Neal Lathia, ผู้ร่วมก่อตั้งและ CTO ของ Gradient Labs – ชุดสัมภาษณ์

Neal Lathia, ผู้ร่วมก่อตั้งและ CTO ของ Gradient Labs, เป็นผู้นำด้านการเรียนรู้ของเครื่องและวิทยาศาสตร์ข้อมูลที่มีประสบการณ์เกือบสองทศวรรษ ครอบคลุมเทคโนโลยีการเงิน แพลตฟอร์มผู้บริโภค และการวิจัยในสถาบัน ก่อนร่วมก่อตั้ง Gradient Labs ในปี 2023 เขาใช้เวลามากกว่า 5 ปีที่ Monzo โดยก้าวจาก Senior Data Scientist ไปเป็น Director of Machine Learning และ Staff Machine Learning Engineer ซึ่งเขาได้สร้างโครงสร้างพื้นฐานการเรียนรู้ของเครื่องและช่วยขยายสาขานี้เพื่อสนับสนุนการใช้งานในด้านปฏิบัติการ การต่อต้านอาชญากรรมทางการเงิน และผลิตภัณฑ์ ก่อนหน้านั้น Lathia ทำงานเป็น Senior Data Scientist ที่ Skyscanner และดำรงตำแหน่งวิจัยที่ University of Cambridge และ University College London ซึ่งงานของเขาได้สำรวจระบบแนะนำ ระบบข้อมูลพฤติกรรม การตรวจจับด้วยสมาร์ทโฟน และบริการดิจิทัลส่วนบุคคล ที่ Gradient Labs เขาได้เป็นผู้นำเทคโนโลยีเบื้องหลัง AI agents ที่ออกแบบมาสำหรับกระบวนการทำงานด้านการเงินที่ซับซ้อนและต้องอยู่ภายใต้การควบคุม

Gradient Labs คือบริษัท AI ที่ตั้งอยู่ในลอนดอนซึ่งสร้างเอเจนต์อัตโนมัติแบบเชี่ยวชาญสำหรับบริการทางการเงิน โดยมุ่งเน้นการทำอัตโนมัติของกระบวนการลูกค้าที่โดยปกติต้องใช้แรงงานมนุษย์เป็นจำนวนมาก ก่อตั้งโดยผู้นำเก่าแห่ง Monzo ได้แก่ Dimitri Masin, Neal Lathia และ Danai Antoniou บริษัทพัฒนาเอเจนต์สำหรับหลายด้านรวมถึงการให้กู้และการเรียกเก็บเงิน, การโต้แย้ง, Know Your Business (KYB), การลงทะเบียน, การเคลมประกัน, และการบริการลูกค้า โดยทำงานผ่านเสียง, แชท, และอีเมล พร้อมบรรจุแนวป้องกันการปฏิบัติตามที่ออกแบบมาสำหรับสภาพแวดล้อมที่ต้องอยู่ภายใต้การควบคุม Gradient Labs กล่าวว่าเทคโนโลยีของบริษัทขณะนี้ให้บริการแก่ผู้ใช้ปลายทางมากกว่า 32 ล้านคน ผ่านลูกค้าเช่น Wise, Zego, Current, Stash, และ Rho ในเดือนมิถุนายน 2026 บริษัทได้ประกาศว่าขยายการระดมทุนรอบ Series A เป็นจำนวน $26 million เพื่อมุ่งสู่วิสัยทัศน์ที่กว้างขวางยิ่งขึ้นในการทำอัตโนมัติของกระบวนการธนาคารและฟินเทคที่ซับซ้อนด้วยเอเจนต์ AI เชี่ยวชาญที่เชื่อมต่อกัน

คุณใช้เวลามากกว่า 5 ปีในการสร้างและนำทีมการเรียนรู้ของเครื่องที่ Monzo ก่อนร่วมก่อตั้ง Gradient Labs ในปี 2023 คุณเห็นอะไรเป็นอย่างแรกที่ Monzo ที่ทำให้คุณเชื่อว่ามีโอกาสสร้างบริษัทใหม่รอบเอเจนต์ AI อัตโนมัติ และทำไมการมาถึงของโมเดลภาษาใหญ่ทำให้โอกาสนั้นเป็นไปได้?

ที่ Monzo ฉันใช้หลายปีในการสร้างระบบ ML ที่ต้องทำงานในสภาพแวดล้อมที่ต้องควบคุม ซึ่งข้อผิดพลาดมีผลกระทบจริงจังและทุกอย่างต้องมีบันทึกการตรวจสอบ สิ่งที่มีอิทธิพลต่อฉันมากที่สุดคือความจำเป็นในการพัฒนาโครงสร้างพื้นฐานที่สร้างขึ้นเฉพาะ เนื่องจากไม่มีโซลูชันสำเร็จรูปใดที่สามารถทำงานได้อย่างปลอดภัยภายใต้ข้อจำกัดที่เข้มงวดนั้น ประสบการณ์นี้ทำให้ฉันมีความเชื่อสองประการ ประการแรกคือเทคโนโลยีสามารถยกธนาคารออกจากภาระการดำเนินงานที่กดดันอุตสาหกรรมมานานหลายทศวรรษ ประการที่สองคือ AI ทั่วไปแบบแนวนอนจะไม่สามารถทำให้เกิดการเปลี่ยนแปลงได้ — ความละเอียดอ่อนของงานที่ต้องควบคุมมีความเฉพาะเจาะจงมาก เมื่อ LLMs มีความสามารถเพียงพอที่จะให้เหตุผลผ่านการโต้ตอบกับลูกค้าที่หลายขั้นตอนและบางครั้งคลุมเครือ เราจึงเริ่มสามารถสร้างเอเจนต์ที่จัดการกระบวนการทำงานที่ต้องควบคุมทั้งหมดตั้งแต่ต้นจนจบ แทนที่จะช่วยมนุษย์เพียงอย่างเดียว ช่องว่างระหว่างสิ่งที่บริษัทที่ต้องควบคุมจริงๆ ต้องการและสิ่งที่มีอยู่แล้วคือเหตุผลที่เราก่อตั้ง Gradient Labs และทำการเดิมพันบน AI แนวตั้งที่สร้างขึ้นโดยเฉพาะสำหรับการเงิน

คุณได้อธิบายว่าผู้บริโภคกำลังประสบกับ “ขอบคมของประสบการณ์”: เอเจนต์ AI สามารถทำงานที่ซับซ้อนอย่างมหาศาลได้ในขณะที่ระบบอื่นล้มเหลวในสิ่งที่ง่ายเช่นการแยกหมายเลขโทรศัพท์ออกจากชื่อ สิ่งใดเป็นสาเหตุที่ทำให้เกิดช่องว่างที่ชัดเจนเช่นนั้นระหว่างประสบการณ์ AI แม้ว่ารุ่นพื้นฐานอาจมีความสามารถใกล้เคียงกัน?

ผมคิดว่าช่องว่างนั้นเกี่ยวกับปริมาณวิศวกรรมที่ใส่เข้าไปในโมเดลมากกว่าความสามารถดิบของโมเดลเอง หากระบบล้มเหลวในงานง่ายเช่นการสับสนระหว่างหมายเลขโทรศัพท์และชื่อ หมายความว่ามันไม่ได้ลงทุนในกรอบงานรอบๆ เช่น การตรวจสอบความถูกต้อง, ลอจิกสำรอง, การจัดการข้อมูลโครงสร้าง ฯลฯ เอเจนต์ที่น่าประทับใจมากกว่ามักจะได้รับการออกแบบให้ตรงกับงานของมันอย่างแม่นยำ มันเป็นตระกูลโมเดลพื้นฐานเดียวกัน แต่มีระดับความเข้มงวดที่แตกต่างอย่างสิ้นเชิง ซึ่งเป็นสาเหตุโดยตรงของขอบคมนี้

เมื่อโมเดลระดับแนวหน้าเติบโตต่อเนื่อง ทำไมความล้มเหลวพื้นฐานของ AI ยังคงเกิดขึ้น? สิ่งเหล่านี้เป็นข้อจำกัดของโมเดลเองเป็นหลัก หรือเป็นความล้มเหลวของสถาปัตยกรรมระบบโดยรอบ, ข้อมูล, กระบวนการทำงาน, การประเมินผล, และการออกแบบผลิตภัณฑ์?

ส่วนใหญ่เป็นปัญหาของระบบ ไม่ใช่โมเดล โมเดลระดับแนวหน้ายังคงพัฒนาความสามารถในการให้เหตุผลได้ดีขึ้น อย่างไรก็ตาม บริษัทมักเชื่อมต่อโมเดลเหล่านั้นกับระบบที่ไม่ได้ออกแบบมาสำหรับพฤติกรรมที่อิงความน่าจะเป็น มีการบูรณาการที่เปราะบางและข้อมูลที่ไม่ครบถ้วนในระบบโดยไม่มีวงจรการประเมินผลที่แท้จริงก่อนการเปลี่ยนแปลงถูกปล่อยออก ดังนั้นความล้มเหลวพื้นฐานของ AI ในการผลิตจึงไม่ใช่ความล้มเหลวของ AI จริงๆ แต่เป็นความล้มเหลวในการลงทุนด้านการประเมินผล, การเฝ้าติดตาม, และกระบวนการออกแบบ workflow

หลายบริษัทดูเหมือนจะปรับแต่งการบริการลูกค้า AI ตามความเร็ว, การควบคุม, หรือการหลีกเลี่ยงตั๋ว. หากต้องการวัดว่าเอเจนต์ AI ปรับปรุงประสบการณ์ลูกค้าอย่างแท้จริง บริษัทควรใช้เมตริกใดแทน?

สำหรับเรื่องนี้ เราต้องพิจารณาความแม่นยำของการแก้ปัญหา ความเร็วและการควบคุมใช้เพื่อประเมินว่าคุณสามารถทำให้ลูกค้าหยุดสนทนาทางโทรศัพท์ได้หรือไม่ ไม่ใช่ว่าสามารถแก้ปัญหาของพวกเขาได้หรือไม่ ความแม่นยำของการแก้ปัญหา ซึ่งควรใช้วัดความสามารถของเอเจนต์ AI จะพิจารณาว่าเอเจนต์ทำสิ่งที่ถูกต้องหรือไม่ แทนที่จะตอบอย่างรวดเร็วเพียงอย่างเดียว สิ่งนี้จะทำงานร่วมกับสัญญาณอื่น ๆ เช่น อัตราการติดต่อซ้ำ ปริมาณข้อร้องเรียน และความถี่ที่มนุษย์ต้องแทรกแซงหลังจากนั้น คุณจะรู้ว่าคุณกำลังเพิ่มประสิทธิภาพไปสู่ผลลัพธ์ที่ผิดพลาด หากการเบี่ยงเบนเพิ่มขึ้น แต่การติดต่อซ้ำและข้อร้องเรียนก็เพิ่มตามไปด้วย

Gradient Labs มุ่งเน้นไปที่บริการทางการเงินที่อยู่ภายใต้การควบคุม ซึ่งการตอบสนองที่ไม่ถูกต้องอาจมีผลกระทบมากกว่าข้อผิดพลาดทั่วไปของการบริการลูกค้าอย่างมาก คุณจะกำหนดว่าเอเจนต์ AI นั้นน่าเชื่อถือพอที่จะจัดการกระบวนการต่าง ๆ อย่างอัตโนมัติในด้านเช่น การให้กู้ยืม ข้อพิพาท การรับสมัคร หรือการตรวจสอบ Know Your Customer ได้อย่างไร

เส้นทางเริ่มต้นที่ทีมส่วนใหญ่มักเลือกคือการทำงานแบบผู้ช่วยร่วม: มีคนอนุมัติทุกการกระทำเพราะรู้สึกปลอดภัยกว่า และส่วนใหญ่ก็เชื่อว่านั่นปลอดภัยกว่า แต่ในความเป็นจริง เมื่อ AI ทำสิ่งส่วนใหญ่ได้ถูกต้อง ผู้ตรวจสอบก็อนุมัติโดยไม่ได้ตรวจสอบจริง ๆ และความปลอดภัยก็หายไปเช่นกัน สิ่งนี้ไม่ได้ช่วยลดภาระงานที่มีอยู่เลย เพียงทำให้กระบวนการเร็วขึ้นและลดคุณค่าที่คุณได้รับ

นี่คือเหตุผลที่แนวคิดของเอเจนต์ AI ที่น่าเชื่อถือพอจึงต้องพิจารณาตามกระบวนการเฉพาะที่ Gradient Labs สำหรับเรา ต้องพัฒนาโดยผ่านความอิสระเป็นขั้นตอนและไม่ควรมองว่าเป็นเป้าหมายเดียวที่ต้องทำให้สำเร็จ เอเจนต์สามารถได้รับอิสระมากขึ้นในเรื่องเช่น KYC หรือข้อพิพาทได้เฉพาะหลังจากที่ได้ผ่านการเปรียบเทียบกับชุดกรณีจริงที่มีจำนวนมากและเป็นข้อมูลที่อัปเดตอยู่ตลอดเวลา พร้อมการตรวจสอบโดยมนุษย์ในตัวอย่างการตัดสินใจของมันแม้หลังจากที่เข้าสู่การผลิตแล้ว สิ่งที่น่าสนใจก็คือมันยืนยันว่าความสามารถในการย้อนกลับก็มีความสำคัญจริง ๆ หากบางอย่างสามารถยกเลิกได้ จะได้รับอิสระเร็วกว่าเรื่องที่ไม่สามารถทำได้

แนวป้องกัน (guardrails) ถูกนำเสนอเป็นวิธีแก้ปัญหาเพื่อทำให้เอเจนต์ AI ปลอดภัยยิ่งขึ้น แต่การเพิ่มกฎเกณฑ์มากขึ้นอาจทำให้ระบบแข็งกระด้างหรือขัดขางการทำงานที่ถูกต้องได้อย่างไร คุณจะสมดุลระหว่างอิสระและแนวป้องกันโดยไม่ทำให้เอเจนต์กลายเป็นแชทบอทที่ถูกจำกัดอย่างเข้มข้นได้อย่างไร

ความผิดพลาดคือการมองว่าแนวป้องกันเป็นกำแพงที่เอเจนต์กระเด้งออกไป ในระบบของเรา แนวป้องกันทำสองอย่างพร้อมกัน เราใช้แนวป้องกันในทุก ๆ ขั้นตอนของการสนทนา — บางส่วนตรวจสอบสิ่งที่ลูกค้าพูดเพื่อจับจุดเช่น ความเปราะบาง ความยากลำบากทางการเงิน หรือข้อร้องเรียน ส่วนอื่นตรวจสอบสิ่งที่เอเจนต์กำลังจะพูดเพื่อให้สอดคล้องกับกฎเกณฑ์ แต่เมื่อมีการทำงาน ไม่ได้เพียงบล็อกเท่านั้น: มันจะเปลี่ยนเส้นทางเอเจนต์ไปสู่กระบวนการที่ถูกต้อง และการตัดสินใจนั้นโปร่งใสในเหตุผลของเอเจนต์ ทำให้ผู้ปฏิบัติงานสามารถเห็นเหตุผลที่เอเจนต์ทำเช่นนั้น แนวป้องกันที่ลึกซึ้งยิ่งขึ้นยังถูกฝังเข้าไปในวิธีที่เอเจนต์เรียนรู้ที่จะคิดเกี่ยวกับงาน ข้อมูลที่มันเข้าถึง และเครื่องมือที่มันใช้ การผสมผสานนี้ทำให้ระบบปลอดภัยโดยไม่ทำให้แข็งกระด้าง: เอเจนต์เข้าใจว่าแนวป้องกันคืออะไรและทำไมถึงมีอยู่ ดังนั้นจึงทำงานที่ถูกต้องแทนที่จะปฏิเสธสิ่งที่ดูเหมือนจะไม่ได้รับอนุญาต

ที่นี่ ฉันคิดว่าปัญหาคือการมองว่าแนวป้องกันเป็นกำแพงอิฐที่เอเจนต์ต้องกระเด้งออกจากมัน โดยเฉพาะเราจะใช้แนวป้องกันสองประเภทที่แตกต่างกันในทุกขั้นตอนของการสนทนา ประเภทแรกคือแนวป้องกันลูกค้าที่ตรวจสอบสิ่งที่ลูกค้าพูดและควรจับจุดความเปราะบาง ความยากลำบากทางการเงิน ลูกค้าที่ทำการร้องเรียนและอื่น ๆ อีกประเภทที่สองคือแนวป้องกันเอเจนต์ที่ทำงานในทางตรงกันข้าม ตรวจสอบสิ่งที่เอเจนต์จะพูดก่อนส่งข้อความเพื่อให้สอดคล้องกับกฎเกณฑ์

นี่หมายความว่า แทนที่จะบล็อกการกระทำอย่างสมบูรณ์เมื่อแนวป้องกันใดทำงาน ระบบจะเปลี่ยนเส้นทางไปยังทางที่ถูกต้อง วิธีนี้ทำให้ความโปร่งใสในการตัดสินใจของเอเจนต์ยังคงอยู่และให้ผู้ปฏิบัติงานมนุษย์ทราบเหตุผลของการกระทำดังกล่าว

เราสามารถทำเช่นนี้ได้เพราะไม่ใช่ทุกแง่มุมของกระบวนการให้เหตุผลของเอเจนต์ที่ต้องผ่าน LLM แนวป้องกันเหล่านี้เป็นแบบกำหนดล่วงหน้า เพราะมันไม่เพียงทำงานเมื่อจบการสนทนาเท่านั้น แต่จะกระตุ้นตลอดอายุการทำงานของเอเจนต์ นี่คือวิธีที่เราสามารถไว้วางใจเอเจนต์ในการสื่อสารที่ละเอียดอ่อนและอนุญาตให้ปรับแต่งเอเจนต์เฉพาะสำหรับกรณีการใช้งานในระดับใหญ่และอย่างคาดการณ์ได้

สิ่งที่สำคัญที่สุดคือวิธีที่เอเจนต์ได้รับการสอนให้คิดผ่านงานตั้งแต่แรก เพื่อให้มั่นใจว่ามันสามารถเข้าถึงข้อมูลที่เกี่ยวข้องและรู้จักเครื่องมือที่ต้องใช้ ความสามารถของเอเจนต์ในการทำงานที่ถูกต้องแทนการปฏิเสธสิ่งที่ดูเหมือนจะไม่ได้รับอนุญาตนั้นเป็นสิ่งที่ช่วยเพิ่มความปลอดภัยและหลีกเลี่ยงความแข็งกระด้าง

มนุษย์ควรอยู่ในขั้นตอนใดบ้างเมื่อเอเจนต์ AI มีความอิสระเพิ่มขึ้น? มีการตัดสินใจหรือการโต้ตอบกับลูกค้าบางประเภทที่คุณเชื่อว่าควรยังคงต้องอาศัยการตัดสินใจของมนุษย์โดยไม่คำนึงถึงความสามารถของโมเดลพื้นฐานที่เพิ่มขึ้นหรือไม่

หากการตัดสินใจต้องการการพิจารณาที่ซื่อสัตย์ มีผลกระทบสำคัญต่อผู้ใช้บริการ หรือเกี่ยวข้องกับผลลัพธ์ที่เอเจนต์ยังไม่ได้รับการประเมิน ต้องมีมนุษย์เข้ามามีส่วนร่วม ไม่จำเป็นต้องให้มนุษย์ทำทั้งหมด แต่ควรตรวจสอบหรืออนุมัติตามที่จำเป็น สิ่งนี้อาจยังคงเป็นความจริงแม้โมเดลจะมีความสามารถมากขึ้น เพราะปัญหามักไม่ได้เกี่ยวกับความสามารถ แต่เกี่ยวกับความรับผิดชอบและสิทธิของลูกค้าที่ต้องการผู้ตัดสินใจที่เป็นมนุษย์ในกรณีเช่นผลลัพธ์ด้านเครดิตหรือข้อพิพาท

หากการตัดสินใจต้องการการพิจารณาที่ซื่อสัตย์ มีผลกระทบสำคัญต่อผู้ใช้บริการ หรือเกี่ยวข้องกับผลลัพธ์ที่เอเจนต์ยังไม่ได้รับการประเมิน จำเป็นต้องมีมนุษย์เข้ามามีส่วนร่วม ฉันจะขยายแนวคิดนี้ให้กว้างกว่ารูปแบบการสำรองทั่วไป เพื่อยืนยันว่าเอเจนต์กำลังได้รับตำแหน่งในแผนผังองค์กรเคียงข้างมนุษย์มากขึ้น ผลที่ตามมาคือการเปลี่ยนแปลงการใช้แรงงานของมนุษย์ให้มุ่งเน้นไปที่การยกระดับและการตัดสินใจเชิงวิจารณ์มากขึ้น ส่วนเอเจนต์จะรับหน้าที่ประสานงานและกำหนดเส้นทางงาน

แต่เพื่อให้สิ่งนี้ประสบความสำเร็จจริง ๆ เอเจนต์ต้องมีบริบทสถาบันเดียวกับที่มนุษย์มี เพื่อให้รู้ว่าจะต้องเชื่อมต่อกับใครในประเด็นต่าง ๆ และเมื่อใด นี่คือเหตุผลที่เราพัฒนา Collaborate เพื่อให้ผู้ดำเนินการ วิศวกร และเอเจนต์ทำงานร่วมกันในฐานะเพื่อนร่วมงาน ด้วยการควบคุมเวอร์ชัน การประเมินผล และการเรียนรู้อย่างต่อเนื่องเป็นหัวใจหลัก สิ่งนี้ทำให้มั่นใจว่ามนุษย์ยังคงอยู่ในวงจรอย่างเต็มที่ และวงจรนั้นเพียงเปลี่ยนรูปแบบเพื่อรองรับการประสานงานระหว่างเอเจนต์และมนุษย์ให้ดีขึ้น

Gradient Labs มุ่งเน้นไปที่เอเจนต์ผู้เชี่ยวชาญที่ออกแบบมาสำหรับกระบวนการทำงานด้านบริการทางการเงินเฉพาะ ไม่ใช่เอเจนต์แบบทั่วไปเดียว คุณเชื่อว่าอนาคตของ AI ในองค์กรจะประกอบด้วยเครือข่ายของเอเจนต์เชี่ยวชาญเป็นหลัก หรือโมเดลพื้นฐานที่มีความสามารถเพิ่มขึ้นเรื่อย ๆ จะทำให้ความเชี่ยวชาญนั้นลดความสำคัญลงในที่สุดหรือไม่?

ผมคิดว่าแม้โมเดลพื้นฐานจะพัฒนา ความเชี่ยวชาญยังคงมีความสำคัญ ผู้ใช้จะไม่ได้จ่ายเพียงเพื่อโมเดลอัจฉริยะ แต่เพื่อการประเมินที่เฉพาะเจาะจงกับกระบวนการทำงาน แนวทางการป้องกัน และการบูรณาการข้อมูลที่สร้างขึ้นรอบ ๆ โมเดลนั้น และงานเหล่านี้จะไม่หายไปเพียงเพราะโมเดลพื้นฐานดีขึ้น ผมมองว่าอนาคตจะเป็นเครือข่ายของเอเจนต์ผู้เชี่ยวชาญที่สร้างบนโมเดลพื้นฐานที่แข็งแกร่งและร่วมกัน แทนที่จะเป็นเอเจนต์แบบทั่วไปที่ทำทุกอย่าง

เอเจนต์ AI ต้องเรียนรู้และพัฒนาต่อเนื่องหลังการใช้งานมากขึ้น แต่ในสภาพแวดล้อมที่มีการควบคุม แม้การเปลี่ยนแปลงพฤติกรรมเล็กน้อยก็อาจสร้างความเสี่ยงใหม่ได้ บริษัทจะสามารถปรับปรุงเอเจนต์อย่างต่อเนื่องได้อย่างไร โดยยังคงมั่นใจว่าการอัปเดตจะไม่ทำให้เกิดการถดถอย ปัญหาการปฏิบัติตามกฎระเบียบ หรือพฤติกรรมที่ไม่คาดคิด?

หลักการที่เราปฏิบัติตามคือการถือว่าการอัปเดตแต่ละครั้งเป็นการปล่อยโมเดลใหม่ ไม่ใช่การเปลี่ยนแปลงการกำหนดค่าทีละขั้นตอน ดังนั้นการเปลี่ยนแปลงทุกอย่างต้องผ่านชุดการประเมินเต็มรูปแบบก่อนส่งออก ซึ่งรวมถึงการทดสอบการถดถอยโดยอ้างอิงเหตุการณ์ที่ผ่านมา ที่ความผิดพลาดอาจส่งผลจริง ๆ และไม่มีการเปิดใช้งานพร้อมกันสำหรับลูกค้าทุกคน เราจะค่อย ๆ ปล่อยและเฝ้าติดตาม เพื่อให้หากเกิดการเบี่ยงเบน เราจะตรวจจับได้ในส่วนของการจราจรที่จำกัด ไม่ใช่ในระดับเต็ม นี่คือสิ่งที่การปล่อยเวอร์ชัน Collaborate ล่าสุดของเราตั้งใจทำ Collaborate ทำให้ผู้ดำเนินการ วิศวกร และเอเจนต์ AI ทำงานร่วมกันเป็นเพื่อนร่วมงานบนคำนิยามที่เป็นชีวิตของวิธีที่เอเจนต์ควรคิด โดยมีการควบคุมเวอร์ชัน การประเมินผล และการเรียนรู้อย่างต่อเนื่องฝังอยู่ในกระบวนการทำงาน ดังนั้นเมื่อมีคนปรับปรุงวิธีที่เอเจนต์จัดการกรณี การเปลี่ยนแปลงนั้นจะถูกจัดเวอร์ชัน ทดสอบกับการสนทนาที่ผ่านมา และปล่อยภายใต้การควบคุมเดียวกับการปล่อยอื่น ๆ หมายความว่าเอเจนต์สามารถพัฒนาได้ต่อเนื่องหลังการใช้งานโดยที่การปรับปรุงนั้นไม่กลายเป็นสาเหตุของการถดถอยหรือปัญหาการปฏิบัติตามกฎระเบียบ

มองไปข้างหน้า เมื่อการเข้าถึงโมเดลพื้นฐานที่ทรงพลังกลายเป็นสินค้าทั่วไปมากขึ้น ความได้เปรียบเชิงแข่งขันที่แท้จริงในแอปพลิเคชัน AI จะมาจากที่ไหน? ผู้ชนะจะเป็นผู้ที่มีโมเดลที่ดีที่สุด หรือผู้ที่เชี่ยวชาญในการออกแบบระบบที่เชื่อถือได้และมอบประสบการณ์ที่สม่ำเสมอและดีรอบ ๆ โมเดลเหล่านั้น?

เมื่อโมเดลพื้นฐานจำนวนมากเริ่มบรรจบกัน ความได้เปรียบจะย้ายไปอยู่ในมือของผู้ที่เชี่ยวชาญในการสร้างระบบที่เชื่อถือได้มากขึ้นรอบโมเดลเหล่านี้ รวมถึงการประเมินผล แนวทางการป้องกัน ข้อมูล และการออกแบบกระบวนการ โมเดลกำลังกลายเป็นอินพุตเชิงพาณิชย์ แต่ความสม่ำเสมอและความน่าเชื่อถือในการผลิตคือสินค้าจริง

ยิ่งกว่านั้น ผมมองว่าความได้เปรียบจะมาจากระดับการฝังตัวของเอเจนต์ในกระบวนการทำงานของบริษัทอย่างลึกซึ้ง เอเจนต์ที่สามารถฝังตัวในหลายส่วนของการดำเนินงานของบริษัทจะชนะเหนือเครื่องมือที่ทำได้เฉพาะปัญหาใดปัญหาหนึ่งหรือเข้าถึงแค่ส่วนหน้าขององค์กร เมื่อเอเจนต์สามารถทำงานข้ามระบบส่วนหน้าและส่วนหลังได้ จะนำบริบทที่มากขึ้นเข้าสู่การโต้ตอบและจัดการปัญหาที่ซับซ้อนแบบต้นจนจบได้เช่นเดียวกับมนุษย์ การที่เอเจนต์สามารถสอดคล้องกับวิธีการทำงานจริงของบริษัทคือจุดที่ผมคาดว่าความสำเร็จระยะยาวจะมาจาก

ขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านที่ต้องการเรียนรู้เพิ่มเติมควรเยี่ยมชม Gradient Labs.