อนกิต อารยา หัวหน้าฝ่าย AI ของ Inscope – ซีรีส์สัมภาษณ์

อนกิต อารยา หัวหน้าฝ่าย AI ของ Inscope มีประสบการณ์มากมายในด้านความเป็นผู้นำผลิตภัณฑ์ AI การเรียนรู้ของเครื่อง การอัตโนมัติขององค์กร และการวิจัยเชิงประยุกต์ ในฐานะสมาชิกผู้ก่อตั้งของ Inscope เขาได้ช่วยสร้างซอฟต์แวร์ที่ช่วยให้บริษัทต่างๆ สามารถแบ่งปันข้อมูลทางการเงินที่ถูกต้องและเป็นไปตามข้อกำหนดกับผู้มีส่วนได้ส่วนเสียได้ ประวัติของเขารวมถึงการเป็น Co-Founder และ CTO ของ Mariana ซึ่งเขาได้ทำงานเกี่ยวกับการวิเคราะห์ตลาดและวิจัยการแข่งขันโดยใช้ AI ตลอดจนการนำ策略ผลิตภัณฑ์ AI และการเรียนรู้ของเครื่องไปใช้ที่ HackerRank ในช่วงต้นอาชีพของเขา อารยา曾ทำงานที่ Meta ในด้านการอัตโนมัติในการสรรหาบุคลากรโดยใช้ AI และการเพิ่มประสิทธิภาพการทำงานโดยใช้ VR ช่วยพัฒนาบริการอัตโนมัติแบบแชทบอทสำหรับองค์กรในฐานะผู้ก่อตั้ง Astound และสร้างระบบการเรียนรู้ของเครื่องขนาดการผลิตที่ Collective[i] อาชีพของเขาครอบคลุมการนำ AI ไปใช้จริง กลยุทธ์ผลิตภัณฑ์ การอัตโนมัติ และระบบที่ขับเคลื่อนด้วยข้อมูลทั้งในสภาพแวดล้อมของสตาร์ทอัพและองค์กรขนาดใหญ่

Inscope เป็นแพลตฟอร์มการรายงานทางการเงิน AI ที่ถูกสร้างขึ้นสำหรับสำนักงานบัญชี ทีมการเงิน และองค์กรที่ต้องการเตรียม เปรียบเทียบ และส่งมอบงบการเงินที่ถูกต้องได้อย่างมีประสิทธิภาพ แพลตฟอร์มนี้มุ่งเน้นไปที่การอัตโนมัติงานที่ทำด้วยมือเบื้องหลังการรายงานทางการเงิน รวมถึงการหมุนเวียน การจัดรูปแบบ การเปิดเผย การจัดทำบัญชี และการตรวจสอบความสอดคล้อง Inscope จัดตำแหน่งเทคโนโลยีของตนเองว่าเป็นวิธีการลดข้อผิดพลาดในการรายงาน การ缩ยกรอบการเตรียมการ และทำให้งบการเงินที่พร้อมสำหรับการตรวจสอบง่ายขึ้น บริษัทได้ประกาศ การระดมทุน 14.5 ล้านดอลลาร์ในรอบ Series A ในเดือนกุมภาพันธ์ 2026 เพื่อขยายแพลตฟอร์มการรายงานทางการเงิน AI ของตน โดยมีเป้าหมายที่จะแทนที่การทำงานที่กระจัดกระจายและอาศัยสเปรดชีตด้วยกระบวนการรายงานที่เป็นระบบ มีความรับผิดชอบ และสามารถปรับขนาดได้

คุณได้ทำงานในหลายด้าน เช่น การอัตโนมัติขององค์กร การเรียนรู้ของเครื่อง AI สำหรับการสรรหาบุคลากร และการเพิ่มประสิทธิภาพการทำงานโดยใช้ VR ก่อนที่จะรับตำแหน่งหัวหน้าฝ่าย AI ที่ Inscope คุณได้เตรียมตัวเพื่อแก้ไขปัญหาการทำงานที่ทำด้วยมือและละเอียดอ่อนที่สุดในด้านการเงินได้อย่างไร?

ในระหว่างที่ทำงานเกี่ยวกับการอัตโนมัติขององค์กร การเรียนรู้ของเครื่อง AI สำหรับการสรรหาบุคลากร และการเพิ่มประสิทธิภาพการทำงานโดยใช้ VR ฉันทำสิ่งที่ยากๆ ในหลายๆ ด้าน ซึ่งรวมถึงการนำงานที่ซับซ้อนของมนุษย์มาให้ระบบ AI ทำได้อย่างน่าเชื่อถือ และทำให้ทีมงานจริงๆ พึ่งพาได้ ในทุกๆ ด้าน ฉันได้เรียนรู้สิ่งใหม่ๆ การนำผลิตภัณฑ์ AI ไปใช้จริงในระดับใหญ่สอนให้ฉันเข้าใจว่าสิ่งใดที่ยั่งยืนได้ภายใต้ปริมาณงานจริง การสร้างผลิตภัณฑ์กับโมเดลภาษาขนาดใหญ่ (LLM) ในฐานะผู้ก่อตั้ง สอนให้ฉันเข้าใจว่าโมเดลเหล่านี้มีพฤติกรรมอย่างไร ที่ไหนที่พวกมันล้มเหลว และวิธีการ塑造พวกมันให้เข้าใกล้ความแม่นยำจริงๆ มากกว่าการผลิตสิ่งที่ดูเหมือนดีในตัวอย่างเท่านั้น

สิ่งที่ดึงดูดฉันเข้าสู่ด้านการเงินคือการรับรู้จากการที่ฉันสร้างผลิตภัณฑ์กับ LLMs ซึ่งเป็นครั้งแรกที่คุณสามารถนำข้อมูลที่ไม่มีโครงสร้างมาใช้และสร้างการอัตโนมัติที่เชื่อถือได้ ซึ่งไม่เคยเป็นไปได้ก่อนหน้านี้ ในบรรดาการทำงานที่ทำด้วยมือและควบคุมโดยมนุษย์ที่กำลังจะถูกเปลี่ยนแปลงโดย AI การเตรียมงบการเงินเป็นหนึ่งในสิ่งที่บริสุทธิ์ที่สุด ทฤษฎีที่ฉันเริ่มต้นด้วย และที่ทุกสิ่งที่เราสร้างจะกลับมาคือเรียบง่าย: งานของคนเตรียมควรเปลี่ยนไปสู่ผู้ตรวจสอบ นั่นคือการเปลี่ยนแปลงที่คุ้มค่ากับการทำงาน

การเตรียมและการตรวจสอบงบการเงินยังคงเป็นกระบวนการที่ทำด้วยมืออย่างยากเย็นมานาน คุณเชื่อได้อย่างไรว่านี่คือประเภทที่ AI สามารถสร้างการเปลี่ยนแปลงที่มีความหมายได้?

หากคุณมองอย่างใกล้ชิดว่าคนเตรียมงบการเงินทำอะไร ก็เป็นจริงๆ ว่าเป็นกระบวนการแปลงข้อมูล คุณดึงข้อมูลจากหลายระบบที่ไม่เชื่อมต่อกัน เช่น ระบบ ERP ระบบหุ้น และเอกสาร PDF ที่เต็มไปด้วยสัญญาและตาราง คุณเปลี่ยนข้อมูลทั้งหมดนั้นให้เป็นข้อมูลที่สามารถเข้าใจได้ เช่น งบดุล งบกำไรขาดทุน และตารางคำอธิบาย จากนั้นจึงเพิ่มชั้นของการตัดสินใจบนข้อมูลนั้น: ความเห็นที่อธิบายความหมายของตัวเลข มันคงยังเป็นกระบวนการที่ทำด้วยมือมานานเพราะระบบเหล่านั้นไม่เคยเชื่อมต่อกัน และการอัตโนมัติแบบเก่าๆ เช่นเครื่องมือตัดสินใจและ RPA ซึ่งเป็นบอทที่เลียนแบบการคลิกนั้นยังอ่อนแอเกินไปที่จะรับมือกับความหลากหลายและกรณี ngoại lệ

สิ่งสองสามอย่างที่เปลี่ยนแปลงไป คือ โมเดลสามารถรับข้อมูลที่แตกต่างกันและจัดโครงสร้างข้อมูลได้ และที่สำคัญคือสามารถแสดงกรณี ngoại lệให้คนตรวจสอบได้ แทนที่จะล้มเหลวอย่างเงียบๆ ตราบใดที่คุณสร้างขั้นตอนการตรวจสอบไว้ข้างหลังพวกมัน พวกมันยังสามารถสร้างคำอธิบายที่มีเหตุผลได้ เพราะการเงินไม่ใช่สิ่งที่เป็นเชิงอัตวิสัยเพียงอย่างเดียว มีหนังสือกฎที่แท้จริงที่คุณสามารถอาศัยได้ ตั้งแต่ FASB เกี่ยวกับวิธีการตระหนักและวัดผลจนถึง SEC เกี่ยวกับวิธีการเปิดเผย โดยมีการยื่นฟ้องล่วงหน้าหลายพันครั้งที่สามารถเรียนรู้ได้ สิ่งที่ทำให้ฉันเชื่อว่านี่เป็นเรื่องจริงคือการดูการตรวจสอบที่โมเดลเดียวไม่สามารถทำได้ แต่เริ่มทำงานได้อย่างน่าเชื่อถือเมื่อเราวิ่งผ่านตัวแทนหลายตัวที่ทำงานร่วมกัน

ทำไมการเงินขององค์กรมันจึงยากที่จะเปลี่ยนแปลงด้วย AI มากกว่าที่หลายคนคาดไว้?

คำตอบที่ตรงไปตรงมา คือ นี่คืองานที่คุณสามารถถูกดำเนินคดีได้ ผลที่ตามมามีค่าใช้จ่ายสูงมาก ดังนั้นมาตรฐานในการอัตโนมัติใดๆ จึงสูงตามไปด้วย นี่คือจักรวาลที่แตกต่างจากผลิตภัณฑ์ผู้บริโภคที่ข้อผิดพลาดเป็นเพียงความไม่สะดวกเท่านั้น ที่นี่ ข้อผิดพลาดเดียวสามารถมีผลทางกฎหมายและผลกระทบด้านกฎระเบียบ และบุคคลที่ลงนามรับทราบผลที่ตามมาเหล่านั้นเป็นการส่วนตัว

นอกจากนี้ องค์กรแต่ละแห่งทำสิ่งนี้ในแบบที่แตกต่างกันเล็กน้อย และงานนี้เต็มไปด้วยข้อยกเว้น กฎและเทมเพลตจัดการกับเส้นทางทั่วไปแล้วแตกหัก ณ จุดที่งานจริงๆ อยู่ สิ่งที่พ่ายแพ้ซอฟต์แวร์ก่อนหน้านี้ไม่ใช่ตัวเลขเดียว แต่เป็นความจำเป็นในการเข้าใจกระบวนการทำงานที่สมบูรณ์พร้อมกับเงื่อนไขและข้อยกเว้นทั้งหมด สิ่งที่มีความเสี่ยงสูง การปรับแต่งลึก และกระบวนการทำงานที่ซับซ้อนเป็นสาเหตุว่าทำไมประเภทนี้จึงยังคงไม่ถูกสัมผัสในขณะที่ AI เปลี่ยนแปลงประเภทอื่นๆ ที่น่าดึงดูดมากกว่า

อะไรคือช่องว่างระหว่างเครื่องมือ AI ทั่วไปและ AI ที่สร้างขึ้นโดยเฉพาะสำหรับการรายงานและการปฏิบัติตามกฎระเบียบทางการเงิน?

สิ่งนี้คือที่ที่ฉันจะโต้แย้งความคิดที่ว่าทุกอย่างเกี่ยวกับโมเดล ทุกคนมีโมเดลเดียวกัน ความแตกต่างอยู่ที่ทุกสิ่งที่อยู่รอบๆ โมเดล: บริบทที่คุณวางไว้ข้างหน้าโมเดล ณ ช่วงเวลาใด และด้วยการตรวจสอบใด ระบบที่สร้างขึ้นโดยเฉพาะยังสะสมผลด้วย เมื่อทำงานภายในองค์กรหนึ่ง มันจะเรียนรู้รูปแบบและข้อกำหนดเฉพาะของบริษัทนั้น ซึ่งเครื่องมือทั่วไปเริ่มต้นจากศูนย์ทุกครั้ง

สำหรับการเงิน มีสิ่งบางอย่างที่คุณไม่สามารถข้ามได้ ผลลัพธ์จะต้องมีพื้นฐานมาจากข้อมูลต้นฉบับ และตัวเลขทุกตัวจะต้องสามารถสืบย้อนกลับไปยังที่ที่มาจาก ใครหรืออะไรสร้างขึ้น และทำไม ระบบจะต้องรู้ขีดจำกัดของความมั่นใจของตนเอง โดยการระบุสิ่งที่ไม่แน่นอนให้กับคนตรวจสอบแทนการเดา การออกแบบเพื่อให้ได้พื้นฐาน การสืบย้อน และการถ่ายโอนอย่างเหมาะสมให้กับคนเป็นจุดสำคัญที่แยกเครื่องมือทั่วไปออกจากสิ่งที่ผู้ควบคุมจะยอมรับ

อะไรคือความท้าทายที่ยิ่งใหญ่ที่สุดของการเรียนรู้ของเครื่องจักรในการสร้างระบบที่สามารถเข้าใจโครงสร้าง ความสัมพันธ์ และตรรกะเบื้องหลังงบการเงินได้อย่างน่าเชื่อถือ?

เริ่มต้นด้วยตัวอย่างที่เป็นรูปธรรม การตรวจสอบความสอดคล้องคือเมื่อคุณแน่ใจว่าตัวเลขตรงกันทุกที่ที่ปรากฏ: ตารางเทียบกับตารางอื่น ตารางเทียบกับข้อความที่อยู่รอบๆ ตาราง และข้อความเทียบกับตัวมันเอง ทั่วทั้งเอกสารทั้งหมด คนเตรียมทำสิ่งนี้ทุกวัน มันอาจดูเหมือนเรียบง่าย แต่คุณไม่สามารถแค่วางเอกสารทั้งหมดนี้เข้าไปในโมเดลพร้อมคำสั่งฉลาดๆ แล้วเชื่อผลลัพธ์ได้ ไม่ใช่ในความแม่นยำที่งานนี้ต้องการ เพื่อให้ได้ผลลัพธ์ที่เชื่อถือได้ เราต้องแบ่งออกเป็นระบบที่มีขั้นตอนเล็กๆ ที่สามารถตรวจสอบได้

นี่คือความท้าทายหลักของการเรียนรู้ของเครื่องจักร และมีสามชั้น ระบบจะต้องเข้าใจว่าลูกค้าทำงานอย่างไรและเรียนรู้จากข้อเสนอแนะของพวกเขา ระบบจะต้องเข้าใจความสัมพันธ์ภายในงบการเงินจริงๆ เนื่องจากตัวเลขสอดคล้องกันข้ามงบการเงิน ตารางและคำอธิบายปรองดอง และช่วงเวลาเคลื่อนไปข้างหน้า ไม่ใช่แค่อ่านข้อความเท่านั้น เมื่อตัวแทนหลายตัวร่วมมือกัน คุณได้กลายเป็นปัญหากระจายระบบอย่างเงียบๆ: การนำบริบทที่ถูกต้องไปยังขั้นตอนที่ถูกต้อง การวางการตรวจสอบและป้องกัน การผสมการตรวจสอบอัตโนมัติเข้ากับการตรวจสอบของมนุษย์ และการสร้างชุดข้อมูลภายในที่ช่วยให้คุณวัดได้ว่าสิ่งใดที่ถูกต้อง สิ่งที่ยากไม่ใช่การทำให้โมเดลอ่านงบการเงินได้ แต่เป็นการสร้างระบบรอบๆ โมเดลที่สามารถให้เหตุผล ตรวจสอบตัวเอง และอธิบายที่มาของตัวเลขทุกตัว

คุณคิดอย่างไรเกี่ยวกับความแม่นยำของโมเดล ความสามารถในการอธิบาย และความสามารถในการทนต่อข้อผิดพลาดเมื่อ AI ถูกนำไปใช้กับกระบวนการทำงานทางการเงินซึ่งข้อผิดพลาดเล็กๆ น้อยๆ สามารถมีผลกระทบใหญ่ๆ ได้?

ไม่มีมาตรฐานความแม่นยำเดียว และการทำให้เชื่อเช่นนั้นเป็นที่ที่ผู้คนผิดพลาด ระบบเหล่านี้ไม่ได้แม่นยำ 100% และสิ่งที่สามารถทำได้แตกต่างกันไปตามงาน ดังนั้นงานจริงๆ คือการสื่อสารอย่างตรงไปตรงมาเกี่ยวกับสิ่งที่ระบบทำและที่ไหนที่ความเสี่ยงอยู่ แทนที่จะโบกมือไปกับอัตราความสำเร็จทั่วไป คุณชี้ให้ผู้ตรวจสอบดูต่อข้อที่มีความเสี่ยงมากที่สุด และคุณชัดเจนเกี่ยวกับสิ่งที่ระบบไม่ได้สัมผัส นั่นคือวิธีที่คุณปิดช่องว่าง แทนที่จะทำเป็นไม่มี

ความสามารถในการอธิบายต้องเป็นรูปธรรม ไม่ใช่หลักการบนแผ่นสไลด์ เมื่อเราวิ่งการตรวจสอบการบัญชีบนโต๊ะ เราจะแสดงตัวคำนวณขนาดเล็ก: เซลล์ที่ถูกผสมและคณิตศาสตร์ที่ระบบใช้ หากมีข้อผิดพลาด คุณจะเห็นได้ในทันที ในด้านโมเดลเครื่องมือที่สำคัญที่สุดคือชุดประเมินความแม่นยำที่วัดความแม่นยำในงานจริง นอกเหนือจากนั้น มันลงไปที่การเรียนรู้ที่จะเห็นด้วยตาของโมเดล มันง่ายมากที่จะลืมว่าโมเดลสามารถมองเห็นได้จริงๆ คุณศึกษาสิ่งที่อยู่ตรงหน้าโมเดล คุณศึกษาว่าผู้เชี่ยวชาญตัดสินใจผ่านปัญหาเดียวกัน และคุณปิดช่องว่างโดยการให้โมเดลบริบทที่ผู้เชี่ยวชาญจะมี

อะไรคือสิ่งที่ต้องทำเพื่อให้ได้รับความไว้วางใจจาก CFO ผู้ควบคุม และผู้ตรวจสอบบัญชีในการนำ AI ไปใช้ในสภาพแวดล้อมที่มีการปฏิบัติตามกฎระเบียบอย่างเข้มงวด?

ความไว้วางใจเริ่มต้นด้วยการทำให้เห็นได้ง่ายว่าระบบทำอะไร ผู้ใช้ไม่เห็นชุดประเมินของคุณและไม่สนใจว่าคุณเฉลี่ย 95% พวกเขากำลังมองงบการเงินของตนเอง และบนงบการเงินนั้น ระบบอาจทำได้ไม่ดีเท่ากับค่าเฉลี่ย หรืออาจเป็นการวิ่งที่แย่ที่สุดของวัน ไม่มีตัวเลขรวมที่สามารถให้ความสบายใจใครในขณะนั้น

ดังนั้น ทุกสิ่งจึงขึ้นอยู่กับประสบการณ์รอบๆ AI คุณแสดงให้เห็นอย่างชัดเจนว่าทำอะไรได้บ้าง ทำให้ง่ายต่อการตรวจสอบและแก้ไข และแน่ใจว่าการแก้ไขนั้นจะสอนระบบด้วย ผู้ที่รับผิดชอบต่อnumbersเหล่านี้ส่วนตัวไม่ต้องการกล่องดำ พวกเขาต้องการควบคุมและเห็นงาน

เมื่อคุณมองข้ามภูมิทัศน์ของ AI ขององค์กร คุณคิดว่าอะไรคือสิ่งที่แยกความแตกต่างระหว่างบริษัทที่แก้ไขปัญหาการดำเนินงานที่ลึกซึ้งและบริษัทที่เพียงแค่ขี่คลื่น AI?

ฉันตัดสินจากการทดสอบหนึ่งครั้ง และไม่เกี่ยวข้องกับ AI เลย: ถ้าลูกค้าจะเจ็บปวดมากหากผลิตภัณฑ์หายไปในวันพรุ่งนี้ ถ้าคำตอบคือ “มาก” นั่นคือบริษัทที่แท้จริง ถ้าคำตอบที่ซื่อสัตย์คือ “พวกเขาจะไม่สังเกตเห็น” นั่นคือบริษัทที่กำลังขี่คลื่น AI ไม่ได้เปลี่ยนแปลงการทดสอบนี้

ไปสู่ระดับที่ลึกกว่า และความได้เปรียบอย่างยั่งยืนมาจากความลึกที่คุณเต็มใจที่จะไป สิ่งหนึ่งที่สร้างขึ้นในยุคก่อนคือที่ที่งานเกิดขึ้น พื้นผิวที่ผู้คนทำงานบน ในยุคนี้ คุณสามารถสร้างระบบที่ทำงานเองได้ รวมถึงกรณีขององค์กรที่ซับซ้อนซึ่งเครื่องมือส่วนใหญ่หลีกเลี่ยง เมื่อคุณไปถึงจุดนั้น ด้วยบริบทที่สะสมและความไว้วางใจที่ต้องใช้เวลาหลายปีในการสร้าง องค์กรขนาดใหญ่ไม่สามารถเข้ามาและยึดธุรกิจด้วยโมเดลฐานที่ดีกว่าได้ ความลึกนี้คือเกมทั้งหมด และเป็นที่ที่เราได้วางเดิมพันที่ Inscope

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Inscope