Shanea Leven ผู้ก่อตั้งและ CEO ของ Empromptu AI – สัมภาษณ์รายการ

Shanea Leven ผู้ก่อตั้งและ CEO ของ Empromptu AI เป็นผู้นำผลิตภัณฑ์มือเก๋าที่มีประสบการณ์มากมายในการสร้างแพลตฟอร์มสำหรับนักพัฒนาและผลิตภัณฑ์ที่ขับเคลื่อนด้วย AI ในบริษัทเทคโนโลยีชั้นนำ ก่อนที่จะเริ่ม Empromptu ในปี 2025 เธอเป็นผู้ก่อตั้ง CodeSee แพลตฟอร์มสำหรับนักพัฒนาที่ช่วยให้ทีมสามารถมองเห็นและเข้าใจฐานโค้ดที่ซับซ้อน ซึ่งถูกซื้อกิจการโดย GitKraken ในปี 2024 ในช่วงต้นอาชีพของเธอ เธอ曾ดำรงตำแหน่งผู้นำผลิตภัณฑ์อาวุโสในบริษัทต่างๆ รวมถึง Docker, Cloudflare, eBay และ Google (GOOGL ) โดยที่เธอทำงานในโครงการต่างๆ ตั้งแต่ API การชำระเงินของ Google Assistant ไปจนถึงโปรแกรมการศึกษานักพัฒนาที่ใช้โดย数แสนคน

Empromptu AI เป็นแพลตฟอร์มสำหรับองค์กรที่ออกแบบมาเพื่อช่วยให้ธุรกิจสามารถสร้างและใช้งานแอปพลิเคชัน AI ที่รวมถึงการพัฒนาแอปพลิเคชัน การรวมข้อมูล การกำกับดูแล การประเมิน การจัดการหน่วยความจำ และการกำกับดูแลแบบจำลองเข้าด้วยกันใน環境เดียว ทำให้บริษัทต่างๆ สามารถย้ายจากการทดลอง AI ที่รวดเร็วไปยังระบบที่มีคุณภาพการผลิตพร้อมการควบคุมและความน่าเชื่อถือที่จำเป็นสำหรับการใช้งานในองค์กร

คุณใช้เวลามากกว่า 15 ปีในการสร้างแพลตฟอร์มสำหรับนักพัฒนาในบริษัทต่างๆ เช่น Google, eBay, Cloudflare และ Docker ก่อนที่จะก่อตั้ง CodeSee ซึ่งถูกซื้อกิจการโดย GitKraken และตอนนี้คุณเป็นผู้นำ Empromptu AI สิ่งเหล่านั้นช่วยให้คุณมีมุมมองที่แตกต่างเกี่ยวกับเหตุผลที่เครื่องมือ AI หลายๆ ตัวล้มเหลวหลังจากที่ออกจากขั้นตอนการแสดงผล คุณตั้งใจที่จะแก้ปัญหาเฉพาะเจาะจงใดเมื่อคุณก่อตั้ง Empromptu?

หนึ่งในสิ่งที่คุณเรียนรู้จากการสร้างแพลตฟอร์มสำหรับนักพัฒนาคือปัญหาที่ยากที่สุดไม่ใช่สิ่งที่อยู่ในตัวอย่าง ตัวอย่างนั้นจะทำงานเสมอ การทดสอบที่แท้จริงคือสิ่งที่เกิดขึ้นเมื่อนักพัฒนาทousands ใช้ระบบเมื่อข้อมูลไม่สมบูรณ์ เมื่อการรวมระบบล้มเหลว และเมื่อธุรกิจจริงๆ ขึ้นอยู่กับมัน

ที่ Google, Cloudflare, Docker และ eBay ฉันใช้เวลาหลายปีในการทำงานในแพลตฟอร์มที่ต้องทำงานในระดับโลก สภาพแวดล้อมเหล่านั้นสอนคุณบางสิ่งๆ อย่างรวดเร็ว: ความน่าเชื่อถือ การกำกับดูแล และการตรวจสอบไม่ใช่คุณสมบัติที่คุณเพิ่มในภายหลัง มันคือโครงสร้าง

เมื่อฉันเริ่มสร้างแอปพลิเคชัน AI โมเดลนั้นไม่ดี และเมื่อพวกมันเริ่มดีขึ้น ฉันสังเกตเห็นว่าอุตสาหกรรมกำลังทำซ้ำข้อผิดพลาดเดียวกับที่เราเห็นในคลื่นซอฟต์แวร์ก่อนหน้า ในเครื่องมือพัฒนา มีแนวคิดที่ดูเหมือนจะถูกลืมไปแล้ว ว่าคุณสามารถเข้าถึง “hello world” ได้เร็วแค่ไหน วันนี้ ส่วนขยายของ “hello world” คือตัวแทนการทำงานของ SaaS ที่สมบูรณ์ แต่เราไม่แค่เขียนโค้ด SaaS อプリเคชัน; เราเขียนโค้ด AI ทั้งหมด แอปพลิเคชัน AI ที่สร้าง AI ต้องการระบบอื่นๆ เพื่อใส่ AI นั้นเข้าไปในระบบการผลิต

คุณสามารถสร้างแอปพลิเคชัน AI ที่ทำงานได้อย่างรวดเร็ว ซึ่งเป็นสิ่งที่น่าตื่นเต้นและเป็นประโยชน์จริงๆ แต่ระบบที่โดดเด่นยังคงไม่มีโครงสร้างพื้นฐานที่จำเป็นสำหรับสภาพแวดล้อมการผลิต สิ่งต่างๆ เช่น การจัดการข้อมูลที่มีโครงสร้าง ระบบประเมิน การควบคุมการกำกับดูแล การตรวจสอบ และการจัดการบริบทระยะยาวถูกพลาดไป แต่เราได้ใส่สิ่งเหล่านั้นเข้าไปในขณะที่ยังคงรักษาความน่าเหลือเชื่อของการเขียนโค้ด

เมื่อผู้ร่วมก่อตั้งและฉันก่อตั้ง Empromptu ปัญหาที่เราต้องการแก้คือเรื่องง่ายๆ: วิธีใดที่เราจะทำให้แอปพลิเคชัน AI พร้อมสำหรับการผลิตตั้งแต่แรก?

แทนที่จะรักษาการกำกับดูแล ความพร้อมของข้อมูล การประเมิน และการปรับให้เหมาะสมเป็นเครื่องมือหรือกระบวนการหลังการผลิต เราได้สร้างสิ่งเหล่านั้นเข้าไปในแพลตฟอร์มโดยตรง ความคิดคือว่าทีมควรจะสามารถสร้างแอปพลิเคชัน AI ได้อย่างรวดเร็ว แต่ด้วยความน่าเชื่อถือ คุณภาพ และการควบคุมที่พวกเขาคาดหวังจากระบบซอฟต์แวร์ระดับองค์กร

คุณได้พูดถึงช่องว่างระหว่างตัวอย่าง AI ที่น่าประทับใจและระบบการผลิตที่พร้อมใช้งาน คุณคิดว่าข้อผิดพลาดทางสถาปัตยกรรมที่พบบ่อยที่สุดที่ทีมงานทำเมื่อพยายามเปลี่ยนตัวแทนการทำงาน AI เป็นผลิตภัณฑ์ที่เชื่อถือได้ซึ่งใช้โดยลูกค้าจริงคืออะไร?

ข้อผิดพลาดที่พบบ่อยที่สุดที่ทีมงานทำคือการถือว่าโมเดลคือผลิตภัณฑ์

ในตัวแทนการทำงานตอนต้น โมเดลทำหน้าที่ที่มองเห็นได้มากที่สุด คุณส่งคำถามไป มันสร้างคำตอบ และถ้าคำตอบดูดี ระบบดูเหมือนจะทำงาน นั่นสร้างภาพลวงตาว่าการปรับปรุงโมเดลคือความท้าทายหลัก

แต่ในระบบการผลิต โมเดลเป็นเพียงส่วนหนึ่งของสถาปัตยกรรมที่ใหญ่กว่า

ข้อผิดพลาดแรกคือการรักษาข้อมูลเป็นเรื่องรอง ในตัวแทนการทำงาน ทีมงานมักจะทดสอบด้วยชุดข้อมูลขนาดเล็กและสะอาด เมื่อระบบเชื่อมต่อกับข้อมูลการดำเนินงานจริง สิ่งต่างๆ จะเปลี่ยนแปลงอย่างรวดเร็ว ข้อมูลมาถึงไม่สมบูรณ์ ไม่สอดคล้องกัน ซ้ำกัน หรือในรูปแบบที่ไม่คาดคิด โดยไม่มีการจัดการข้อมูลที่มีโครงสร้างเพื่อปรับให้ข้อมูลเข้ากัน ระบบจะไม่น่าเชื่อถือไม่ว่าโมเดลจะดีแค่ไหน

ข้อผิดพลาดที่สองคือการไม่มีระบบประเมิน หลายทีมเปิดตัวคุณสมบัติ AI โดยไม่ได้กำหนดว่า “ดี” แท้จริงแล้วหมายถึงอะไร พวกเขาอาจตรวจสอบผลลัพธ์โดยตรงระหว่างการพัฒนา แต่ไม่ได้สร้างระบบประเมินอัตโนมัติที่วัดความแม่นยำ การเปลี่ยนแปลง และกรณีชายขอบอย่างต่อเนื่องเมื่อระบบเป็นไปได้ โดยไม่มีการป้องกันเหล่านั้น ความล้มเหลวมักจะถูกพบโดยลูกค้าแทนที่จะเป็นโดยวิศวกร

ปัญหาหนึ่งคือการไม่มีกลไกการกำกับดูแลและการควบคุม ระบบ AI เป็นแบบสุ่ม ซึ่งหมายความว่าสามารถมีพฤติกรรมที่แตกต่างกันภายใต้สภาพแวดล้อมที่แตกต่างกันเล็กน้อย ในสภาพแวดล้อมที่มีการควบคุมหรือมีความเสี่ยงสูง ความไม่แน่นอนนั้นต้องถูกจำกัดด้วยนโยบายที่แน่นอน การทำงานของการอนุมัติ และบันทึกการตรวจสอบที่บันทึกว่าการตัดสินใจถูกทำอย่างไร

สิ่งนี้ลดลงเหลือเพียง一点 ว่าระบบ AI ที่พร้อมการผลิตไม่ใช่แค่โมเดล แต่เป็นระบบการดำเนินงาน

บริษัทที่ประสบความสำเร็จกับ AI ในปัจจุบันคือบริษัทที่รักษาการจัดการข้อมูล ระบบประเมิน การกำกับดูแล และการตรวจสอบเป็นโครงสร้างพื้นฐานหลัก ไม่ใช่ส่วนเสริมที่ไม่จำเป็น

หลายแพลตฟอร์มสำหรับการเขียนโค้ด AI สัญญาว่าใครๆ ก็สามารถสร้างแอปพลิเคชันได้โดยใช้คำถามง่ายๆ ทำไมเครื่องมือเหล่านี้มักจะทำงานได้ดีสำหรับการแสดงผล แต่ล้มเหลวเมื่อบริษัทพยายามใช้งานในระบบการผลิตจริง?

หลายแพลตฟอร์มเหล่านี้ทำงานได้ดีสำหรับการแสดงผลเพราะพวกมันถูกปรับให้เหมาะสมกับช่วงเวลาของการสร้าง ไม่ใช่ช่วงอายุการใช้งานของระบบจริง

แต่มีความแตกต่างพื้นฐานระหว่างการใช้ AI เพื่อสร้างหน้า Landing Page และการใช้ AI เพื่อสร้างแอปพลิเคชัน AI

หน้า Landing Page เป็นซอฟต์แวร์ส่วนใหญ่ที่ไม่เปลี่ยนแปลง เมื่อมันแสดงผลถูกต้องแล้ว งานก็เสร็จสิ้น ระบบไม่ต้องตัดสินใจแบบสุ่ม ดูดข้อมูลที่เปลี่ยนแปลงอย่างต่อเนื่อง หรือปรับตัวให้เข้ากับพฤติกรรมของผู้ใช้ที่ไม่คาดคิด

แอปพลิเคชัน AI ต่างกันมาก พวกมันเป็นระบบที่มีการเปลี่ยนแปลงซึ่งพึ่งพาข้อมูล การพฤติกรรมของโมเดล ระบบประเมิน และการตรวจสอบอย่างต่อเนื่อง แอปพลิเคชันจะต้องจัดการบริบท ตรวจจับเมื่อผลลัพธ์เปลี่ยนแปลง มัดการกรณีชายขอบ และดำเนินการอย่างปลอดภัยเมื่อโมเดลพบกับสภาพแวดล้อมที่ไม่เคยเห็นมาก่อน

เครื่องมือเขียนโค้ดที่ขับเคลื่อนด้วยคำถามส่วนใหญ่ไม่ได้กล่าวถึงชั้นเหล่านั้นเพราะพวกมันถูกออกแบบมาเพื่อให้ได้ผลลัพธ์ที่มองเห็นได้ ซึ่งเหมาะสำหรับสภาพแวดล้อมการแสดงผล แต่ระบบการผลิตต้องการชุดความสามารถที่มากกว่า: การจัดการข้อมูลที่มีโครงสร้าง การควบคุมการกำกับดูแล ระบบประเมิน การตรวจสอบ และกลไกในการอัปเดตพฤติกรรมอย่างปลอดภัยเมื่อเวลาผ่านไป

ดังนั้น เมื่อบริษัทพยายามใช้ระบบเหล่านี้ในระบบการผลิตจริง ช่องว่างนั้นจะกลายเป็นเรื่องที่ชัดเจน ตัวแทนการทำงานได้ผลเพราะสภาพแวดล้อมถูกควบคุม การผลิตคือสิ่งที่ยุ่งเหยิง

Empromptu มุ่งเน้นไปที่การเปลี่ยนแปลงซอฟต์แวร์ที่มีอยู่ให้เป็นระบบ AI ที่เป็นมิตร แทนที่จะบังคับให้บริษัทต่างๆ สร้างทุกอย่างจากศูนย์ การเปลี่ยนแปลงนั้นเกี่ยวข้องกับอะไรที่ระดับโครงสร้างพื้นฐานและผลิตภัณฑ์?

ที่ระดับผลิตภัณฑ์ แต่ละแอปพลิเคชันถูกบรรจุภัณฑ์อย่างสมบูรณ์และมีการใช้ขวดบรรจุภัณฑ์ เราสร้างทุกสิ่งที่คุณต้องการตั้งแต่หน้าแรก หน้าหลัง ฐานข้อมูล โมเดล การประเมิน และกฎเกณฑ์ต่างๆ ทุกอย่างมีความยืดหยุ่นสูงขึ้นอยู่กับความต้องการขององค์กร

เรามีตัวเลือกที่แตกต่างกันสำหรับแอปพลิเคชัน AI:

แบบ “Headless” หากลูกค้ามีหน้าแรกแล้ว เราสามารถเชื่อมต่อกับระบบของเราและส่งข้อมูลกลับไป

แบบบรรจุภัณฑ์ที่สมบูรณ์แบบ พวกเขาสามารถใช้งานได้ภายในโครงสร้างพื้นฐานของเราหรือภายในโครงสร้างพื้นฐานของลูกค้า ดังนั้นจึงสามารถใช้งานได้ภายในองค์กรโดยค่าเริ่มต้น

หรือเราสามารถสร้างและใช้งานได้โดยตรงไปยังคลาวด์สำหรับตัวเลือกที่สะดวกที่สุด

เราสามารถนำโค้ดที่มีอยู่มาใช้ได้โดยตรงและแปลงให้เป็นรูปแบบที่เหมาะสมหากยังไม่ได้แปลงแล้ว ตัวอย่างเช่น เราเห็นสิ่งนี้ในลูกค้าหลายรายที่พยายามสร้างแอปพลิเคชันบนแพลตฟอร์มยอดนิยม เช่น Lovable, Replit, Bolt หรือ Base44 บ่อยครั้งพวกเขาไม่ทำงาน แต่ลูกค้ามีเวลาและพลังงานที่จะลงทุนในแอปพลิเคชันนี้แล้ว เราจึงนำเข้ามา 重新เขียน และทำให้ AI ทำงาน

และเราสามารถทำสิ่งนี้ได้เพราะเรามีเทคโนโลยีเฉพาะที่เป็นกรรมสิทธิ์ เช่น:

• เครื่องยนต์บริบทแบบปรับเปลี่ยนเพื่อจัดการบริบท
• หน่วยความจำไม่สิ้นสุดเพื่อนำเข้าแอปพลิเคชันที่ใช้เวลานาน
• แบบจำลองข้อมูลและข้อมูลที่สมบูรณ์แบบเพื่อให้แน่ใจว่าเราสามารถจัดการกับการทำความสะอาดข้อมูลและป้ายกำกับข้อมูลสังเคราะห์ที่จำเป็น

แพลตฟอร์มของคุณเน้นย้ำถึงบริบท การประเมิน การกำกับดูแล และข้อมูลที่มีโครงสร้างเป็นส่วนประกอบหลักของระบบ AI สิ่งเหล่านี้มักถูกละเลยเมื่อทีมงานเร่งรีบเพิ่มคุณสมบัติ AI ลงในผลิตภัณฑ์ของตน

เพราะพวกมันยากที่จะทำ! ผู้ร่วมก่อตั้ง củaฉัน Dr. Sean Robinson เป็นผู้นำห้องปฏิบัติการวิจัยของเรา และเขาเป็นนักฟิสิกส์ดาราศาสตร์ที่คำนวณซึ่งได้ประดิษฐ์เทคโนโลยีหลายอย่างที่ได้รับแรงบันดาลใจจากความคิดที่ไม่ปกติของฉัน แต่ยังรวมถึงความต้องการของลูกค้าและทิศทางของตลาดด้วย ประสบการณ์ร่วมกันของเราในการสร้างแอปพลิเคชัน agentic หลายตัว การส่งดาวเทียมเข้าสู่อวกาศ และการสร้างที่บริษัทเทคโนโลยีที่ใหญ่ที่สุดในโลก ทำให้เรามีความเข้าใจที่ช่วยให้เราแก้ปัญหาได้ดีกว่าคนอื่น

คุณทำงานร่วมกับผู้ก่อตั้งหลายคนซึ่งไม่เคยเขียนโค้ดมาก่อน สิ่งเข้าใจผิดที่ใหญ่ที่สุดสองสามประการของผู้ก่อตั้งที่ไม่ใช่นักเทคนิคคืออะไรเมื่อพวกเขาพยายามสร้างแอปพลิเคชัน AI เป็นครั้งแรก?

ฉันคิดว่ามีสิ่งเข้าใจผิดสองประการ:

ประการแรกคือ AI เป็นเหมือนเวทมนตร์ AI ไม่ใช่เวทมนตร์ มันคือการวิศวกรรมที่ดี และในที่สุด คุณจะถึงขีดจำกัดของสิ่งที่คุณสามารถทำได้บนแพลตฟอร์มเหล่านี้โดยไม่มีวิศวกรที่แท้จริง

ประการที่สองคือพวกเขามีทักษะการจัดการผลิตภัณฑ์ทางเทคนิคที่ดี ฉันมีประสบการณ์ในการจัดการผลิตภัณฑ์ทางเทคนิค และทักษะในการแปลวิสัยทัศน์ ซึ่งบางครั้งเป็นวิสัยทัศน์ที่ใหญ่มาก ลงไปสู่ชิ้นส่วนที่สามารถจัดส่งได้พร้อมกับข้อกำหนดทางเทคนิคที่ถูกต้องเพื่อกำหนดสิ่งที่คุณต้องการอย่างแน่นอน สิ่งนี้เป็นทักษะที่ยากและต้องใช้เวลา

ตัวอย่างเช่น สมมติว่าคุณกำลังสร้างแอปที่อัปโหลด PDF และบันทึก PDF เพื่อให้คุณสามารถกลับมาดูได้ภายหลัง นั่นคือแนวคิดที่เรียกว่าความคงอยู่ แต่ถ้าคุณไม่รู้ว่ามันเรียกว่าความคงอยู่ คุณจะไม่สามารถพิมพ์ได้ว่าข้อมูลนั้นจะคงอยู่

หลายสตาร์ทอัพคิดว่าวิธีแก้ปัญหาสำหรับการสร้างผลิตภัณฑ์ AI คือการ雇งวิศวกรเพิ่มขึ้น คุณเชื่อว่าวิธีนี้มักจะล้มเหลว และอะไรที่ผู้ก่อตั้งควรพิจารณาเมื่อสร้างผลิตภัณฑ์ AI?

การ雇งวิศวกรเพิ่มขึ้นอาจเป็นคำตอบที่ถูกต้อง หากคุณกำลังสร้างผลิตภัณฑ์ที่มีความซับซ้อนสูงหรือทำงานที่ขอบเขตของการวิจัยแบบจำลอง ไม่มีการแทนการมีวิศวกรที่ดีในการแก้ปัญหาที่ยาก

แต่ข้อผิดพลาดที่สตาร์ทอัพหลายแห่งทำคือการถือว่าวิศวกรเพิ่มขึ้นจะแก้ปัญหาในการสร้างผลิตภัณฑ์ AI ได้โดยอัตโนมัติ

ในความเป็นจริง ปัญหาที่ยากที่สุดในผลิตภัณฑ์ AI ไม่ใช่ปัญหาทางวิศวกรรมเท่านั้น แต่เป็นปัญหาเกี่ยวกับระบบ ปัญหาเกี่ยวกับระบบไม่ใช่สิ่งที่วิศวกรสามารถแก้ได้ด้วยการเขียนโค้ดเพียงอย่างเดียว

แอปพลิเคชัน AI อยู่ที่จุดตัดระหว่างข้อมูล การออกแบบผลิตภัณฑ์ การทำงาน และพฤติกรรมของโมเดล คุณสามารถมีทีมวิศวกรที่น่าทึ่ง แต่ถ้าการไหลของข้อมูลไม่น่าเชื่อถือ มาตรฐานการประเมินคืออะไร ไม่ชัดเจน และระบบไม่มีการกำกับดูแลและการตรวจสอบ ผลิตภัณฑ์จะยังคงดิ้นรนเมื่อถึงผู้ใช้จริง

ปัญหาหนึ่งคือหลายทีมกระโดดเข้าสู่การสร้างโดยไม่ได้กำหนดว่าระบบ AI จะมีพฤติกรรมอย่างไรในระบบการผลิต คำถามเช่น วิธีการประเมินระบบอย่างต่อเนื่อง ไม่ใช่แค่ระหว่างการพัฒนาเท่านั้น วิธีการจัดการกรณีชายขอบ วิธีการบันทึกการตัดสินใจ และวิธีการอัปเดตแบบจำลองอย่างปลอดภัยเมื่อเวลาผ่านไป มักจะเกิดขึ้นภายหลัง โดยที่โครงสร้างพื้นฐานมันยากที่จะเปลี่ยนแปลง

สิ่งที่ผู้ก่อตั้งควรพิจารณาคือโมเดลการดำเนินงานของระบบ AI ของตน

ใครเป็นเจ้าของการไหลของข้อมูล?

วิธีการวัดประสิทธิภาพของโมเดลอย่างต่อเนื่อง ไม่ใช่แค่ระหว่างการพัฒนา?

เกิดอะไรขึ้นเมื่อระบบพบกับสภาพแวดล้อมที่ไม่เคยเห็นมาก่อน?

วิธีการอัปเดตพฤติกรรมอย่างปลอดภัยโดยไม่ทำลายกระบวนการทำงานที่ตามมา?

บางครั้งการแก้ปัญหาเหล่านี้อาจหมายถึงการ雇งวิศวกรเพิ่มขึ้น แต่ก็อาจหมายถึงการเลือกโครงสร้างพื้นฐานที่ถูกต้อง การกำหนดข้อจำกัดผลิตภัณฑ์ที่เข้มงวด และการสร้างระบบที่ช่วยให้ทีมขนาดเล็กสามารถทำงานได้อย่างมีประสิทธิภาพในระดับใหญ่

บริษัทที่ประสบความสำเร็จกับ AI ในปัจจุบันไม่จำเป็นต้องเป็นบริษัทที่มีทีมวิศวกรที่ใหญ่ที่สุด แต่เป็นบริษัทที่รักษา AI เป็นระบบที่ต้องมีวินัยข้อมูล การประเมิน การกำกับดูแล และการปรับปรุงอย่างต่อเนื่องตั้งแต่แรก

คุณได้โต้แย้งว่ารูปแบบธุรกิจบางอย่างในปัจจุบันของเครื่องมือสำหรับนักพัฒนา AI ไม่สอดคล้องกับการสร้างผลิตภัณฑ์ที่ทนทาน คุณคิดว่าแรงจูงใจใดในระบบนิเวศของเครื่องมือ AI ที่นำไปสู่การกระทำที่ไม่ถูกต้อง?

หนึ่งในความไม่สอดคล้องที่ใหญ่ที่สุดของแรงจูงใจในขณะนี้คือเครื่องมือสำหรับนักพัฒนา AI หลายๆ ตัวถูกปรับให้เหมาะสมสำหรับเมตริกการเติบโตมากกว่าความทนทานของผลิตภัณฑ์

หลายบริษัทในพื้นที่นี้ได้รับการตอบแทนสำหรับวิธีการที่รวดเร็วที่ผู้ใช้สามารถสร้างสิ่งที่น่าประทับใจได้ หากเครื่องมือสามารถสร้างแอปพลิเคชัน ฟีเจอร์ หรือตัวอย่างการทำงานได้ภายในไม่กี่นาที สิ่งนั้นจะขับเคลื่อนการลงทะเบียน การแบ่งปันทางสังคม และความตื่นเต้นของนักลงทุน จากมุมมองของการรับผลิตภัณฑ์ สิ่งนั้นสมเหตุสมผล

แต่แรงจูงใจเหล่านั้นหยุดอยู่ที่จุดของการสร้าง

งานที่ยากกว่าในซอฟต์แวร์ AI เกิดขึ้นหลังจากจุดนั้น เมื่อความไว้วางใจถูกสร้างขึ้น เมื่อคุณสามารถพึ่งพาคุณภาพได้ เมื่อผู้ใช้ต้องการกลับมาอีกครั้งโดยไม่มีความผิดพลาดของ AI ที่ไม่ดี

ปัญหาหนึ่งคือเครื่องมือหลายๆ ตัวถูกปรับให้เหมาะสมสำหรับการสร้างโค้ดมากกว่าการออกแบบระบบ การสร้างโค้ดอย่างรวดเร็วเป็นประโยชน์ แต่การสร้างผลิตภัณฑ์ AI ต้องใช้มากกว่าการสร้างโค้ด มันเกี่ยวกับการกำหนดว่าระบบจะจัดการบริบทอย่างไร วิธีการประเมินอย่างไร วิธีการจัดการความล้มเหลว และวิธีการพฤติกรรมเปลี่ยนแปลงอย่างปลอดภัยเมื่อเวลาผ่านไป

บริษัทที่จัดแนวแรงจูงใจรอบๆ การช่วยให้ลูกค้าใช้งานระบบ AI อย่างน่าเชื่อถือ ไม่ใช่แค่สร้างระบบได้เร็วๆ จะเป็นบริษัทที่สร้างคุณค่าที่ยั่งยืนในระบบนิเวศนี้

ลูกค้าบางรายของคุณรวมถึงผู้ประกอบการซึ่งสร้างผลิตภัณฑ์ที่เฉพาะเจาะจง เช่น เครื่องมือสุขภาพที่เน้นย้ำหรือธุรกิจที่มุ่งเน้นความยั่งยืน โดยไม่มีทีมวิศวกรแบบดั้งเดิม คุณเห็นรูปแบบใดๆ ในผู้ก่อตั้งที่ประสบความสำเร็จในการเปลี่ยนความคิดเหล่านั้นให้เป็นผลิตภัณฑ์ AI ที่ทำงานได้?

หนึ่งในรูปแบบที่น่าสนใจที่สุดที่เราเห็นคือผู้ก่อตั้งที่ประสบความสำเร็จไม่จำเป็นต้องเป็นคนด้านเทคนิคที่สุด พวกเขาคือผู้ที่เข้าใจปัญหาที่พวกเขากำลังแก้ไขอย่างลึกซึ้ง

หลายๆ ผู้ประกอบการที่ใช้ Empromptu เป็นผู้เชี่ยวชาญด้านโดเมน พวกเขาอาจมาจากสุขภาพ การเงิน ความยั่งยืน หรืออุตสาหกรรมที่มีเฉพาะเจาะจง สิ่งที่พวกเขานำมาคือความรู้ที่ลึกซึ้งเกี่ยวกับกระบวนการทำงาน การกำกับดูแล และการตัดสินใจที่มีอยู่ในนั้น บริบทนั้นเป็นคุณค่าที่น่าเหลือเชื่อเมื่อออกแบบผลิตภัณฑ์ AI เพราะมันกำหนดว่าระบบจะต้องทำอะไร

ผู้ก่อตั้งที่ประสบความสำเร็จมักจะเข้าใกล้ AI น้อยกว่าการทดลองทางเทคนิคและมากขึ้นเหมือนระบบผลิตภัณฑ์ พวกเขามักจะเริ่มต้นด้วยการถามคำถามที่เป็นรูปธรรม อะไรคือการตัดสินใจที่ AI จะช่วยให้ผู้ใช้ทำได้? ข้อมูลจากแหล่งใดที่มันจำเป็นต้องเข้าถึง? อะไรคือคำตอบที่ถูกต้องในโดเมนนี้? อะไรคือการป้องกันที่ต้องมีอยู่เพื่อให้ระบบพฤติกรรมอย่างรับผิดชอบ?

อีกรูปแบบหนึ่งที่เราเห็นคือพวกเขาคิดอย่างรอบคอบเกี่ยวกับโครงสร้าง ทีมที่ประสบความสำเร็จตระหนักอย่างรวดเร็วว่าผลลัพธ์ของ AI นั้นดีเท่ากับบริบทและข้อมูลที่ให้เข้ามา พวกเขาลงทุนเวลาในตอนต้นเพื่อกำหนดการไหลของข้อมูล การจัดระเบียบแหล่งข้อมูลความรู้ และการสร้างเกณฑ์การประเมินที่ชัดเจนสำหรับสิ่งที่ “ดี” หมายถึงอะไร

เรายังเห็นผู้ก่อตั้งที่ประสบความสำเร็จที่ยอมรับความร่วมมือระหว่างมนุษย์และ AI แทนที่จะพยายามทำให้ทุกอย่างอัตโนมัติทันที พวกเขาออกแบบกระบวนการทำงานที่ AI จัดการการวิเคราะห์หรือการรวมข้อมูลที่ซ้ำๆ ในขณะที่มนุษย์ยังคงรับผิดชอบต่อการตัดสินใจสุดท้าย ความสมดุลนั้นทำให้ระบบมีความน่าเชื่อถือมากขึ้น โดยเฉพาะอย่างยิ่งในสาขาต่างๆ เช่น สุขภาพหรือการเงิน

ในหลายๆ วิธี การเปลี่ยนแปลงที่ใหญ่ที่สุดคือการเปลี่ยนแปลงความคิด ผู้ก่อตั้งที่ประสบความสำเร็จไม่คิดถึง AI เป็นคุณสมบัติที่พวกเขากำลังเพิ่ม พวกเขาคิดถึง AI เป็นชั้นการทำงานใหม่ของวิธีการทำงานของผลิตภัณฑ์

เมื่อระบบ AI ถูกผสมผสานเข้ากับการดำเนินธุรกิจหลัก คุณคิดว่าความสามารถใดจะกำหนดแพลตฟอร์มการประยุกต์ใช้ AI รุ่นต่อไป?

ฉันรู้ว่านี่อาจดูเหมือนบ้าและฉันอาจพูดอะไรที่ไม่เหมาะสม แต่คนจะสามารถเขียนโค้ดแบบกำหนดเองของโมเดลของตนเองได้ สิ่งที่ห้องปฏิบัติการวิจัยของเราอ้างว่าเป็นโมเดล Nano ที่ช่วยควบคุมต้นทุน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเรียนรู้เพิ่มเติมได้ที่ Empromptu AI