ราช ชุกลา CTO ของ SymphonyAI – สัมภาษณ์系列

ราช ชุกลา ขับเคลื่อนแผนการทางเทคโนโลยีและความสำเร็จของ SymphonyAI โดยนำทีมวิศวกรที่สร้างแพลตฟอร์ม Eureka Gen AI ด้วยประสบการณ์เกี่ยวกับ AI/ML มากกว่า 20 ปี ชุกลา ยังมีประสบการณ์มากมายเกี่ยวกับ AI SaaS ในระดับองค์กรจากบทบาทการเป็นผู้นำวิศวกรรมที่ Microsoft ซึ่งรวมถึงการเป็นผู้นำองค์กรวิทยาศาสตร์และวิศวกรรม AI ทั่วโลกใน Azure, Dynamics 365, MSR และส่วนการค้นหาและโฆษณา ราช มีประสบการณ์มากมายเกี่ยวกับ AI/ML ในด้านการค้นหา โฆษณา และ AI องค์กร และได้สร้างผลิตภัณฑ์ AI SaaS ที่ประสบความสำเร็จหลายรายการในด้านผู้บริโภคและธุรกิจ

SymphonyAI เป็นบริษัท AI ระดับองค์กรที่มุ่งเน้นในการสร้างแอปพลิเคชัน AI ที่เฉพาะเจาะจงสำหรับอุตสาหกรรมต่างๆ ซึ่งให้คุณค่าทางธุรกิจทันที แทนที่จะใช้โมเดลทั่วไป บริษัทให้คำตอบแนวตั้งสำหรับ零售 สินค้าอุปโภคบริโภค บริการทางการเงิน การผลิต สื่อ และ IT โดยแก้ไขปัญหาด้านการคาดการณ์ การป้องกันการฉ้อโกง การเพิ่มประสิทธิภาพการดำเนินงาน และการวิเคราะห์ ผลิตภัณฑ์ของบริษัทได้รับการสนับสนุนจากแพลตฟอร์ม Eureka AI ซึ่งผสมผสานความสามารถในการคาดการณ์ การสร้าง และการดำเนินการเข้าด้วยกันในกระบวนการทำงานที่ปรับให้เหมาะสมสำหรับแต่ละภาคส่วน บริษัทก่อตั้งขึ้นในปี 2017 และเติบโตเป็นผู้นำระดับโลกในด้าน AI แนวตั้ง โดยให้บริการลูกค้าองค์กรหลายพันรายด้วยโซลูชันที่มุ่งเน้นด้านโดเมนและสามารถปรับขนาดได้

คุณได้ทำงานในระดับแนวหน้าของนวัตกรรม AI ที่ Microsoft, Oracle และตอนนี้คือ SymphonyAI—สิ่งใดที่ดึงดูดคุณเข้าสู่โลกของ AI ระดับองค์กร และมุมมองของคุณเปลี่ยนแปลงไปอย่างไรตลอดหลายปีที่ผ่านมา?

การเดินทางของฉันเข้าสู่โลก AI ระดับองค์กรเริ่มต้นจากความเชื่อหลักว่าบริษัทต่างๆ ควรนำ AI ที่แก้ปัญหาทางธุรกิจที่แท้จริง ไม่ใช่แค่สร้าง AI เพื่อความสนุกสนาน ฉันเห็นว่าโซลูชัน AI ทั่วไปที่ไม่มีการปรับให้เหมาะสมนั้นแทบจะไม่มีคุณค่าในการเปลี่ยนแปลงธุรกิจที่แท้จริง ที่ SymphonyAI เราได้สร้างกลยุทธ์และวัฒนธรรมของบริษัทบนพื้นฐานของการสร้าง AI ที่เข้าใจความท้าทายเฉพาะของอุตสาหกรรมต่างๆ ตั้งแต่การตรวจจับการฉ้อโกงทางการเงินไปจนถึงการวางแผนการขายปลีกที่เน้นลูกค้าและการเพิ่มประสิทธิภาพการทำงานในอุตสาหกรรม การพร้อมสำหรับองค์กรมีบทบาทสำคัญ—การนำ AI ระดับองค์กรไปใช้สำเร็จต้องมีมากกว่าแค่เทคโนโลยีที่ดี แต่ต้องมีการกำกับดูแลข้อมูลและสถาปัตยกรรมที่ยอดเยี่ยม การทำงานร่วมกันข้ามฟังก์ชันที่ซับซ้อน และความโปร่งใสและตรวจสอบได้

ข้อบกพร่องเฉพาะเจาะจงใดที่องค์กรต่างๆ พบเมื่อใช้โมเดลที่ได้รับการฝึกฝนแบบทั่วไป โดยเฉพาะในภาคส่วนควบคุมอย่างการเงินหรือสุขภาพ? 

โมเดลที่ได้รับการฝึกฝนแบบทั่วไปไม่ได้ถูกสร้างขึ้นสำหรับสภาพแวดล้อมที่มีความเสี่ยงสูงและมีการควบคุมอย่างการเงิน สุขภาพ และการค้าปลีก โมเดลเหล่านี้พบกับอุปสรรคสำคัญ รวมถึงความจำเป็นในการมีความเชี่ยวชาญด้านโดเมนเพื่อแก้ไขปัญหาที่เฉพาะเจาะจงสำหรับอุตสาหกรรม และปฏิบัติตามข้อกำหนดด้านกฎระเบียบและความสม่ำเสมอ ที่สำคัญที่สุดคือพวกมันไม่สามารถให้ความแม่นยำและความสามารถในการติดตามที่องค์กรต่างๆ ต้องการได้ โดยที่ข้อผิดพลาดอาจก่อให้เกิดอันตรายต่อผู้บริโภคหรือทำให้เกิดการละเมิดกฎระเบียบ ไม่ว่าจะเป็นการปฏิบัติตามกฎระเบียบต่อต้านการฟอกเงินหรือการช่วยให้ร้านขายของชำสามารถถอดของที่ถูกเรียกคืนออกจากศูนย์กระจายสินค้าและชั้นวางได้อย่างรวดเร็ว เทคโนโลยี AI แนวตั้งของ SymphonyAI ถูกสร้างขึ้นโดยเฉพาะสำหรับอุตสาหกรรมที่เราทำงานด้วยและได้รับการฝึกฝนจากออนโทโลจีของอุตสาหกรรมเหล่านั้น ทำให้สามารถตัดสินใจหรือดำเนินการโดยตรงเพื่อสร้างผลกระทบทางธุรกิจ

การผสมผสานโมเดลที่ได้รับการฝึกฝนแบบทั่วไปเข้ากับตรรกะโดเมนลึกถึงเป็นกุญแจสำคัญในการปลดล็อก ROI ระดับองค์กร—ส่วนประกอบสำคัญใดๆ เช่น ความรู้ด้านอุตสาหกรรม การจัดแนว KPI และรั้วการกำกับดูแลที่ทำให้แนวทางนี้มีประสิทธิภาพ? 

การผสมผสานโมเดลที่ได้รับการฝึกฝนแบบทั่วไปเข้ากับตรรกะโดเมนลึกถึงสามารถปลดล็อกมูลค่าโดยการสร้างระบบ AI ที่เข้าใจบริบททางธุรกิจและความต้องการการดำเนินงาน แนวทางนี้จะสำเร็จเมื่อโมเดลได้รับการปรับปรุงด้วยออนโทโลจีเฉพาะด้านของอุตสาหกรรม จัดแนวกับ KPI ขององค์กรเพื่อให้แน่ใจว่าผลลัพธ์ตรงตามวัตถุประสงค์ทางธุรกิจที่วัดได้ และมีรั้วการกำกับดูแลที่ให้โครงสร้างการปฏิบัติตามกฎระเบียบและบันทึกการตรวจสอบ เมื่อองค์ประกอบเหล่านี้ทำงานร่วมกัน AI ทั่วไปจะเปลี่ยนเป็นโซลูชันที่สำคัญต่อธุรกิจที่ขับเคลื่อนผลลัพธ์ที่วัดได้ ในขณะเดียวกันก็รักษาความน่าเชื่อถือและความสม่ำเสมอที่องค์กรต่างๆ ต้องการ

IBM ได้เข้าซื้อกิจการ Seek AI และเปิดตัว Watsonx Labs ในนิวยอร์กซิตี้ ซึ่งบ่งบอกถึงการเปลี่ยนแปลงเชิงกลยุทธ์ที่อาจเกิดขึ้นในภูมิทัศน์ AI—สิ่งนี้บ่งบอกถึงอะไรเกี่ยวกับอนาคตของการควบควมและการลงทุนใน AI ระดับองค์กร? 

การเข้าซื้อกิจการ Seek AI ของ IBM และการเปิดตัว Watsonx Labs เป็นการยืนยันการเปลี่ยนแปลงพื้นฐานที่เราคาดการณ์ไว้: ภูมิทัศน์ AI ระดับองค์กรได้เปลี่ยนแปลงไป โดยบ่งชี้ว่าคลื่นต่อไปของการควบควมจะจัดลำดับความสำคัญของบริษัทที่มีโมเดล AI แนวตั้งที่ได้รับการฝึกฝนซึ่งมีความเชี่ยวชาญด้านอุตสาหกรรม การกำกับดูแล และรั้วการกำกับดูแล และ KPI ที่ขับเคลื่อนผลลัพธ์ ผู้ซื้อเชิงกลยุทธ์อย่าง IBM ตระหนักว่าเอเย่นต์ AI ที่มุ่งเน้นไปที่ข้อมูลองค์กรจะให้ ROI ทันทีเมื่อเข้าใจการทำงานของอุตสาหกรรม ตลาดกำลังรวมตัวกันโดยยอมรับว่าความฉลาดทั่วไปต้องการการเชี่ยวชาญด้านแนวตั้งเพื่อขับเคลื่อนการเปลี่ยนแปลงขององค์กร

เมื่อใดที่โมเดลพื้นฐานจะพัฒนาเป็นเอเย่นต์เฉพาะโดเมน—สิ่งบ่งชี้ทางสถาปัตยกรรมใดที่แสดงถึงการเปลี่ยนแปลงนี้? 

โมเดลพื้นฐานไม่ได้พัฒนาเป็นเอเย่นต์เฉพาะโดเมนโดยธรรมชาติ แต่ต้องได้รับการออกแบบให้เป็นเช่นนั้น ไม่มีเส้นทางโดยตรงที่โมเดลทั่วไปจะ “ฉลาดขึ้น” และกลายเป็นนักตรวจสอบธนาคาร การเปลี่ยนแปลงเกิดขึ้นเมื่อทีมวิศวกรรมหยุดพึ่งพาความฉลาดดั้งเดิมของโมเดลและเริ่มสร้างสถาปัตยกรรมที่มีการกำกับดูแลรอบๆ โมเดล โดยเฉพาะการฉีดชั้นบริบท (เช่น กราฟความรู้) และชั้นการกำกับดูแลเพื่อบังคับให้โมเดลปฏิบัติตามกระบวนการทางธุรกิจมากกว่าแนวโน้มความน่าจะเป็นของมันเอง

อะไรคือความท้าทายหลักที่พบในการสร้างเวิร์กโฟลว์แบบเอเย่นต์ที่มีความยืดหยุ่นและเฉพาะโดเมน และ SymphonyAI จัดการกับความท้าทายเหล่านี้อย่างไร? 

ความท้าทายหลักในการสร้างเวิร์กโฟลว์แบบเอเย่นต์ที่มีความยืดหยุ่นและเฉพาะโดเมนคือการรักษาความน่าเชื่อถือทั่วกระบวนการที่ซับซ้อนหลายขั้นตอน SymphonyAI จัดการกับความท้าทายเหล่านี้ผ่านสถาปัตยกรรมหลายชั้นที่ฝังความเชี่ยวชาญด้านโดเมนเข้าไปในตัวแทน โดยใช้การรับมือผิดพลาดและการกู้คืน และการบริหารจัดการบริบทที่คงอยู่ตลอดกระบวนการหลายเซสชันขององค์กร ทำให้ตัวแทนของเราสามารถทำงานได้อย่างน่าเชื่อถือในสภาพแวดล้อมที่มีการควบคุมสูง โดยที่ความยืดหยุ่นหมายถึงการรักษาความแม่นยำ การปฏิบัติตามกฎระเบียบ และความสมบูรณ์ในการดำเนินงาน

SymphonyAI เน้นย้ำถึงรากฐานข้อมูลที่มั่นคง กราฟความรู้ และชั้นข้อมูลอธิบาย—ความสามารถเหล่านี้มีความสำคัญต่อเอเย่นต์ AI แนวตั้ง และทำไมหลายองค์กรจึงต้องดิ้นรนในการนำไปใช้? 

รากฐานข้อมูลที่มั่นคงและกราฟความรู้มีความสำคัญอย่างยิ่งต่อเอเย่นต์ AI แนวตั้งเพื่อให้ได้แหล่งข้อมูลที่มีความหมาย การให้คำแนะนำที่มีบริบท และการปรับตัวให้เข้ากับการเปลี่ยนแปลงของตลาด ลูกค้า และกระบวนการในทุกๆ ระดับขององค์กร องค์กรส่วนใหญ่ต้องดิ้นรนในการนำความสามารถเหล่านี้ไปใช้ เนื่องจากต้องมีการลงทุนล่วงหน้าอย่างมีนัยสำคัญในด้านสถาปัตยกรรมข้อมูล ความเชี่ยวชาญด้านออนโทโลจีที่เฉพาะเจาะจง และการเปลี่ยนแปลงพื้นฐานในแนวปฏิบัติด้านข้อมูลที่หลายองค์กรพบว่าเป็นเรื่องที่ท้าทายทั้งในด้านองค์กรและด้านเทคนิค นั่นคือจุดที่หุ้นส่วนเทคโนโลยี AI ที่มีประสบการณ์และความรู้ลึกในแนวตั้งนั้นมีคุณค่า รวมถึงความสามารถในการฝึกฝน AI ล่วงหน้าด้วยข้อมูลโดเมนจำนวนมากและแหล่งข้อมูลที่หลากหลายในอุตสาหกรรมนั้น

ในสถานการณ์จริง เช่น การตรวจจับการฉ้อโกงทางการเงินหรือการคาดการณ์การขายปลีก—SymphonyAI รวม AI ที่คาดการณ์ การสร้าง และการดำเนินการเข้าด้วยกันเป็น “ทักษะ” ที่สอดคล้องกันอย่างไร?

SymphonyAI รวม AI ที่คาดการณ์ การสร้าง และการดำเนินการเข้าด้วยกันเป็น “ทักษะ” ที่สอดคล้องกันโดยการสร้างเวิร์กโฟลว์ที่รวมกันซึ่งแต่ละผลิตภัณฑ์ AI ตอบสนองต่อปัญหาทางธุรกิจที่เฉพาะเจาะจง ในการตรวจจับการฉ้อโกงทางการเงิน โมเดลการคาดการณ์ของเราจะระบุรูปแบบธุรกรรมที่น่าสงสัย และ AI การสร้างจะสร้างรายงานการตรวจสอบและประเมินความเสี่ยงที่มีรายละเอียด ในเวลาเดียวกัน เอเย่นต์ AI จะกำกับดูแลเวิร์กโฟลว์ทั้งหมด โดยอัตโนมัติเพิ่มระดับกรณี การประสานงานกับทีมการปฏิบัติตามกฎระเบียบ และปรับกลยุทธ์การตรวจสอบตามการค้นพบในเวลาจริง

จุดสำคัญคือสิ่งเหล่านี้ไม่ใช่เครื่องมือ AI ที่แยกจากกัน แต่เป็นความสามารถที่รวมกันภายในตัวแทนเฉพาะโดเมนที่เข้าใจบริบททางธุรกิจ รักษาสถานะเวิร์กโฟลว์ และสามารถเปลี่ยนระหว่างการวิเคราะห์การคาดการณ์ การสร้างเนื้อหา และการดำเนินการอัตโนมัติเพื่อผลลัพธ์ทางธุรกิจที่สมบูรณ์ ไม่ใช่ผลลัพธ์ AI ที่กระจัดกระจาย

คุณได้เตือนไว้ว่าเอเย่นต์ AI ระดับองค์กรหลายตัวอาจสะดุดโดยไม่มีความแข็งแกร่ง—ลักษณะสำคัญใดที่ทำให้เอเย่นต์ AI ระดับองค์กรที่ได้รับการออกแบบอย่างดีและทนทานต่อข้อผิดพลาดมีคุณสมบัติ? 

เอเย่นต์ AI ระดับองค์กรที่ได้รับการออกแบบอย่างดีและทนทานต่อข้อผิดพลาดต้องการคุณลักษณะสำคัญหลายประการ แม้ว่าหลายธุรกิจจะลงทุนและใช้เอเย่นต์ AI เพื่อเพิ่มประสิทธิภาพ การผลิต และนวัตกรรมอย่างรวดเร็ว แต่พวกเขามักจะประเมินคุณค่าของงานพื้นฐานที่จำเป็นสำหรับความสำเร็จ สิ่งสำคัญที่เอเย่นต์ที่ได้รับการออกแบบอย่างดีต้องมีเพื่อความสำเร็จคือ:

• เอเย่นต์ AI ระดับองค์กรทำงานบนข้อมูลองค์กร ซึ่งมักจะถูกแยกออกและขาดการเข้าถึงอย่างเป็นระบบ การควบคุมการเข้าถึง และการควบคุมการเข้าถึง เอเย่นต์ต้องได้รับการติดตั้งด้วยการรับรองความถูกต้องและอนุญาตในลักษณะเดียวกับพนักงาน
• เอเย่นต์ยังต้องฟื้นตัวจากความล้มเหลวของระบบองค์กรทั้งหมด ออกจากระบบเครือข่าย และจุดสิ้นสุดการเชื่อมต่อที่ไม่เสถียร ชั้นการกำกับดูแลต้องทำให้เวิร์กโฟลว์ที่ทนทานและทนทานต่อข้อผิดพลาดเป็นไปได้ ซึ่งส่วนใหญ่ของตัวจัดสรร LLM ที่ได้รับความนิยมไม่สามารถทำได้
• โมเดล LLM จะไม่แน่นอนและล้มเหลวในการทำงาน การฟื้นตัวจากการล้มเหลว การลองใหม่ และการค้นหาวิธีที่ดีที่สุดต้องเป็นคุณลักษณะหลักของระบบเอเย่นต์

สำหรับ CTO ที่พิจารณาการสร้างแพลตฟอร์ม AI แนวตั้งภายในองค์กรหรือการหุ้นส่วนกับผู้ให้บริการเฉพาะทาง คุณแนะนำอะไร? 

การสร้างโซลูชัน AI ระดับองค์กรที่ครอบคลุมหลายอุตสาหกรรม รวมถึงการค้าปลีก/CPG อุตสาหกรรม บริการทางการเงิน และอื่นๆ ต้องการการผสมผสานระหว่างการควบคุมเทคโนโลยี AI ที่ทันสมัยและความเชี่ยวชาญด้านโดเมนที่ลึกซึ้งเพื่อให้ได้มาซึ่งคุณค่าจริงจากโซลูชัน AI ระดับองค์กร แพลตฟอร์ม Eureka AI ของเราทำให้เห็นได้ว่าแหล่งข้อมูลเฉพาะโดเมน กราฟความรู้ โมเดลการคาดการณ์ และตัวแทนจะต้องปรับให้เหมาะสมสำหรับอุตสาหกรรมแต่ละอุตสาหกรรม แต่นี่เป็นตัวแทนของการลงทุนในการวิจัยหลายปีและความซ้ำซ้อนของลูกค้าซึ่งส่วนใหญ่ทีมภายในไม่มี สำหรับธุรกิจและ CTO ที่ต้องการลงทุนใน AI ฉันแนะนำให้เลือกโซลูชันที่ให้ผลลัพธ์จริงตั้งแต่วันแรก โซลูชัน AI แนวตั้งให้ผลลัพธ์เหล่านั้น โดยให้ผู้ใช้ข้อมูลที่สามารถนำไปใช้เพื่อสร้างมูลค่าทางธุรกิจ

เมื่อมองไปข้างหน้า คุณเห็นโครงสร้าง AI ระดับองค์กรอย่างไร—เอเย่นต์แนวตั้งแบบสหพันธ์ที่สร้างขึ้นจากโมเดลพื้นฐานที่ใช้ร่วมกันจะกลายเป็นมาตรฐานหรือไม่?

เราจะไม่เพียงแต่เห็น ‘เอเย่นต์แบบสหพันธ์’ แต่เราจะเห็นสถาปัตยกรรมเอเย่นต์ที่มีการกำกับดูแล ในขณะที่โมเดลพื้นฐานให้เครื่องยนต์การให้เหตุผล แต่โดยพื้นฐานแล้วเป็นสินค้าที่มีมากเกินไป ‘มาตรฐาน’ สำหรับองค์กรที่ประสบความสำเร็จจะเป็นการนำเอเย่นต์แนวตั้งที่มีความเชี่ยวชาญซึ่งไม่เพียงแต่ ‘พูดคุย’ กัน แต่ยังได้รับการกำกับดูแลอย่างเข้มงวดผ่านชั้นบริบทที่ใช้ร่วมกัน หากคุณมีเพียง ‘เอเย่นต์แบบสหพันธ์’ ที่สร้างขึ้นจากโมเดลพื้นฐาน คุณจะได้รับระบบที่มีเสียงดังและเกิดการหลอกลวง—สิ่งที่เรียกว่า ‘ท่อรั่ว’ ของ AI ระดับองค์กร เพื่อให้สถาปัตยกรรมนี้ขยายตัวในการผลิต คุณต้องการชั้นเพิ่มเติมสามชั้นที่ไปไกลกว่าเพียงการรวมกัน:

• บริบท (กราฟความรู้ของโดเมน): เอเย่นต์ต้องใช้แหล่งข้อมูลความจริงที่ใช้ร่วมกัน ไม่ใช่แค่แลกเปลี่ยนความน่าจะเป็น
• การกำกับดูแล: คุณต้องการ ‘สถาปนิกหลัก’ ที่ตัดสินใจว่าจะใช้เอเย่นต์เฉพาะโดเมนเมื่อใดและเมื่อใดจึงควรเก็บผู้คนไว้ในวงจร
• การกำกับดูแล: ผลลัพธ์จะต้องมีความปลอดภัยทางกฎหมายและด้านการดำเนินงานก่อนที่จะออกจากระบบ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ SymphonyAI