Rob Bearden ซีอีโอและผู้ร่วมก่อตั้ง Sema4.ai – ซีรีส์สัมภาษณ์

Rob Bearden เป็นผู้ร่วมก่อตั้งและซีอีโอของ Sema4.ai เขาเคยเป็นผู้ร่วมก่อตั้งและซีอีโอของ Hortonworks บริษัทโอเพนซอร์สจดทะเบียนที่ควบรวมกับ Cloudera ในปี 2019 จากนั้นเป็นซีอีโอ Docker และยังเป็นกรรมการบริษัท ปลายปี 2019 เขากลับไปเป็นซีอีโอ Cloudera นำการปรับโครงสร้างและขายบริษัทให้ KKR กับ CDR มูลค่า 5.3 พันล้านดอลลาร์ ก่อนหน้านั้นเขาเป็นประธานและ COO ของ SpringSource จนถูก VMWare ซื้อในปี 2009 เป็น Entrepreneur in Residence ที่ Benchmark Capital และเป็นประธานกับ COO ของ JBoss จน Red Hat ซื้อกิจการในปี 2006

Sema4.ai เป็นบริษัทซอฟต์แวร์องค์กรที่สร้างเอเจนต์ AI ซึ่งใช้เหตุผลและลงมือทำในเวิร์กโฟลว์ธุรกิจ แพลตฟอร์มช่วยองค์กรออกแบบ นำไปใช้ และจัดการเอเจนต์อัจฉริยะเพื่อทำงานซับซ้อนข้ามระบบอย่าง ERP และ CRM โดยอัตโนมัติอย่างปลอดภัย อธิบายได้ และขยายขนาดได้ บริษัทเน้นธรรมาภิบาล ความแม่นยำ และการผสานระบบ เพื่อเชื่อมเครื่องมือ AI ทั่วไปกับแรงงานดิจิทัลที่พร้อมใช้งานจริง และพาบริษัทใหญ่จากการทดลองสู่ผลกระทบด้านการดำเนินงาน

คุณสร้างบริษัทที่กำหนดหมวดหมู่หลายแห่ง ตั้งแต่ JBoss และ SpringSource ถึง Hortonworks กับ Docker อะไรเป็นแรงบันดาลใจให้ก่อตั้ง Sema4.ai และบทเรียนเดิมช่วยอย่างไร?

Sema4.ai ก่อตั้งเพื่อพาองค์กรออกจาก “แดนชำระของโครงการทดลอง AI” ไปสู่การผลิต ตลอดอาชีพผมมุ่งเปลี่ยนเทคโนโลยีใหม่ทรงพลังให้เป็นแพลตฟอร์มที่ไว้ใจได้และขยายขนาดได้ บทเรียนสำคัญคือความสำเร็จมาจากผลลัพธ์ ไม่ใช่การทดลองไม่รู้จบ

องค์กรต้องการมากกว่า LLM ล้ำสมัย พวกเขาต้องมีระบบที่เชื่อถือได้ ทั้งการประสานงาน ธรรมาภิบาล และความสามารถในการอธิบายตั้งแต่ต้น เราใช้วินัยเดียวกันกับเอเจนต์ AI ให้ความสำคัญกับความแม่นยำและผลลัพธ์ที่กำหนดได้ในงานซับซ้อนหลายขั้นตอน เพื่อให้องค์กรมั่นใจเมื่อนำ AI ไปทำงานข้อมูลสำคัญ

เราพัฒนากรอบ SAFE ให้ทุกเอเจนต์ Secure, Accountable, Fast และ Extensible กรอบนี้กำหนดวิธีสร้าง ใช้งาน และกำกับเอเจนต์ ทำให้ลูกค้ามั่นใจว่าการตัดสินใจโปร่งใส ตรวจสอบได้ และสอดคล้องนโยบายกับกฎระเบียบ

เรายังใช้วินัยในการดำเนินงานแบบเดียวกับบริษัทก่อนหน้า เพื่อสร้างรูปแบบคุณค่าที่คาดการณ์ได้สำหรับลูกค้า คู่ค้า และทีมภายใน มุ่งกรณีใช้งานที่ทำซ้ำได้ ผลกระทบทางธุรกิจที่วัดได้ และการทำให้ระบบอัตโนมัติด้วยเอเจนต์น่าเชื่อถือ นำมาใช้และขยายได้ง่าย แรงบันดาลใจเกิดจากการเห็นประวัติศาสตร์ซ้ำรอย เมื่อเทคโนโลยีเปลี่ยนโลกติดอยู่ก่อนถึงขนาดใหญ่ และเราเห็นโอกาสช่วยเชื่อมช่องว่างนี้อย่างรับผิดชอบ

วงจรนวัตกรรมโอเพนซอร์ส บิ๊กดาต้า และเอเจนต์ AI คล้ายกันอย่างไร และยุค AI ต่างตรงไหน?

ทุกคลื่นเริ่มด้วยนวัตกรรม การทดลอง และความกระจัดกระจาย ก่อนพัฒนาเป็นมาตรฐานระดับองค์กร สิ่งที่เหมือนกันคือความต้องการสถาปัตยกรรมแข็งแรง การควบคุมข้อมูล และระบบนิเวศนักพัฒนาที่ทำให้ใช้งานง่าย ความต่างของเอเจนต์องค์กรคือความสามารถพาข้อมูลจากข้อมูลเชิงลึกไปสู่การลงมือทำ ทั้งเข้าใจบริบทซับซ้อนและปฏิบัติอย่างแม่นยำปลอดภัย เราจึงจับคู่โมเดลให้เหตุผลขั้นสูงกับการประมวลผลข้อมูลแบบกำหนดผลได้และแม่นยำทางคณิตศาสตร์

สถาปัตยกรรมเอเจนต์ที่ขับเคลื่อนด้วยเหตุการณ์และปรับแต่งได้ต่างจาก AI หรือ Copilot แบบเดิมอย่างไร และแก้ปัญหาใด?

Copilot แบบเดิมมีประโยชน์แต่จำกัด มักทำงานรอบเดียว ผูกกับหน้าจอ และขยายข้ามเวิร์กโฟลว์ไม่ได้ อีกทั้ง LLM คำนวณไม่แม่นหากไม่มีโปรแกรมช่วย เอเจนต์ของเราไม่เพียงช่วย แต่ทำงานสำคัญจริง แพลตฟอร์มที่เริ่มจากผู้ใช้ธุรกิจรวมธุรกิจเข้ากับฝ่าย IT และนักพัฒนา ผู้ใช้สร้างเอเจนต์ผ่านอินเทอร์เฟซง่าย ๆ ด้วย Copilot ภาษาอังกฤษและตัวเชื่อมระบบสำเร็จรูป ฝ่าย IT รันและจัดการได้โดยไม่ต้องมีโค้ดซับซ้อน เอเจนต์จึงเข้าใจบริบทธุรกิจ ใช้เหตุผล และร่วมงานกับทีมมนุษย์ได้

แพลตฟอร์มรุ่นใหม่เพิ่ม DataFrames สำหรับประมวลผลข้อมูลขนาดองค์กรอย่างแม่นยำทางคณิตศาสตร์และลดการกระทบยอดด้วยมือ; Document Intelligence เปลี่ยนเอกสารกว่า 100 ภาษาและชนิดไฟล์เป็น DataFrame ที่มีโครงสร้างและพร้อมใช้ด้วยความแม่นยำเกือบสมบูรณ์; Enhanced Worker Agents ทำงานหลายขั้นตอนอัตโนมัติ 24/7 ด้วยความแม่นยำของข้อมูลและความเข้าใจเอกสาร; ส่วน Agent Studio ใหม่เร่งการสร้างเอเจนต์ด้วย runbook ที่ AI แนะนำ งานหลายแหล่งซึ่งเคยใช้เวลาหลายวันจึงเสร็จในไม่กี่นาที ลดการส่งต่องานและให้ผลที่สม่ำเสมอ ตรวจสอบได้

อะไรทำให้บริษัทติดอยู่ใน “แดนชำระของโครงการทดลอง AI” และ Sema4.ai ช่วยให้ไปถึงการผลิตได้อย่างไร?

โครงการทดลองส่วนใหญ่ล้มเหลวเพราะขาดความแม่นยำสำหรับงานสำคัญ ความสามารถประมวลผลเอกสารซับซ้อน และการทำเวิร์กโฟลว์หลายขั้นตอน เอเจนต์ LLM มีปัญหาหลอนและคำนวณผิด จึงไม่เหมาะกับการกระทบยอดทางการเงินหรือรายงานการปฏิบัติตามกฎ ส่วนระบบที่สร้างเองต้องใช้ทรัพยากรนักพัฒนามากและทำให้ผู้ใช้ธุรกิจสร้างระบบอัตโนมัติไม่ได้ แพลตฟอร์มอื่นก็ไม่สามารถดึงข้อมูลจากใบแจ้งหนี้ สัญญา หรือรายงานอย่างแม่นยำ และล้มเหลวเมื่อให้เหตุผลข้ามข้อมูลหลายแหล่งกับหลายแอป

Sema4.ai แก้ข้อจำกัดเหล่านี้ด้วยเอเจนต์ระดับองค์กรที่เชื่อถือได้ตั้งแต่ทดลองจนใช้งานจริง

สถาปัตยกรรมใหม่ผสานโมเดลให้เหตุผล GPT-5, o3, o4-mini และ Claude Sonnet 4 เข้ากับ SQL ที่แม่นยำทางคณิตศาสตร์ LLM ทำความเข้าใจบริบท ส่วนการคำนวณทั้งหมดถูกทำด้วยความถูกต้อง 100% ช่วยกำจัดการหลอนและข้อผิดพลาด Document Intelligence และ runbook ภาษาธรรมชาติให้ผู้ใช้สร้างเอเจนต์โดยไม่พึ่งนักพัฒนา ขณะที่การประมวลผลหลายรอบจัดการเอกสารซับซ้อนด้วยความแม่นยำใกล้มนุษย์ แนวทางนี้เปลี่ยนเอเจนต์จากเครื่องมือทดลองเป็นระบบธุรกิจที่ไว้วางใจกับกระบวนการสำคัญได้

ความร่วมมือกับ Koch Industries สะท้อนอะไรต่อการเติบโตของ Sema4.ai และการใช้ AI ในองค์กร?

ความร่วมมือนี้พิสูจน์ว่าเอเจนต์สร้างผลลัพธ์ระดับองค์กรในสภาพจริง บริษัทในเครือ Koch ใช้เอเจนต์ทำกระบวนการกระทบยอดที่ใช้เวลาและผิดพลาดง่ายโดยอัตโนมัติ เอเจนต์อ่านใบแจ้งหนี้หลายร้อยหน้าทีละบรรทัดและเชื่อมระบบการเงินเดิม ช่วยประหยัดเวลาหลายชั่วโมงหรือหลายวัน และขยายไปสู่งานเข้าใจเอกสาร วิเคราะห์การจัดซื้อ และจัดตารางบำรุงรักษา

นี่เป็นหลักฐานของ ROI ที่วัดได้ ลดแรงงานด้วยมือได้ถึง 80% เพิ่มความแม่นยำ และย้ายบุคลากรไปสู่งานมูลค่าสูง

จากประสบการณ์การขายกิจการระดับพันล้านดอลลาร์ หลักใดสำคัญต่อการขยายเทคโนโลยีแนวหน้าให้เป็นคุณค่าองค์กรยั่งยืน?

ความสม่ำเสมอ ความชัดเจน และการควบคุม เริ่มจากผลลัพธ์ลูกค้า ไม่ใช่นวัตกรรมเพื่อตัวมันเอง ออกแบบความปลอดภัย การสังเกตการณ์ และธรรมาภิบาลตั้งแต่ต้น ผสานเข้ากับจุดที่ลูกค้าทำงานและวัด ROI ได้ง่าย ที่ Sema4.ai เราสร้างแพลตฟอร์ม SAFE ซึ่ง Secure, Accurate, Fast และ Extensible ให้ยืดหยุ่น อยู่ใต้การกำกับ และพร้อมระดับองค์กร ลูกค้าเริ่มหนึ่งกรณีแล้วขยายเมื่อคุณค่าเพิ่มขึ้นได้

เมื่อเอเจนต์เป็นอิสระขึ้น คุณกำกับการเข้าถึงข้อมูล การตัดสินใจ และการตรวจสอบอย่างไร?

ธรรมาภิบาลคือแกนกลาง ทุกเอเจนต์ทำงานภายใต้นโยบายที่กำหนดข้อมูลที่เข้าถึงได้ การกระทำที่ทำได้ และวิธีบันทึก เราให้การมองเห็นและตรวจสอบอย่างครบถ้วนเพื่อไล่ย้อนการตัดสินใจ รูปแบบ zero-copy ทำให้ข้อมูลไม่ออกจากแหล่งเดิม พร้อมความโปร่งใสตลอดวงจรชีวิตเอเจนต์

เวอร์ชันองค์กรใช้มาตรฐานความปลอดภัยพร้อมใบรับรอง ISO 27001, SOC 2, HIPAA และ GDPR เสริมความไว้วางใจ ความรับผิดชอบ และการควบคุมที่จำเป็นต่อการขยาย AI อย่างรับผิดชอบ เรายังตรวจสอบผลแบบกำหนดได้ โดยเทียบทุกผลลัพธ์กับแหล่งต้นฉบับ ซึ่งสำคัญต่อการเงินและสุขภาพที่อยู่ใต้กฎเข้มงวด

เหตุใดการควบคุม “ความลึกของการวิเคราะห์” จึงสำคัญต่อความน่าเชื่อถือและ ROI?

ลูกค้าสามารถปรับระดับการให้เหตุผลต่อแต่ละงาน ใช้การวิเคราะห์ลึกและแม่นยำเมื่อความถูกต้องสำคัญ หรือแบบเร็วและเบาในงานประจำ จึงควบคุมทั้งต้นทุนและประสิทธิภาพ และเลือกการให้เหตุผลข้อมูลความแม่นยำสูงผ่าน DataFrames แบบ SQL หรือการวิเคราะห์บริบทแบบเบาตามกรณี ความยืดหยุ่นนี้สร้างสมดุลของความแม่นยำ ประสิทธิภาพ และต้นทุนเพื่อเพิ่ม ROI

ตัวอย่างจริงด้าน Document Intelligence หรือ DataFrames ที่สร้างผลวัดได้มีอะไรบ้าง?

เอเจนต์ Document Intelligence ประมวลผลและสรุปเอกสารจำนวนมาก ตรวจสอบข้อมูล และใช้เหตุผลตามนโยบายพร้อมร่องรอยตรวจสอบ ส่วน DataFrames รวบรวมข้อมูลหลายแหล่ง ใช้กฎธุรกิจ และสร้างผลพร้อมตัดสินใจในไม่กี่นาทีแทนหลายวัน

Document Intelligence V2 เปลี่ยนเอกสารเป็นข้อมูลมีโครงสร้างพร้อมใช้ด้วยความแม่นยำเกือบสมบูรณ์ และ DataFrames ประมวลผลหลายล้านแถวด้วย SQL ที่แม่นยำ ลดการกระทบยอดผิดพลาดและเร่งตัดสินใจ Emerson, Koch และองค์กร Fortune 500 ใช้เอเจนต์ทำใบแจ้งหนี้ กระทบยอดการจ่ายเงิน รับพนักงาน และปฏิบัติตามกฎโดยอัตโนมัติ ในบางเวิร์กโฟลว์เอเจนต์ทำงานความรู้มากกว่า 80% โดยอิสระ

ความสัมพันธ์ระหว่างแอปองค์กรแบบเดิมกับสถาปัตยกรรมที่ขับเคลื่อนด้วยเอเจนต์จะพัฒนาอย่างไร?

แอปองค์กรจะเป็นระบบบันทึกข้อมูลมากขึ้น ขณะที่เอเจนต์กลายเป็นชั้นการปฏิบัติงานที่เชื่อมข้อมูล เวิร์กโฟลว์ และการตัดสินใจข้ามไซโล เรากำลังเข้าสู่รูปแบบที่เอเจนต์ประสานงานข้ามแพลตฟอร์มและผสานข้อมูลกับกระบวนการแบบเรียลไทม์ สถาปัตยกรรมจะเปลี่ยนจากสภาพแวดล้อมคงที่ซึ่งมีแอปเป็นศูนย์กลาง ไปเป็นระบบนิเวศแบบพลวัตที่มุ่งผลลัพธ์ โดย AI เรียนรู้ ปรับตัว และลงมือภายในขอบเขตที่กำกับไว้ นี่ทำให้เอเจนต์องค์กรเป็นแอปสำคัญของยุค AI

ขอบคุณสำหรับบทสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Sema4.ai