Shane Eleniak ผู้บริหารระดับสูงฝ่ายผลิตภัณฑ์ของ Calix – สัมภาษณ์รายการ

Shane Eleniak ดำรงตำแหน่ง Chief Product Officer ที่ Calix โดยมีหน้าที่นำวิสัยทัศน์และการดำเนินงานเชิงกลยุทธ์ของแพลตฟอร์มและโซลูชัน SaaS ของบริษัทที่เป็นผู้นำในอุตสาหกรรม ด้วยการมุ่งเน้นในการช่วยให้ผู้ให้บริการด้านการสื่อสารสามารถทำให้ธุรกิจของตนง่ายขึ้นและนำเสนอประสบการณ์ที่ดีเยี่ยมให้กับผู้ใช้บริการ Shane มีหน้าที่ดูแลวงจรชีวิตผลิตภัณฑ์ทั้งหมด ตั้งแต่การคิดค้นจนถึงการนำไปใช้ในตลาด

ภายใต้การนำของเขา Calix ได้鞏固ตำแหน่งของตนเองในฐานะผู้บุกเบิกในอุตสาหกรรมบรอดแบนด์ โดยการนำเสนอเครื่องมือที่มีความคิดสร้างสรรค์ซึ่งช่วยให้ผู้ให้บริการสามารถแข่งขันและชนะ

Calix เป็นบริษัทเทคโนโลยีของสหรัฐฯ ที่ให้บริการแพลตฟอร์มคลาวด์ ซอฟต์แวร์ และบริการจัดการที่ออกแบบสำหรับผู้ให้บริการบรอดแบนด์และการสื่อสาร ผลิตภัณฑ์หลักของบริษัทคือแพลตฟอร์มบรอดแบนด์ที่ใช้ AI ซึ่งรวมคลาวด์ อินฟราสตรัคเจอร์ข้อมูล และระบบเครือข่ายเพื่อช่วยให้ผู้ให้บริการสามารถทำให้การดำเนินงานง่ายขึ้น ปรับปรุงการมีส่วนร่วมของลูกค้า และนำเสนอประสบการณ์ดิจิทัลที่เป็นส่วนตัวมากขึ้น โดยการช่วยให้ผู้ให้บริการเหล่านี้เปลี่ยนจากการให้บริการเชื่อมต่อพื้นฐานเป็นผู้ให้บริการประสบการณ์ Calix ช่วยให้พวกเขาเติบโตรายได้ เพิ่มความภักดีของลูกค้า และสนับสนุนการเปลี่ยนแปลงดิจิทัลของชุมชนผ่านบริการบรอดแบนด์ที่ทันสมัยและปรับขนาดได้

คุณมีประสบการณ์มากกว่าสามทศวรรษในด้านวิศวกรรม เครือข่าย คลาวด์ และการเป็นผู้นำผลิตภัณฑ์ขนาดใหญ่ ประสบการณ์เหล่านี้มีอิทธิพลต่อทัศนคติของคุณเกี่ยวกับสิ่งที่ต้องทำจริงๆ เพื่อให้ AI ทำงานภายในธุรกิจแทนที่จะเป็นเพียงการทดลองด้านข้างอย่างไร

ฉันเริ่มต้นในด้านโทรคมนาคมและเครือข่ายแบบดั้งเดิม ซึ่งเกมทั้งหมดคือการ傳递ข้อมูลและความน่าเชื่อถือในระดับใหญ่ หากคุณไม่สามารถส่งมอบบริการที่สะอาดและเชื่อถือได้ สิ่งที่คุณสร้างขึ้นบนพื้นฐานนั้นจะไม่สำคัญ ในสมัยนั้น โทรศัพท์อยู่บนกำแพงห้องครัว สายภายในไม่เคยเปลี่ยนแปลง และตราบใดที่มีสัญญาณเสียงดังชัดเจน ทุกอย่างจะดี

บรอดแบนด์และอินเทอร์เน็ตได้เปลี่ยนแปลงสิ่งนี้อย่างมาก เมื่อไม่ได้เป็นเพียง “เปิดหรือปิด” แต่เป็น Ethernet และ Wi-Fi ลูกๆ ที่เล่นเกมบนคอนโซลและแท็บเล็ต คุณกำลังโทรศัพท์ผ่าน Zoom และทำงานร่วมกันบนเอกสารบนคลาวด์ และการเคลื่อนไหวอย่างต่อเนื่อง – อุปกรณ์ภายในบ้าน ในสนามหลังบ้าน ที่สนามฟุตบอล ที่ร้านกาแฟ ประสบการณ์ของผู้ใช้บริการกลายเป็นเรื่องที่ซับซ้อนกว่าการเปิดหรือปิดในสถานะทวินาม และโลกของผู้ให้บริการกลายเป็นโลกที่มีการเปลี่ยนแปลงอย่างรวดเร็ว ในโลกนั้น การมองย้อนกลับของข้อมูล – คลังข้อมูลแบบดั้งเดิมและรายงานทางประวัติศาสตร์หลังจากหนึ่งเดือน – ไม่ได้ผล คุณต้องรวบรวมข้อมูล ทำความเข้าใจประสบการณ์ และสร้างข้อมูลเชิงลึกในเวลาจริง เนื่องจากผู้ใช้บริการคาดหวังว่าปัญหาเหล่านั้นจะถูกแก้ไขในลักษณะเชิงรุก ไม่ใช่ในหลายชั่วโมงหรือวัน

การเปลี่ยนแปลงนี้มีอิทธิพลต่อวิธีที่ฉันคิดเกี่ยวกับ AI ส่วนใหญ่คนต้องการวาง AI “บน” ในลักษณะเดียวกับที่พวกเขาวางธุรกิจอัจฉริยะหรือ SaaS บนข้อมูลที่มีอยู่ ประสบการณ์ของฉันบอกว่าคุณต้องคิดลึกกว่านั้น และออกแบบสำหรับการมองเห็นเชิงลึกและสามารถดำเนินการได้จริงในเวลาจริง

สำหรับผู้ใช้บริการ ความคาดหวังยังคงไม่เปลี่ยนแปลงมากนักในช่วง 25 ปีที่ผ่านมา พวกเขายังคงต้องการการเชื่อมต่อที่ปลอดภัยและจัดการได้ซึ่งรู้สึกง่ายเหมือนเสียงดัง – พวกเขาต้องการทุกอย่าง “ทำงาน” โดยไม่ต้องคิดถึงชั้นและความซับซ้อน และต้องการมันทุกที่ในชีวิตของพวกเขา ประสบการณ์ของฉันในด้านโทรคมนาคมและคลาวด์ทำให้ฉันรู้สึกสบายใจกับข้อนี้: คุณสร้างระบบที่ซับซ้อนมากเพื่อที่จะทำให้ทุกอย่างง่ายและนำเสนอประสบการณ์ที่ดีเยี่ยมที่ขอบเขตนั้น นั่นคือวิธีที่ฉันคิดเกี่ยวกับ AI ที่ทำงานจริงภายในธุรกิจใดๆ ไม่ว่าจะเป็นบรอดแบนด์หรือไม่

ที่ Calix คุณมักเน้นย้ำว่า AI ในการดำเนินงานถูกสร้างขึ้นมากกว่าการซื้อ ข้อผิดพลาดที่พบบ่อยที่สุดขององค์กรเมื่อพยายามเพิ่ม AI โดยไม่เปลี่ยนแปลงวิธีการทำงานภายในธุรกิจคืออะไร

สำหรับฉัน มันไม่ใช่เรื่องของ “สร้างหรือซื้อ” แต่เป็นเรื่องของว่าคุณได้หยุดและพิจารณาเทคสแต็กทั้งหมดหรือไม่ บริษัทหลายแห่งตัดสินใจว่า AI เป็นเพียงการใช้ API เพื่อเข้าถึง LLM การเชื่อมต่อเข้ากับเทคสแต็กด้วยรูปแบบการห่อและซื้อโทเค็น – จากนั้นคุณจะมีกลยุทธ์ AI แต่นั่นไม่ใช่วิธีการทำงาน

คนส่วนใหญ่ให้ความสนใจกับเทคโนโลยีมากกว่าผลลัพธ์ เราเคยเห็นภาพยนตร์เรื่องนี้มาก่อน เมื่อเครื่องคอมพิวเตอร์ส่วนบุคคลปรากฏขึ้น ทุกคนต้องการโต้แย้งว่าคุณมี 286 หรือ 386 มีหน่วยความจำเท่าใด และใช้ DOS อะไร วันนี้ ไม่มีใครสามารถบอกคุณได้ว่าเครื่องแล็ปท็อปหรือโทรศัพท์ของคุณมีรายละเอียดเท่าใด และไม่มีใครสนใจจนกว่ามันจะหยุดทำงานตามที่คุณต้องการ สิ่งที่สำคัญคือ: มันทำให้คุณมีประสิทธิภาพมากขึ้นในงานของคุณ หรือไม่? มันเหมือนกับ AI ถ้าคุณไม่สามารถเชื่อมโยงมันกลับไปยังกระบวนการทำงานที่แท้จริง ค่าใช้จ่ายที่แท้จริง และ ROI ที่แท้จริง ข้อมูลจำเพาะของเทคโนโลยีก็เป็นเพียงเสียงดัง

ข้อผิดพลาดอีกประการหนึ่งคือการพยายามติด AI เข้ากับสิ่งที่คุณมีอยู่แล้วโดยไม่ถามว่ามันทำอะไรต่อสถาปัตยกรรม ความปลอดภัย และต้นทุนของคุณ AI เป็นเทคโนโลยีหลัก ไม่ใช่การอัปเกรดคุณสมบัติแบบทีละขั้นตอน เมื่อคุณรักษามันให้เป็นแบบทีละขั้นตอน คุณจะพบกับข้อมูลที่ไม่ดี ปัญหาเกี่ยวกับความปลอดภัย การหลอกลวง ค่าใช้จ่ายที่ไม่ควบคุมได้ หรือการดำเนินการที่ไม่แก้ปัญหาใดๆ

สุดท้ายนี้ คุณไม่สามารถเพิกเฉยต่อความสำคัญของบริบทและความเชี่ยวชาญแนวตั้ง การดำเนินการเกี่ยวกับบริบท และบริบทนั้นแตกต่างกันไปในด้านโทรคมนาคม ฟินเทค และสุขภาพ ที่ Calix เราเริ่มต้นด้วยประสบการณ์ที่ลึกซึ้งในอุตสาหกรรมหนึ่งและสร้างแพลตฟอร์มแนวตั้งรอบๆ มัน เราเข้าใจข้อมูล ความเข้าใจ กระบวนการทำงาน และบริบทแล้ว ดังนั้น เทคสแต็กจึงสามารถสะท้อนความเป็นจริงนั้นได้ ส่วนใหญ่บริษัทต่างๆ รู้จักอุตสาหกรรมแนวตั้งของตนเองอย่างลึกซึ้ง โอกาสคือการเข้ารหัสความรู้นั้นเข้าไปในเทคสแต็กแนวตั้ง แทนที่จะพึ่งพาชั้นแนวนอนที่บางและแบบจำลอง AI ทั่วไป ธุรกิจคือเรื่องของผลลัพธ์ ไม่ใช่แบบจำลอง

คุณได้กำหนดสถาปัตยกรรม AI ในการดำเนินงานเป็น 5 ชั้น ซึ่งรวมถึงข้อมูล ความรู้ การจัดทำลำดับ ความไว้วางใจ และการดำเนินการ ทำไมการแยกชั้นเหล่านี้ออกจากกันจึงสำคัญ และชั้นใดที่องค์กรให้ความสำคัญน้อยที่สุดหรือไม่ทำเลย

เป็นเวลานาน เทคสแต็กมีความเรียบง่าย: ข้อมูล ความเข้าใจ แดชบอร์ด กระบวนการทำงาน และคน คุณสร้างคลังข้อมูล วาง BI บนข้อมูลนั้น สร้างเครื่องยนต์กระบวนการทำงาน และมอบงานที่ยากให้กับมนุษย์ ในโลกของเอเจนต์ สิ่งนี้ไม่คงอยู่ คุณต้องการข้อมูล ความรู้ การจัดทำลำดับ ความไว้วางใจ และการดำเนินการ เนื่องจากแต่ละชั้นจะทำหน้าที่ที่แตกต่างกัน

ส่วนที่มองเห็นได้ทุกคนต้องการพูดถึงคือชั้นการดำเนินการ – เอเจนต์ นั่นคือส่วนบนของภูเขาน้ำแข็ง สิ่งที่决定ว่าคุณสามารถปล่อยให้เอเจนต์ทำงานกับระบบจริงได้หรือไม่นั้นเป็นสิ่งที่น่าเบื่อภายใต้พื้นน้ำ: ปाइปลายข้อมูลและข้อมูลที่สะอาด ชั้นความรู้ที่ให้บริบท การจัดทำลำดับที่ประสานงานกระบวนการทำงานแบบไดนามิก และแบบจำลองความไว้วางใจที่ตัดสินว่าอะไรที่ควรได้รับอนุญาตในตอนแรก เมื่อเรือไททานิกจมลง นั่นไม่ใช่ส่วนที่เล็กๆ ที่คุณเห็นได้ แต่เป็นก้อนใหญ่ของน้ำแข็งที่อยู่ใต้น้ำ AI ในการดำเนินงานก็เหมือนกัน การจัดเตรียมภายใต้พื้นน้ำคือสิ่งที่ทำให้คุณสำเร็จหรือล้มเหลว

ในประวัติศาสตร์ เราไม่ได้รักษาการจัดทำลำดับและความไว้วางใจเป็นชั้นที่แยกจากกัน เนื่องจากมนุษย์ทำงานส่วนใหญ่ การจัดทำลำดับหมายถึงผู้จัดการและคิวตั๋ว; ความไว้วางใจหมายถึงชื่อผู้ใช้และรหัสผ่าน ตอนนี้คุณต้องไว้วางใจในเอนทิตี้ – เอเจนต์ – เพื่อทำงาน และคุณต้องประสานงานหลายเอเจนต์ในเวลาจริงรอบข้อมูลแบบไดนามิก นี่คือปัญหาการออกแบบที่แตกต่างกัน ซึ่งเป็นเหตุผลที่ชั้นเหล่านี้ต้องถูกแยกออกจากกัน

ชั้นที่คนส่วนใหญ่ให้ความสำคัญน้อยที่สุดคือความไว้วางใจ มีหลายองค์กรที่คิดว่าตนเองจัดการความไว้วางใจได้แล้วเพราะมีการควบคุมการเข้าถึง – ใครสามารถเข้าสู่ระบบในระบบใดบ้าง แต่ความไว้วางใจที่แท้จริงในโลกของเอเจนต์ไม่ใช่ “ผู้ใช้นี้มีสิทธิ์เข้าถึงหรือไม่” แต่เป็น “การกระทำนี้เหมาะสมสำหรับเอเจนต์นี้หรือบุคคลนี้ในขณะนี้หรือไม่” นี่คือคำถามด้านการกำกับดูแล ไม่ใช่คำถามด้านการควบคุมการเข้าถึง หากคุณไม่ได้ทำให้ชั้นนี้ชัดเจน คุณจะถูกติดอยู่ในดินแดนของการนำเสนอ และคุณจะไม่สบายใจที่จะปล่อยให้เอเจนต์ทำงานจริงในระบบการผลิต

ดังนั้น ความไว้วางใจจึงเป็นส่วนสำคัญของกลยุทธ์ AI ของคุณ คุณออกแบบระบบเพื่อให้การตัดสินใจอัตโนมัติของ AI ยังคงมองเห็นได้ ตรวจสอบได้ และกลับด้านได้ ในขณะเดียวกันก็เคลื่อนที่เร็วพอที่จะส่งมอบคุณค่าทางธุรกิจได้อย่างไร

คุณต้องเริ่มต้นด้วยมุมมองของความไว้วางใจที่ไม่มีอยู่ คำถามแรกไม่ใช่ “เอเจนต์นี้สามารถทำสิ่งนี้ได้หรือไม่” แต่เป็น “เอเจนต์นี้ควรทำสิ่งนี้แทนบุคคลนี้หรือไม่” หากคำตอบคือไม่ ก็ไม่ต้องดำเนินการต่อ

หากคำตอบคือใช่ คุณจะเข้าสู่รั้ว: ตรวจสอบได้ ติดตามได้ และต้องการมีคนในวงจร หากเราใช้แบบจำลองที่พึ่งพาชั้นความไว้วางใจซึ่งทำงานเหมือนเจ้าหน้าที่จราจรที่จุดเริ่มต้นของทุกๆ การโต้ตอบ: ใครคุณคืออะไร คุณกำลังทำอะไร และทำไมคุณถึงทำเช่นนั้น นั่นจะกำจัดปัญหาด้านความปลอดภัยหลายประการ เพราะคุณไม่ได้ปล่อยให้เอเจนต์ทำงานและหวังว่าคุณจะสังเกตเห็นหลังจากนั้น

ทางเลือกคือการปล่อยให้เอเจนต์ทำงานและตั้งอัลาร์มหากพวกมันทำอะไรที่ไม่ดี คุณกำลังถือว่าคุณสามารถมองเห็นได้ ระบุได้ และหยุดได้ในเวลาจริงที่ระบบเหล่านี้ทำงาน นั่นคือปัญหาที่ยากมาก และเป็นเหตุผลที่หลายคนต้องดิ้นรน – พวกเขากำลังพยายามค้นหาตัวประกอบที่ไม่ดีในเวลาจริง แทนที่จะป้องกันการกระทำที่ไม่ดีในตอนแรก

นอกจากนี้ เราได้เพิ่มประตูหลายชั้น แม้ว่าเอเจนต์จะทำงานแทนบุคคลที่ถูกต้อง แต่เราก็ยังคงมองหาส션และเนื้อหาว่าพวกเขาพยายามทำอะไร – พวกเขาพยายามทำลายแบบจำลอง ใช้ API ในทางที่ผิด หรือผลักดันสิ่งที่อยู่นอกนโยบายหรือไม่ ทุกอย่างถูกห่อหุ้มด้วยการมองเห็นที่สมบูรณ์แบบเพื่อให้คุณสามารถตรวจสอบสิ่งที่เกิดขึ้นและกลับด้านได้หากจำเป็น นั่นคือวิธีที่คุณเคลื่อนที่ได้อย่างรวดเร็วและนอนหลับได้ดี

หลายบริษัทประสบความสำเร็จในการสร้างข้อมูลเชิงลึกจาก AI แต่ต้องดิ้นรนในการเปลี่ยนข้อมูลเชิงลึกเหล่านั้นเป็นการดำเนินการ คุณได้ทำการตัดสินใจด้านการออกแบบอะไรที่ช่วยให้ Calix สามารถผลักดัน AI เข้าสู่กระบวนการทำงานประจำวันในด้านการตลาด การดำเนินงาน และการสนับสนุนลูกค้า

ก่อนที่ AI จะเป็นดาวเด่น เราที่ Calix ตั้งคำถามว่าอะไรคือสิ่งที่ทำให้ข้อมูลเชิงลึกมีความสามารถในการดำเนินการจริงสำหรับบุคคลจริงในงานจริง ตั้งแต่ปี 2018 เราได้ทำงานร่วมกับผู้ให้บริการเพื่อทำความเข้าใจว่าบุคลิกต่างๆ ทำงานอย่างไร – สิ่งที่ผู้ทำการตลาดทำในวันพุธเช้า สิ่งที่ทีมปฏิบัติการทำเมื่อมีการเตือน สิ่งที่ทีมสนับสนุนทำเมื่อลูกค้าโทรมาโดยไม่พอใจ สิ่งนี้บังคับให้เราต้องชัดเจนเกี่ยวกับข้อมูลเชิงลึกที่สำคัญสำหรับใคร ในบริบทใด และสิ่งใดที่ดูเหมือนการดำเนินการ “ดี” ในการเปลี่ยนแปลงนี้

เมื่อ AI แบบเอเจนต์มาถึง เราไม่ได้เริ่มต้นจากศูนย์ เมื่อเรามีระบบแบบเรียลไทม์ที่สร้างข้อมูลเชิงลึกที่สามารถดำเนินการได้ซึ่งเชื่อมโยงกับบุคลิกและกระบวนการทำงานโดยเฉพาะ คำถามด้านการออกแบบคือ: โดยใช้เครื่องมือและเทคสแต็กที่แตกต่างออกไป คุณจะออกแบบกระบวนการทำงานเหล่านี้ใหม่ในโลกของ AI แบบเอเจนต์ แทนที่จะพยายามคิดค้นสิ่งเหล่านั้นจากศูนย์

เมื่อคุณจับคู่ความรู้ด้านบุคลิกภาพที่ลึกซึ้งนี้กับ AI แบบเอเจนต์ คุณสามารถสร้างกระบวนการทำงานแบบไดนามิกเหนือข้อมูลแบบไดนามิก เอเจนต์สามารถกำหนดได้ว่าขั้นตอนและบุคลิกภาพใดที่ต้องเกี่ยวข้องตามสิ่งที่เกิดขึ้น แทนที่จะบังคับให้คุณเข้ารหัสกระบวนการทำงานที่ยืดหยุ่นหลายร้อยกระบวนการในไมโครเซอร์วิส สำหรับหลายบริษัท ปัญหายากคือการพยายามตัดสินใจในเวลาจริงตามบริบทและออกแบบกระบวนการทำงานที่ถูกต้อง สำหรับเรา ส่วนนั้นเป็นสิ่งที่เราทำมานานแล้ว – เราทำข้อมูลเชิงลึกแบบเรียลไทม์ ที่เชื่อมโยงกับบุคลิกภาพและสามารถดำเนินการได้ AI แบบเอเจนต์เป็นเพียงชุดเครื่องมือใหม่บนพื้นฐานนั้น

การมองเห็นแพลตฟอร์มของคุณรวมถึงการทำงานร่วมกันระหว่างเอเจนต์ (A2A) และระบบ AI ที่กระจายอำนาจ (Federated AI) วิธีการนี้เปลี่ยนแปลงวิธีการทำงานร่วมกันของเครื่องมือในองค์กรเมื่อเทียบกับการผสานรวมแบบจุดต่อจุดแบบดั้งเดิมอย่างไร

หากคุณมองย้อนกลับไป 20 ปีที่ผ่านมา รูปแบบการผสานรวมโดยทั่วไปคือ “ซื้อเครื่องมือ SaaS หลายตัวและเชื่อมต่อเข้ากับคลังข้อมูล” ทุกๆ ระบบใหม่หมายถึงการผสานรวมแบบจุดต่อจุดอีกครั้ง ปายพลายข้อมูลอีกครั้ง และอีกจุดที่ต้องปรับให้ตรงกับความจริง ในโลกของเอเจนต์ สิ่งนี้ไม่ขยายตัว คุณต้องการให้ข้อมูลอยู่ที่ที่มันควรจะอยู่และให้เอเจนต์พูดคุยกันผ่านอินเทอร์เฟซที่กำหนดไว้อย่างดี

นั่นคือเหตุผลที่เราพูดถึงการแตะระบบที่สองชั้น: MCP ที่ชั้นความรู้ และ A2A ที่ชั้นการจัดทำลำดับและความไว้วางใจ MCP คือวิธีที่เอเจนต์สามารถค้นพบและใช้เครื่องมือและข้อมูลโดยไม่ต้องมีการผสานรวมแบบกำหนดเองทุกครั้ง A2A คือวิธีที่เอเจนต์ประสานงานการทำงานร่วมกันภายใต้รั้วที่ชัดเจน

เมื่อคุณมีสิ่งนี้ การทำงานร่วมกันจะไม่ดูเหมือนกับปะการังของตัวเชื่อมต่อที่เปราะบาง แต่จะดูเหมือนเครือข่ายของนักวิชาการที่สามารถทำงานร่วมกันอย่างไดนามิกรอบๆ การทำงานจริง นี่คือที่ที่อุปมานะเมทริกซ์ของไอเซนฮาวเวอร์เข้ามา ไม่ทุกอย่างมีความสำคัญและความเร่งด่วนเท่ากัน บางงานมีความสำคัญและความเร่งด่วนจริงๆ บางงานสำคัญแต่สามารถวางแผนได้ บางงานเพียงแค่ต้องทำ และบางงานเป็นเพียงเสียงรบกวน ด้วยการประสานงานระหว่างเอเจนต์โดยการนั่งอยู่บนชั้นความไว้วางใจและชั้นการจัดทำลำดับ คุณสามารถรักษาเรื่องเหล่านี้ในระดับที่แตกต่างกัน: เอเจนต์สามารถรุมเร้าปัญหาที่เร่งด่วนและสำคัญ คิวหรือวางแผนปัญหาที่สำคัญแต่ไม่เร่งด่วน และรักษาการทำงานที่ไม่สำคัญให้ไม่ครอบงำทุกอย่าง

นี่คือโลกที่แตกต่างจาก “ให้เพิ่มคอนเนคเตอร์อีกตัวหนึ่งและหวังว่าคิวจะลดลง” คุณจะเห็นกระบวนการทำงานแบบไดนามิกที่ถูกประสานงานอย่างรอบคอบรอบเหตุการณ์และข้อมูลแบบไดนามิก แทนที่จะเป็นปะการังของการผสานรวมแบบจุดต่อจุดที่ทุกอย่างร้องขอในระดับความสำคัญเดียวกัน

เมื่อเอเจนต์ AI ได้รับอนุญาตให้ทำงานอัตโนมัติ การกำกับดูแลก็กลายเป็นความท้าทายอย่างรวดเร็ว คุณสร้างสมดุลระหว่างความเร็ว ความรับผิดชอบ และการกำกับดูแลของมนุษย์เมื่อระบบ AI กำหนดหรือดำเนินการการตัดสินใจในระดับที่กว้างขวางได้อย่างไร

ข้อผิดพลาดที่ฉันเห็นคือคนคิดว่าพวกเขาสามารถติด AI แบบเอเจนต์เข้ากับสิ่งที่พวกเขามีอยู่แล้วและพยายาม “สร้างสมดุล” ระหว่างความเร็ว ความรับผิดชอบ และการกำกับดูแลของมนุษย์หลังจากนั้น คุณไม่สามารถทำได้ คุณต้องเริ่มต้นด้วยการยอมรับว่านี่คือปัญหาของเทคสแต็กแนวตั้งและต้องสร้างชั้นความไว้วางใจและชั้นการจัดทำลำดับโดยเจตนา หากไม่มีชั้นเหล่านี้ มันจะกลายเป็นเรื่องของคนมาถึงก่อน – ทุกคนร้องขอในระดับความสำคัญเดียวกัน

อีกครั้ง มันคือเมทริกซ์ของไอเซนฮาวเวอร์ – ไม่ทุกอย่างมีความสำคัญและความเร่งด่วนเท่ากัน ความไว้วางใจและชั้นการจัดทำลำดับคือวิธีการดำเนินการนี้ในโลกของเอเจนต์ คุณไม่ต้องการให้เอเจนต์ทุกตัวปฏิบัติต่อทุกงานเหมือนกับไฟดับ คุณต้องการให้ระบบรู้ว่าอะไรที่แท้จริงมีความสำคัญและเร่งด่วน อะไรที่สามารถวางแผนได้ และอะไรที่ควรจัดการอย่างเงียบๆ

และจากนั้นก็มีส่วน “แคบกว้าง” ส่วนใหญ่ของบริษัทต่างๆ ผิดพลาดโดยคิดว่าผลกระทบที่มากขึ้นของ AI มาจากการอยู่ในระดับที่กว้างขวาง คุณจะดีกว่าถ้าเลือกส่วนแนวตั้งที่แคบ – ใช้กรณีการใช้งานที่แท้จริงหนึ่งกรณี ชุดกระบวนการทำงานหนึ่งชุด – และสร้างความไว้วางใจและชั้นการจัดทำลำดับที่คุณต้องการที่นั่น ก่อนอื่นให้แคบลงในแนวตั้ง ให้ถูกต้อง และรักษาคนไว้ในวงจรที่ขอบ จากนั้นจึงขยายออกไป นั่นคือวิธีที่คุณเคลื่อนที่ได้อย่างรวดเร็ว รักษาความรับผิดชอบ และหลีกเลี่ยงการสร้างความยุ่งยากที่คุณไม่สามารถแก้ไขได้

จากประสบการณ์ของคุณในการนำทีมผลิตภัณฑ์และวิศวกรรมระดับโลก สิ่งที่เปลี่ยนแปลงในด้านองค์กรหรือวัฒนธรรมที่ต้องการสำหรับ AI ที่จะกลายเป็นความสามารถที่มั่นคงขององค์กรมากกว่าการรวบรวมการนำเสนอที่ไม่เชื่อมต่ออย่างไร

ส่วนใหญ่ขององค์กรไม่มีปัญหา “AI” แต่มีปัญหา “ความรู้และกระบวนการทำงาน” การเปลี่ยนแปลงแรกคือการหยุดเล่นกับโซลูชันจุดและย้ายจากคลังข้อมูลไปยังคลังความรู้ที่กระจายอำนาจที่ทุกคนสามารถมองเห็นและดำเนินการได้ ตราบใดที่ความรู้อยู่ในซิลอสและ AI เป็นเชอร์รี่บนข้อมูลที่มีอยู่ คุณจะได้รับการนำเสนอ ไม่ใช่การเปลี่ยนแปลง

จากนั้นคุณต้องเต็มใจที่จะเข้าไปในประเด็นที่ยากกว่าในลำดับที่เฉพาะเจาะจง ขั้นตอนที่ 1 คือการแยกข้อมูลที่ไม่ใช่เรื่องเล่าออกจากความเป็นจริงและนำสิ่งที่ทำงานมาใช้ ไม่ใช่สิ่งที่ดังที่สุดในฟีดของคุณ ขั้นตอนที่ 2 คือการออกแบบชั้นความรู้ใหม่เพื่อให้คุณสามารถเปลี่ยนข้อมูลเป็นบริบทความรู้ที่แบ่งปันและไม่ใช่รายงานอีกตัวหนึ่งที่ฝังอยู่ในระบบ หากคุณไม่เปลี่ยนแปลงสิ่งนี้ เอเจนต์จะกลายเป็นเพียงเครื่องมืออีกตัวหนึ่งที่โคจรรอบปัญหาที่มีอยู่

จากนั้นจึงมีการเปลี่ยนแปลงทางวัฒนธรรม ซึ่งมักจะเป็นสิ่งที่ยากที่สุด คุณต้องการวัฒนธรรมที่ผู้คนไม่กลัวที่จะสูญเสียงาน เครื่องมือ หรืออัตลักษณ์ แต่แทนที่จะรู้สึกตื่นเต้นที่จะทำงานร่วมกับความสามารถใหม่ๆ นี่คือปัญหาการจัดการการเปลี่ยนแปลง ไม่ใช่ปัญหาด้านเทคโนโลยี มันคล้ายกับการนำผู้นำแบบกระจาย: ผู้คน ณ จุดที่คมที่สุดของงานเข้าใจกระบวนการทำงาน รู้สึกปลอดภัยที่จะระบุความเสื่อมและตื่นเต้นที่จะให้เอเจนต์ทำงานบนเรื่องนั้น

เมื่อมองไปไกลกว่าบรอดแบนด์และโทรคมนาคม อุตสาหกรรมใดที่คุณคิดว่าพร้อมที่จะนำ AI แบบเอเจนต์เข้ามาใช้ และสภาพอะไรที่ทำให้พวกเขาพร้อม

ฉันไม่คิดในแง่ของการเลือกผู้ชนะตามชื่ออุตสาหกรรม ฉันคิดในแง่ของลวดลาย เกือบทุกแนวตั้งมีภารกิจที่ซ่อนอยู่เดียวกัน: พวกเขาสร้างซิลอสข้อมูลและซิลอสฟังก์ชันแทนการมีมุมมองที่แท้จริงหนึ่งมุมมองในช่วงชีวิตของลูกค้า พนักงาน และผลิตภัณฑ์ ผู้ที่พร้อมคือผู้ที่เต็มใจที่จะเห็นสิ่งนี้ ยอมรับว่าพวกเขาไม่มีชั้นความรู้ที่แท้จริง และแก้ไขมัน

จากนั้น สภาพที่ดูเหมือนจะคล้ายกันไม่ว่าคุณจะอยู่ในด้านสุขภาพ ฟินเทค ร้านค้าปลีก หรือโครงสร้างพื้นฐานที่สำคัญ คุณต้องการกระบวนการทำงานที่ซับซ้อนซึ่งผู้คนต้องเผชิญ การเสื่อมสภาพที่แท้จริงที่คุณสามารถระบุได้ และข้อมูลคุณภาพสูงเพียงพอที่จะให้เอเจนต์เข้าใจบริบท หากคุณสามารถทำแผนที่กระบวนการทำงานปัจจุบัน เห็นได้ว่าทำงานช้าลงหรือสะสมที่ไหน ระบุการถ่ายโอนมือที่สร้างความล่าช้า และสนับสนุนสิ่งนี้ด้วยคลังความรู้ที่กระจายอำนาจ AI แบบเอเจนต์จะเป็นชุดเครื่องมือที่น่าเหลือเชื่อ

ในโลกนั้น “ความพร้อมของอุตสาหกรรม” ลดลงเหลือการนำผู้นำ หากผู้นำของบริษัทเต็มใจที่จะพ้นจากเครื่องมือการตลาดและแดชบอร์ดแนวนอนที่บาง และลงทุนในเทคสแต็กแนวตั้ง – การเปลี่ยนข้อมูลเป็นความรู้ การกระจายความรู้นั้น การวางชั้นการจัดทำลำดับและความไว้วางใจ และมีการสนทนาที่ซื่อสัตย์เกี่ยวกับว่า ROI ที่แท้จริงอยู่ที่ไหน – บริษัทใดๆ ในอุตสาหกรรมใดๆ ที่ทำการนี้จะพร้อมสำหรับ AI แบบเอเจนต์ที่ใช้งานได้จริง; ผู้ที่ไม่ทำเช่นนั้นจะถูกติดอยู่ในการเพิ่มเครื่องมืออีกตัวหนึ่งเข้ากับกองซื้อที่มีอยู่แล้ว

เมื่อ AI ขององค์กรมีวิวัฒนาการสู่สภาพแวดล้อมหลายเอเจนต์และหลายคลาวด์ สถาปัตยกรรม AI ที่ดีจะดูเหมือนอย่างไรในอีก 5 ปี และหลักการใดที่ผู้นำควรให้ความสำคัญในวันนี้เพื่อหลีกเลี่ยงการสร้างระบบใหม่ในภายหลัง

ในอีก 5 ปี ส่วนที่น่าสนใจของ AI จะไม่ใช่เอเจนต์หรือแบบจำลองแต่ละตัว แต่จะเป็นกระบวนการทำงานของเอเจนต์ที่พวกเขาสามารถทำได้และคุณค่าทางธุรกิจที่กระบวนการเหล่านั้นส่งมอบ เอเจนต์เองจะมาและไป ชั้นต่างๆ ที่อยู่ใต้พวกมัน – ข้อมูล ความรู้ การจัดทำลำดับ ความไว้วางใจ และการดำเนินการ – จะยังคงพัฒนา แต่ความต้องการนั้นจะไม่หายไป

นั่นคือเหตุผลที่ฉันให้ความสำคัญกับสถาปัตยกรรมมากกว่าเครื่องมือใดเครื่องมือหนึ่ง เรากำลังย้ายจากคลังข้อมูลไปยังคลังความรู้ที่กระจายอำนาจ จากการผสานรวมแบบจุดต่อจุดไปยังเทคสแต็กที่เปิดและชั้น ในโลกนั้น คุณจะมีเอเจนต์ทำงานในคลาวด์ที่แตกต่างกัน สัมผัสแหล่งข้อมูลความรู้ที่แตกต่างกัน และประสานงานผ่านอินเทอร์เฟซที่กำหนดไว้อย่างดี เมื่อเทคโนโลยีปรับปรุง คุณต้องการให้สามารถเปลี่ยนชิ้นส่วนที่ดีกว่าเข้าไปในเหล่านั้นได้โดยไม่ต้องสร้างทุกอย่างใหม่ทุกครั้ง

ดังนั้น หลักการสำหรับผู้นำจึงง่ายๆ ไม่สร้างแบบโมโนลิธิก ออกแบบสำหรับชั้นเพื่อให้ข้อมูล ความรู้ การจัดทำลำดับ ความไว้วางใจ และการดำเนินการสามารถพัฒนาได้อย่างอิสระ ออกแบบสำหรับกระบวนการทำงาน ไม่ใช่คุณสมบัติ เพื่อให้คุณชัดเจนเกี่ยวกับกระบวนการทำงานที่สำคัญและอะไรที่ดูเหมือน “ดี” ในชีวิตลูกค้า พนักงาน และผลิตภัณฑ์ และออกแบบสำหรับการกำกับดูแลในระดับเอเจนต์ – สมมติว่าไม่มีความไว้วางใจโดยค่าเริ่มต้น ระบุ “บัตรเอเจนต์ที่ชัดเจน” และใช้การจัดทำลำดับเพื่อตัดสินว่าอะไรที่เร่งด่วน อะไรที่สำคัญ และอะไรที่เพียงแค่ต้องทำ หากคุณทำเช่นนั้น คุณสามารถปล่อยให้เทคโนโลยีเปลี่ยนแปลง – ตามที่มันทำเสมอ – โดยไม่ต้องกังวลอย่างต่อเนื่องเกี่ยวกับการสร้างใหม่

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Calix