แมทธิว ฟิตซ์แพทริก ซีอีโอของ Invisible Technologies – สัมภาษณ์ซีรีส์

แมทธิว ฟิตซ์แพทริก เป็นผู้เชี่ยวชาญด้านการดำเนินงานและการเติบโตที่มีประสบการณ์ในการขยายกระบวนการทำงานและทีมที่ซับซ้อน เขามีประสบการณ์ในการให้คำปรึกษาด้านกลยุทธ์และการดำเนินงาน และปัจจุบันเขาดำรงตำแหน่งซีอีโอของ Invisible Technologies โดยมุ่งเน้นในการออกแบบและปรับปรุงโซลูชั่นธุรกิจแบบ end-to-end แมทธิว มีความหลงใหลในการรวมทักษะของมนุษย์กับการทำงานอัตโนมัติเพื่อเพิ่มประสิทธิภาพในระดับใหญ่ ช่วยให้บริษัทต่างๆ สามารถปลดปล่อยการเติบโตแบบเปลี่ยนแปลงผ่านนวัตกรรมกระบวนการ

Invisible Technologies เป็นบริษัทซอฟต์แวร์ระดับอุตสาหกรรมและผู้ผลิต AI ที่ช่วยให้องค์กรต่างๆ สร้าง นำไปใช้ และขยายระบบ AI ในสภาพแวดล้อมทางธุรกิจที่ซับซ้อน แพลตฟอร์มของ Invisible รวมถึงซอฟต์แวร์ที่ใช้ AI ทักษะของมนุษย์ และโครงสร้างพื้นฐานการดำเนินงานเพื่อสนับสนุนกระบวนการผลิตที่จำเป็นในการฝึกอบรม การประเมิน และการดำเนินการ AI ที่ซับซ้อน Invisible ทำงานร่วมกับองค์กรต่างๆ เพื่อจัดการข้อมูลที่ซับซ้อน อัตโนมัติกระบวนการทำงาน และรวม AI เข้ากับกระบวนการทางธุรกิจ โดยให้โครงสร้างพื้นฐานและความเชี่ยวชาญที่จำเป็นในการย้ายโครงการ AI จากการลองใช้ไปสู่การนำไปใช้ในระดับอุตสาหกรรม

คุณได้เปลี่ยนจากตำแหน่งผู้นำ QuantumBlack Labs ที่ McKinsey มาเป็นซีอีโอของ Invisible Technologies สิ่งใดที่ดึงดูดคุณเข้าสู่บทบาทนี้ และสิ่งใดที่คุณตื่นเต้นที่สุดเกี่ยวกับภารกิจของ Invisible

ที่ McKinsey ฉันมีโอกาสทำงานที่ด้านหน้าของนวัตกรรม AI โดยสร้างผลิตภัณฑ์ซอฟต์แวร์ AI นำทีมการวิจัยและพัฒนา และช่วยให้บริษัทต่างๆ สามารถใช้พลังของข้อมูลได้ สิ่งที่ดึงดูดฉันเข้าสู่ Invisible Technologies คือโอกาสในการทำให้การทำงานเป็นไปอย่างมีประสิทธิภาพในระดับใหญ่ โดยใช้แพลตฟอร์มซอฟต์แวร์ AI ที่มีความยืดหยุ่นอย่างไม่เหมือนใคร และตลาดผู้เชี่ยวชาญสำหรับการให้ข้อมูลจากมนุษย์ – ฉันเชื่อว่า Reinforcement Learning from Human Feedback (RLHF) เป็นกุญแจสำคัญในการนำระบบ GenAI ไปใช้อย่างแม่นยำและเชื่อถือได้ Invisible สนับสนุน AI ทั่วทั้งห่วงโซ่คุณค่า ตั้งแต่การทำความสะอาดข้อมูลและการอัตโนมัติในการป้อนข้อมูลไปจนถึงการให้เหตุผลแบบ chain-of-thought และการประเมินแบบกำหนดเอง ภารกิจของเราคือการรวมทักษะของมนุษย์และ AI เพื่อช่วยให้บริษัทต่างๆ สามารถบรรลุถึงศักยภาพของ AI ได้ ซึ่งในภาคธุรกิจนั้นยากกว่าที่คนส่วนใหญ่คิด

คุณได้ดูแลทีมวิศวกรมากกว่า 1,000 คน และขยายผลิตภัณฑ์ AI หลายรายการไปทั่วอุตสาหกรรม สิ่งใดที่คุณได้เรียนรู้จาก McKinsey ที่คุณนำไปใช้กับการเติบโตในอนาคตของ Invisible

มีสองสิ่งที่โดดเด่น อันดับแรก การนำ AI มาใช้ได้สำเร็จนั้นไม่ใช่แค่เรื่องของเทคโนโลยี แต่ยังเป็นเรื่องของการเปลี่ยนแปลงองค์กรด้วย คุณต้องมีคนและกระบวนการที่เหมาะสม – นอกเหนือจากโมเดลที่ดี อันดับที่สอง บริษัทที่ชนะในด้าน AI คือบริษัทที่สามารถผ่าน “ไมล์สุดท้าย” ได้ – การเปลี่ยนจากการทดลองไปสู่การผลิตที่จริงจัง ที่ Invisible เรากำลังนำความเข้มงวดและโครงสร้างแบบเดียวกันนี้ไปใช้เพื่อช่วยให้ลูกค้าสามารถย้ายออกจากการทดลองและเข้าสู่การผลิต โดยส่งมอบคุณค่าทางธุรกิจที่แท้จริง

คุณกล่าวว่า “2024 เป็นปีของการลองใช้ AI และ 2025 เป็นปีที่ต้องเห็น ROI” รูปแบบใดที่คุณเห็นในหมู่องค์กรที่ประสบความสำเร็จในการบรรลุ ROI นั้น

องค์กรที่เห็น ROI ที่แท้จริงในปีนี้ทำสิ่งสามสิ่งได้ดี อันดับแรก พวกเขาจัดตำแหน่งกรณีการใช้ AI ให้เข้ากับ KPI ของธุรกิจหลักๆ เช่น ประสิทธิภาพการดำเนินงานหรือความพึงพอใจของลูกค้า อันดับที่สอง พวกเขาลงทุนในการได้รับข้อมูลที่มีคุณภาพดีขึ้นและวงจรการให้ข้อมูลจากมนุษย์เพื่อปรับปรุงประสิทธิภาพของโมเดลอย่างต่อเนื่อง อันดับที่สาม พวกเขากำลังเปลี่ยนจากโซลูชั่นที่เป็นมาตรฐานไปสู่ระบบที่กำหนดเองสำหรับโดเมนเฉพาะ ซึ่งสะท้อนถึงความซับซ้อนของสภาพแวดล้อมของพวกเขา บริษัทเหล่านี้ไม่ได้เพียงแค่ทดสอบ AI อีกต่อไป – พวกเขากำลังขยาย AI ด้วยจุดประสงค์

ความต้องการสำหรับการทำเครื่องหมายข้อมูลเฉพาะโดเมนและระดับ PhD กำลังพัฒนาไปอย่างไรในหมู่ผู้ให้บริการโมเดลพื้นฐาน เช่น AWS, Microsoft (MSFT ), และ Cohere

เรากำลังเห็นความต้องการที่เพิ่มขึ้นสำหรับการทำเครื่องหมายข้อมูลที่มีความเชี่ยวชาญเมื่อผู้ให้บริการโมเดลพื้นฐานขยายไปสู่แนวตั้งที่ซับซ้อนมากขึ้น ที่ Invisible เรามีอัตราการรับเข้างาน 1% ต่อปีในกลุ่มผู้เชี่ยวชาญของเรา และ 30% ของผู้ฝึกอบรมของเรามีปริญญาโทหรือ PhD ความเชี่ยวชาญที่ลึกซึ้ง nàyเป็นสิ่งจำเป็น – ไม่เพียงแต่เพื่อทำเครื่องหมายข้อมูลที่แม่นยำเท่านั้น แต่ยังเพื่อให้ข้อมูลที่มีรายละเอียดและเข้าใจถึงบริบทเพื่อปรับปรุงการให้เหตุผล ความแม่นยำ และการทำงานร่วมกัน เมื่อโมเดลมีความฉลาดมากขึ้น มาตรฐานสำหรับการฝึกอบรมพวกมันก็สูงขึ้น

Invisible อยู่ที่แนวหน้าของ AI ที่มีเจตนา โดยเน้นการจัดการการตัดสินใจในกระบวนการทำงานจริง คุณนิยาม AI ที่มีเจตนาอย่างไร และเรากำลังเห็นความหวังมากที่สุดใน đâu

AI ที่มีเจตนาหมายถึงระบบที่ไม่เพียงแต่ตอบสนองต่อคำสั่ง แต่ยังวางแผน ตัดสินใจ และดำเนินการภายในขอบเขตที่กำหนดไว้ มันเป็น AI ที่ทำงานเหมือนเพื่อนร่วมงานมากกว่าเครื่องมือ เรากำลังเห็นความสำเร็จมากที่สุดในกระบวนการทำงานที่ซับซ้อนและปริมาณมาก เช่น การสนับสนุนลูกค้าและการอ้างสิทธิ์ประกันภัย ตัวอย่างเช่น ในพื้นที่เหล่านี้ AI ที่มีเจตนาสามารถลดความพยายามของมนุษย์ เพิ่มความสม่ำเสมอ และส่งมอบผลลัพธ์ที่จะต้องใช้ทีมงานขนาดใหญ่ มันไม่ใช่การแทนที่มนุษย์ แต่เรากำลังเพิ่มทักษะของมนุษย์ด้วยตัวแทนอัจฉริยะที่สามารถจัดการสิ่งที่ซ้ำๆ และเป็นกิจวัตร

คุณสามารถแบ่งปัน примерของวิธีการฝึกโมเดลสำหรับการให้เหตุผลแบบ chain-of-thought และทำไมมันจึงสำคัญสำหรับการนำไปใช้ในภาคธุรกิจ

การให้เหตุผลแบบ chain-of-thought (CoT) ได้ปลดปล่อยศักยภาพใหม่สำหรับ AI ในภาคธุรกิจ ที่ Invisible เราฝึกโมเดลให้ให้เหตุผลแบบขั้นตอนต่อขั้นตอน ซึ่งเป็นสิ่งจำเป็นเมื่อเสี่ยงสูง – ไม่ว่าจะเป็นการวินิจฉัยผู้ป่วย การวิเคราะห์สัญญา หรือการตรวจสอบแบบจำลองทางการเงิน CoT ไม่เพียงแต่ปรับปรุงความโปร่งใส แต่ยังช่วยให้สามารถแก้ไขปัญหา ตรวจสอบ และปรับปรุงประสิทธิภาพได้โดยไม่ต้องมีเซตข้อมูลใหม่ขนาดใหญ่ เราได้เห็นโมเดลชั้นนำ เช่น Gemini, Sonnet และ Grok เริ่มเปิดเผยเส้นทางการให้เหตุผลของพวกเขา ซึ่งช่วยให้เราไม่เพียงแต่เห็นผลลัพธ์ของโมเดลเท่านั้น แต่ยังเห็นว่าพวกมันมาถึงที่นั่นได้อย่างไร

Invisible สนับสนุนการฝึกอบรมในมากกว่า 40 ภาษาโปรแกรมมิ่งและ 30 ภาษามนุษย์ ความแม่นยำทางวัฒนธรรมและภาษาเป็นอย่างไรในการสร้าง AI ที่สามารถขยายได้ทั่วโลก

มันเป็นสิ่งสำคัญ ภาษาไม่ใช่แค่เรื่องของการแปล แต่ยังเป็นเรื่องของบริบท ความหมายทางวัฒนธรรม และบรรทัดฐานทางวัฒนธรรม หากโมเดลเข้าใจผิดโทนหรือพลาดความแตกต่างในระดับภูมิภาค มันอาจนำไปสู่ประสบการณ์ของผู้ใช้ที่ไม่ดี หรือแม้กระทั่งความเสี่ยงด้านการปฏิบัติตามกฎระเบียบ ผู้ฝึกอบรมหลายภาษาของเรามีความเชี่ยวชาญและฝังอยู่ในวัฒนธรรมที่พวกเขาตัวแทน

จุดล้มเหลวทั่วไปใดที่บริษัทต่างๆ พบเมื่อพยายามขยายจากแนวคิดไปสู่การผลิต และวิธีการที่ Invisible ช่วยให้พวกเขาผ่าน “ไมล์สุดท้าย” นั้น

ส่วนใหญ่ของโมเดล AI ไม่เคยเข้าสู่การผลิตเพราะบริษัทต่างๆ ละเลยการยกเครื่องการดำเนินงานที่จำเป็น พวกเขาขาดข้อมูลที่สะอาด โพรโทคอลการประเมินที่เข้มแข็ง และกลยุทธ์ในการฝังโมเดลลงในกระบวนการทำงานจริง ที่ Invisible เรารวมทักษะทางเทคนิคที่ลึกซึ้งกับโครงสร้างพื้นฐานข้อมูลระดับอุตสาหกรรมเพื่อช่วยให้บริษัทต่างๆ ข้ามช่องว่างนั้น ความสามารถแบบสymbiotic ของเราทั้งในด้านการฝึกอบรมและการปรับให้เหมาะสมช่วยให้เราไม่เพียงแต่สร้างโมเดลที่ดีขึ้น แต่ยังสามารถนำไปใช้ได้สำเร็จด้วย

คุณสามารถอธิบายแนวทางของ Invisible ต่อ RLHF (Reinforcement Learning from Human Feedback) และวิธีที่มันแตกต่างจากผู้อื่นในอุตสาหกรรม

ที่ Invisible เรามอง RLHF ว่าเป็นมากกว่าการปรับให้เหมาะสม – มันช่วยให้สามารถออกแบบการประเมินแบบกำหนดเอง (“eval”) ที่ซับซ้อนมากขึ้น และการเปลี่ยนแปลงไปสู่การฝึกอบรมโมเดลโดยใช้การตัดสินของมนุษย์ที่มีรายละเอียดมากกว่า信号ทวินาม เช่น การให้คะแนนขึ้นหรือลง ในขณะที่แนวทางอุตสาหกรรมส่วนใหญ่จัดลำดับความสำคัญของขนาดผ่านข้อมูลที่มีปริมาณมากแต่มีสัญญาณต่ำ เราเน้นการรวบรวมข้อมูลที่มีคุณภาพสูงและโครงสร้างที่จับรายละเอียดการให้เหตุผล บริบท และการแลกเปลี่ยน ซึ่งช่วยให้โมเดลสามารถทั่วไปได้ดีขึ้นและจัดตำแหน่งให้ใกล้กับเจตนาของมนุษย์มากขึ้น โดยการจัดลำดับความสำคัญของความลึกมากกว่าความกว้าง เรากำลังสร้างโครงสร้างพื้นฐานสำหรับระบบ AI ที่มีความแข็งแกร่งและจัดตำแหน่งมากขึ้น

คุณเห็นอนาคตของการทำงานร่วมกันระหว่าง AI และมนุษย์จะพัฒนาไปอย่างไร โดยเฉพาะในด้านที่มีความเสี่ยงสูง เช่น การเงิน การดูแลสุขภาพ หรือสาธารณะ

AI ไม่ได้มาแทนที่ความเชี่ยวชาญของมนุษย์ แต่มันกำลังจะกลายเป็นโครงสร้างพื้นฐานที่สนับสนุนมัน ฉันเห็นอนาคตที่ตัวแทน AI และผู้เชี่ยวชาญของมนุษย์ทำงานร่วมกัน – โดยที่แพทย์จะได้รับการสนับสนุนจากผู้ช่วยวินิจฉัย AI องค์กรรัฐบาลใช้ AI เพื่อจัดการสวัสดิการได้อย่างมีประสิทธิภาพมากขึ้น และนักวิเคราะห์ทางการเงินสามารถมุ่งเน้นไปที่กลยุทธ์มากกว่าการทำงานบนเอกสารสเปรดชีต ของเรามุ่งเน้นไปที่การออกแบบระบบที่ AI เพิ่มทักษะของมนุษย์ ไม่ใช่การบดบังหรือควบคุมมัน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Invisible Technologies เพื่อเรียนรู้เพิ่มเติม