Интервью

Шейн Элениак, директор по продуктам Calix — серия интервью

Antoine Tardif
Добавьте Unite.AI в избранные источники в Google
Ключевые моментыCalix создал практические инсайты для конкретных персон за годы до появления агентного…
Показать больше
  • Calix создал практические инсайты для конкретных персон за годы до появления агентного ИИ.
  • Большинство предприятий терпят неудачу в ИИ, потому что игнорируют уровень доверия, необходимый для автономных решений.
  • Организации должны перестроить знания в федеративное хранилище, а не просто добавлять ИИ в изолированные системы.

Шейн Элениак является главным директором по продуктам в Calix, где он определяет стратегическое видение и руководит развитием ведущей в отрасли платформы и SaaS-решений компании. Стремясь помочь поставщикам услуг связи упростить бизнес и обеспечить абонентам исключительное качество обслуживания, Шейн контролирует весь жизненный цикл продукта – от разработки концепции до внедрения передовых рыночных решений.

Под его руководством Calix укрепил свою позицию как пионер в отрасли широкополосного доступа, последовательно предоставляя инновационные инструменты, которые позволяют провайдерам конкурировать и побеждать.

Calix – это американская технологическая компания, которая предоставляет облачные, программные и управляемые сервисные платформы, предназначенные для провайдеров широкополосного и коммуникационного доступа. В основе ее предложения лежит платформы широкополосного доступа, оснащенной ИИ, которая интегрирует облачную инфраструктуру, данные и сетевые системы, чтобы помочь провайдерам упростить операции, улучшить вовлеченность клиентов и предоставлять более персонализированные цифровые впечатления. Позволяя этим провайдерам перейти от базовых услуг подключения к полноценным “поставщикам комплексного пользовательского опыта”, Calix помогает им наращивать выручку, увеличивать лояльность абонентов и поддерживать цифровую трансформацию сообществ посредством более продвинутых и масштабируемых услуг широкополосного доступа.

Ваша карьера охватывает более трех десятилетий в области инженерии, сетей, облачных платформ и крупномасштабного руководства продуктами. Как этот опыт сформировали ваше представление о том, что на самом деле необходимо, чтобы ИИ выполнял реальную работу внутри бизнеса, а не оставался побочным экспериментом?

Я начал с традиционной телекоммуникации и сетей, где главное значение имели путь передачи данных и надежность при масштабной работе. Если вы не можете предоставить качественный и надежный сервис, ничего из того, что вы строите на ее основе, не имеет значения. Тогда телефон был на кухонной стене, внутренняя проводка никогда не менялась, и пока в трубке был гудок, все было в порядке.

Широкополосный доступ и Интернет все это изменили. Внезапно это не было просто “включено?” Это было Ethernet, затем Wi-Fi, дети на игровых консолях и планшетах, вы участвуете в звонке Zoom и совместно работаете с облачной электронной таблицей, и постоянная мобильность – устройства внутри дома, на заднем дворе, на футбольном матче, в кофейне. Опыт абонента стал намного более сложным, чем бинарное состояние “включено/выключено”, и мир для сервис-провайдеров стал высокодинамичным. В этом мире ретроспективный взгляд на данные – классические хранилища данных и исторические отчеты через месяц – просто не работает. Вам нужно собирать данные, понимать опыт абонента и генерировать аналитические выводы в реальном времени, потому что абоненты теперь ожидают, что проблемы будут решены проактивно, а не через часы или дни.

Эта эволюция сформировала мое представление об ИИ. Большинство людей хотят поставить ИИ “сверху”, так же, как они ставят бизнес-аналитику или SaaS поверх существующих озер данных. Мой опыт говорит, что вам нужно думать намного глубже, чем это, и проектировать системы, способные в реальном времени давать практически применимые аналитические выводы и своевременно действовать.

Для абонентов, однако, ожидания мало изменились за последние 25 лет. Они все еще просто хотят безопасное, управляемое подключение, которое кажется таким же простым, как гудок в трубке – они хотят, чтобы все “просто работало” без размышлений о всех слоях и сложности, и они хотят этого повсюду в своей жизни. Моя карьера в телекоме и облаке позволила мне освоиться с этим парадоксом: вы строите чрезвычайно сложные системы, чтобы абстрагировать все это и предоставлять простой и качественный пользовательский опыт на краю. Это именно то, как я думаю об ИИ, выполняющем реальную работу внутри любого бизнеса, широкополосного или другого.

В Calix вы часто подчеркиваете, что операционный ИИ строится, а не покупается. Какие самые распространенные ошибки совершают организации, когда они пытаются добавить ИИ без переосмысления того, как работа проходит через бизнес?

Для меня это не столько “построено или куплено”, сколько вопрос о том, сделали ли вы шаг назад и посмотрели на весь технологический стек. Многие компании решили, что ИИ просто использует некоторые API, чтобы получить доступ к LLM, подключает его к своему стеку с помощью обертки и покупает токены – тогда у вас есть ИИ-стратегия. Это не так.

Слишком многие из нас увлекаются технологией вместо результата. Мы видели этот фильм раньше. Когда появились ПК, все хотели спорить о том, есть ли у них 286 или 386, сколько памяти у них было и какую версию DOS они использовали. Сегодня никто не может сказать вам характеристики своего ноутбука или телефона, и это никого не волнует, пока он не перестает делать то, что им нужно. Что имеет значение, это: делает ли это меня более эффективным в моей работе? Это то же самое с ИИ. Если вы не можете связать его с реальными рабочими процессами, реальной ценностью и реальным ROI, технические характеристики – это просто шум.

Еще одна большая ошибка – попытка прикрепить ИИ к тому, что у вас уже есть, не задаваясь вопросом, что это делает с вашей архитектурой, моделью безопасности и затратами. ИИ – это фундаментальная технология, а не инкрементальное улучшение функций. Когда вы относитесь к нему как к инкрементальному, вы получаете плохие данные, проблемы безопасности, галлюцинации, непомерные затраты или много активности, которая не решает проблему для кого-либо.

Наконец, вы не можете игнорировать контекст и важность вертикальной экспертизы. Действие полностью зависит от контекста, и этот контекст различается в телекоме, финтехе и здравоохранении. В Calix мы начали с глубокого опыта в одной отрасли и построили вертикальную платформу вокруг нее. Мы уже понимали данные, аналитические выводы, рабочие процессы и контекст, поэтому стек мог отражать эту реальность. Большинство компаний досконально знают свою отрасль. Возможность заключается в том, чтобы закодировать это знание в вертикальный технологический стек, а не полагаться на тонкий горизонтальный слой и общую модель ИИ, а затем пытаться сшить все вместе. Бизнес – это результаты, а не модели. Реальный вопрос – как эта технология помогает вам достигать этих результатов с учетом того, как организованы ваши рабочие процессы.

Вы очертили пятиуровневую архитектуру для операционного ИИ, которая включает данные, знания, оркестрацию, доверие и действие. Почему важно явно разделить эти уровни, и какой из них предприятия чаще всего недооценивают или полностью пропускают?

В течение долгого времени стек был довольно простым: данные, аналитические выводы, панели, рабочие процессы, люди. Вы строили хранилища данных, ставили бизнес-аналитику поверх них, создавали движки рабочих процессов и передавали тяжелую работу людям. В агентном мире это не выдерживает. Вам нужны данные, знания, оркестрация, доверие и действие, потому что каждый уровень выполняет отдельную функцию.

Видимая часть, о которой все хотят говорить, – это уровень действий – агенты. Это верхушка айсберга. Что определяет, можете ли вы когда-либо позволить агентам трогать реальные системы, – это все “скучные” вещи под водой: трубопроводы данных и чистые данные, слой знаний, который дает вам контекст, оркестрация, которая координирует динамические рабочие процессы, и модель доверия, которая решает, что должно быть разрешено в первую очередь. Когда Титаник затонул, это не была маленькая часть, которую можно было увидеть, которая его потопила; это была огромная масса льда под водой. Операционный ИИ – то же самое. Именно инфраструктура под поверхностью определяет успех или провал.

Исторически мы никогда не рассматривали оркестрацию и доверие как отдельные уровни, потому что люди делали большую часть этой работы. Оркестрация означала менеджеров и очереди тикетов; доверие означало имена пользователей и пароли. Теперь вам нужно доверять сущностям – агентам – делать вещи, и вам нужно координировать несколько агентов в реальном времени вокруг динамических данных. Это совершенно другая задача проектирования, поэтому эти уровни должны быть явными.

Уровень, который большинство людей недооценивают, – это доверие. Многие организации думают, что они справляются с доверием, потому что у них есть средства контроля доступа – кто может войти в какую систему. Но реальное доверие в агентном мире – это не “имеет ли этот пользователь доступ?” Это “является ли это конкретное действие подходящим для этого человека или этого агента в это время?” Это вопрос управления, а не вопрос контроля доступа. Если вы не делаете этот уровень явным, вы застреваете в демонстрационном режиме, потому что вы никогда не сможете спокойно доверить агентам реальную работу в производственной среде.

Итак, доверие, очевидно, является фундаментальной частью вашей стратегии ИИ. Как вы проектируете системы так, чтобы автоматические решения оставались наблюдаемыми, доступными для аудита и обратимыми, сохраняя при этом достаточную скорость, чтобы доставлять бизнес-ценность?

Вам нужно начать с нулевого доверия. Первый вопрос – не “может ли этот агент технически сделать это?” Первый вопрос – “должен ли этот агент, от имени этого человека, пытаться сделать это вообще?” Если ответ – нет, то не продолжайте.

Если ответ – да, вы переходите к ограничениям: возможности аудита, прослеживаемости и необходимости участия человека в процессе. Наша модель полагается на слой доверия, который действует немного как регулировщик трафика в начале каждого взаимодействия: кто вы, что вы делаете и почему вы это делаете? Это устраняет многие проблемы безопасности, потому что вы не позволяете агентам бежать и делать вещи, а затем надеяться, что вы заметите это после факта.

Альтернатива – выпустить агентов и затем поднять тревогу, если они сделают что-то плохое. Вы предполагаете, что можете увидеть это, выяснить, определить и остановить в реальном времени, в темпе и масштабе, в которых эти системы работают. Это очень сложная проблема, поэтому так много людей сталкиваются с трудностями – они пытаются искать злоумышленников в реальном времени вместо того, чтобы предотвратить плохие действия заранее.

На основе этого мы добавили многослойные шлюзы. Даже если агент действует от имени правильного человека, мы все равно смотрим на сессию и контент – пытаются ли они отравить модель, злоупотреблять API или совершить действие вне установленных правил? Все это завернуто в полную наблюдаемость, чтобы вы могли проверить, что произошло, и откатить, если необходимо. Это то, как вы двигаетесь быстро и все еще спите спокойно.

Многие компании успешно генерируют аналитические выводы ИИ, но борются с переводом их в действие. Какие проектные решения позволили Calix внедрить ИИ напрямую в повседневные рабочие процессы по маркетингу, операциям и поддержке клиентов?

Задолго до того, как ИИ стал звездой шоу, в Calix мы были одержимы одним вопросом: что делает аналитический вывод действительно применимым на практике для реального человека в реальной работе? С 2018 года мы работаем с сервис-провайдерами, чтобы понять, как работают разные рабочие роли – что делает маркетолог во вторник утром, что делает команда операций, когда срабатывает сигнал тревоги, что делает команда поддержки, когда абонент звонит в раздражении. Это заставило нас стать очень точными в отношении того, какие аналитические выводы имеют значение для кого, в каком контексте и что такое “хорошее действие”.

Итак, когда агентный ИИ появился, мы не начинали с нуля. У нас уже были системы реального времени, генерирующие действенные аналитические выводы, связанные с конкретными рабочими ролями и рабочими процессами. Проектный вопрос стал: учитывая другой набор инструментов и другой технологический стек, как бы вы перестроили эти же рабочие процессы в агентном мире ИИ, вместо того, чтобы пытаться изобрести все это с нуля?

Когда вы сочетаете это глубокое знание рабочих ролей с агентным ИИ, вы можете строить динамические рабочие процессы над динамическими данными. Агенты могут выяснить в реальном времени, какие шаги и какие рабочие роли должны быть вовлечены на основе того, что происходит, вместо того, чтобы заставлять вас жестко кодировать сотни жестких потоков в микросервисах. Для большинства компаний сложной проблемой сейчас является попытка принимать решения в реальном времени на основе контекста и затем проектировать правильный рабочий процесс вокруг этого. Для нас эта часть уже была на месте; мы годами получали в реальном времени практически применимые аналитические выводы с учетом конкретных рабочих ролей. Агентный ИИ – это просто новый набор инструментов поверх этой основы.

Ваше видение платформы включает взаимодействие между агентами (A2A) и федеративные системы ИИ. Как этот подход меняет способ, которым инструменты предприятия сотрудничают по сравнению с традиционными точечными интеграциями?

Если вы посмотрите на последние 20 лет, стандартный шаблон был “купить кучу инструментов SaaS и подключить их вокруг озера данных”. Каждая новая система означала еще одну точечную интеграцию, еще один трубопровод данных и еще одно место для согласования истины. В агентном мире это не масштабируется. Вы хотите, чтобы данные оставались там, где они принадлежат, и чтобы агенты разговаривали друг с другом через четко определенные интерфейсы.

Поэтому мы говорим о подключении к системе на двух уровнях: MCP на уровне знаний и A2A на уровнях оркестрации и доверия. MCP – это то, как агенты обнаруживают и используют инструменты и данные без новой настраиваемой интеграции каждый раз. A2A – это то, как агенты координируют работу друг с другом под четкими ограничениями.

Как только у вас это есть, сотрудничество перестает выглядеть как куча хрупких соединителей и начинает выглядеть как сеть специалистов, которые могут динамически объединяться вокруг реальной работы. Вот где аналогия с матрицей Эйзенхауэра приходит в игру. Не все работы одинаково важны и срочны. Часть работы действительно требует срочного выполнения, другая важна, но ее можно запланировать, третью просто нужно сделать, а четвертая — лишь шум. С агент-агентской координацией, сидящей поверх слоя доверия и оркестрации, вы можете относиться к этим категориям по-разному в масштабе: агенты могут объединять усилия для решения срочных и важных проблем, ставить в очередь или планировать важные, но не срочные, и не позволять малополезной текучке вытеснять остальную работу.

Это очень другой мир от “добавления еще одного соединителя и надеясь, что очередь опустеет”. Вы фактически видите доверенные, тщательно оркестрированные динамические рабочие процессы вокруг динамических событий и данных, вместо запутывания из одноразовых интеграций, где все кричит с одинаковым приоритетом.

Как только ИИ-агентам разрешают действовать автономно, управление быстро становится проблемой. Как вы балансируете скорость, подотчетность и человеческий надзор, когда системы ИИ принимают или выполняют решения в масштабе?

Ошибка, которую я вижу, заключается в том, что люди думают, что они могут прикрепить агентный ИИ к тому, что у них есть, и как-то попытаться “балансировать” скорость, подотчетность и человеческий надзор после факта. Вы не можете. Вам нужно начать с признания того, что это вертикальная проблема технологического стека, и намеренно строить слой доверия и слой оркестрации. Без этих двух слоев это становится беспорядком – все обслуживается в порядке поступления либо приоритет получает тот, кто громче кричит.

Снова это матрица Эйзенхауэра: не все работы созданы равными. Доверие и оркестрация – это то, как вы операционализируете это в агентном мире. Вы не хотите, чтобы каждый агент относился к каждой задаче как к пожарной тревоге; вы хотите, чтобы система знала, что действительно критически важно, что можно запланировать и что должно быть тихо обработано на заднем плане.

И затем есть принцип “узкий фокус вместо широкого охвата”. Большинство компаний ошибочно полагают, что большее влияние от ИИ означает оставаться широким. Гораздо лучше выбрать узкий вертикальный срез – один конкретный случай использования, один набор рабочих процессов – и построите доверие и оркестрацию, необходимые там сначала. Сузьте отраслевой фокус, добейтесь правильной работы, сохраните участие людей в пограничных ситуациях и только затем расширяйте охват. Это то, как вы двигаетесь быстро, остаетесь подотчетными и избегаете создания беспорядка, который вы не можете разобрать позже.

Из вашего опыта руководства крупными глобальными командами по продуктам и инженерии, какие организационные или культурные сдвиги необходимы для того, чтобы ИИ стал устойчивой корпоративной возможностью, а не коллекцией несвязанных пилотов?

Большинство предприятий не имеют “проблемы ИИ”; у них есть проблема знаний и рабочих процессов. Первый сдвиг – перестать играть с точечными решениями и перейти от хранилищ данных к федеративному хранилищу знаний, которое доступно всем и позволяет действовать на основе этих знаний. Пока знания живут в изоляции, а ИИ – это вишенка на вершине каждой изоляции, вы получите пилоты, а не трансформацию.

Оттуда вам нужно быть готовым решать более сложные проблемы в определенном порядке. Шаг один – отделить шум от реальности и принять то, что работает, а не то, что громче в вашей ленте. Шаг два – перестроить слой знаний, чтобы вы могли превратить данные в общий, федеративный контекст, а не еще один отчет, похороненный в системе. Шаг три – переосмыслить рабочие процессы вокруг этого знания и реального слоя доверия – большинство работы сегодня организована вокруг людей, навыков и локальных изолированных хранилищ знаний. Если вы не измените это, агенты будут просто еще одним инструментом, орбитирующим вокруг тех же старых узких мест.

Только тогда вы получаете культурный сдвиг, который часто является самым сложным. Вам нужна культура, в которой люди не в первую очередь обеспокоены потерей работы, инструментов или идентичности, а действительно рады работать с новыми возможностями. Это проблема управления изменениями, а не технологическая проблема. Это выглядит как настоящее распределенное лидерство: люди на переднем крае понимают рабочие процессы, чувствуют себя в безопасности, называя трение, и рады поставить агентов на работу над этим.

Выглядывая за пределы широкополосного доступа и телекома, какие отрасли, по вашему мнению, лучше всего подготовлены к принятию операционного, агентно-ориентированного ИИ дальше, и какие условия делают их готовыми?

Я не думаю об этом как о выборе победителей по отраслям; я думаю о шаблонах. Почти каждая вертикаль имеет одну и ту же основную проблему: они построили данные в изоляции и функциональные изоляции вместо одного взгляда на три жизненных цикла – клиента, сотрудника и продукта. Те, кто готов, – это те, кто готов увидеть это, признать, что у них нет реального слоя знаний, и исправить это.

Оттуда условия выглядят довольно похожими, независимо от того, находитесь ли вы в здравоохранении, финтехе, рознице или критической инфраструктуре. Нужны сложные рабочие процессы, в которых люди работают на пределе возможностей, реальные точки трения, которые можно назвать, и достаточно высококачественных данных, чтобы дать агентам контекст. Если вы можете отобразить текущие рабочие процессы, увидеть, где работа замедляется или накапливается, понять, какие передачи создают задержки, и затем поддержать эту основу федеративным хранилищем знаний, агентный ИИ становится невероятным набором инструментов.

В этом мире “готовность отрасли” сводится к лидерству. Готовы ли лидеры компании выйти за пределы маркетинговых инструментов и тонких горизонтальных панелей и вместо этого инвестировать в вертикальный технологический стек – превращать данные в знания, федерализировать эти знания, устанавливать рамки оркестрации и доверия и иметь честные разговоры о том, где реальный ROI? Любая компания в любой отрасли, которая делает эту работу, хорошо подготовлена для операционного, агентно-ориентированного ИИ; те, кто не делает этого, застрянут, добавляя еще один инструмент в уже шумную кучу.

Когда корпоративный ИИ развивается в сторону многоагентных и многооблачных сред, как будет выглядеть хорошая архитектура ИИ через пять лет, и каких принципов руководителям следует придерживаться сегодня, чтобы избежать перестройки своих систем позже?

Через пять лет интересная часть ИИ не будет заключаться в отдельных агентах или моделях; это будут агентные рабочие процессы, которые они позволяют, и бизнес-ценность, которую эти рабочие процессы доставляют. Агенты сами будут приходить и уходить. Слои под ними – данные, знания, оркестрация, доверие и действие – будут продолжать развиваться, но необходимость в них не исчезнет.

Поэтому я больше сосредоточен на архитектуре, чем на конкретных инструментах. Мы переходим от хранилищ данных к федеративным хранилищам знаний, от хрупких точечных интеграций к открытым, многослойным стекам. В этом мире вы будете иметь агентов, работающих в разных облаках, касающихся разных источников знаний и координирующих работу через четко определенные интерфейсы – MCP на уровне знаний и протоколы агент-агент на уровнях оркестрации и доверия. По мере улучшения технологии вы хотите иметь возможность заменять компоненты этих слоев более совершенными без перестройки всего каждый раз.

Итак, принципы для лидеров просты. Не стройте монолитные системы. Проектируйте для слоев, чтобы данные, знания, оркестрация, доверие и действие могли каждое эволюционировать независимо. Проектируйте для потоков, а не функций, чтобы понимать, какие рабочие процессы важны и что означает хороший результат в жизненных циклах клиента, сотрудника и продукта. И проектируйте для управления на уровне агента: предполагайте нулевое доверие по умолчанию, определите четкие “карты агентов” и используйте оркестрацию, чтобы решить, что срочное, что важно и что просто нужно сделать. Если вы это сделаете, вы сможете позволить технологии меняться – как это всегда делает – без постоянного беспокойства о перестройке.

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

Антуан — дальновидный лидер и партнёр-основатель Unite.AI, движимый неизменной страстью к формированию и продвижению будущего ИИ и робототехники. Как предприниматель, основавший несколько компаний, он верит, что ИИ изменит общество столь же радикально, как электричество, и часто с воодушевлением говорит о потенциале прорывных технологий и общего искусственного интеллекта (AGI).

Как футуролог, он стремится исследовать, как эти инновации будут формировать наш мир. Кроме того, он основатель Securities.io — платформы, посвящённой инвестициям в передовые технологии, которые переопределяют будущее и преобразуют целые отрасли.