Motus’ta Veri Başkan Yardımcısı Pablo Ormachea – Röportaj Serisi

Pablo Ormachea, Motus’ta Veri Başkan Yardımcısı, hızlı hareket ederken düzenleyici ve mali incelemeye dayanıklı olan企业 AI ve analitik sistemleri inşa ediyor. Tamamen uzaktan, çok fonksiyonlu ekiplere liderlik ediyor ve tutma, marjları genişletme ve ölçülebilir ROI sağlama konusunda kanıta dayalı karar sistemlerine odaklanıyor. Motus’ta, 350.000’den fazla sürücünün analitiklerini yeniden mühendislik yaptı, 60 kat daha hızlı raporlama ile sıfır zaman aşımı elde etti ve AI/ML sistemlerini, anomali tespiti ve müşteri kaybı tahmini dahil olmak üzere müşterilere milyonlarca dolar tasarruf sağlayan sistemleri gönderdi. Ayrıca, Motus’un AI yönetim çerçevesini ortak yazar olarak, net varsayılanlar, güçlü denetimability ve veri yığını boyunca tutarlı iş mantığı ile güvenli LLM deneysel çalışmasını sağlayan AI yönetim çerçevesini ortak yazar olarak hazırladı.

Motus bir işgücü yönetimi ve mobilite yazılım şirketidir ve organizasyonlara araç tazminatı, mil takip ve mobil işgücü operasyonlarını yönetmelerine yardımcı olur. Bulut platformu, vergi avantajlı tazminat programlarını otomatikleştirir, gerçek zamanlı raporlama ve içgörüler sunar ve işletmelerin maliyetleri azaltmasına, verimliliği artırmasına ve çalışanların işlerinin bir parçası olarak sürüş yaptığı durumlarda uyumluluğu yönetmesine yardımcı olur.

AI mühendisliği, veri stratejisi ve düzenleme arasındaki benzersiz kariyerinizi inşa ettiniz. Düzenleyici çerçevelerle uyumlu teknik olarak gelişmiş AI sistemleri oluştururken size yol gösteren ana deneyimler nelerdir?

Uygunluğu mühendislik kısıtlaması olarak değil, yasal bir son düşünce olarak ele almaya öğrendim. Eğer otoyol inşa ederseniz, otoyol hızında sürüşebilirsiniz. Eğer onu tozlu bir yol olarak düşünür ve yine de gazlayıp hızlanırsanız, daha hızlı hareket etmezsiniz, sadece daha sớm çakılırsınız.

Harvard Hukuk, ortak hukuk sisteminin temelde artıklarla öğrenme olduğunu göstererek bana sürpriz bir şekilde yardımcı oldu. Bir kural gerçeklikle karşılaşır. Kenar vakaları, nerede başarısız olduğunu ortaya koyar. Doktrin, sistemi iyileştirir.

AI üretiminde kullandığım zihinsel model budur. Her artıklar bir hediye. Sistemdeki varsayımların gerçek dünyadan nasıl ayrıldığını gösterir ve sistemi iyileştirmek için somut bir yol sağlar.

Bu nedenle, iki şeyi aynı anda optimize ediyorum: teslimat hızı ve kanıt yükü. Hedef, “yenilik karşı düzenleme” değil, hızlı hareket edebilecek ve aynı zamanda “Nasıl biliyorsun?” sorusuna net ve tekrar edilebilir bir şekilde cevap verebilecek sistemler oluşturmaktır.

Motus’un AI yönetim politikasını ortak yazar olarak, onayları basitleştirirken güçlü kontrolleri nasıl korudunuz? İnovasyon hızıyla denetim hazırlığını nasıl dengelediniz?

Kurallar yazmaya çalışmadık, bir harita çizdik. AI benimsemesi başladığında, ilgi her yönden gelir ve hız gürültüye veya daha kötüsü, sorumluluğa dönüşebilir. İlk iş, açıklık sağlamak: LLM’lerin nerede çalışabileceği, hangi verilerin katı bir şekilde içinde kalacağı ve hangi deneylerin güvenli bir şeritte yapılabileceği.

Denge, güvenli yolu kolay yol haline getirmekten geçer. Yönetim, bir komite olduğunda başarısız olur, ancak varsayılanlar haline geldiğinde çalışır: onaylı araçlar, net veri sınırları, standart günlüğe kaydetme ve kenar vakaları için hızlı onay şeridi. Hedef, yapımcıların her seferinde güvenliği yeniden müzakere etmelerine gerek kalmamasıdır.

Sonuç olarak, denetim hazırlığı bir yan ürün haline gelir. Sistem, çalışırken kanıtları oluşturur, bu nedenle kanıtları toplamak için sonra çabalamanız gerekmez.

AI uygulamalarının “vergi dairesi düzeyinde incelemeye” tabi tutulması gerektiğini söylediniz. Motus’ta bir AI veya ML kararı doğrudan düzenleyici dikkate alınarak teknik bir karar nasıl etkilendi?

Düzenlenen iş akışlarında, soru sadece “model doğru mu?” değil, “sonuçları daha sonra gösterebilir misiniz?” Bu gerçeklik, Motus’ta “iyi”nin ne anlama geldiğini şekillendirir.

Tasarım seçimlerini değiştirir. Belirli kullanım durumları için, açıklanabilir, tekrar oynanabilir ve kolayca denetlenebilir yaklaşımlara yönelik önyargıya sahibiz. Bazen bu, daha basit model aileleri anlamına gelir. Çoğu zaman, deterministik koridorlar, sürümlü özellikler ve girdileri ve çıktıları destekleyen bir şekilde günlüğe kaydetmeyi içerir.

Somut bir örnek: tazminat mantığını ve raporlamayı güncellerken, kritik karar noktalarında izlenebilirlik üzerinde güçlü bir şekilde durduk. Sistem, hangi kuralın ateşlendiğini, hangi verilerin kullanıldığını, hangi sürümün çalıştığını ve hangi değişikliğin sonucu değiştireceğini talep üzerine cevaplayabilmeliydi. AI bileşenlerini daha kullanışlı hale getirdi ve tüm iş akışını daha kolay savunulabilir hale getirdi.

Ödül birikir. Davranışı yeniden oynatabildiğinizde ve hataları dilimleyebildiğinizde, artıklar gizemli olmaz. Önceliğe sahip bir iyileştirme listesi haline gelir: ne başarısız oldu, nerede, neden ve hangi değişiklik açığı kapatır.

Motus, araç tazminatı ve risk azaltma çözümleri sunan bir şirket. AI, bu kurumsal kullanım durumlarında uyumluluğu ve doğruluğu nasıl geliştirir?

AI, iki şekilde yardımcı olur: manuel sürtünmeyi azaltır ve savunulabilirliği güçlendirir.

Tazminat方面ında, değer sadece otomasyon değil, tutarlılıktır. AI, seyahatleri sınıflandırmana, anormallikleri tespit etmene ve eksik bilgileri daha erken yüzeye çıkarmaya yardımcı olabilir, bu da aşağı akışta uzlaşma ihtiyacını azaltır. Kimse tazminatın aylık bir arkeoloji projesi haline gelmesini istemez. Uygunluk faydaları, daha iyi ölçüm ve daha iyi belgelendirme sayesinde gelir. Sonuçları, sonradan yeniden inşa etmek yerine, süreci bir parçası olarak destekleyen net bir kayıt ile desteklersiniz.

Risk açısından, AI yararlıdır çünkü nokta-süreci kontroller yeterli değildir. İşletmeler, neyin değiştiği, neyin farklı göründüğü ve neye dikkat edilmesi gerektiği konusunda sürekli farkındalık ister. Burada en iyi AI sistemleri dramatik değildir, sessiz, tutarlı ve ölçülebilir.

Uzaktan, çok fonksiyonlu ekiplere liderlik etmek ve Hukuk, Güvenlik, Finans ve Ürün ile işbirliği yapmak büyük bir başarı. Veri ve AI girişimlerinde bu grupları nasıl hizaladınız?

En zor kısım, her grubun rasyonel olması ve farklı risklere öncelik vermesidir.

Güvenlik, maruz kalma konusunda endişe duyar. Hukuk, savunulabilirlik konusunda endişe duyar. Finans, maliyet ve öngörülebilirlik konusunda endişe duyar. Ürün, hız ve müşteri değeri konusunda endişe duyar. Veri ve mühendislik, uygulanabilirlik ve güvenilirlik konusunda endişe duyar. Bu ajandaları rekabetçi olarak ele alırsanız, durursunuz.

Çözüm, paylaşılan dil ve net şeritlerdir. Kararın ne olduğunu, sınırların nerede olduğunu ve hangi kanıtların “iyi” gerektiğini tanımlarız. Sonra, çoğu işin tören olmadan hareket edebileceği varsayılanlar oluştururuz.

Açıklığın ikna etmekten daha iyi olduğunu keşfettim. İnsanlar haritayı görebildiğinde, hizalama çok daha kolay hale gelir.

350.000’den fazla sürücü için 60 kat daha hızlı raporlama ve milyonlarca dolarlık müşteri tasarrufu gibi büyük performans iyileştirmeleri sağladınız. AI/ML projelerini hem taktiksel etki hem de stratejik değer için nasıl önceliklendiriyorsunuz?

Projeleri üç teste tabi tutarak önceliklendiriyorum.

İlk olarak, gerçek bir kararı veya iş akışını değiştirmeleri gerekir, sadece akıllı bir puan üretemezler. Çıktı, davranışı güvenilir bir şekilde değiştirmezse, bir demo, bir ürün değildir.

İkincisi, ölçülebilir olmaları gerekir. Büyükannem ve büyükbabam “iyi ölçülen, yarısı yapılmış” derdi. Düzenlenen ortamlarda, bu daha da önemlidir. Başarı, hata modları ve izleme için net tanımlar oluşturamazsak, işi henüz anlamamışız demektir.

Üçüncüsü, incelemeye dayanıklı olmaları gerekir. Bu, veri kökenini, erişim sınırlarını ve sonuçları açıklamak ve yeniden oynamak için yeteneği içerir.

Bir proje bu testleri geçtiğinde, hem taktiksel zaferler hem de stratejik birikenler yaratma eğilimindedir. Motus’ta, bu, ölçeklenebilir, daha hızlı raporlama, daha az istisna ve müşterilere gerçek zaman tasarrufu sağlayan otomasyon gibi önemli iyileştirmeler sağlamamızın yoludur.

Güven ve açıklanabilirlik, kurumsal AI benimsemesi için kritiktir. Çalışma arkadaşlarınız, iş birimleri genelinde paydaşlar için modellerin yorumlanabilir ve güvenilir olduğunu nasıl sağlarsınız?

Güven, açıklık, tutarlılık ve sistemin baskı altında kendini açıklamasından gelir.

Sistemleri bir geri oynatma düğmesiyle tasarlarız. Aynı girdiler, aynı sürüm, aynı çıktı ve kanıt izi. Ayrıca artıkları görünür hale getiririz. Her kaçırma, bir bilgidir. Hataları uygun şekilde enstrümantalize ederseniz, davranışı sade bir dilde açıklamak ve disiplinli bir şekilde iyileştirmek mümkündür.

Bir kararın denetim açığı varsa, daha basit modellere ve güçlü ölçümlere yönelik önyargıya sahibiz. Pratikte, bu, net veri tanımları, performansın anlamlı segmentler tarafından dilimlenmesi, sürüklenme için izleme ve belgelendirilmiş bir değişiklik süreci anlamına gelir. Paydaşların her teknik ayrıntıyı bilmesine gerek yoktur, ancak sistemin ölçülendiği, sınırları belirlendiği ve iyileştirildiği konusunda güvene ihtiyaçları vardır.

Kurumsal ortamlarda, açıklanabilirlik, bir felsefi tercih değil, benimseme için bir gereksinimdir ve gelecekteki denetimlerde önemli olur.

Hukuk, nörobilim, istatistik ve uygulamalı AI alanlarındaki yolculuğunuzdan, karmaşık iş ortamlarında veri ve AI liderlerine neler önerirsiniz?

Birkaç ilke, iyi seyahat eder:

• Uygunluğu otoyol olarak ele alın. Ekiplerin güvenli bir şekilde hızlı hareket edebilmesi için düzgün yollar inşa edin.
• Sınırları erken tanımlayın. LLM’lerin nerede çalışabileceği, hangi verilerin katı bir şekilde içinde kalacağı ve hangi deneylerin güvenli bir şeritte yapılabileceği konusunda açık olun.
• Kanıtları otomatikleştirin. Günlüğe kaydetme, köken ve sürüm oluşturma, bir denetim sırasında çabalamanız gereken bir şey değil, varsayılanlar olsun.
• Ölçmeden önce ölçeklendirin. İyi ölçülen, yarısı yapılmış. Göremediklerinizi geliştiremezsiniz.
• Artıkları işleyin. Kaçırmaları, hata taksonomisine ve öncelikli bir iyileştirme listesine dönüştürün.
• Benimseme için tasarlayın. Büyük modeller, kısmen istatistik, kısmen ortaklık ve büyük ölçüde değişiklik yönetimi.

Yönetiminiz bir PDF’de yaşıyorsa, ölçeklenmez. Sistemde yaşıyorsa, ölçeklenir.

Araç tazminatı ve risk çözümlerinde Motus’un ön plana çıktığını görüyoruz. Bu alanda AI’nin gelecek 3-5 yıl içinde nasıl evrileceğini öngörüyorsunuz?

İki büyük değişim bekliyorum ve birbirlerini güçlendiriyorlar.

İlk olarak, risk, periyodik kontrollerden sürekli, karar düzeyinde sinyallere doğru ilerleyecek. Bugün, çoğu organizasyon, bir olaydan veya periyodik bir incelemeden sonra sürücü riskini öğreniyor. Bir sonraki dalga, operasyonlarda zaten mevcut olan desenleri kullanarak riski daha önce ve daha precisa şekilde yüzeye çıkaran sistemler olacak: uygunluk değişiklikleri, kapsam açıkları, alışılmadık milaj desenleri ve beklenen ve gözlenen davranış arasındaki tutarsızlıklar. Hedef, yargıyı değiştirmek değil, güvenlik, insan kaynakları, finans ve operasyonlara daha net bir erken uyarı paneli sunmaktır, daha az yanlış alarm ve neden bir şeyin işaretlendiğine dair daha iyi belgeleme.

İkincisi, tazminat, kağıt işlerinden iş akışına doğru ilerleyecek. İşletmeler, başvurular, düzeltmeler, onaylar ve sonradan temizleme için hala sürpriz bir şekilde çok zaman kaybediyor. Gelecek birkaç yıl içinde, tazminat yaşam döngüsü boyunca daha fazla otomasyon bekliyorum: ön doldurulabilir olanları ön doldurma, eksik veya tutarsız girişleri erken yakalama, istisnaları doğru onaylayıcısına bağlamayla gönderme ve manuel geri bildirimleri azaltma. İyi yapıldığında, bu, tazminatın daha hızlı ve daha savunulabilir olmasını sağlar, çünkü kanıtlar, processo bir parçası olarak oluşturulur, daha sonra yeniden inşa edilmez.

Bunların birleşmesi heyecan verici. Temel doğru olduğunda, daha az istisna, daha temiz başvurular, daha hızlı onaylar, daha iyi risk sinyalleri ve kararların nasıl alındığına dair daha net bir kayıt elde edersiniz.

Gelecek, “her yerde AI” değil, doğru anlarda güçlü ölçüm ve geri bildirim döngüleri ile AI’nin gömülü olduğu bir gelecektir.

Hukuk, nörobilim, istatistik ve uygulamalı AI alanlarındaki yolculuğunuzdan, karmaşık iş ortamlarında veri ve AI liderlerine neler önerirsiniz?

Sistemler inşa etmeyi öğrenin, sadece modeller değil. Ya da başka bir şekilde söyleyeyim, otoyolu inşa edin, kaçırmaları enstrümantalize edin ve haritayı güncel tutun.

Sonuçları yaşayan insanlara yakın olun. Operatörler, souvent, veri önce sinyalleri görür. Geri bildiriminiz, “anektodik” değil, genellikle eksik özellik kümesidir.

Ölçüm ile ilgili konfor geliştirin ve hataya ilişkin alçakgönüllülük. Kaçırmalar, dinlemeye hazır olduğunuz takdirde hediyelerdir. Düzenlenen ortamlarda, kanıt yükünün disiplinini ekleyin: inşa ettiğiniz şeyi, neden öyle davrandığını ve değiştiğinde ne yapacağınızı açıklamak için yeteneğe sahip olun.

Son olarak, benimseme, işin bir parçası olduğunu unutmayın. Değişim yönetimi, bir soft ek değil, temel bir gereksinimdir. Veri, modeller ve algoritmalar konusunda güçlü olmanız yetmez, iş birimleri arasında iyi çalışmanız, güven kazanmanız ve iyi bir modeli gerçek bir yetenek haline getiren insan yolunu yönetmeniz gerekir. Bunu yapabilirseniz, sadece modeller inşa etmezsiniz, güven inşa edersiniz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular Motus‘u ziyaret edebilir.