyzje dotyczące produktów, zachowywać kluczową wiedzę instytucjonalną i szybciej wprowadzać innowacje w zakresie produktów fizycznych na rynek.

Dziękuję za świetny wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej o wykorzystującej AI wiedzy o regulacjach i zarządzaniu cyklem życia zgodności produktu, powinni odwiedzić Daptic.