Matthew Fitzpatrick, CEO Invisible Technologies – Wywiad z serii

Matthew Fitzpatrick to doświadczony specjalista ds. operacji i rozwoju z głęboką wiedzą na temat skalowania złożonych procesów i zespołów. Z wykształcenia obejmującym konsulting, strategię i przywództwo operacyjne, obecnie pełni funkcję CEO w Invisible Technologies, gdzie koncentruje się na projektowaniu i optymalizacji kompleksowych rozwiązań biznesowych. Matthew jest pasjonatem łączenia talentów ludzkich z automatyką w celu zwiększania wydajności w skali, pomagając firmom osiągać transformacyjny wzrost poprzez innowacje procesowe.

Invisible Technologies to warstwa produkcyjna AI i firma oprogramowania przedsiębiorstw, która pomaga organizacjom budować, wdrażać i skalować systemy AI w złożonych środowiskach biznesowych. Ich platforma łączy oprogramowanie napędzane przez AI, ekspertyzę ludzką i infrastrukturę operacyjną w celu wsparcia procesów produkcyjnych niezbędnych do szkolenia, oceny i eksploatacji zaawansowanego AI. Invisible współpracuje z przedsiębiorstwami w celu zarządzania złożonymi danymi, automatyzacji procesów i integracji AI z procesami biznesowymi, dostarczając infrastrukturę i ekspertyzę niezbędną do przeniesienia inicjatyw AI z fazy eksperymentalnej do niezawodnej, produkcyjnej implementacji.

Niedawno przeszli Państwo z kierowania QuantumBlack Labs w McKinsey do objęcia stanowiska CEO w Invisible Technologies. Co skłoniło Państwa do przyjęcia tej roli, a co najbardziej ekscytuje Państwa w misji Invisible?

W McKinsey miałem przywilej pracy na czele innowacji AI – budowania produktów oprogramowania AI, kierowania pracami badawczo-rozwojowymi i pomagania przedsiębiorstwom w wykorzystaniu potencjału danych. To, co skłoniło mnie do Invisible Technologies, to możliwość uczynienia go operacyjnym w skali z połączeniem unikalnie elastycznej platformy oprogramowania AI i rynku ekspertów do sprzężenia zwrotnego ludzkich – uważam, że Reinforcement Learning from Human Feedback (RLHF) jest kluczem do dokładnych i niezawodnych wdrożeń GenAI. Invisible wspiera AI na całej łańcuchu wartości, od czyszczenia danych i automatyzacji wprowadzania danych do rozumowania łańcucha myśli i niestandardowych ocen. Nasza misja jest prosta: połączyć inteligencję ludzką i AI, aby pomóc firmom wykorzystać potencjał AI, który w przedsiębiorstwach okazał się trudniejszy niż większość ludzi oczekiwała.

Państwo nadzorowali 1000+ inżynierów i skalowali wiele produktów AI w różnych branżach. Jakie lekcje z McKinsey stosują Państwo w następnej fazie rozwoju Invisible?

Dwa przesłania wyróżniają się. Po pierwsze, udane wdrożenie AI jest tak samo ważne jak transformacja organizacyjna, jak i technologia. Potrzebne są odpowiednie osoby i procesy – oprócz dobrych modeli. Po drugie, firmy, które wygrywają w AI, to te, które opanowały “ostatnią milę” – przejście od eksperymentowania do produkcji. W Invisible stosujemy tę samą surowość i strukturę, aby pomóc klientom przenieść się poza pilotaż i do produkcji, dostarczając prawdziwą wartość biznesową.

Państwo powiedzieli, że “2024 był rokiem eksperymentowania z AI, a 2025 to rok realizacji ROI”. Jakie konkretnie trendy widzą Państwo wśród przedsiębiorstw, które osiągają ten ROI?

Przedsiębiorstwa, które osiągają prawdziwy ROI w tym roku, robią trzy rzeczy dobrze. Po pierwsze, ściśle wiążą przypadki użycia AI z kluczowymi wskaźnikami biznesowymi – takimi jak wydajność operacyjna lub zadowolenie klienta. Po drugie, inwestują w lepszą jakość danych i pętle sprzężenia zwrotnego ludzkich, aby ciągle poprawiać wydajność modelu. Po trzecie, przechodzą od rozwiązań ogólnych do dostosowanych, branżowych systemów, które odzwierciedlają złożoność ich środowisk. Te firmy nie tylko testują AI – skalują je z celowością.

Jak ewoluuje popyt na specjalistyczne i doktoranckie etykietowanie danych wśród dostawców modeli podstawowych, takich jak AWS, Microsoft (MSFT ), i Cohere?

Widzimy wzrost popytu na specjalistyczne etykietowanie, gdy dostawcy modeli podstawowych wkraczają w bardziej złożone branże pionowe. W Invisible mamy 1% roczny wskaźnik akceptacji w naszym puli ekspertów, a 30% naszych trenerów posiada tytuły magisterskie lub doktoranckie. Ta głęboka ekspertyza staje się coraz bardziej niezbędna – nie tylko do dokładnego adnotowania danych, ale także do zapewnienia nuansowanego, kontekstowego sprzężenia zwrotnego w celu poprawy rozumowania, dokładności i wyrównania. Im modele stają się bardziej zaawansowane, tym wyższa jest poprzeczka dla ich szkolenia.

Invisible jest na czele agentywnego AI, podkreślając podejmowanie decyzji w rzeczywistych procesach roboczych. Co to jest agentywne AI, a gdzie widzimy największe obietnice?

Agentywne AI odnosi się do systemów, które nie tylko reagują na instrukcje – planują, podejmują decyzje i działają w ramach określonych ograniczeń. To AI, które zachowuje się bardziej jak partner niż narzędzie. Widzimy największy postęp w złożonych, wysokowolumenowych procesach roboczych, takich jak obsługa klienta i roszczenia ubezpieczeniowe. W tych obszarach agentywne AI może redukować wysiłek ręczny, zwiększać spójność i dostarczać wyniki, które w przeciwnym razie wymagałyby dużych zespołów ludzkich. Nie chodzi o zastępowanie ludzi – raczej uzupełniamy ich o inteligentne agenty, które mogą obsłużyć rutynowe i powtarzalne zadania.

Czy mogą Państwo podzielić się przykładami, jak Invisible szkoli modele do rozumowania łańcucha myśli i dlaczego jest to kluczowe dla wdrożenia przedsiębiorstw?

Rozumowanie łańcucha myśli (CoT) odblokowało nowy potencjał dla przedsiębiorstw AI. W Invisible szkolimy modele, aby rozumowały krok po kroku, co jest niezbędne, gdy stawka jest wysoka – niezależnie od tego, czy diagnozujesz pacjenta, analizujesz umowę czy walidujesz model finansowy. CoT nie tylko poprawia przejrzystość, ale także umożliwia debugowanie, ulepszanie i zwiększanie wydajności bez konieczności posiadania ogromnych nowych zbiorów danych. Zobaczyliśmy, jak wiodące modele, takie jak Gemini, Sonnet i Grok, zaczynają ujawniać swoje ścieżki rozumowania, co pozwala nam obserwować nie tylko to, co modele produkują, ale także jak do tego dochodzą. To tworzy podstawę dla bardziej zaawansowanych metod, takich jak Drzewo Myśli (gdzie modele oceniają wiele możliwych ścieżek rozumowania, zanim zdecydują się na odpowiedź) i Samoistność (gdzie wiele ścieżek rozumowania jest badanych).

Invisible wspiera szkolenie w ponad 40 językach programowania i 30 językach ludzkich. Jak ważne jest kulturowe i językowe dokładność w budowaniu globalnie skalowalnego AI?

Jest to kluczowe. Język nie jest tylko tłumaczeniem – jest to kontekst, nuans i normy kulturowe. Jeśli model źle interpretuje ton lub pomija regionalne różnice, może to prowadzić do złych doświadczeń użytkowników lub nawet ryzyka zgodności. Nasi wielojęzyczni trenerzy nie są tylko biegle znający język – są zakorzenieni w kulturach, które reprezentują.

Co są najczęstsze punkty awaryjne, gdy firmy próbują skalować od poziomu dowodu poziomu do produkcji, i jak Invisible pomaga w nawigowaniu tego “ostatniego mila”?

Większość modeli AI nigdy nie dociera do produkcji, ponieważ firmy zaniżają wymagany wysiłek operacyjny. Brakuje im czystych danych, solidnych protokołów oceny i strategii osadzania modeli w rzeczywistych procesach roboczych. W Invisible łączymy głęboką wiedzę techniczną z infrastrukturą danych o jakości produkcyjnej, aby pomóc przedsiębiorstwom przeprawić się przez tę lukę. Nasze symbiotyczne możliwości w szkoleniu i optymalizacji pozwalają nam nie tylko budować lepsze modele, ale także wdrażać je pomyślnie.

Czy mogą Państwo oprowadzić nas przez podejście Invisible do RLHF (Reinforcement Learning from Human Feedback) i jak się ono różni od innych w branży?

W Invisible widzimy Reinforcement Learning from Human Feedback (RLHF) jako coś więcej niż tylko dostrajanie – pozwala na bardziej zaawansowane, niestandardowe projekty ocen (“eval”) i przesunięcie ku szkoleniu modeli z wyrafinowanym osądem ludzkim, a nie binarnymi sygnałami, takimi jak kciuki w górę lub w dół. Podczas gdy podejścia branżowe często priorytetowo traktują skalę poprzez wysokowolumenowe, niskosygnałowe dane, my koncentrujemy się na zbieraniu ustrukturyzowanych, wysokiej jakości informacji zwrotnej, które ujmują rozumowanie, kontekst i kompromisy. Ten bogatszy sygnał umożliwia modelom generalizowanie skuteczniej i lepiej wyrównywanie się z intencjami ludzkimi. Priorytetowo traktując głębokość nad szerokością, budujemy infrastrukturę dla bardziej solidnych, wyrównanych systemów AI.

Jak Państwo wyobrażają sobie przyszłość współpracy człowieka i AI, szczególnie w dziedzinach o wysokich stawkach, takich jak finanse, opieka zdrowotna lub sektor publiczny?

AI nie zastępuje ekspertyzy ludzkiej – staje się infrastrukturą, która ją wspiera. Wyobrażam sobie przyszłość, w której agenci AI i eksperci ludzcy pracują w tandemie – gdzie klinicyści są wspierani przez diagnostycznych pilotów, agencje rządowe wykorzystują AI do rozpatrywania korzyści bardziej efektywnie, i analitycy finansowi są wolni, aby skupić się na strategii, a nie na arkuszach kalkulacyjnych. Naszym celem jest projektowanie systemów, w których AI uzupełnia ludzką zdolność, a nie ją przesłania czy przewyższa.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Invisible Technologies.