Маттью Фицпатрик, генеральный директор Invisible Technologies – Серия интервью

Маттью Фицпатрик – опытный специалист в области операций и роста с глубоким опытом в масштабировании сложных рабочих процессов и команд. С опытом, охватывающим консалтинг, стратегию и операционное руководство, он в настоящее время занимает должность генерального директора в Invisible Technologies, где он фокусируется на проектировании и оптимизации комплексных бизнес-решений. Маттью увлечен сочетанием человеческого таланта с автоматизацией для повышения эффективности в масштабе, помогая компаниям разблокировать трансформирующий рост за счет инноваций в процессах.

Invisible Technologies – это слой производства ИИ и компания по разработке программного обеспечения для предприятий, которая помогает организациям создавать, развертывать и масштабировать системы ИИ в сложных бизнес-средах. Ее платформа объединяет программное обеспечение, работающее на ИИ, человеческий опыт и операционную инфраструктуру для поддержки производственных рабочих процессов, необходимых для обучения, оценки и эксплуатации передовых ИИ. Invisible работает с предприятиями для управления сложными данными, автоматизации рабочих процессов и интеграции ИИ в бизнес-процессы, предоставляя инфраструктуру и экспертизу, необходимые для перевода инициатив ИИ из экспериментирования в надежное, промышленное развертывание.

Вы недавно перешли от руководства QuantumBlack Labs в McKinsey к должности генерального директора Invisible Technologies. Что привлекло вас к этой роли, и что вам больше всего нравится в миссии Invisible?

В McKinsey у меня была привилегия работать на переднем крае инноваций ИИ – создавать программные продукты ИИ, возглавлять усилия по исследованиям и разработкам, и помогать предприятиям использовать силу данных. То, что привлекло меня к Invisible Technologies, было возможность сделать это операционным в масштабе с помощью уникальной гибкой платформы программного обеспечения ИИ и экспертного рынка для обратной связи человека в цикле – я считаю, что обучение с помощью обратной связи человека (RLHF) является ключом к точным и надежным реализациям GenAI. Invisible поддерживает ИИ на протяжении всего цепочки создания стоимости, от очистки данных и автоматизации ввода данных до цепочки рассуждений и настраиваемых оценок. Наша миссия проста: объединить человеческий интеллект и ИИ, чтобы помочь бизнесу реализовать потенциал ИИ, который в корпоративном секторе оказался намного сложнее, чем многие люди ожидали.

Вы руководили более 1000 инженерами и масштабировали несколько продуктов ИИ в различных отраслях. Какие уроки из McKinsey вы применяете к следующей фазе роста Invisible?

Два урока выделяются. Во-первых, успешное внедрение ИИ так же важно, как и технология, так и организационная трансформация. Вам нужны правильные люди и процессы – в дополнение к отличным моделям. Во-вторых, компании, которые побеждают в ИИ, – это те, которые осваивают “последнюю милю” – переход от экспериментирования к производству. В Invisible мы применяем ту же строгость и структуру, чтобы помочь клиентам перейти от пилотных проектов к производству, обеспечивая реальную бизнес-ценность.

Вы сказали, что “2024 год был годом экспериментирования с ИИ, а 2025 год – это реализация ROI”. Какие конкретные тенденции вы наблюдаете среди предприятий, которые действительно достигают этой ROI?

Предприятия, которые получают реальную ROI в этом году, делают три вещи хорошо. Во-первых, они тесно увязывают случаи использования ИИ с основными бизнес-метриками – такими как операционная эффективность или удовлетворенность клиентов. Во-вторых, они инвестируют в лучшее качество данных и обратные связи человека, чтобы непрерывно улучшать производительность модели. В-третьих, они переходят от общих решений к адаптированным, отраслевым системам, которые отражают сложность их среды. Эти компании больше не просто тестируют ИИ – они масштабируют его с целью.

Как меняется спрос на специализированную маркировку и PhD-уровень маркировки данных среди провайдеров основных моделей, таких как AWS, Microsoft (MSFT ), и Cohere?

Мы наблюдаем рост спроса на специализированную маркировку, поскольку провайдеры основных моделей продвигаются в более сложные вертикали. В Invisible у нас есть 1% годовой скорость принятия на нашем экспертном пуле, и 30% наших тренеров имеют степень магистра или PhD. Этот глубокий экспертиз все чаще необходим – не только для точной аннотации данных, но и для предоставления нюансов, контекстно-осведомленной обратной связи для улучшения рассуждений, точности и соответствия. По мере того, как модели становятся умнее, планка для их обучения повышается.

Invisible находится на переднем крае агентного ИИ, подчеркивая принятие решений в реальных рабочих процессах. Каково ваше определение агентного ИИ, и где мы видим наиболее перспективные возможности?

Агентный ИИ относится к системам, которые не просто реагируют на инструкции – они планируют, принимают решения и действуют в определенных границах. Это ИИ, который ведет себя более как партнер, чем как инструмент. Мы наблюдаем наиболее сильный интерес в высокообъемных, сложных рабочих процессах: таких как поддержка клиентов и страховые претензии, например. В этих областях агентный ИИ может уменьшить ручной труд, повысить последовательность и обеспечить результаты, которые в противном случае потребовали бы больших человеческих команд. Это не о том, чтобы заменить людей – мы дополняем их интеллектуальными агентами, которые могут справиться с повторяющимися и рутинными задачами.

Можете ли вы поделиться примерами того, как Invisible обучает модели для цепочки рассуждений и почему это критически важно для корпоративного развертывания?

Цепочка рассуждений (CoT) открыла новый потенциал для корпоративного ИИ. В Invisible мы обучаем модели рассуждать шаг за шагом, что важно, когда ставки высоки – будь то диагностика пациента, анализ контракта или проверка финансовой модели. CoT не только улучшает прозрачность, но также позволяет отладку, доработку и повышение производительности без необходимости огромных новых наборов данных. Мы видели, как ведущие модели, такие как Gemini, Sonnet и Grok, начали раскрывать свои пути рассуждений, что позволяет нам наблюдать не только то, что модели выводят, но и то, как они туда приходят. Это закладывает основу для более продвинутых методов, таких как Дерево рассуждений (где модели оценивают несколько возможных путей рассуждений, прежде чем остановиться на ответе) и Самосогласованность (где исследуются несколько путей рассуждений).

Invisible поддерживает обучение на более чем 40 языках программирования и более чем 30 человеческих языках. Насколько важно культурное и лингвистическое точность при построении глобально масштабируемого ИИ?

Это крайне важно. Язык не только о переводе – это о контексте, нюансах и культурных нормах. Если модель неправильно интерпретирует тон или пропускает региональные вариации, это может привести к плохому пользовательскому опыту или даже к рискам соблюдения требований. Наши многоязычные тренеры не только владеют языками – они погружены в культуры, которые они представляют.

Какие общие точки отказа, когда компании пытаются масштабироваться от концепции доказательства к производству, и как Invisible помогает ориентироваться в этой “последней миле”?

Большинство моделей ИИ никогда не доходят до производства, потому что компании недооценивают операционный подъем, необходимый для этого. У них нет чистых данных, надежных протоколов оценки и стратегии для внедрения моделей в реальные рабочие процессы. В Invisible мы объединяем глубокий технический опыт с производственной инфраструктурой данных, чтобы помочь предприятиям преодолеть этот разрыв. Наши симбиотические возможности в обучении и оптимизации позволяют нам как строить лучшие модели, так и развертывать их успешно.

Можете ли вы пройти нас через подход Invisible к RLHF (обучению с помощью обратной связи человека) и то, как он отличается от других в отрасли?

В Invisible мы рассматриваем RLHF как нечто большее, чем просто тонкая настройка – это позволяет более сложному настраиваемому проектированию оценки (“eval”) и сдвигу в сторону обучения моделей с помощью нюансов человеческого суждения, а не бинарных сигналов, таких как одобрение или неодобрение. В то время как подходы отрасли часто отдают приоритет масштабу за счет высокообъемных, низкосигнальных данных, мы фокусируемся на сборе структурированной, высококачественной обратной связи, которая захватывает рассуждения, контекст и компромиссы. Этот более богатый сигнал позволяет моделям обобщать более эффективно и соответствовать более тесно с человеческими намерениями. Отдавая приоритет глубине над широтой, мы строим инфраструктуру для более прочных, согласованных систем ИИ.

Как вы представляете себе будущее сотрудничества между человеком и ИИ, особенно в высокорисковых областях, таких как финансы, здравоохранение или государственный сектор?

ИИ не заменяет человеческую экспертизу – он становится инфраструктурой, которая поддерживает ее. Я представляю себе будущее, где агенты ИИ и человеческие эксперты работают в тандеме – где клиницисты поддерживаются диагностическими копилотами, государственные агентства используют ИИ для более эффективной обработки льгот, и финансовые аналитики свободны сосредоточиться на стратегии, а не на электронных таблицах. Наша фокус – проектировать системы, в которых ИИ усиливает человеческую способность, а не затеняет или отменяет ее.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Invisible Technologies.