Метью Фіцпатрік, генеральний директор Invisible Technologies – Серія інтерв’ю

Метью Фіцпатрік – досвідчений спеціаліст з операцій та зростання з глибокими знаннями у сфері масштабування складних робочих процесів та команд. З минулою діяльністю, яка охоплює консалтинг, стратегію та оперативне лідерство, він зараз обіймає посаду генерального директора в Invisible Technologies, де зосереджується на розробці та оптимізації комплексних бізнес-рішень. Метью пристрасно ставиться до поєднання людського таланту з автоматизацією для забезпечення ефективності у великих масштабах, допомагаючи компаніям досягати трансформаційного зростання завдяки інноваціям у процесах.

Invisible Technologies – це шар виробництва AI та підприємське програмне забезпечення, яке допомагає організаціям будувати, розгортати та масштабувати системи AI у складних бізнес-середовищах. Її платформа поєднує програмне забезпечення, що працює на основі AI, людську експертизу та оперативну інфраструктуру для підтримки виробничих робочих процесів, необхідних для навчання, оцінки та експлуатації передових систем AI. Invisible працює з підприємствами для управління складними даними, автоматизації робочих процесів та інтеграції систем AI у бізнес-процеси, забезпечуючи інфраструктуру та експертизу, необхідні для переходу ініціатив з AI з експериментального етапу до надійного розгортання у великих масштабах.

Ви недавно перейшли від керівництва QuantumBlack Labs у McKinsey до посади генерального директора Invisible Technologies. Що спонукало вас до цього кроку, і що вас найбільш приваблює в місії Invisible?

У McKinsey я мав привілей працювати на передовому краї інновацій AI – будувати продукти програмного забезпечення на основі AI, очолювати дослідження та розробки, а також допомагати підприємствам використовувати потенціал даних. Те, що спонукало мене до Invisible Technologies, було можливістю зробити це оперативним у великих масштабах завдяки унікальній гнучкій платформі програмного забезпечення на основі AI та ринкові експертів для зворотного зв’язку людини – я вважаю, що навчання з зворотним зв’язком від людини (RLHF) є ключем до точних та надійних реалізації Генеративного AI. Invisible підтримує системи AI на всьому ланцюзі цінності, від очищення даних та автоматизації вводу даних до ланцюга думок та налаштованих оцінок. Наша мета проста: поєднати людський інтелект та системи AI для того, щоб допомогти бізнесу реалізувати потенціал систем AI, який на підприємстві виявився набагато складнішим, ніж більшість людей очікували.

Ви керували понад 1000 інженерами та масштабували численні продукти AI у різних галузях. Які уроки з McKinsey ви застосовуєте до наступної фази зростання Invisible?
Два уроки виділяються. По-перше, успішна адаптація систем AI залежить не лише від технологій, а й від організаційних трансформацій. Вам потрібні правильні люди та процеси – поряд з чудовими моделями. По-друге, компанії, які перемагають у сфері систем AI, – це ті, які освоїли “останню милю” – перехід від експериментів до виробництва. У Invisible ми застосовуємо той же самий ригідний підхід та структуру, щоб допомогти клієнтам перейти від пілотних проєктів до виробництва, забезпечуючи реальну бізнес-цінність.
Ви заявили, що “2024 рік був роком експериментів з AI, а 2025 рік – це рік реалізації ROI”. Які конкретні тенденції ви бачите серед підприємств, які дійсно досягли цієї ROI?

Підприємства, які бачать реальну ROI цього року, роблять три речі добре. По-перше, вони тісно пов’язують випадки використання систем AI з основними показниками діяльності бізнесу – такими як оперативна ефективність або задоволеність клієнтів. По-друге, вони інвестують у кращу якість даних та зворотні зв’язки від людини для безперервного покращення моделей. По-третє, вони переходять від загальних рішень до налаштованих, галузевих систем, які відображають складність їхніх середовищ. Ці компанії вже не просто тестують системи AI – вони масштабують їх з метою.
Як змінюється попит на галузеві та докторські рівні маркування даних серед провайдерів основних моделей, таких як AWS, Microsoft (MSFT ), і Cohere?

Ми бачимо зростаючий попит на спеціалізоване маркування даних, оскільки провайдери основних моделей розширюють свою діяльність до більш складних вертикальних ринків. У Invisible ми маємо 1% щорічного рівня прийому на нашому експертному ринку, і 30% наших тренерів мають ступінь магістра або доктора філософії. Така глибока експертиза все частіше необхідна – не лише для точного анотації даних, а й для надання нюансової, контекстно-залежної зворотної зв’язку для покращення розуміння, точності та узгодженості. Коли моделі стають розумнішими, планка для їх навчання зростає.

Invisible знаходиться на передовому краї агентських систем AI, підкреслюючи прийняття рішень у реальних робочих процесах. Що таке агентські системи AI, і де ми бачимо найбільшу перспективу?

Агентські системи AI означають системи, які не просто реагують на інструкції – вони планують, приймають рішення та діють у визначених межах. Це системи AI, які поводяться більше як партнер, ніж як інструмент. Ми бачимо найбільший успіх у високоволокнистих та складних робочих процесах: наприклад, у підтримці клієнтів та страхових претензіях. У цих галузях агентські системи AI можуть зменшити ручну роботу, підвищити узгодженість та забезпечити результати, які інакше потребували б великих команд людей. Це не про заміну людей – ми доповнюємо їх інтелектуальними агентами, які можуть обробляти повторювані та рутинні завдання.

Чи можете ви поділитися прикладами того, як Invisible тренує моделі для ланцюга думок та чому це критично для розгортання підприємств?

Ланцюг думок (CoT) відкрив новий потенціал для підприємств AI. У Invisible ми тренуємо моделі для крокового розуміння, що є суттєвим, коли ставки високі – наприклад, при діагностиці пацієнта, аналізі договору або валідації фінансової моделі. CoT не лише покращує прозорість, а й дозволяє відлагодження, уточнення та підвищення продуктивності без величезних нових наборів даних. Ми бачили, як провідні моделі, такі як Gemini, Sonnet та Grok, починають розкривати свої шляхи розуміння, що дозволяє нам спостерігати не лише те, що моделі видають, а й як вони до цього приходять. Це закладає основу для більш просунутих методів, таких як Дерево думок (де моделі оцінюють кілька можливих шляхів розуміння перед тим, як зупинитися на відповіді) та Самозгодженість (де досліджуються кілька шляхів розуміння).

Invisible підтримує навчання понад 40 мов програмування та понад 30 людських мов. Наскільки важлива культурна та лінгвістична точність при створенні глобально масштабованих систем AI?

Це критично. Мова не лише про переклад – це про контекст, нюанси та культурні норми. Якщо модель неправильно інтерпретує тон або пропускає регіональні варіації, це може привести до поганих досвідів користувачів або навіть ризиків у сфері дотримання вимог. Наші багатомовні тренери не лише вільно володіють мовами – вони вкорінені у культурах, які вони представляють.

Які найпоширеніші точки відмов, коли компанії намагаються масштабувати від концепції до виробництва, і як Invisible допомагає орієнтуватися в цій “останній милі”?

Більшість моделей AI ніколи не переходять до виробництва, оскільки компанії недооцінюють оперативний зріз, необхідний для цього. їм бракує чистих даних, надійних протоколів оцінки та стратегії для інтеграції моделей у реальні робочі процеси. У Invisible ми поєднуємо глибокий технічний досвід з виробничою інфраструктурою даних, щоб допомогти підприємствам подолати цю пропасти. Наша симбіотична здатність у навчанні та оптимізації дозволяє нам не лише будувати кращі моделі, а й розгортати їх успішно.

Чи можете ви описати підхід Invisible до RLHF (Навчання з зворотним зв’язком від людини) та як він відрізняється від інших у галузі?

У Invisible ми розглядаємо навчання з зворотним зв’язком від людини (RLHF) як щось більше, ніж просто налаштування – це дозволяє створювати більш складні налаштування оцінки (“eval”) та зрушувати фокус у бік навчання моделей з нюансовим людським судженням, а не бінарними сигналами, такими як підняття великого пальця вгору чи вниз. Хоча підходи галузі часто віддають пріоритет масштабуванню через великомасштабні, низько-сигнальні дані, ми зосереджуємося на зборі структурованої, високоякісної зворотної зв’язку, яка захоплює розуміння, контекст та компроміси. Ця багатша сигналізація дозволяє моделям узагальнювати більш ефективно та узгоджуватися ближче з людською метою. Приоритезуючи глибину над шириною, ми будуємо інфраструктуру для більш надійних та узгоджених систем AI.

Як ви бачите майбутнє співпраці людини та системи AI, особливо у високих галузях, таких як фінанси, охорона здоров’я чи державний сектор?

Системи AI не замінюють людську експертизу – вони стають інфраструктурою, яка підтримує її. Я бачу майбутнє, де агенти систем AI та людські експерти працюють у тандемі – де клініцисти підтримуються діагностичними копілотами, державні агентства використовують системи AI для більш ефективної обробки переваг, і фінансові аналітики вільні зосередитися на стратегії, а не на таблицях. Наша мета полягає у створенні систем, де системи AI підвищують людську здатність, а не приховують або перевершують її.

Дякуємо за чудовий інтерв’ю. Читачам, які бажають дізнатися більше, варто відвідати Invisible Technologies.