Райан Рис, главный специалист по ИИ и数据 в Mission – Интервью

Доктор Райан Рис – известный специалист по данным с более чем 15-летним опытом руководства в области данных и инженерии в быстро растущих технологических компаниях. Доктор Рис имеет более 20-летний опыт работы с ИИ и более 5 лет помогает клиентам создавать свою инфраструктуру данных и модели ИИ в AWS. После получения докторской степени в области биофизической химии в UCLA и Caltech, доктор Рис помог разработать передовые решения для обработки данных для Министерства обороны США и многочисленных компаний из списка Fortune 500.

Как главный специалист по ИИ и данным в Mission, Райан создал успешную команду инженеров по данным, архитекторов данных, инженеров по машинному обучению и специалистов по данным для решения некоторых из самых сложных проблем в мире с использованием инфраструктуры AWS.

Mission – ведущий поставщик управляемых услуг и консалтинга, родившийся в облаке, предлагающий комплексные облачные услуги, инновационные решения ИИ и программное обеспечение для клиентов AWS. Как премьер-партнер AWS, компания помогает бизнесу оптимизировать инвестиции в технологии, улучшить производительность и управление, масштабировать эффективно, защищать данные и принимать инновации с уверенностью.

У вас была впечатляющая карьера – от создания аппаратного обеспечения AR в DAQRI до того, как стать главным специалистом по ИИ в Mission. Какие личные переживания или поворотные моменты наиболее сформировали ваше представление о роли ИИ в бизнесе?

Раннее развитие ИИ было сильно ограничено вычислительной мощностью и проблемами инфраструктуры. Мы часто должны были手описать модели из исследовательских работ, что было трудоемким и сложным. Значительный сдвиг произошел с появлением Python и открытых библиотек ИИ, что сделало экспериментирование и построение моделей намного быстрее. Однако, самым большим поворотным моментом стало то, что гиперскалеры, такие как AWS, сделали масштабируемую вычислительную мощность и хранилище широко доступными.

Эта эволюция отражает постоянную проблему на протяжении всей истории ИИ – нехватка хранилища и вычислительной мощности. Эти ограничения вызвали предыдущие “зимы ИИ”, и преодоление их было фундаментальным для сегодняшнего “ренессанса ИИ”.

Как модель комплексных облачных услуг Mission помогает компаниям более эффективно и безопасно масштабировать свои рабочие нагрузки ИИ на AWS?

В Mission безопасность интегрирована во все, что мы делаем. Мы были партнером безопасности года с AWS два года подряд, но интересно, что у нас нет отдельной команды безопасности. Это потому, что каждый в Mission строит с учетом безопасности на каждом этапе разработки. С помощью генеративного ИИ AWS клиенты получают пользу от использования слоя AWS Bedrock, который сохраняет данные, включая конфиденциальную информацию, такие как PII, в безопасности внутри экосистемы AWS. Этот интегрированный подход обеспечивает, что безопасность является фундаментальной, а не после мысли.

Масштабируемость также является ключевым направлением в Mission. У нас есть обширный опыт построения конвейеров MLOps, которые управляют инфраструктурой ИИ для обучения и вывода. Хотя многие ассоциируют генеративный ИИ с крупномасштабными публичными системами, такими как ChatGPT, большинство корпоративных случаев использования являются внутренними и требуют более управляемой масштабируемости. Слой API Bedrock помогает обеспечить эту масштабируемую и безопасную производительность для реальных рабочих нагрузок.

Можете ли вы рассказать нам о типичном взаимодействии с предприятием – от миграции в облако до развертывания решений генеративного ИИ – с помощью услуг Mission?

В Mission мы начинаем с понимания деловых потребностей и случаев использования предприятия. Миграция в облако начинается с оценки текущей локальной среды и проектирования масштабируемой облачной архитектуры. В отличие от локальных установок, где вам необходимо выделить ресурсы для пиковой загрузки, облако позволяет масштабировать ресурсы на основе средних рабочих нагрузок, снижая затраты. Не все рабочие нагрузки требуют миграции – некоторые можно утилизировать, переработать или перестроить для эффективности. После инвентаризации и планирования мы выполняем поэтапную миграцию.

С генеративным ИИ мы перешли за пределы фазы доказательства концепции. Мы помогаем предприятиям проектировать архитектуру, запускать пилотные проекты для уточнения подсказок и решения крайних случаев, а затем переходить к производству. Для данных, управляемых ИИ, мы помогаем мигрировать локальные данные в облако, открывая большую ценность. Этот комплексный подход обеспечивает, что решения генеративного ИИ являются прочными, масштабируемыми и готовыми к бизнесу с первого дня.

Миссия подчеркивает “инновации с уверенностью”. Что это значит на практике для бизнеса, принимающего ИИ в масштабе?

Это означает наличие команды с реальным опытом ИИ – не просто выпускников курсов, а опытных специалистов по данным. Клиенты могут доверять, что мы не экспериментируем на них. Наши люди понимают, как работают модели и как реализовывать их безопасно и в масштабе. Это то, как мы помогаем бизнесу инновировать без принятия ненужных рисков.

Вы работали в области прогностической аналитики, NLP и компьютерного зрения. Где, по вашему мнению, генеративный ИИ приносит наибольшую ценность для бизнеса сегодня – и где ажиотаж опережает реальность?

Генеративный ИИ обеспечивает значительную ценность для бизнеса в основном за счет интеллектуальной обработки документов (IDP) и чат-ботов. Многие компании испытывают трудности с масштабированием операций путем найма большего числа сотрудников, поэтому генеративный ИИ помогает автоматизировать повторяющиеся задачи и ускорять рабочие процессы. Например, IDP снизила время рассмотрения заявок на страхование на 50% и улучшила координацию ухода за пациентами в здравоохранении. Чат-боты часто выступают в качестве интерфейса к другим инструментам ИИ или системам, позволяя компаниям автоматизировать рутинные взаимодействия и задачи эффективно.

Однако ажиотаж вокруг генеративных изображений и видео часто опережает реальное бизнес-использование. Хотя эти технологии визуально впечатляющие, они имеют ограниченные практические применения за пределами маркетинга и творческих проектов. Большинство компаний испытывают трудности с масштабированием решений генеративных медиа в основные операции, что делает их более новинкой, чем фундаментальным бизнес-инструментом.

“Vibe Coding” – это появляющийся термин – можете ли вы объяснить, что он значит в вашем мире, и как он отражает более широкий культурный сдвиг в разработке ИИ?

Vibe Coding относится к разработчикам, которые используют крупные языковые модели для генерации кода на основе интуиции или естественного языка, а не структурированного планирования или проектирования. Это отлично для ускорения итераций и прототипирования – разработчики могут быстро проверить идеи, сгенерировать код или передать повторяющиеся задачи. Но это также часто приводит к коду, который не имеет структуры, трудно поддерживать и может быть неэффективным или не безопасным.

Мы наблюдаем более широкий сдвиг в сторону агентных сред, где модели машинного обучения выступают в качестве младших разработчиков, а люди принимают на себя роли, подобные архитекторам или инженерам по качеству – проверке, уточнению и интеграции компонентов ИИ в более крупные системы. Этот совместный модель может быть мощным, но только если есть ограничения. Без надлежащего надзора, Vibe Coding может ввести технический долг, уязвимости или проблемы с производительностью – особенно когда спешно вводится в производство без тщательного тестирования.

Каково ваше мнение об эволюционирующей роли специалиста по ИИ? Как организации должны пересмотреть структуру руководства, поскольку ИИ становится фундаментальным для бизнес-стратегии?

Специалисты по ИИ могут абсолютно добавить ценность – но только если роль создана для успеха. Слишком часто компании создают новые должности в составе руководства без согласования их с существующими структурами руководства или без предоставления им реальной власти. Если специалист по ИИ не разделяет цели с техническим директором, директором по данным или другими исполнительными директорами, вы рискуете получить изолированное принятие решений, конфликтующие приоритеты и застой в реализации.

Организации должны тщательно рассмотреть, заменяет ли специалист по ИИ роли, такие как директор по данным или технический директор. Название роли имеет меньшее значение, чем мандат. Что важно, так это то, что кто-то имеет возможность формировать стратегию ИИ на протяжении всей организации – данные, инфраструктуру, безопасность и бизнес-случаи – и имеет возможность вносить значимые изменения. В противном случае роль становится более символической, чем влиятельной.

Вы возглавляли награжденные команды ИИ и данных. Какие качества вы ищете при наборе сотрудников на высокие должности ИИ?

Качество номер один – это найти кого-то, кто действительно знает ИИ, а не просто того, кто прошел некоторые курсы. Вам нужны люди, которые действительно свободно владеют ИИ и все еще сохраняют любопытство и интерес к расширению границ того, что можно и нельзя сделать.

Я ищу людей, которые всегда пытаются найти новые подходы и бросают вызов границам того, что можно и нельзя сделать. Это сочетание глубоких знаний и продолжающегося исследования является важным для высоких должностей ИИ, где инновации и надежная реализация являются равно важными.

Многие компании испытывают трудности с операционализацией своих моделей машинного обучения. Что, по вашему мнению, отличает команды, которые преуспевают, от тех, кто застревает в chứngательстве концепции?

Самой большой проблемой является согласование команд. Команды машинного обучения строят перспективные модели, но другие отделы не принимают их из-за несоответствия приоритетов. Переход от концепции к производству также требует инфраструктуры MLOps: версионирования, переобучения и мониторинга. С генеративным ИИ разрыв еще шире. Производство чат-бота означает настройку подсказок, управление конвейерами и соблюдение нормативных требований… не просто ввод подсказок в ChatGPT.

Какой совет вы дадите основателю стартапа, создающему продукты ИИ, которые могли бы извлечь пользу из инфраструктуры и опыта стратегии ИИ Mission?

Когда вы стартап, трудно привлечь лучший талант ИИ, особенно без устоявшейся бренда. Даже с сильной основной командой трудно нанять людей с глубоким опытом, необходимым для построения и масштабирования систем ИИ. Вот где партнерство с компанией, такой как Mission, может действительно сделать разницу. Мы можем помочь вам двигаться быстрее, предоставляя инфраструктуру, стратегию и практический опыт, чтобы вы могли проверить свой продукт раньше и с большей уверенностью.

Другой важный момент – фокус. Мы видим много основателей, пытающихся обернуть базовый интерфейс вокруг ChatGPT и назвать это продуктом, но пользователи становятся умнее и ожидают больше. Если вы не решаете реальную проблему или не предлагаете что-то действительно отличное, легко потеряться в шуме. Mission помогает стартапам стратегически мыслить о том, где ИИ создает реальную ценность и как построить что-то масштабируемое, безопасное и готовое к производству с первого дня. Итак, вы не просто экспериментируете, вы строите для роста.

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