Wywiady

Shane Eleniak, Chief Product Officer w Calix – Seria wywiadów

Antoine Tardif
Dodaj Unite.AI do preferowanych źródeł w Google
Kluczowe punktyCalix zbudował praktyczne wnioski dla konkretnych person na lata przed pojawieniem się…
Zobacz więcej
  • Calix zbudował praktyczne wnioski dla konkretnych person na lata przed pojawieniem się agentowej sztucznej inteligencji.
  • Większość przedsiębiorstw ponosi porażkę w AI, ponieważ ignoruje warstwę zaufania niezbędną do autonomicznych decyzji.
  • Organizacje muszą przeprojektować wiedzę w scentralizowany magazyn, a nie tylko dodawać AI do silosów.

Shane Eleniak pełni funkcję Chief Product Officer w Calix, gdzie kieruje strategiczną wizją i wykonaniem wiodącej w branży platformy i rozwiązań SaaS firmy. Zorientowany na umożliwienie dostawcom usług komunikacyjnych uproszczenia swojego biznesu i dostarczania wyjątkowych doświadczeń subskrybentów, Shane nadzoruje cały cykl życia produktu – od koncepcji do wdrożenia na rynek.

Pod jego kierownictwem Calix umocnił swoją pozycję jako pionier w branży szerokopasmowej, nieustannie dostarczając innowacyjne narzędzia, które umożliwiają dostawcom konkurowanie i wygrywanie.

Calix to amerykańska firma technologiczna, która dostarcza platformy chmurowe, oprogramowanie i usługi zarządzane dla dostawców usług szerokopasmowych i komunikacyjnych. Jego podstawowa oferta opiera się na platformie szerokopasmowej z obsługą AI, która integruje infrastrukturę chmurową, dane i systemy sieciowe, aby pomóc dostawcom uproszczyć operacje, poprawić zaangażowanie klientów i dostarczyć bardziej spersonalizowane doświadczenia cyfrowe. Umożliwiając tym dostawcom przejście od podstawowych usług łączności do pełnych “dostawców doświadczeń”, Calix pomaga im zwiększyć przychody, zwiększyć lojalność subskrybentów i wspierać transformację cyfrową społeczności za pomocą bardziej zaawansowanych i skalowalnych usług szerokopasmowych.

Twoja kariera obejmuje ponad trzy dekady w dziedzinie inżynierii, sieci, platform chmurowych i zarządzania produktami na dużą skalę. Jak te doświadczenia ukształtowały twoje spojrzenie na to, co naprawdę jest potrzebne, aby AI wykonywała prawdziwą pracę w firmach, zamiast pozostawać bocznym eksperymentem?

Zacząłem w tradycyjnej telekomunikacji i sieciach, gdzie cała gra była o ścieżce danych i niezawodności w skali. Jeśli nie możesz dostarczyć czystej, niezawodnej usługi, nic, co budujesz na jej podstawie, nie ma znaczenia. Wtedy telefon był na ścianie kuchni, wewnętrzne okablowanie nigdy się nie zmieniało, a dopóki był sygnał gotowości do wybierania numeru, wszystko było w porządku.

Łączność szerokopasmowa i internet zmieniły to. Nagle nie chodziło już tylko o to, czy coś jest włączone. Chodziło o Ethernet, a potem Wi-Fi, dzieci na konsolach i tabletach, ciebie na rozmowie Zoom, współpracującego nad arkuszem kalkulacyjnym w chmurze, i ciągłą mobilność – urządzenia w domu, na podwórku, na meczu piłki nożnej, w kawiarni. Doświadczenie subskrybenta stało się znacznie bardziej złożone niż binarna wartość włączenia/wyłączenia, a świat dla dostawców usług stał się bardzo dynamiczny. W tym świecie, retrospekcja danych – klasyczne magazyny danych i historyczne raporty miesiąc później – po prostu nie wystarcza. Musisz zbierać dane, rozumieć doświadczenie i generować informacje w czasie rzeczywistym, ponieważ subskrybenci oczekują, że problemy będą rozwiązywane proaktywnie, a nie w godzinach lub dniach.

To ewolucja ukształtowała, jak myślę o AI. Większość ludzi chce umieścić AI “na górze”, w ten sam sposób, w jaki umieszczają inteligencję biznesową lub SaaS na górze istniejących jezior danych. Moje doświadczenie mówi, że musisz myśleć znacznie głębiej niż to i projektować z myślą o informacjach w czasie rzeczywistym, działaniach i możliwości podejmowania decyzji w odpowiednim czasie.

Dla subskrybentów oczekiwania nie zmieniły się zbyt wiele w ciągu ostatnich 25 lat. Nadal chcą oni bezpiecznej, zarządzanej łączności, która wydaje się tak prosta jak sygnał gotowości telefonu — chcą, aby wszystko “po prostu działało” bez myślenia o wszystkich warstwach i złożoności, i chcą tego wszędzie w swoim życiu. Moja kariera w telekomunikacji i chmurze sprawiła, że ten paradoks jest mi bardzo dobrze znany: budujesz niezwykle złożone systemy, aby móc wszystko to ukryć i dostarczyć proste, wspaniałe doświadczenie na granicy. To właśnie tak myślę o AI, która wykonuje prawdziwą pracę w dowolnej firmie, niezależnie od branży.

W Calix często podkreślasz, że operacyjne AI jest budowane, a nie kupowane. Jakie są najczęstsze błędy, które organizacje popełniają, gdy próbują dodać AI bez przemyślenia, jak praca przepływa przez firmę?

Dla mnie to mniej kwestia “zrobione versus kupione” i bardziej kwestia, czy ktoś wycofał się i spojrzał na cały stos technologiczny. Wiele firm uznało, że AI jest po prostu używaniem niektórych API, aby uzyskać dostęp do LLM, podłączeniem go do swojego stosu z wrapperem i kupieniem tokenów – wtedy miało się strategię AI. To nie jest tak, jak to działa.

Zbyt wielu z nas zostaje zauroczonych technologią zamiast rezultatem. Widzieliśmy już ten film. Gdy pojawiły się komputery, każdy chciał się spierać o to, czy miał 286, czy 386, ile miał pamięci i jaka wersja DOS na nim działała. Dziś nikt nie potrafi powiedzieć, jakie są specyfikacje jego laptopa czy telefonu, i nikt nie dba o to, dopóki nie przestaje działać tak, jak powinno. To, co ma znaczenie, to: czy to sprawia, że jestem bardziej skuteczny w swojej pracy? To samo dotyczy AI. Jeśli nie możesz powiązać tego z realnymi workflow, realną wartością i realnym ROI, specyfikacje techniczne są po prostu hałasem.

Inny duży błąd to próba przymocowania AI do tego, co już się ma, bez pytania, co to robi z Twoją architekturą, modelem bezpieczeństwa i kosztami. AI jest podstawową technologią, a nie funkcją ulepszającą. Gdy traktujesz to jako ulepszenie, otrzymujesz słabe dane, problemy z bezpieczeństwem, halucynacje, niekontrolowane koszty lub wiele działań, które nie rozwiązują problemu dla nikogo.

Wreszcie, nie można zignorować kontekstu i znaczenia specjalistycznej wiedzy. Działanie zależy przede wszystkim od kontekstu, a ten kontekst różni się w różnych branżach, takich jak telekomunikacja, fintech i opieka zdrowotna. W Calix zaczęliśmy od głębokiej wiedzy w jednej branży i zbudowaliśmy wokół niej pionową platformę. Już rozumieliśmy dane, informacje, workflow i kontekst, więc stos mógł odzwierciedlać tę rzeczywistość. Większość firm zna swoją branżę od podszewki. Okazja polega na tym, aby zakodować tę wiedzę w pionowy stos technologiczny, zamiast polegać na cienkiej warstwie poziomej i ogólnym modelu AI, a potem próbować zszyć wszystko razem. W biznesie chodzi o wyniki, a nie o modele. Prawdziwe pytanie brzmi: jak ta technologia pomaga dostarczyć te wyniki w sposób, w jaki Twoja praca przepływa.

Opisałeś pięciowarstwową architekturę operacyjnego AI, która obejmuje dane, wiedzę, orkiestrację, zaufanie i działanie. Dlaczego ważne jest, aby wyraźnie oddzielić te warstwy, a która z nich przedsiębiorstwa najczęściej zaniżają lub całkowicie pomijają?

Przez długi czas stos był dość prosty: dane, informacje, pulpity, workflow, ludzie. Budowaliśmy magazyny danych, umieszczaliśmy na nich BI, tworzyliśmy silniki workflow i przekazywaliśmy ciężką pracę ludziom. W świecie agentów to nie działa. Potrzebujesz danych, wiedzy, orkiestracji, zaufania i działania, ponieważ każda warstwa pełni odrębną funkcję.

Widoczna część, o której wszyscy chcą mówić, to warstwa działania – agenci. To szczyt góry lodowej. To, co decyduje o tym, czy możesz kiedykolwiek pozwolić agentom dotknąć rzeczywistych systemów, to wszystkie “nudne” rzeczy pod powierzchnią: potoki danych i czyste dane, warstwa wiedzy, która daje kontekst, orkiestracja, która koordynuje dynamiczne workflow, i model zaufania, który decyduje, co powinno być dozwolone. Gdy Titanic zatonął, nie była to mała część, którą można było zobaczyć, która go zatopiła; była to olbrzymia masa lodu pod powierzchnią. Operacyjne AI jest takie same. Infrastruktura pod powierzchnią decyduje o sukcesie lub porażce.

Historycznie nie traktowaliśmy orkiestracji i zaufania jako odrębnych warstw, ponieważ ludzie wykonywali większość tej pracy. Orchestracja oznaczała menedżerów i kolejki zgłoszeń; zaufanie oznaczało nazwy użytkowników i hasła. Teraz musisz ufać jednostkom – agentom – aby wykonywali czynności, i musisz koordynować wielu agentów w czasie rzeczywistym wokół dynamicznych danych. To jest całkowicie inny problem projektowy, dlatego te warstwy muszą być wyraźne.

Warstwa, którą większość ludzi nie docenia, to zaufanie. Wiele organizacji uważa, że radzą sobie z zaufaniem, ponieważ mają kontrolę dostępu – kto może zalogować się do którego systemu. Ale prawdziwe zaufanie w świecie agentów nie jest “czy ten użytkownik ma dostęp?” To “czy to konkretna akcja jest odpowiednia dla tej jednostki lub tego agenta w tym momencie?” To jest pytanie dotyczące zarządzania, a nie kontroli dostępu. Jeśli nie uczynisz tej warstwy wyraźną, utkniesz w krajobrazie demo, ponieważ nigdy nie będziesz komfortowy, pozwalając agentom wykonywać prawdziwą pracę w produkcji.

Więc zaufanie jest oczywiście podstawową częścią Twojej strategii AI. Jak projektujesz systemy, aby decyzje automatyczne pozostały obserwowalne, audytowalne i odwracalne, jednocześnie poruszając się wystarczająco szybko, aby dostarczyć wartość biznesową?

Musisz zacząć od mentalności zero zaufania. Pierwsze pytanie nie brzmi “czy ten agent może technicznie to zrobić?” Pierwsze pytanie brzmi “czy ten agent, w imieniu tej osoby, powinien próbować to zrobić w ogóle?” Jeśli odpowiedź brzmi “nie”, to nie kontynuuj.

Jeśli odpowiedź brzmi “tak”, przechodzisz do barier ochronnych: audytowalności, śledzenia i potrzeby człowieka w pętli. Nasz model opiera się na warstwie zaufania, która działa trochę jak policjant ruchu na początku każdej interakcji: kim jesteś, co robisz i dlaczego to robisz? To eliminuje wiele problemów z bezpieczeństwem, ponieważ nie pozwalasz agentom działać i robić rzeczy, a potem liczyć na to, że zauważysz to później.

Alternatywą jest puszczenie agentów, a następnie podniesienie alarmu, jeśli zrobią coś złego. Zakładasz, że możesz to zobaczyć, rozwiązać, zidentyfikować i powstrzymać w czasie rzeczywistym, w tempie i skali, w jakim te systemy działają. To jest bardzo trudny problem, a to jest powodem, dla którego tak wiele osób ma trudności – próbują szukać złych aktorów w czasie rzeczywistym, zamiast zapobiegać złym akcjom z wyprzedzeniem.

Nad tym wszystkim dodaliśmy warstwy bram. Nawet jeśli agent działa w imieniu odpowiedniej osoby, nadal patrzymy na sesję i zawartość – czy próbują zatruć model, nadużyć API lub wykonać coś poza zasadami? Wszystko to jest otoczone pełną obserwowalnością, abyś mógł audytować, co się stało, i cofnąć to, jeśli potrzebujesz. To jest sposób, w jaki możesz poruszać się szybko i jednocześnie spać spokojnie.

Wielu firmom udaje się wygenerować wglądy AI, ale mają trudności z przekształceniem ich w działanie. Jakie decyzje projektowe pozwoliły Calix na wprowadzenie AI bezpośrednio do codziennych workflow w marketingu, operacjach i obsłudze klienta?

Już od dawna, zanim AI było gwiazdą, w Calix byliśmy obsesjonowani jednym pytaniem: co sprawia, że wgląd jest naprawdę wykonalny dla prawdziwej osoby w prawdziwej pracy? Od 2018 roku pracowaliśmy z dostawcami usług, aby zrozumieć, jak różne osoby pracują – co robi marketer we wtorek rano, co robi zespół operacyjny, gdy uruchamia się alarm, co robi zespół wsparcia, gdy subskrybent dzwoni zirytowany. To zmusiło nas do tego, aby być bardzo precyzyjnymi w kwestii, które wglądy są ważne dla kogo, w jakim kontekście i jak wygląda dobre działanie.

Dlatego, gdy agentowa AI pojawiła się, nie zaczynaliśmy od zera. Mieliśmy już systemy w czasie rzeczywistym, generujące wglądy, które były powiązane z konkretnymi osobami i workflow. Pytanie projektowe stało się: jak przebudować te same workflow w świecie agentów AI, zamiast próbować wymyślić wszystko od nowa?

Gdy łączysz tę głęboką wiedzę o osobach z agentową AI, możesz zbudować dynamiczne workflow nad dynamicznymi danymi. Agenci mogą ustalić, w czasie rzeczywistym, które kroki i które osoby muszą być zaangażowane, w zależności od tego, co się dzieje, zamiast zmuszać cię do twardego kodowania setek sztywnych przepływów w mikro-usługach. Dla większości firm trudny problem polega na tym, aby podejmować decyzje w czasie rzeczywistym na podstawie kontekstu i projektować odpowiedni workflow wokół tego. U nas ta część już działała; robiliśmy wglądy w czasie rzeczywistym, oparte na osobach i wykonalne od lat. Agentowa AI jest po prostu nowym zestawem narzędzi na tej podstawie.

Twoja wizja platformy obejmuje interoperacyjność agent-to-agent (A2A) i federacyjne systemy AI. Jak to podejście zmienia sposób, w jaki narzędzia przedsiębiorstw współpracują w porównaniu z tradycyjnymi punktowymi integracjami?

Jeśli spojrzysz na ostatnie 20 lat, domyślny wzorzec był taki: “kup wiele narzędzi SaaS i połącz je wokół jeziora danych”. Każdy nowy system oznaczał kolejną integrację punktową, kolejny potok danych i kolejne miejsce, w którym trzeba było uzgodnić prawdę. W świecie agentów to nie skaluje. Chcesz, aby dane pozostały tam, gdzie należą, i aby agenci rozmawiali ze sobą przez dobrze zdefiniowane interfejsy.

To jest powodem, dla którego mówimy o dotknięciu systemu na dwóch warstwach: MCP na warstwie wiedzy i A2A na warstwach orkiestracji i zaufania. MCP to sposób, w jaki agenci odkrywają i używają narzędzi i danych bez konieczności nowej, niestandardowej integracji za każdym razem. A2A to sposób, w jaki agenci koordynują pracę ze sobą pod wyraźnymi barierami ochronnymi.

Gdy to masz, współpraca przestaje wyglądać jak sterta kruchych łączników i zaczyna wyglądać jak sieć specjalistów, którzy mogą dynamicznie współpracować wokół prawdziwej pracy. Oto, gdzie wchodzi analogia macierzy Eisenhowera. Nie wszystko jest równie pilne i równie ważne. Niektóra praca jest naprawdę krytyczna, niektóra jest ważna, ale może być zaplanowana, niektóra po prostu musi być zrobiona, a niektóra jest hałasem. Z koordynacją agent-to-agent na górze warstwy zaufania i orkiestracji możesz traktować te kategorie inaczej w skali: agenci mogą atakować pilne i ważne problemy, kolejkować lub planować ważne, ale niepilne, i zapobiegać wypieraniu pozostałych zadań przez mało wartościową krzątaninę.

To jest zupełnie inny świat niż “dodajmy kolejny łącznik i miejmy nadzieję, że kolejka się rozładuje”. Widzisz zaufane, starannie zaplanowane dynamiczne workflow wokół dynamicznych zdarzeń i danych, zamiast plątaniny jednorazowych integracji, w których wszystko krzyczy o tym samym priorytecie.

Gdy agentom AI pozwala się działać autonomicznie, zarządzanie staje się wyzwaniem. Jak balansujesz szybkość, odpowiedzialność i nadzór ludzi, gdy systemy AI podejmują lub wykonują decyzje na dużą skalę?

Błąd, który widzę, polega na tym, że ludzie myślą, że mogą przymocować agentową AI do tego, co już mają, i jakoś spróbować “zbalansować” szybkość, odpowiedzialność i nadzór ludzi po fakcie. Nie możesz. Musisz zacząć od uznania, że to jest pionowy problem stosu technologicznego i celowo budować warstwę zaufania i warstwę orkiestracji. Bez tych dwóch warstw staje się to wolną amerykanką – liczy się kolejność przybycia lub to, kto krzyczy najgłośniej.

Ponownie, to macierz Eisenhowera: nie wszystka praca jest równie ważna. Zaufanie i orkiestracja to sposób, w jaki operacjonalizujesz to w świecie agentów. Nie chcesz, aby każdy agent traktował każde zadanie jak sygnał alarmowy; chcesz, aby system wiedział, co jest naprawdę krytyczne, co można zaplanować i co powinno być cicho obsłużone na tle.

I jest jeszcze zasada wąskiego zakresu zamiast szerokiego. Większość firm myli większy wpływ z AI z pozostaniem szerokim. Jesteś o wiele lepszy, gdy wybierasz wąski, pionowy kawałek – jeden konkretny przypadek użycia, jeden zestaw workflow – i budujesz zaufanie i orkiestrację, które potrzebujesz tam. Zawęź zakres branżowy, zrealizuj go poprawnie, zachowaj udział ludzi w punktach granicznych, a następnie rozszerzaj rozwiązanie. To jest sposób, w jaki poruszasz się szybko, pozostajesz odpowiedzialny i unikasz tworzenia bałaganu, który nie możesz później rozplątać.

Twoje doświadczenie w kierowaniu dużymi globalnymi zespołami produktowymi i inżynierskimi. Jakie zmiany organizacyjne lub kulturowe są wymagane, aby AI stało się trwałą możliwością przedsiębiorstwa, a nie zbiorem niepołączonych pilotów?

Większość przedsiębiorstw nie ma “problemu z AI”; mają problem z wiedzą i workflow. Pierwsza zmiana polega na tym, aby przestać grać z punktowymi rozwiązaniami i przejść od magazynów danych do federacyjnego magazynu wiedzy, którym każdy może się dzielić i działać. Dopóki wiedza żyje w silo i AI jest czekoladą na górze każdego silosu, dostaniesz pilotaż, a nie transformację.

Od tego momentu musisz być gotowy, aby podejść do trudniejszych problemów w określonej kolejności. Krok pierwszy to oddzielić hype od rzeczywistości i przyjąć to, co działa, a nie to, co jest najgłośniej w Twoim feedzie. Krok drugi to przebudować warstwę wiedzy, abyś mógł przekształcić dane w udostępniony, federacyjny kontekst, zamiast kolejny raport pogrzebany w systemie. Krok trzeci to przemyśleć workflow wokół tej wiedzy i prawdziwej warstwy zaufania – większość pracy dzisiaj jest zorganizowana wokół ludzi, umiejętności i lokalnych silosów wiedzy. Jeśli nie zmienisz tego, agenci będą po prostu kolejnym narzędziem orbitującym wokół tych samych starych wąskich gardeł.

Dopiero wtedy dostaniesz się do zmiany kulturowej, która jest często najtrudniejsza. Potrzebujesz kultury, w której ludzie nie są głównie zmartwieni utratą pracy, narzędzi lub tożsamości, ale są naprawdę podekscytowani pracą z nowymi możliwościami. To jest problem zarządzania zmianą, a nie problem technologiczny. Wygląda to jak prawdziwe, rozproszone przywództwo: ludzie na pierwszej linii rozumieją przepływy pracy, czują się bezpiecznie, nazywając tarcie, i są podekscytowani, aby wdrożyć agentów do pracy nad tym.

Patrząc poza szerokopasmową i telekomunikację, które branże, Twoim zdaniem, są najlepiej przygotowane do przyjęcia operacyjnego, agentowej AI jako następne, i jakie warunki sprawiają, że są gotowe?

Nie myślę o tym jako o wyborze zwycięzców według etykiety branżowej; myślę o wzorcach. Prawie każda branża ma to samo podstawowe wyzwanie: zbudowaliśmy silosy danych i silosy funkcjonalne zamiast jednego widoku na trzy cykle życia – klienta, pracownika i produktu. Te, które są gotowe, to te, które są skłonne zobaczyć to, przyznać, że nie mają prawdziwej warstwy wiedzy i naprawić to.

Od tego momentu warunki wyglądają dość podobnie, niezależnie od tego, czy jesteś w opiece zdrowotnej, fintech, detalu, czy infrastrukturze krytycznej. Potrzebujesz złożonych workflow, w których ludzie pracują na granicy swoich możliwości, prawdziwe punkty tarcia, które możesz nazwać, i wystarczająco wysokiej jakości dane, aby dać agentom kontekst. Jeśli możesz mapować bieżące workflow, zobaczyć, gdzie praca spowalnia lub gromadzi się, zrozumieć, które przekazania tworzą opóźnienia, i potem wesprzeć to federacyjnym magazynem wiedzy, agentowa AI staje się niesamowitym zestawem narzędzi.

W tym świecie “gotowość branży” sprowadza się do przywództwa. Czy przywódcy firmy są skłonni wyjść poza marketingowe narzędzia i cienkie, poziome pulpity, i zamiast tego zainwestować w pionowy stos technologiczny – przekształcić dane w wiedzę, sfederować tę wiedzę, umieścić orkiestrację i warstwę zaufania, i mieć szczerą rozmowę o tym, gdzie jest prawdziwa wartość ROI? Każda firma w każdej branży, która wykonuje tę pracę, jest dobrze przygotowana do operacyjnego, agentowej AI; te, które nie, będą tkwić, dodając kolejne narzędzie do już hałaśliwej sterty.

Jak AI przedsiębiorstw ewoluuje w kierunku środowisk wieloagentowych i wielochmurowych, jaki jest dobry wygląd architektury AI za pięć lat, i jakie zasady powinny przywódcy zaakceptować dzisiaj, aby uniknąć odbudowywania swoich systemów później?

Za pięć lat najbardziej interesującą częścią AI nie będą już poszczególni agenci lub modele, lecz umożliwiane przez nich agentowe przepływy pracy i dostarczana przez nie wartość biznesowa. Agenci sami przyjdą i pójdą. Warstwy pod nimi – dane, wiedza, orkiestracja, zaufanie i działanie – będą nadal ewoluować, ale potrzeba ich nie zniknie.

Dlatego jestem bardziej zainteresowany architekturą niż konkretnymi narzędziami. Przechodzimy od magazynów danych do federacyjnych magazynów wiedzy, od punktowych integracji do otwartych, warstwowych stosów. W tym świecie będziesz mieć agentów działających w różnych chmurach, korzystających z różnych źródeł wiedzy i koordynujących pracę przez dobrze zdefiniowane interfejsy – MCP na warstwie wiedzy i protokoły agent-to-agent na warstwach orkiestracji i zaufania. Gdy technologia się poprawia, chcesz móc wymienić lepsze części w tych warstwach bez odbudowywania całego stosu za każdym razem.

Dlatego, zasady dla przywódców są proste. Nie buduj monolitycznie. Projektuj dla warstw, aby dane, wiedza, orkiestracja, zaufanie i działanie mogły ewoluować niezależnie. Projektuj dla przepływów, a nie funkcji, abyś był klarowny, które workflow są ważne i jak wygląda dobry rezultat w cyklu życia klienta, pracownika i produktu. I projektuj dla zarządzania na poziomie agenta: przyjmij domyślnie Zero Trust, zdefiniuj jasne „karty agentów” i użyj orkiestracji, aby zdecydować, co jest pilne, co jest ważne i co po prostu musi być zrobione. Jeśli to zrobisz, możesz pozwolić technice zmieniać się – jak zawsze – bez ciągłego martwienia się o odbudowę.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Calix.

Antoine jest wizjonerskim liderem i partnerem założycielem Unite.AI. Kieruje nim niezachwiana pasja do kształtowania i rozwijania przyszłości sztucznej inteligencji i robotyki. Jako przedsiębiorca, który założył wiele firm, wierzy, że AI zmieni społeczeństwo równie głęboko jak elektryczność, i często z entuzjazmem mówi o potencjale przełomowych technologii oraz ogólnej sztucznej inteligencji (AGI).

Jako futurolog poświęca się badaniu tego, jak te innowacje ukształtują nasz świat. Jest także założycielem Securities.io, platformy skupionej na inwestowaniu w najnowocześniejsze technologie, które na nowo definiują przyszłość i przekształcają całe branże.