Раян Ріс, Головний науковець з питань штучного інтелекту та даних у Mission – Серія інтерв’ю

Доктор Раян Ріс – відомий вчений у галузі даних з більш ніж 15-річним досвідом керівництва в галузі даних та інженерії у технологічних компаніях, які швидко зростають. Доктор Ріс має понад 20 років досвіду роботи з штучним інтелектом та 5+ років досвіду допомоги клієнтам у створенні інфраструктури даних та моделей штучного інтелекту на платформі AWS. Після закінчення аспірантури з біофізичної хімії в UCLA та Калтеху доктор Ріс допоміг розробити інноваційні рішення з даних для Міністерства оборони США та багатьох компаній з списку Fortune 500.

Як Головний науковець з питань штучного інтелекту та даних у Mission, Раян створив успішну команду інженерів-даних, архітекторів-даних, інженерів з машинного навчання та вчених-даних для вирішення деяких найскладніших проблем у світі за допомогою інфраструктури AWS.

Mission – провідний постачальник керованих послуг та консультант, створений у хмарі, який пропонує комплексні хмарні послуги, інноваційні рішення з штучним інтелектом та програмне забезпечення для клієнтів AWS. Як партнер AWS преміум-рівня, компанія допомагає підприємствам оптимізувати інвестиції в технології, підвищити продуктивність та управління, масштабувати ефективно, захищати дані та впроваджувати інновації з впевненістю.

Ви мали вражаючу кар’єру – від створення апаратного забезпечення для доповненої реальності в DAQRI до посади Головного науковця з питань штучного інтелекту у Mission. Які особисті досвіди чи поворотні моменти найбільш вплинули на вашу думку про роль штучного інтелекту в підприємстві?

Ранні розробки штучного інтелекту були сильно обмежені потужністю обчислювальної техніки та інфраструктурними проблемами. Нам часто доводилося вручну програмувати моделі на основі дослідницьких робіт, що було часу- та ресурсоємким. Основний зсув стався з появою Python та відкритих бібліотек штучного інтелекту, що зробило експериментування та побудову моделей значно швидшим. Однак найбільшим поворотним моментом стало те, коли гіперскалери, такі як AWS, зробили масштабовану обчислювальну техніку та сховище даних широко доступними.

Ця еволюція відображає постійний виклик на протяженні всієї історії штучного інтелекту – вичерпання сховища даних та обчислювальної потужності. Ці обмеження спричинили попередні “зими штучного інтелекту”, а подолання їх стало фундаментальним для сучасної “ренесансії штучного інтелекту”.

Як модель комплексних хмарних послуг Mission допомагає компаніям масштабувати свої завдання штучного інтелекту на платформі AWS більш ефективно та безпечно?

У Mission безпека інтегрована у все, що ми робимо. Ми були партнером року з безпеки у компанії AWS два роки поспіль, але цікаво, що у нас немає окремої команди з безпеки. Це тому, що кожен у Mission будує з урахуванням безпеки на кожному етапі розробки. З допомогою генеративного штучного інтелекту AWS клієнти отримують вигоду від використання шару AWS Bedrock, який зберігає дані, включаючи конфіденційну інформацію, наприклад, особисті дані, у безпеці всередині екосистеми AWS. Цей інтегрований підхід забезпечує, що безпека є фундаментальною, а не післядумом.

Масштабованість також є основним напрямком у Mission. У нас є великий досвід побудови трубопроводів MLOps, які керують інфраструктурою штучного інтелекту для навчання та висновку. Хоча багато хто асоціює генеративний штучний інтелект з величезними публічними системами, такими як ChatGPT, більшість корпоративних випадків використання є внутрішніми та вимагають більш керованої масштабованіості. Шар API Bedrock допомагає доставляти цю масштабовану, безпечну продуктивність для реальних робочих навантажень.

Можете розповісти про типовий корпоративний проєкт – від міграції у хмару до розгортання рішень з генеративним штучним інтелектом – за допомогою послуг Mission?

У Mission ми починаємо з розуміння бізнес-потреб та випадків використання підприємства. Міграція у хмару починається з оцінки поточної локальної середовища та проєктування масштабованої хмарної архітектури. На відміну від локальних налаштувань, де вам потрібно передбачити пікову потужність, хмара дозволяє масштабувати ресурси на основі середніх робочих навантажень, зменшуючи витрати. Не всі робочі навантаження потребують міграції – деякі можна відключити, переробити або перебудувати для ефективності. Після інвентаризації та планування ми здійснюємо фазову міграцію.

З генеративним штучним інтелектом ми перейшли за межі фази доказу концепції. Ми допомагаємо підприємствам проєктувати архітектури, проводити пілотні проєкти для уточнення запитів та вирішення крайніх випадків, а потім переходити до виробництва. Для даних, керованих штучним інтелектом, ми допомагаємо перенести локальні дані у хмару, розблоковуючи більшу цінність. Цей комплексний підхід забезпечує, що рішення з генеративним штучним інтелектом є надійними, масштабованими та готовими до бізнесу з першого дня.

Mission наголослює на “інноваціях з впевненістю”. Що це означає на практиці для підприємств, які впроваджують штучний інтелект у великому масштабі?

Це означає, що у вас є команда з справжнім досвідом роботи зі штучним інтелектом – не просто ті, хто пройшов курси, а сезонні вчені-дані. Клієнти можуть бути впевнені, що ми не експериментуємо на них. Наші люди розуміють, як працюють моделі, та знають, як їх реалізовувати безпечно та у великому масштабі. Це саме так ми допомагаємо підприємствам інновувати без прийняття непотрібних ризиків.

Ви працювали над прогнозною аналітикою, NLP та комп’ютерним зором. Де ви бачите найбільшу цінність генеративного штучного інтелекту для підприємств сьогодні – та де гіпербола випереджає реальність?

Генеративний штучний інтелект надає значну цінність підприємствам головним чином через інтелектуальну обробку документів (IDP) та чат-ботів. Багато підприємств борються зі масштабуванням операцій за рахунок найму додаткових працівників, тому генеративний штучний інтелект допомагає автоматизувати повторювані завдання та прискорити робочі процеси. Наприклад, IDP скоротила час розгляду страхових заявок на 50% та покращила координацію медичної допомоги у сфері охорони здоров’я. Чат-боти часто діють як інтерфейси до інших інструментів штучного інтелекту або систем, дозволяючи компаніям автоматизувати звичайні взаємодії та завдання ефективно.

Однак гіпербола щодо генеративних зображень та відео часто випереджає реальну бізнес-цінність. Хоча ці технології візуально вражаючі, вони мають обмежені практичні застосування за межами маркетингу та творчих проєктів. Більшість підприємств знайшли, що масштабування рішень з генеративних медіа у核心 операцій є складним, роблячи їх більше новинкою, ніж фундаментальним бізнес-інструментом.

“Vibe Coding” – це новий термін – можете пояснити, що це означає у вашому світі, та як це відображає ширшу культурну зміну у розвитку штучного інтелекту?

Vibe Coding означає, що розробники використовують великі мовні моделі для генерації коду на основі інтуїції або природної мови, а не структурованого планування чи проєктування. Це добре для прискорення ітерації та прототипування – розробники можуть швидко тестувати ідеї, генерувати шаблонний код або передавати повторювані завдання. Але це також часто призводить до коду, який бракує структури, важко підтримувати та може бути неефективним або небезпечним.

Ми спостерігаємо ширшу зміну до агентських середовищ, де великі мовні моделі діють як молодші розробники, а люди приймають на себе ролі, подібні до архітекторів чи інженерів з контролю якості – переглядають, уточнюють та інтегрують компоненти, згенеровані штучним інтелектом, у більші системи. Ця колаборативна модель може бути потужною, але тільки якщо є гарантії. Без належного нагляду, “vibe coding” може вводити технічний борг, вразливості або проблеми з продуктивністю – особливо коли поспішно вводиться у виробництво без ретельного тестування.

Яке ваше бачення щодо еволюції ролі офіцера з питань штучного інтелекту? Як організації повинні переосмислити структуру керівництва, коли штучний інтелект стає фундаментальним для бізнес-стратегії?

Офіцери з питань штучного інтелекту можуть абсолютно додати цінність – але тільки якщо роль створена для успіху. Занадто часто компанії створюють нові посади у складі ради директорів без вирівнювання їх з існуючою структурою керівництва або надання їм реальної влади. Якщо офіцер з питань штучного інтелекту не поділяє цілей з технічним директором, директором з даних або іншими виконавчими директорами, ви ризикуєте ізольованим прийняттям рішень, конфліктуючими пріоритетами та загальмованим виконанням.

Організації повинні ретельно розглянути, чи офіцер з питань штучного інтелекту замінює чи доповнює ролі, такі як Директор з даних або Технічний директор. Найменування посади має менше значення, ніж мандат. Що критично важливо, це наділення когось повноваженнями формувати стратегію штучного інтелекту по всій організації – дані, інфраструктуру, безпеку та бізнес-використання – та надання їм можливості здійснювати суттєві зміни. Інакше роль стає більш символічною, ніж впливаючою.

Ви керували нагородженими командами з питань штучного інтелекту та даних. Які якості ви шукаєте при прийомі на роботу для високопriorитетних ролей зі штучним інтелектом?

Перша якість – це те, що людина повинна справжнім чином знати штучний інтелект, а не просто пройти деякі курси. Вам потрібні люди, які є справжнім флюентними у сфері штучного інтелекту та все ще підтримують цікавість та інтерес до розширення меж того, що можна та не можна зробити.

Я шукаю людей, які завжди намагаються знайти нові підходи та виклики меж того, що можна та не можна зробити. Це поєднання глибоких знань та подальшого дослідження є суттєвим для високопriorитетних ролей зі штучним інтелектом, де інновації та надійна реалізація є однаково важливими.

Багато підприємств борються з операціоналізацією своїх моделей машинного навчання. Що, на вашу думку, відрізняє команди, які успішно виконують завдання, від тих, хто застряє у фазі доказу концепції?

Найбільша проблема – це узгодження між командами. Команди з машинного навчання будують перспективні моделі, але інші відділи не приймають їх через неузгодженість пріоритетів. Перехід від фази доказу концепції до виробництва також вимагає інфраструктури MLOps: версіонування, повторне навчання та моніторинг. З генеративним штучним інтелектом розрив ще більший. Виробництво чат-бота означає налаштування запитів, управління трубопроводами та дотримання вимог… не просто введення запитів у ChatGPT.

Яке поради ви дали б засновнику стартапу, який будує продукти, орієнтовані на штучний інтелект, сьогодні, які могли б виграти від інфраструктури та досвіду стратегії штучного інтелекту Mission?

Коли ви стартап, складно привабити топ-таланти зі штучним інтелектом, особливо без встановленої марки. Навіть з сильною засновницькою командою складно найняти людей з необхідним досвідом для побудови та масштабування систем штучного інтелекту правильно. Саме тут партнерство з компанією, такою як Mission, може суттєво допомогти. Ми можемо допомогти вам рухатися швидше, надаючи інфраструктуру, стратегію та практичний досвід, щоб ви могли швидше та з більшою впевненістю підтвердити свій продукт.

Іншим критичним аспектом є фокус. Ми бачимо багатьох засновників, які намагаються обернути базовий інтерфейс навколо ChatGPT та назвати це продуктом, але користувачі стають розумнішими та очікують більше. Якщо ви не розв’язуєте реальну проблему чи не пропонуєте щось справжньо відрізне, легко загубитися у шумі. Mission допомагає стартапам думати стратегічно про те, де штучний інтелект створює справжню цінність, та як побудувати щось масштабоване, безпечне та готове до виробництва з першого дня. Тому ви не просто експериментуєте, а будуєте для зростання.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Mission.