ดิมิทรี มาซิน ซีอีโอ และผู้ร่วมก่อตั้ง Gradient Labs – สัมภาษณ์ ซีรีส์

ดิมิทรี มาซิน เป็นซีอีโอและผู้ร่วมก่อตั้ง Gradient Labs สตาร์ทอัพ AI ที่สร้างตัวแทนการสนับสนุนลูกค้าแบบอัตโนมัติสำหรับอุตสาหกรรมที่มีการควบคุม เช่น บริการทางการเงิน ก่อนที่จะก่อตั้ง Gradient Labs ในปี 2023 มาซิน曾ดำรงตำแหน่งผู้นำระดับสูง tại Monzo Bank รวมถึงรองประธานฝ่ายวิทยาศาสตร์ข้อมูล การกระทำผิดกฎหมาย และการฉ้อโกง และเคยทำงานที่ Google ภายใต้การนำของเขา Gradient Labs ได้รับความนิยมอย่างรวดเร็ว โดยมีรายได้ประจำปีถึง 1 ล้านปอนด์ภายในห้าเดือนหลังจากเปิดตัว มาซินมุ่งเน้นในการพัฒนาระบบ AI ที่รวมประสิทธิภาพสูงเข้ากับการปฏิบัติตามกฎระเบียบอย่างเข้มงวด ทำให้สามารถทำการทำงานอัตโนมัติได้อย่างปลอดภัยและมีประสิทธิภาพสำหรับการดำเนินงานของลูกค้าที่ซับซ้อน

อะไรเป็นแรงบันดาลใจให้คุณเปิดตัว Gradient Labs หลังจากการเดินทางที่ประสบความสำเร็จที่ Monzo?

ที่ Monzo เราใช้เวลาหลายปีในการทำงานเกี่ยวกับการอัตโนมัติของการสนับสนุนลูกค้า โดยมีเป้าหมายที่จะเพิ่มประสิทธิภาพ 10% แต่ในปี 2023 เราได้เห็นการเปลี่ยนแปลงทางเทคโนโลยีที่สำคัญเมื่อ GPT-4 ถูกปล่อยออกมา suddenly มันกลายเป็นไปได้ที่จะอัตโนมัติ 70-80% ของงานที่ทำซ้ำซึ่งสามารถทำได้ด้วย AI โดยสมบูรณ์

การเปลี่ยนแปลงทางเทคโนโลยีนี้ที่เรากำลังอยู่ในขณะนี้เป็นแรงบันดาลใจให้เราก่อตั้ง Gradient Labs ในอาชีพการงานของฉัน ฉันเห็นสองคลื่นการเปลี่ยนแปลงที่สำคัญ: การปฏิวัติทางมือถือ (ซึ่งเกิดขึ้นในช่วงต้นอาชีพการงานของฉัน) และตอนนี้ AI เมื่อคุณรู้ว่าคุณอยู่ในระหว่างการเปลี่ยนแปลงที่จะเปลี่ยนแปลงวิธีการทำงานของโลก คุณต้องใช้โอกาสนี้ ทีมของเรารู้ว่า – นี่คือเวลาที่เหมาะสม

ที่ Monzo คุณช่วยให้บริษัทผ่านการเติบโตอย่างรวดเร็ว คุณได้เรียนรู้อะไรจากประสบการณ์นั้นและนำไปใช้ที่ Gradient Labs?

ประการแรก คือการสร้างสมดุลระหว่างความเป็นอิสระและทิศทาง ที่ Monzo เราเคยคิดว่าคนๆ หนึ่งจะเจริญรุ่งเรืองด้วยความเป็นอิสระ แต่ความคิดนั้นดูเหมือนจะง่ายเกินไป ฉันเชื่อว่าคนๆ หนึ่งยังต้องการทิศทางด้วย ความเป็นอิสระที่แท้จริงไม่ใช่การบอกคนๆ หนึ่งว่า “ทำอะไรก็ได้ที่คุณต้องการ” แต่เป็นการให้ทิศทางที่ชัดเจนในขณะเดียวกันก็ให้คนๆ หนึ่งมีอิสระในการแก้ปัญหาในแบบของตนเอง

ประการที่สอง คือการให้ค่าตอบแทนที่เหมาะสมกับคนๆ หนึ่ง หากคุณต้องการจ้างคนๆ หนึ่งที่ดีที่สุด 5% ในฟังก์ชันของคุณ คุณจะต้องจ่ายค่าตอบแทนที่เหมาะสม หากไม่เช่นนั้น บริษัทเทคโนโลยีที่ใหญ่ๆ จะจ้างคนๆ หนึ่งไปเมื่อพวกเขารู้ว่าคุณมีคนๆ หนึ่งที่ดีที่สุดซึ่งถูกจ่ายค่าตอบแทนที่ต่ำเกินไป

ประการที่สาม คือการไม่สร้างสิ่งใหม่ๆ ที่ไม่จำเป็น ที่ Monzo เราเคยพยายามสร้างแนวทางใหม่ๆ ในการทำงาน การจ่ายค่าตอบแทน และการสร้างเส้นทางอาชีพ แต่สิ่งที่เราได้เรียนรู้คือ不要เสียเวลาในการสร้างสิ่งใหม่ๆ ในเรื่องขององค์กรที่มีมาตรฐานแล้ว

Gradient Labs มุ่งเน้นไปที่อุตสาหกรรมที่มีการควบคุม ซึ่งมีความต้องการที่ซับซ้อน คุณเข้าใกล้การสร้างตัวแทน AI (เช่น Otto) ที่สามารถทำงานได้อย่างมีประสิทธิภาพใน môi trườngนี้อย่างไร?

เรามีการเข้าใกล้ที่ไม่เหมือนใคร โดยไม่ปล่อยสินค้าออกมาเร็วๆ แล้วปรับปรุงในภายหลัง แต่เราสpending 14 เดือนก่อนที่จะปล่อย Otto โดยรักษาคุณภาพที่สูงตั้งแต่เริ่มต้น เราต้องสร้างสิ่งที่ธนาคารและสถาบันการเงินจะไว้วางใจในการจัดการการสนับสนุนลูกค้าแบบอัตโนมัติ

เรากำลังสร้างตัวแทน AI ที่ไม่ใช่เพียงแค่ช่วยเหลือ แต่เป็นการทำงานอัตโนมัติของการสนับสนุนลูกค้าแบบเต็มรูปแบบ ด้วยประสบการณ์ของเราในด้านการเงิน เรามีมาตรฐานภายในที่ชัดเจนสำหรับ “สิ่งที่ดี” ซึ่งช่วยให้เราสามารถประเมินคุณภาพได้โดยไม่ต้องอาศัยคำติชมจากลูกค้า

Otto มีความสามารถในการตอบคำถามที่ซับซ้อนและจัดการกระบวนการที่ซับซ้อน คุณสามารถอธิบายได้อย่างไรว่า Otto จัดการกับงานที่ซับซ้อนหรือมีความเสี่ยงที่ตัวแทน AI ทั่วไปอาจล้มเหลว?

เราสร้าง Otto โดยใช้แนวคิดของ SOPs (Standard Operating Procedures) ซึ่งเป็นเอกสารที่เขียนด้วยภาษาอังกฤษที่อธิบายวิธีการจัดการปัญหาเฉพาะในลักษณะเดียวกับที่คุณจะให้คำแนะนำแก่ตัวแทนมนุษย์

มีการตัดสินใจทางสถาปัตยกรรมสองประการที่ทำให้ Otto มีประสิทธิภาพในการจัดการกระบวนการที่ซับซ้อน:

ประการแรก คือการจำกัดเครื่องมือที่ใช้ การใช้เครื่องมือที่ไม่เหมาะสมอาจทำให้ตัวแทน AI ตัดสินใจผิดได้ สำหรับกระบวนการแต่ละอย่าง เราแสดงเครื่องมือที่เกี่ยวข้องให้กับ Otto เพียงเล็กน้อยเท่านั้น

ประการที่สอง คือการสร้างสถาปัตยกรรมใหม่เพื่อให้สามารถใช้เหตุผลเชิงตรรกะได้อย่างกว้างขวาง แทนที่จะใช้ตัวแทน AI ทั่วไป เราได้สร้างสถาปัตยกรรมที่ช่วยให้สามารถใช้เหตุผลเชิงตรรกะได้อย่างลึกซึ้งและเชื่อถือได้

Gradient Labs กล่าวถึงการบรรลุคุณภาพ “เหนือมนุษย์” ในการสนับสนุนลูกค้า คุณหมายถึงอะไรเมื่อคุณพูดถึง “คุณภาพเหนือมนุษย์” และคุณวัดมันภายในอย่างไร?

คุณภาพเหนือมนุษย์หมายถึงการให้บริการสนับสนุนลูกค้าที่ดีกว่าที่มนุษย์สามารถทำได้ เรามีตัวอย่างสามประการ:

ประการแรก คือความรู้ที่ครอบคลุม ตัวแทน AI สามารถประมวลผลข้อมูลจำนวนมากและเข้าใจบริษัทได้อย่างลึกซึ้ง ในขณะที่มนุษย์อาจต้องใช้เวลาในการเรียนรู้และอาจไม่เข้าใจทุกอย่าง

ประการที่สอง คือการค้นหาข้อมูลที่รวดเร็ว ตัวแทน AI สามารถค้นหาข้อมูลได้อย่างรวดเร็วและแม่นยำ ในขณะที่มนุษย์อาจต้องใช้เวลาในการค้นหาข้อมูลและอาจไม่พบสิ่งที่ต้องการ

ประการที่สาม คือความอดทนและความสม่ำเสมอ ตัวแทน AI สามารถให้บริการสนับสนุนลูกค้าที่มีคุณภาพสูงและสม่ำเสมอ ในขณะที่มนุษย์อาจมีความผิดพลาดหรือไม่สามารถให้บริการที่มีคุณภาพสูงได้

เราวัดคุณภาพนี้โดยใช้คะแนนความพึงพอใจของลูกค้า (CSAT) สำหรับลูกค้าทั้งหมดของเรา เราได้รับคะแนนความพึงพอใจที่สูงกว่า 80-90% ซึ่งเป็นคะแนนที่สูงกว่าที่ทีมมนุษย์ของพวกเขาสามารถทำได้

คุณเลือกที่จะไม่ผูกมัด Gradient Labs กับผู้ให้บริการ LLM เพียงผู้เดียว คุณเลือกที่จะทำเช่นนี้เพราะเหตุใด และมันส่งผลต่อประสิทธิภาพและความน่าเชื่อถือของลูกค้าของคุณอย่างไร?

ในช่วงสองปีที่ผ่านมา เราได้เห็นว่าการปรับปรุงประสิทธิภาพที่สำคัญที่สุดของเรามาจากความสามารถในการเปลี่ยนไปใช้โมเดลที่ดีกว่าเมื่อ OpenAI หรือ Anthropic ปล่อยสิ่งใหม่ๆ ออกมา ความสามารถในการปรับเปลี่ยนโมเดลนี้เป็นกุญแจสำคัญ

ความสามารถนี้ช่วยให้เราสามารถปรับปรุงคุณภาพได้อย่างต่อเนื่องในขณะเดียวกันก็สามารถจัดการต้นทุนได้ บางงานต้องการโมเดลที่มีประสิทธิภาพมากกว่า ในขณะที่บางงานต้องการโมเดลที่มีประสิทธิภาพน้อยกว่า สถาปัตยกรรมของเราช่วยให้เราสามารถปรับเปลี่ยนและพัฒนาได้อย่างต่อเนื่อง

ในอนาคต เราจะรองรับโมเดล LLM ที่เปิดเผยแหล่งที่มาและติดตั้งบนโครงสร้างพื้นฐานของลูกค้า เนื่องจากสถาปัตยกรรมของเรา การเปลี่ยนแปลงนี้จะง่ายและสำคัญอย่างยิ่งเมื่อเราให้บริการธนาคารที่อาจมีข้อกำหนดเฉพาะเกี่ยวกับการติดตั้งโมเดล

Gradient Labs ไม่ได้สร้างเพียงแค่ตัวแทน AI แต่ยังจัดการกระบวนการหลังบ้านอีกด้วย สิ่งที่ท้าทายที่สุดในการอัตโนมัติงานเหล่านี้ด้วย AI คืออะไร?

มีสองประเภทของกระบวนการ แต่ละประเภทมีความท้าทายที่แตกต่างกัน:

สำหรับกระบวนการที่ง่ายกว่า เทคโนโลยีโดยทั่วไปแล้วมีอยู่แล้ว ความท้าทายหลักคือการเชื่อมต่อกับระบบและเครื่องมือหลังบ้านที่หลากหลายที่สถาบันการเงินใช้

สำหรับกระบวนการที่ซับซ้อนกว่า ยังมีความท้าทายทางเทคนิคที่สำคัญอยู่ การกระบวนการเหล่านี้ต้องการให้คนๆ หนึ่งได้รับการฝึกอบรมเป็นเวลา 6-12 เดือนเพื่อพัฒนาความเชี่ยวชาญ เช่น การสืบสวนการฉ้อโกงหรือการประเมินการฟอกเงิน

Gradient Labs ควบคุมความต้องการความเร็วและประสิทธิภาพของ AI กับข้อกำหนดการปฏิบัติตามกฎระเบียบของอุตสาหกรรมที่มีการควบคุมอย่างไร?

เป็นการสร้างสมดุล แต่ที่ระดับการสนทนา ตัวแทน AI ของเราต้องใช้เวลาในการคิดมากกว่าเล็กน้อย มันประเมินหลายปัจจัย: ฉันเข้าใจสิ่งที่ลูกค้าถามหรือไม่? ฉันให้คำตอบที่ถูกต้องหรือไม่? ลูกค้าแสดงอาการอ่อนแอหรือไม่? ลูกค้าต้องการยื่นเรื่องร้องเรียนหรือไม่?

การเข้าใกล้นี้ทำให้เวลาในการตอบสนองของเรานานขึ้น แต่สำหรับสถาบันการเงิน นี่คือการแลกเปลี่ยนที่ยอมรับได้ การตอบสนองภายใน 15-20 วินาที仍然เร็วกว่าการตอบสนองของมนุษย์ ในขณะที่การรับประกันคุณภาพมีความสำคัญมากกว่าสำหรับสถาบันที่มีการควบคุมที่เราทำงานด้วย

คุณเห็นอนาคตที่ตัวแทน AI จะได้รับการไว้วางใจไม่เพียงแต่สำหรับการสนับสนุน แต่ยังสำหรับการตัดสินใจที่มีความเสี่ยงสูงภายในสถาบันการเงินหรือไม่?

สถาบันการเงินใช้เทคนิค AI ที่传统แล้วสำหรับการตัดสินใจที่มีความเสี่ยงสูงมาก่อนที่จะมีการเปลี่ยนแปลงทางเทคโนโลยีในปัจจุบัน ที่ไหนที่ฉันเห็นโอกาสที่แท้จริงคือในเรื่องของการประสานงาน – ไม่ใช่การตัดสินใจ แต่การประสานงานทั้งกระบวนการ

ตัวอย่างเช่น ลูกค้าอัปโหลดเอกสาร ตัวแทน AI ส่งเอกสารเหล่านั้นไปยังระบบตรวจสอบ รับคำยืนยันความถูกต้อง และกระตุ้นการดำเนินการและข้อความที่เหมาะสมต่อไป การประสานงานนี้คือที่ที่ตัวแทน AI excels

สำหรับการตัดสินใจที่มีความเสี่ยงสูงสุดเอง ฉันไม่เห็นอะไรที่จะเปลี่ยนแปลงในระยะสั้น การตัดสินใจเหล่านี้ต้องการความสามารถในการอธิบาย ต้องป้องกันความลำเอียง และต้องได้รับการอนุมัติจากคณะกรรมการความเสี่ยงของโมเดล

คุณคิดว่า AI จะเปลี่ยนแปลงประสบการณ์ของลูกค้าสำหรับธนาคาร บริษัท fintech และภาคส่วนที่มีการควบคุมอื่น ๆ ในช่วง 3-5 ปีหน้าอย่างไร?

ฉันเห็นแนวโน้มหลักที่จะเปลี่ยนแปลงประสบการณ์ของลูกค้า:

ประการแรก คือการมีปฏิสัมพันธ์แบบ omni-channel ที่แท้จริง คุณสามารถเริ่มการสนทนาในแอปธนาคารแล้วเปลี่ยนไปใช้เสียงกับตัวแทน AI ที่เดียวกัน

ประการที่สอง คือการปรับปรุง UI ที่ปรับให้เหมาะสมกับการนำทางภายในแอป ลูกค้าจะไม่ต้องค้นหาสิ่งที่ต้องการในเมนูอีกต่อไป แต่สามารถพูดสิ่งที่ต้องการได้โดยตรง: “โปรดเพิ่มลิมิตของฉัน” – และการดำเนินการจะเกิดขึ้นทันที

ประการที่สาม คือการปรับปรุงเศรษฐศาสตร์หน่วย การสนับสนุนและการดำเนินงานเป็นศูนย์成本ที่มีขนาดใหญ่ การลดต้นทุนเหล่านี้จะช่วยให้ธนาคารสามารถให้บริการลูกค้าที่ไม่เคยได้รับบริการมาก่อนหรือส่งต้นทุนให้กับลูกค้า – โดยเฉพาะในกลุ่มที่ไม่มีธนาคาร

ประการที่สี่ คือการสนับสนุนที่ดีเยี่ยมที่มีประสิทธิภาพ การสนับสนุนที่ดีเยี่ยมสามารถขยายได้ ไม่ใช่แค่สำหรับบริษัทที่มีลูกค้าไม่มาก

ประการที่ห้า คือการเปลี่ยนแปลงการสนับสนุนลูกค้าจากสิ่งที่น่าหงุดหงิดไปสู่การบริการที่มีประโยชน์จริงๆ มันจะไม่ถูกมองว่าเป็นต้นทุนโครงสร้างพื้นฐานที่ใช้แรงงานอีกต่อไป แต่เป็นจุดสัมผัสที่มีประสิทธิภาพและคุ้มค่าซึ่งเพิ่มประสบการณ์ทั้งหมด

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Gradient Labs เพื่อเรียนรู้เพิ่มเติม