Matthew Fitzpatrick, Invisible Technologies’in CEO’su – Röportaj Serisi

Matthew Fitzpatrick deneyimli bir operasyon ve büyüme uzmanıdır ve karmaşık iş akışlarını ve ekipleri ölçeklendirme konusunda derin bir uzmanlığa sahiptir. Danışmanlık, strateji ve operasyonel liderlik alanlarında geçmiş deneyimi olan Matthew, şu anda Invisible Technologies’in CEO’su olarak görev yapmakta ve uçtan uca iş çözümlerinin tasarlanması ve optimize edilmesine odaklanmaktadır. Matthew, insan yeteneğini otomasyonla birleştirerek büyük ölçekli verimlilik sağlamak için tutkulu ve şirketlerin süreç yeniliği yoluyla dönüşümsel büyümeyi gerçekleştirmelerine yardımcı olmak için iş süreçlerini yenilikçi bir şekilde tasarlamaktadır.

Invisible Technologies bir AI üretim katmanı ve企业 yazılım şirketidir ve organizasyonların karmaşık iş ortamları boyunca AI sistemlerini oluşturmasına, dağıtmasına ve ölçeklemesine yardımcı olur. Invisible’ın platformu, AI güçlendirilmiş yazılımları, insan uzmanlığını ve operasyonel altyapıyı birleştirerek AI’nin eğitimi, değerlendirilmesi ve çalıştırılması için gereken üretim iş akışlarını destekler. Invisible, karmaşık verileri yönetmek, iş akışlarını otomatikleştirmek ve AI’yi iş süreçlerine entegre etmek için işletmelerle birlikte çalışır ve AI girişimlerini deneyselden üretim ölçekli dağıtıma taşımak için gerekli altyapıyı ve uzmanlığı sağlar.

Son olarak McKinsey’de QuantumBlack Labs’i yönetiyordunuz ve şimdi Invisible Technologies’in CEO’susunuz. Bu role ne drew you, ve Invisible’ın misyonunun size en çok neler heyecanlandırıyor?

McKinsey’de AI yeniliği alanında çalışmanın ayrıcalığını yaşadım – AI yazılımları oluşturdum, Ar-Ge çabalarına liderlik ettim ve şirketlerin veri gücünden yararlanmasına yardımcı oldum. Invisible Technologies’e beni çeken, ölçeklendirilebilir bir AI yazılım platformu ve insan geri bildirimi için uzman bir pazar yeri kombinasyonu sunma fırsatıydı – bana göre İnsan Geri Bildirimi ile Peşinden Öğrenme (RLHF) doğru ve güvenilir GenAI uygulamalarının anahtarıdır. Invisible, AI’yi tüm değer zincirini boyunca destekler: veri temizleme ve veri giriş otomasyonu, zincir düşünme ve özel değerlendirmeler. Misyonumuz basittir: insan zekası ve AI’yi birleştirerek şirketlerin AI’nin potansiyelini gerçekleştirmesine yardımcı olmak, ki bu, işletmelerde beklenenden daha zor oldu.

1000’den fazla mühendisi yönettiniz ve birden fazla AI ürününü endüstriler boyunca ölçeklettiniz. McKinsey’den Invisible’ın gelecek büyüme aşamasına uyguladığınız en önemli dersler neler?
İki ders öne çıkıyor. Birincisi, başarılı AI benimsemesi teknoloji kadar organizasyonel dönüşümle ilgilidir. Doğru insanları ve süreçleri kurmanız gerekir – harika modellerin yanı sıra. İkincisi, AI’de kazanan şirketler “son mil”i – deneyselden üretime geçişi – ustalaşanlardır. Invisible’da, müşterilerin pilotlardan üretime geçerek gerçek iş değerini teslim etmelerine yardımcı olmak için aynı disiplini ve yapıyı uyguluyoruz.
2024’ün AI deneyselliği yılı olduğunu ve 2025’in ROI’yi gerçekleştirmek için olduğunu söylediniz. ROI elde eden işletmeler arasında hangi cụ trendleri görüyorsunuz?

ROI elde eden işletmeler üç şeyi iyi yapıyorlar. Birincisi, AI kullanım örneklerini temel iş KPI’leriyle sıkı bir şekilde hizalıyorlar – Örneğin operasyonel verimlilik veya müşteri memnuniyeti. İkincisi, model performansı sürekli olarak iyileştirmek için daha iyi veri kalitesi ve insan geri bildirimi döngülerine yatırım yapıyorlar. Üçüncüsü, genel çözümlerden, çevrelerinin karmaşıklığını yansıtan, özel, alan spesifik sistemlere geçiyorlar. Bu şirketler artık yalnızca AI’yi test etmiyorlar – amaçla ölçekliyorlar.
Temel model sağlayıcıları gibi AWS, Microsoft (MSFT ) ve Cohere’de alan spesifik ve doktora düzeyinde veri etiketleme talebi nasıl gelişiyor?

Karmaşık dikeylere doğru ilerleyen temel model sağlayıcıları arasında uzman etiketleme talebinde bir artış görüyoruz. Invisible’da, uzman havuzumuzun %1’lik yıllık kabul oranına sahibiz ve eğitimcilerimizin %30’u yüksek lisans veya doktora derecesine sahiptir. Bu derin uzmanlık, yalnızca veri doğru bir şekilde anotasyonu için değil, aynı zamanda nedenleme, doğruluk ve hizalama için bağlam bilinci ile zengin geri bildirimi sağlamak için giderek daha gerekli hale geliyor. Modeller daha akıllı hale geldikçe, onları eğitmek için gereken bar daha da yükseliyor.

Invisible, gerçek dünya iş akışlarında karar alma vurgusuyla ajans AI’sinin ön saflarında yer alıyor. Ajans AI’sinin tanımı nedir ve en çok vaat edilen alanlar nerede görüyorsunuz?

Ajans AI’si, yalnızca talimatlere yanıt vermeyen, plan yapan, karar veren ve tanımlanmış sınırlar içinde hareket eden sistemlerdir. Bu, daha çok bir iş ortağı gibi davranan AI’dir. Yüksek hacimli, karmaşık iş akışlarında – müşteri desteği ve sigorta talepleri gibi – en çok ilerlemeyi görüyoruz. Bu alanlarda, ajans AI’si, manuel çabayı azaltabilir, tutarlılığı artırabilir ve büyük insan ekipleri olmadan elde edilemeyecek sonuçlar sağlayabilir. İnsanların yerini alması değil, onları akıllı ajanlarla güçlendirmek söz konusudur.

Zincir düşünme için modelleri nasıl eğittiğinizi ve neden işletme dağıtımı için bu özelliğin kritik olduğunu paylaşabilir misiniz?

Zincir düşünme (CoT), işletme AI’si için yeni olanaklar açtı. Invisible’da, modelleri adım adım düşünmeye eğitiyoruz, bu da yüksek riskli alanlarda – bir hastayı teşhis etmek, bir sözleşmeyi analiz etmek veya bir finansal modeli doğrulamak gibi – çok önemlidir. CoT, yalnızca şeffaflığı iyileştirmez, aynı zamanda hata ayıklamayı, iyileştirmeyi ve büyük yeni veri kümeleri olmadan performans kazançlarını sağlar. Gemini, Sonnet ve Grok gibi öncü modellerin nedenlerini açıklamaya başladıklarını görüyoruz, bu da yalnızca modellerin çıktısını değil, nasıl ulaştıklarını da gözlememize olanak tanır. Bu, Tree of Thought (modellerin birden fazla olası nedenleme yolunu değerlendirerek cevap vermeye başlamadan önce) ve Self-Consistency (birden fazla nedenleme yolunun araştırılması) gibi daha gelişmiş yöntemler için temel oluşturuyor.

Invisible, 40’tan fazla programlama dili ve 30’dan fazla insan dili için eğitim desteği sunuyor. Küresel olarak ölçeklenebilir AI oluştururken kültürel ve dilbilimsel doğruluk ne kadar önemli?

Kritik öneme sahiptir. Dil, yalnızca çeviri değil, bağlam, nüans ve kültürel normlar hakkında da bilgi verir. Bir model tonu yanlış yorumlarsa veya bölgesel varyasyonu kaçırmışsa, bu, kötü kullanıcı deneyimlerine veya hatta uyumluluk risklerine yol açabilir. Çok dilli eğitimcilerimiz yalnızca akıcı değil, aynı zamanda temsil ettikleri kültürlerin bir parçası.

Şirketler prova konseptinden üretime geçmeye çalışırken ortak başarısızlık noktaları nelerdir ve Invisible bu “son mil”i nasıl aşmanıza yardımcı olur?

Çoğu AI modeli, operasyonel olarak gerekli kaldıraçları küçümsedikleri için üretime ulaşmaz. Temiz veri, güçlü değerlendirme protokolleri ve modelleri gerçek iş akışlarına entegre etme stratejisi eksik. Invisible’da, derin teknik deneyimle üretim sınıfı veri altyapısını birleştirerek işletmelerin bu boşluğu kapatmasına yardımcı oluyoruz. Eğitim ve optimizasyon yeteneklerimiz, hem daha iyi modeller oluşturmamızı hem de bunları başarılı bir şekilde dağıtmamızı sağlar.

Invisible’ın RLHF (İnsan Geri Bildirimi ile Peşinden Öğrenme) yaklaşımını ve endüstrinin diğerlerinden nasıl farklılaştığını açıklar mısınız?

Invisible’da, RLHF’yi yalnızca ince ayar değil, aynı zamanda daha sofistike özel değerlendirme tasarımı ve insan yargısı yerine ikili sinyallerle değil, insan geri bildirimiyle modelleri eğitmeye yönelik bir kayma olarak görüyoruz. Endüstrinin yaklaşımı genellikle yüksek hacimli, düşük sinyal verilere öncelik verirken, biz yapılandırılmış, yüksek kaliteli geri bildirimi toplamakla ilgileniyoruz – bu, nedenleme, bağlam ve ticaretleri yakalamamızı sağlar. Bu daha zengin sinyal, modellerin daha etkili bir şekilde genelleme yapmasını ve insan niyetiyle daha yakından hizalanmasını sağlar. Derinlik üzerinde genişliğe öncelik vererek, daha güçlü, daha hizalı AI sistemleri için altyapıyı oluşturuyoruz.

AI-insan işbirliğinin geleceğini, özellikle finans, sağlık veya kamu sektörü gibi yüksek riskli alanlarda nasıl görüyorsunuz?

AI, insan uzmanlığını değiştirmiyor, onu destekleyen altyapıyı oluşturuyor. Gelecekte, AI ajanları ve insan uzmanlarının birlikte çalıştığı bir dünya hayal ediyorum – burada klinisyenler teşhis kaptanları ile desteklenmektedir, hükümet ajansları AI’yi kullanarak yardımları daha verimli bir şekilde işleyebilmekte ve finansal analistler stratejilere odaklanabilmekte, artık elektronik tablolarla uğraşmak zorunda kalmazlar. Odak noktamız, AI’nin insan yeteneğini güçlendirdiği, değil gizlediği veya geçersiz kılması gereken sistemler tasarlamaktır.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Invisible Technologies‘i ziyaret edebilir.