อาลอน ไอเรว์ CTO (AI) ของ MCE Systems – สัมภาษณ์ซีรีส์

อาลอน ไอเรว์ CTO (AI) ของ MCE Systems เป็นผู้นำด้านกลยุทธ์ AI และเทคโนโลยีของบริษัท โดยครอบคลุมถึงสถาปัตยกรรม การพัฒนาแบบจำลอง ระบบโครงสร้างพื้นฐาน การบูรณาการผลิตภัณฑ์ และการนำ AI ไปใช้ในปฏิบัติการภายในองค์กรอย่างกว้างขวาง ก่อนหน้านี้เขา曾ใช้เวลามากกว่า 9 ปีที่ Intel (INTC ) โดยเริ่มต้นจากวิศวกรซอฟต์แวร์ระดับอาวุโสและสถาปนิกซอฟต์แวร์ ไปจนถึงนักวิจัยอาวุโสด้านการประมวลผลภาษาธรรมชาติ (NLP) ซึ่งเขาทำการวิจัยเกี่ยวกับการดึงข้อมูลความรู้ได้รับเงินทุนสำหรับโครงการหลายปี ตีพิมพ์บทความในวิชาการที่สำคัญๆ และเป็นผู้ให้คำปรึกษาแก่สตาร์ทอัพผ่าน Intel Ignite ในช่วงแรกของอาชีพการงาน ไอเรว์ช่วยพัฒนเทคโนโลยีช่วยเหลือส่วนบุคคลที่ Telmap ซึ่งต่อมาเป็นส่วนหนึ่งของ Intel และเขาได้ให้คำปรึกษาแก่บริษัท AI ในช่วงต้นๆ ในขณะที่สอนวิชาวิทยาการคอมพิวเตอร์ การเขียนโปรแกรมเชิงวัตถุ การทำเหมืองข้อมูล และการค้นหาข้อมูลในหลายๆ มหาวิทยาลัยในอิสราเอล

MCE Systems พัฒนาประสบการณ์ AI ที่เป็นมิตรสำหรับผู้ให้บริการโทรคมนาคม โดยเชื่อมต่อระบบที่มีอยู่ข้อมูลแบบเรียลไทม์ และการทำงานอัตโนมัติเพื่อสนับสนุนการโต้ตอบกับลูกค้าผ่านหลายจุดสัมผัส ก่อตั้งขึ้นในปี 2005 บริษัทได้สร้างธุรกิจโดยรอบการบริหารจัดการชีวิตวงจรอุปกรณ์ดิจิทัล โดยมีเทคโนโลยีที่ครอบคลุมการวินิจฉัยอุปกรณ์และการดูแล การแลกเปลี่ยนโปรแกรม การจัดอันดับอุปกรณ์ระยะไกล และการคืนอุปกรณ์ MCE กำลังใช้ AI ที่สร้างและตัวแทนมากขึ้นในกระบวนการเหล่านี้ โดยช่วยให้ผู้ให้บริการตรวจพบปัญหาเกี่ยวกับอุปกรณ์ ช่วยลูกค้าแก้ไขปัญหาที่อาจเกิดขึ้น และประสานงานการเดินทางบริการที่ซับซ้อนมากขึ้นผ่านช่องทางดิจิทัลและช่วยเหลือ

คุณใช้เวลาเกือบทศวรรษที่ Intel โดยทำงานเกี่ยวกับ NLP การดึงข้อมูลความรู้ การค้นหาข้อมูล และแม้แต่เทคโนโลยีช่วยเหลือส่วนบุคคลในยุคแรกๆ ที่มาจาก Telmap ก่อนที่จะกลายเป็นส่วนหนึ่งของ Intel เมื่อมองย้อนกลับไป อะไรคือความคิดที่ชัดเจนว่าอยู่ห่างหนึ่งจากสมัยของมัน และสมมติฐานใดที่อุตสาหกรรมได้ทำผิดพลาดอย่างสิ้นเชิง?

ความคิดหนึ่งที่ชัดเจนว่าอยู่ห่างหนึ่งจากสมัยของมันคือช่วยเหลือส่วนบุคคลที่เราทำงานก่อนยุค LLM ระบบเหล่านี้เข้าใจเจตนารมณ์ เชื่อมต่อเนื้อหาและช่วยให้ผู้ใช้บรรลุเป้าหมายตามธรรมชาติ ระบบเหล่านี้มีความทะเยอทะยานเช่นเดียวกับเอเจนต์ในปัจจุบัน แต่สิ่งที่แตกต่างคือแนวทางที่ใช้: แทนที่จะใช้โมเดลภาษา เราใช้การผสมผสานระหว่างการเรียนรู้ของเครื่องและอัลกอริทึมเพื่ออนุมานเจตนารมณ์ของผู้ใช้ วิธีนี้แม้จะยากต่อการนำไปใช้ในระดับใหญ่เมื่อพิจารณาจากวิธีการแสดงคำขอของลูกค้าในหลายๆ รูปแบบ

ลองนึกภาพว่าคุณจ้างตัวแทนบริการเพื่อจัดการกับคำถามของลูกค้าหลายพันคน แต่ตัวแทนสามารถจัดการคำถามได้เฉพาะที่มีโครงสร้างประโยคที่เฉพาะเจาะจงเท่านั้น คุณสามารถจินตนาการได้ว่ามันจะครอบคลุมเฉพาะกรณีการใช้งานที่จำกัดและยากต่อการจัดการปัญหาหลายๆ ของลูกค้า LLMs ได้เปลี่ยนแปลงทุกอย่างไปแล้ว ปัญหาในการเข้าใจเจตนารมณ์ของผู้ใช้ได้รับการแก้ไขไปแล้ว ดังนั้นในอุปมานี้ ตัวแทนสามารถพูดได้กับลูกค้าหลายล้านคน

ในขณะที่ฉันไม่กล่าวว่าอุตสาหกรรมได้ทำอะไรผิดพลาด ฉันเชื่อว่าหลายคนมองข้ามความสำคัญของโมเดลภาษา เมื่อโมเดลภาษาแรกๆ เช่น ELMo, BERT และ RoBERTa ถูกนำมาใช้ มีเพียงไม่กี่คนที่เข้าใจถึงความสำคัญของการเปลี่ยนแปลงที่กำลังจะเกิดขึ้น โมเดลเหล่านี้เป็นพื้นฐานของ LLMs ที่เราใช้ทุกวันนี้ ซึ่งเราแทบจะไม่สามารถจินตนาการถึงชีวิตโดยไม่มีมัน

บริษัทส่วนใหญ่เห็นโมเดลเหล่านี้เป็นส่วนประกอบที่มีประโยชน์ในแอปพลิเคชันที่แคบ ไม่ใช่ฐานสำหรับพาราได้มใหม่ของการประมวลผล ในย้อนกลับไป มีหลายบริษัทที่พลาดโอกาสในการตั้งตนเป็นผู้นำ AI

ในช่วงอาชีพการวิจัยของคุณ คุณมุ่งเน้นไปที่การดึงข้อมูลความรู้จากเอกสารหลายฉบับและการทำความเข้าใจเหตุการณ์ ในขณะที่องค์กรต่างๆ มีความพึ่งพา LLMs มากขึ้น คุณเชื่อว่าการดึงข้อมูลความรู้แบบมีโครงสร้างยังคงเป็นความท้าทายที่สำคัญอย่างไร?

LLMs เป็นเครื่องมือที่ทรงพลังสำหรับการแก้ไขหัวข้อต่างๆ แต่แอปพลิเคชันขององค์กรและผู้ใช้สิ้นสุดต้องการความเชี่ยวชาญในการแก้ไขปัญหาเฉพาะ ซึ่งต้องใช้การเข้าถึงความรู้ นี่คือความรู้ที่เป็นขององค์กรและไม่ใช่ข้อมูลการฝึกอบรมของโมเดล ดังนั้นการนำ LLM ไปใช้ในองค์กรจึงหมายถึงการรวบรวมความเข้าใจข้ามจุดข้อมูลภายในหลายล้านจุด LLMs ในปัจจุบันยังคงดิ้นรนในการทำเช่นนี้เนื่องจากข้อจำกัดทางเทคนิคและความเข้าถึง ทำให้ขาดความเข้าใจที่สำคัญและจำกัดผลกระทบ

ที่ MCE ตัวอย่างเช่น เราให้บริการ AI ตัวแทนสำหรับการดูแลลูกค้า วัตถุประสงค์หนึ่งคือช่วยให้ผู้ให้บริการโทรคมนาคมสามารถช่วยลูกค้าแก้ไขปัญหาเกี่ยวกับอุปกรณ์มือถือโดยไม่ต้องมีการแทรกแซงจากมนุษย์ หากไม่มีการให้ข้อมูลทางเทคนิคที่เกี่ยวข้องแก่ตัวแทน AI ตัวแทน AI จะทำได้เพียงให้ผลลัพธ์ทั่วไปที่ไม่เกี่ยวข้องกับปัญหาและบังคับให้ลูกค้าต้องหาความช่วยเหลือจากมนุษย์ นี่คือปัญหาการดึงข้อมูลความรู้ที่เราต้อง克服เพื่อนำ AI ไปใช้กับลูกค้าของเรา และเป็นจุดที่หลายองค์กรล้มเหลวในการได้รับผลลัพธ์ที่ต้องการ

การวิจัยของฉันเองได้สำรวจความสัมพันธ์ระหว่าง “เหตุการณ์” ซึ่งเป็นคำที่ใช้ในสาขา AI เพื่อกำหนดความสัมพันธ์เชิงสาเหตุและช่วงเวลาในการแสดงข้อมูลใดๆ เราใช้แนวคิดนี้ที่ MCE ในโซลูชัน AI สำหรับการโต้ตอบกับมนุษย์ โดยสร้างความเข้าใจเชิงโครงสร้างที่ช่วยให้ LLMs สามารถสรุป แสดง และค้นหาความรู้ได้ดีขึ้นเพื่อแก้ไขปัญหา củaลูกค้า

คุณได้ตีพิมพ์ผลงานวิจัยในงานประชุม NLP ชั้นนำ รวมถึง ACL, EMNLP และ NAACL มีผลงานใดที่มีผลกระทบมากที่สุดในช่วง 5 ปีที่ผ่านมา และความก้าวหน้าใดที่มีการ宣扬มากเกินไป?

มีหลายผลงานที่น่าสนใจและเกิดขึ้นตามลำดับเมื่อ LLMs พัฒนา

ประการแรกคือการปรับแต่งคำแนะนำและวิศวกรรมคำแนะนำ ซึ่งเป็นขั้นตอนที่ต้องแก้ไขก่อนที่จะไปถึงการนำไปใช้จริง เราทุกคนเคยอยู่ในสถานการณ์ที่ถาม LLM เกี่ยวกับบางสิ่งและได้รับคำตอบที่ไม่ตรงประเด็น ดังนั้นการค้นหาวิธีให้โมเดลเข้าใจคำแนะนำและให้ผลลัพธ์ที่ถูกต้องจึงเป็นขั้นตอนสำคัญ

ต่อจากนั้น การพัฒนาเอเจนต์ที่ต้องใช้ LLMs เพื่อไปไกลกว่าแค่การทำงานตามคำแนะนำและสามารถวางแผน ทำงานร่วมกับผู้ใช้ ใช้เครื่องมือ จดจำ และเข้าถึงความรู้ นี่เป็นสิ่งจำเป็นต่อการนำไปใช้จริงในปัจจุบัน

ความก้าวหน้าที่ยังต้องแก้ไขคือการแก้ไขปัญหาการหลอกลวง ซึ่งเริ่มมีผลงานแล้ว แต่ยังต้องมีการพัฒนาเพิ่มเติม จนถึงตอนนี้เราสามารถพึ่งพา LLMs ได้มากกว่าเดิม แต่ยังคงต้องการการดูแลและรักษาความปลอดภัย

สิ่งที่มีการ宣扬มากเกินไปคือระดับของความเป็นอิสระที่คนอ้างว่าเอเจนต์ควรจะมี ระบบอัตโนมัติที่ทำงานโดยไม่มีการดูแลของมนุษย์ในสภาพแวดล้อมทางธุรกิจที่ซับซ้อนยังไม่น่าเชื่อถือในมุมมองของฉัน สิ่งที่ฉันพบว่ามีประสิทธิภาพมากกว่าคือการออกแบบ AI เพื่อทำงานที่มีคุณค่าสูง เพิ่มความไม่แน่นอน และอธิบายเหตุผลโดยไม่สูญเสียการควบคุมของมนุษย์ นั่นคือที่ที่ AI จะสร้างคุณค่าจริงในระยะสั้น

คุณได้ทำงานในหลายบทบาทตั้งแต่นักวิจัย สถาปนิกซอฟต์แวร์ ผู้นำด้านวิศวกรรม ผู้ให้คำปรึกษาแก่สตาร์ทอัพ และอาจารย์ และตอนนี้คือ CTO (AI) ของ MCE Systems การ 定義ความสำเร็จของ AI ของคุณเปลี่ยนแปลงไปอย่างไรตลอดระยะเวลาการทำงาน?

ตลอดอาชีพการงาน ฉันได้เรียนรู้ว่าความสำเร็จของ AI ยังคงพัฒนาและค่านิยมหลักเปลี่ยนแปลงไปตามสาขาต่างๆ การวิจัยเชิงใช้งานและการออกแบบสอนให้ฉันเข้าใจถึงความสำคัญของการทำงานภายใต้ข้อจำกัดของโลกแห่งความเป็นจริง การวิจัยเชิงวิชาการเน้นย้ำถึงความสำคัญของความเข้มงวดและการประเมิน การเป็นผู้นำด้านวิศวกรรมแสดงให้เห็นว่าการดำเนินการและการมีวินัยในการปฏิบัติงานมีความสำคัญไม่แพ้กับการสร้างโมเดลเอง การให้คำปรึกษาแก่สตาร์ทอัพสอนให้ฉันเห็นถึงความสำคัญของการสร้างผลกระทบเมื่อ AI ช่วยแก้ไขปัญหาและช่วยให้เข้าถึงการนำไปใช้จริง

วันนี้ในฐานะหัวหน้า AI ที่ MCE ฉันกำหนดความสำเร็จว่าเป็น AI ที่สร้างคุณค่าและได้รับความไว้วางใจจากผู้ใช้สิ้นสุด AI ต้องปรับปรุงผลลัพธ์สำหรับลูกค้า พนักงาน และธุรกิจ ต้องเชื่อถือได้เพียงพอสำหรับการผลิต มีความโปร่งใสเพียงพอที่จะถูกควบคุม และมีประโยชน์มากพอที่จะถูกนำมาใช้ ในแง่นี้ ความสำเร็จของฉันเปลี่ยนแปลงจาก “เทคโนโลยีทำงานหรือไม่” เป็น “มันสร้างคุณค่าอย่างรับผิดชอบ ต่อเนื่อง และในระดับที่กว้างขวาง”

นี่คือการเปลี่ยนแปลงที่เราทำที่ MCE ซึ่งเริ่มต้นเมื่อ 2 ปีที่แล้วและนำเราไปสู่จุดที่เราอยู่ทุกวันนี้ ค่านิยมหลังเป็นวิธีที่เราเข้าใจ AI สำหรับการใช้งานภายในและสำหรับลูกค้าของเราในอุตสาหกรรมโทรคมนาคม

MCE Systems กำลังใช้ AI สำหรับการดูแลลูกค้า การตลาด และประสบการณ์ของลูกค้าในอุตสาหกรรมโทรคมนาคม คุณคิดว่ากรณีการใช้งาน AI ที่น่าสนใจที่สุดกำลังเกิดขึ้นในอุตสาหกรรมโทรคมนาคมคืออะไร?

ผู้ให้บริการโทรคมนาคมหรือที่เรียกว่า “ผู้ให้บริการ” ต้องเผชิญกับปัญหาในการที่ราคาคือปัจจัยหลักในการดึงดูดลูกค้าใหม่หรือรักษาลูกค้าเดิม แต่นี่ไม่ใช่วิธีการที่ยั่งยืน หากคุณดูยักษ์ใหญ่ในอุตสาหกรรมสินค้าหรือบริการผู้บริโภค เช่น Apple (AAPL ) Amazon (AMZN ) หรือ Netflix (NFLX ) พวกเขาสร้างผลิตภัณฑ์ที่ดีและประสบการณ์โดยรอบมัน ซึ่งเห็นได้ชัดในอุตสาหกรรมการเงิน гдеธนาคารถูกบังคับให้เปลี่ยนแปลงจากการจัดหาสินค้าและบริการให้กับลูกค้าไปสู่การให้บริการดิจิทัลที่สมบูรณ์แบบ

วิสัยทัศน์ของเราคือการเพิ่มคุณค่าให้กับลูกค้าของผู้ให้บริการโทรคมนาคมด้วยประสบการณ์ที่ดีกว่าบนผลิตภัณฑ์การเชื่อมต่อที่ยอดเยี่ยมที่พวกเขาให้บริการแล้ว ซึ่งหมายถึงการเป็นคน pro-active และสื่อสารกับลูกค้าเกี่ยวกับประสบการณ์การใช้งานเครือข่ายและอุปกรณ์ของพวกเขา และสำหรับเรา AI คือสิ่งที่ทำให้พวกเขาสามารถทำได้ดี

ในอุตสาหกรรม ผู้ให้บริการโทรคมนาคมมักใช้ AI เป็นเครื่องมือป้องกันเพื่อลดต้นทุนแรงงานของศูนย์บริการลูกค้าหรือเพิ่มประสิทธิภาพการทำงานของพนักงาน แต่สำหรับเรา AI เป็นเครื่องมือรุกในการให้บริการลูกค้าและให้บริการส่วนบุคคลบนอุปกรณ์มือถือของลูกค้า

ตัวอย่างเช่น การตรวจพบปัญหาเกี่ยวกับอุปกรณ์หรือการเชื่อมต่อและช่วยให้ลูกค้าแก้ไขปัญหาเหล่านั้นก่อนที่พวกเขาจะรู้ตัว การให้บริการที่มีคุณภาพสูงและสร้างความภักดีของลูกค้า การใช้สัญญาณจากทรัพย์สินเครือข่าย CRM และข้อมูลอุปกรณ์เพื่อคาดการณ์การเปลี่ยนผู้ให้บริการและดำเนินการตามนั้นอย่างรวดเร็วอาจเป็นกรณีการใช้งาน AI ที่ทรงพลังที่สุด ผู้ให้บริการโทรคมนาคมที่ทำสิ่งนี้ได้ดีจะมีข้อได้เปรียบอย่างมีนัยสำคัญ

มีการพูดถึงการเป็น “AI-เนทีฟ” หรือ “พร้อม AI” มากขึ้น MCE กำลังเข้าใกล้พาราได้มใหม่นี้อย่างไร และคุณคิดว่าจุดสำคัญที่องค์กรต่างๆ พลาดไปในกระบวนการเปลี่ยนแปลงนี้คืออะไร?

หลายๆ องค์กรพลาดที่จะเห็นว่าการเปลี่ยนแปลงสู่ AI ไม่ใช่แค่การนำเทคโนโลยีมาใช้ แต่ยังเป็นการเปลี่ยนแปลงวิธีการทำงานด้วย โอกาสที่ดีที่สุดคือที่ที่การนำ AI มาใช้รู้สึกเป็นธรรมชาติ: วิธีการทำงานมีอยู่แล้ว ปัญหาก็ชัดเจน และ AI สามารถปรับปรุงความเร็ว คุณภาพ หรือการตัดสินใจได้อย่างชัดเจน MCE เข้าใกล้พาราได้มใหม่นี้ด้วยแนวคิดบางประการ

เริ่มต้นด้วยการประเมินความตั้งใจและความสามารถของเครื่องมือ AI และการนำ AI มาใช้ในรูปแบบที่เพิ่มผลผลิตของพนักงาน เราเริ่มต้นด้วยการถามว่าเราจะศึกษาทีมของเราอย่างไร วิธีการกำหนดแนวทางการใช้งานที่ชัดเจน และเชื่อมต่อระบบภายในกับ AI ที่สามารถสร้างผลกระทบได้จริงๆ ในแต่ละวัน

หลังจากประเมินฐานเครื่องมือของเราแล้ว เราก็หาวิธีเพิ่มประสิทธิภาพการทำงานอัตโนมัติและระบุจุดที่เอเจนต์สามารถลดงานที่ต้องทำด้วยมือได้ตามธรรมชาติ เราพบว่าสามารถลดเวลาในการพัฒนาลงได้อย่างมาก ในตัวอย่างหนึ่ง แอปพลิเคชันที่มีหน้าที่การทำงานสูงสามารถสร้างได้ภายในสองสามวันเมื่อก่อนหน้านี้ต้องใช้สองสามสัปดาห์

สิ่งที่มักถูกมองข้ามสำหรับการเพิ่มผลผลิตภายในคือการทำให้ข้อมูลภายในมีความเข้าถึงได้ดีขึ้น เราทำงานและยังคงทำงานเพื่อใช้ข้อมูลภายในของเราให้ดีขึ้น เพื่อให้ทั้งมนุษย์และ AI สามารถตัดสินใจได้ดีขึ้น ซึ่งรวมถึงการทำความเข้าใจความต้องการของลูกค้า การปรับปรุงการดำเนินงาน และการสร้างผลิตภัณฑ์ที่เรียนรู้จากประสบการณ์ในอดีต ยังคงเป็นกระบวนการที่ต้องวิเคราะห์และประเมินอย่างต่อเนื่องว่าสิ่งไหนที่ได้ผลและสิ่งไหนที่ไม่ได้ผล

หลายองค์กรกำลังแข่งขันกันเพื่อนำ AI ไปใช้ คุณได้เรียนรู้อะไรเกี่ยวกับจุดที่ AI อิสระสามารถสร้างคุณค่าได้จริงๆ และจุดที่การดูแลของมนุษย์ยังคงจำเป็น?

ไม่ควรเริ่มต้นด้วยการกำหนดระดับการอัตโนมัติที่ต้องการ แต่ควรเริ่มต้นด้วยการระบุกระบวนการที่เอเจนต์สามารถสร้างคุณค่าได้ หารกระบวนการเหล่านั้นออกเป็นส่วนเล็กๆ และถามว่าส่วนไหนสามารถอัตโนมัติได้เต็มที่ ส่วนไหนต้องอัตโนมัติครึ่งๆ และจุดที่ต้องการการตัดสินใจของมนุษย์

ในทางปฏิบัติ เราพบว่าเอเจนต์สร้างคุณค่ามากที่สุดเมื่อใช้ในงานที่กำหนดไว้อย่างชัดเจน ซึ่งรวมถึงการรวบรวมข้อมูล การวิเคราะห์ข้อมูล การสร้างคำแนะนำ และการเตรียมผลลัพธ์สำหรับขั้นตอนต่อไป การอัตโนมัติที่ถูกต้องในงานที่ง่ายพอที่จะทำงานได้ดีกว่าการพยายามอัตโนมัติกระบวนการที่ซับซ้อน

จุดที่มนุษย์ยังคงจำเป็นคือการดูแล การจัดการข้อยกเว้น การตัดสินใจที่ต้องใช้ความเห็นอกเห็นใจ และโดยทั่วไปในสถานการณ์ที่ความรับผิดชอบมีความสำคัญ เป้าหมายไม่ใช่การแทนที่การตัดสินใจของมนุษย์ แต่ให้เอเจนต์จัดการส่วนที่สามารถสร้างคุณค่าได้อย่างน่าเชื่อถือ ในขณะที่ให้คนจัดการการตัดสินใจที่ต้องการความรับผิดชอบ

MCE ได้พูดถึงการใช้ AI เพื่อเพิ่มประสบการณ์อุปกรณ์ที่เป็นส่วนบุคคลและปรับปรุงประสิทธิภาพการทำงานสำหรับผู้ให้บริการโทรคมนาคม คุณสร้างสมดุลระหว่างการให้บริการส่วนบุคคลกับความกังวลที่เพิ่มขึ้นเกี่ยวกับความเป็นส่วนตัว ความโปร่งใส และความไว้วางใจของผู้ใช้อย่างไร?

เนื่องจาก AI มีลักษณะเหมือนมนุษย์ ผู้ใช้จึงมีปฏิสัมพันธ์กับมันในลักษณะที่อาจเปิดเผยข้อมูลมากกว่าที่พวกเขาตั้งใจไว้ ซึ่งทำให้องค์กรต้องรับผิดชอบในการดูแลและโปร่งใสเกี่ยวกับข้อมูลที่รวบรวม ตัวอย่างเช่น เมื่อลูกค้าส่งภาพหน้าจอเป็นส่วนหนึ่งของกระบวนการแก้ไขปัญหา องค์กรต้องใช้มาตรการป้องกันเพื่อลบข้อมูลส่วนบุคคลที่ไม่จำเป็นออกจากภาพ

ในมุมมองของฉัน ข้อมูลใดๆ ที่เรารวบรวมควรใช้เพื่อประโยชน์ของลูกค้าเท่านั้น และควรรวบรวมเฉพาะเมื่อจำเป็นต่อการแก้ไขปัญหาหรือการให้บริการส่วนบุคคลเท่านั้น ในขณะเดียวกัน ข้อมูลควรจัดการในลักษณะที่รักษาความเป็นส่วนตัว โดยหลีกเลี่ยงการเชื่อมโยงกับอัตลักษณ์จริงของลูกค้า

ในอีกทางหนึ่ง การโต้ตอบกับลูกค้าเองก็มีความสำคัญ การตั้งค่าการป้องกันเพื่อรักษาความเหมาะสมและรักษาเสียงของแบรนด์เป็นสิ่งสำคัญเพื่อหลีกเลี่ยงการละเมิดหรือประสบการณ์ที่ไม่ดีของลูกค้า

คุณได้สอนวิชาต่างๆ ตั้งแต่พื้นฐานวิทยาการคอมพิวเตอร์ไปจนถึงการค้นหาข้อมูลและการทำเหมืองข้อมูล หากคุณกำลังออกแบบหลักสูตร AI สำหรับนักเรียนที่กำลังเข้าสู่โลกการทำงาน คุณจะจัดลำดับความสำคัญหัวข้อใดและลบหัวข้อที่ล้าสมัยออกไป?

หลักสูตรจำเป็นต้องเปลี่ยนแปลงในสองด้าน หัวข้อที่เคยจำกัดอยู่ในระดับบัณฑิตศึกษา เช่น โครงข่ายประสาทเทียม ตัวแปลง และโมเดลภาษาขนาดใหญ่ จำเป็นต้องกลายเป็นหัวข้อหลักในระดับอุดมศึกษา นักเรียนที่เข้าสู่โลกการทำงานจำเป็นต้องเข้าใจว่าระบบเหล่านี้ทำงานอย่างไรและวิธีการประเมินมันอย่างมีวิจารณญาณ

นักเรียนยังต้องเรียนรู้วิธีการใช้ AI อย่างมีความรับผิดชอบเป็นเครื่องมือในการเรียนรู้และการวิจัย ซึ่งหมายถึงการซักถามผลลัพธ์ ตรวจสอบแหล่งที่มา และเข้าใจข้อจำกัด และพิจารณา AI เป็นคู่คิดมากกว่าทางลัดในการทำการบ้าน

สิ่งที่ฉันไม่ลบออกคือคณิตศาสตร์และพื้นฐานอัลกอริทึม ฉันจะลดการมอบหมายที่ให้รางวัลแก่การนำไปใช้โดยไม่ต้องมีการคิดอย่างมีวิจารณญาณ การเน้นย้ำจะเปลี่ยนไปสู่การกำหนดปัญหา การประเมิน การออกแบบระบบ และการใช้ AI อย่างมีความรับผิดชอบ

ในฐานะผู้ให้คำปรึกษาแก่สตาร์ทอัพหลายแห่งเกี่ยวกับกลยุทธ์ AI คุณพบว่าผู้ก่อตั้งทำผิดพลาดที่พบบ่อยที่สุดเมื่อสร้างผลิตภัณฑ์ AI คืออะไร และอะไรคือสิ่งที่ทำให้บริษัทต่างๆ สามารถเปลี่ยนจากต้นแบบไปสู่การผลิตได้สำเร็จ?

ข้อผิดพลาดที่พบบ่อยที่สุดคือการหลงรักเทคโนโลยีก่อนที่จะเข้าใจปัญหา ลูกค้า หรือเส้นทางการนำไปใช้ สิ่งที่ใกล้เคียงกันคือการไม่เข้าใจข้อจำกัดของ AI เพียงพอ ดังนั้นจึงบังคับให้ AI ไปใช้ในกรณีการใช้งานที่ยังไม่เต็มที่

สิ่งที่ทำให้ผู้ก่อตั้งประสบความสำเร็จในการผลิตคือความเชี่ยวชาญด้านโดเมนและทัศนคติในการวิจัย ผลิตภัณฑ์ AI ที่ดีที่สุดมาจากผู้ก่อตั้งที่เข้าใจแนวตั้งเฉพาะเจาะจงและระบุช่องว่างทางเทคโนโลยีที่แท้จริง พวกเขาจะไม่เริ่มต้นด้วย “เราสามารถทำอะไรได้บ้างด้วย AI” แต่ด้วย “นี่คือปัญหา และนี่คือเหตุผลที่ AI สามารถแก้ไขได้อย่างยั่งยืน”

นอกจากนี้ ผู้ก่อตั้งที่ประสบความสำเร็จยังคงเรียนรู้จากลูกค้า ผู้แข่งขัน ผู้ให้คำปรึกษา และความพยายามที่ล้มเหลว พวกเขาศึกษาว่าการตัดสินใจเกิดขึ้นอย่างไร งบประมาณเคลื่อนไหวอย่างไร และอะไรสร้างความไว้วางใจสำหรับกลุ่มเป้าหมายของพวกเขา ในท้ายที่สุด พวกเขากำลังสร้างบางสิ่งที่ต้องอยู่รอดในโลกแห่งความเป็นจริง ไม่ใช่เพียงสร้างเพื่อสร้าง

เมื่อมองไปข้างหน้า 5 ปี คุณคิดว่าผลกระทบที่ยิ่งใหญ่ที่สุดของ AI จะมาจากโมเดลพื้นฐานที่ทรงพลังมากขึ้น ระบบอัตโนมัติ AI แบบหลายรูปแบบ AI บนอุปกรณ์ หรือแนวโน้มที่อุตสาหกรรมกำลังให้ความสนใจไม่เพียงพอ?

ผลกระทบที่ยิ่งใหญ่ที่สุดจะไม่มาจากความก้าวหน้าของโมเดลพื้นฐานเพียงอย่างเดียว แต่จากวิธีที่โมเดลเหล่านี้ถูกฝังอยู่ในระบบที่สามารถสังเกตและดำเนินการในกระบวนการทำงานจริงในขณะเดียวกันก็ปรับปรุงระบบเหล่านั้น การเปลี่ยนแปลงจากโมเดลที่ทรงพลังไปสู่ระบบที่สามารถใช้งานได้คือที่ที่ฉันคาดหวังว่าจะมีการพัฒนาที่มี意义มากที่สุดในระยะสั้น

สิ่งนี้จะกลายเป็นแข็งแกร่งมากขึ้นเมื่อระบบกลายเป็นแบบหลายรูปแบบและสามารถให้เหตุผลเกี่ยวกับข้อความ เสียง ภาพ วิดีโอ และสัญญาณเชิงบริบทของโลกแห่งความเป็นจริงได้อย่างใกล้เคียงกับการทำความเข้าใจของมนุษย์ นี่จะเปิดโอกาสใหม่ๆ ในการสนับสนุนลูกค้า การดูแลสุขภาพ การผลิต ฯลฯ

เทคโนโลยีที่น่าสนใจอีกอย่างหนึ่งที่ฉันเชื่อว่าจะกลายเป็นนวัตกรรมคือเอเจนต์ที่โต้ตอบกับโลกแห่งความเป็นจริง บริษัทอย่าง Boston Dynamics แสดงให้เห็นถึงศิลปะที่เป็นไปได้และศักยภาพเมื่อการรับรู้ การให้เหตุผล การวางแผน และการกระทำทางกายภาพมาบรรจบกัน เอเจนต์ที่มีร่างกายอาจพิสูจน์ว่าเป็นหนึ่งในนัยสำคัญและปฏิวัติของ AI ที่เราจะเห็นในอีก 5 ปีข้างหน้า สำหรับ MCE สิ่งนี้สร้างโอกาสในการจัดการลอจิสติกส์และกระบวนการทำงานที่ซับซ้อน ซึ่งหลายงานที่ซ้ำๆ และไม่ซับซ้อนยังคงต้องมีการโต้ตอบกับมนุษย์

สำหรับผู้ให้บริการโทรคมนาคม การคาดการณ์การเปลี่ยนผู้ให้บริการและดำเนินการตามนั้นด้วยโมเดล AI คือที่ที่เงินจะอยู่ในอีกไม่กี่ปีข้างหน้า หากคุณสามารถสร้างโมเดลที่เชื่อถือได้ซึ่งรวมข้อมูลจากจุดต่างๆ ของลูกค้า สามารถประเมินความน่าจะเป็นของการเปลี่ยนผู้ให้บริการได้อย่างแม่นยำ และดำเนินการตามนั้น คุณจะแก้ไขปัญหาที่ติดค้างสำหรับผู้ให้บริการ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ MCE Systems