Alon Eirew, CTO (AI) của MCE Systems – Phỏng vấn

Alon Eirew, CTO (AI) của MCE Systems, dẫn đầu chiến lược AI và công nghệ của công ty, bao gồm kiến trúc, phát triển mô hình, cơ sở hạ tầng, tích hợp sản phẩm và áp dụng AI trong các hoạt động nội bộ. Trước đây, ông đã dành hơn chín năm tại Intel (INTC ), tiến bộ từ kỹ sư phần mềm senior và kiến trúc sư phần mềm đến Nhà nghiên cứu khoa học NLP hàng đầu, nơi ông chỉ đạo nghiên cứu về trích xuất kiến thức, đảm bảo tài trợ cho các dự án đa năm, xuất bản giấy tại các hội nghị NLP hàng đầu và cố vấn cho các công ty khởi nghiệp thông qua Intel Ignite. Sớm trong sự nghiệp của mình, Eirew đã giúp phát triển công nghệ trợ lý cá nhân tại Telmap, sau đó trở thành một phần của Intel, và kể từ đó ông đã tư vấn cho các công ty khởi nghiệp AI giai đoạn đầu trong khi giảng dạy khoa học máy tính, lập trình hướng đối tượng, khai thác dữ liệu và thu hồi thông tin tại một số trường đại học Israel.

MCE Systems phát triển một lớp trải nghiệm bản địa AI cho các nhà cung cấp dịch vụ viễn thông, kết nối các hệ thống cũ, dữ liệu thời gian thực và các quy trình làm việc thông minh để hỗ trợ các tương tác của khách hàng trên nhiều điểm chạm. Thành lập vào năm 2005, công ty đã xây dựng hoạt động kinh doanh của mình xung quanh quản lý vòng đời thiết bị kỹ thuật số, với công nghệ bao gồm chẩn đoán thiết bị và chăm sóc, chương trình trao đổi, đánh giá thiết bị từ xa và trả lại. MCE đang ngày càng áp dụng AI tạo và AI đại lý vào các quy trình làm việc này, giúp các nhà điều hành phát hiện vấn đề thiết bị, hướng dẫn khách hàng thông qua các giải pháp tiềm năng và phối hợp các hành trình dịch vụ phức tạp hơn trên các kênh kỹ thuật số và hỗ trợ.

Bạn đã dành gần một thập kỷ tại Intel làm việc về NLP, trích xuất kiến thức, thu hồi thông tin và thậm chí các công nghệ trợ lý cá nhân ban đầu được khởi nguồn tại Telmap trước khi trở thành một phần của Intel. Nhìn lại, những ý tưởng nào từ những hệ thống AI ban đầu đó đã chứng minh là vượt thời đại, và những giả định nào mà ngành công nghiệp đã hoàn toàn sai lầm?

Một ý tưởng rõ ràng vượt thời đại là trợ lý cá nhân mà chúng tôi đã làm việc trước thời đại LLM. Những hệ thống này hiểu ý định, kết nối ngữ cảnh trên các nhiệm vụ và giúp người dùng đạt được mục tiêu một cách tự nhiên. Những hệ thống này có cùng tham vọng với các đại lý ngày nay. Sự khác biệt là phương pháp cơ bản: Thay vì sử dụng các mô hình ngôn ngữ, chúng tôi dựa vào sự kết hợp giữa học máy và thuật toán để suy luận ý định của người dùng. Phương pháp này, tuy nhiên, đã chứng minh là khó khăn khi áp dụng trên quy mô lớn, xét đến các cách khác nhau mà người dùng thể hiện cùng một yêu cầu.

Hãy tưởng tượng việc sử dụng một đại diện dịch vụ để xử lý hàng nghìn yêu cầu của khách hàng, nhưng họ chỉ có thể xử lý các yêu cầu được định dạng với cấu trúc câu cụ thể. Như bạn có thể tưởng tượng, nó sẽ chỉ bao gồm một phạm vi nhỏ các trường hợp sử dụng và sẽ khó xử lý nhiều vấn đề của khách hàng. LLM đã thay đổi mọi thứ. Ngày nay, việc hiểu ý định của người dùng đã được giải quyết phần lớn. Vì vậy, trong ẩn dụ của chúng tôi, đại diện hiện đã linh hoạt và có thể nói chuyện với hàng triệu khách hàng.

Trong khi tôi không muốn nói rằng ngành công nghiệp đã hoàn toàn sai lầm, tôi tin rằng nhiều người đã đánh giá thấp tầm quan trọng trung tâm của các mô hình ngôn ngữ. Sự đột phá lớn xảy ra khi các mô hình ngôn ngữ đầu tiên như ELMo, BERT và RoBERTa được giới thiệu. Tại thời điểm đó, ít người thực sự hiểu được mức độ biến đổi mà đang trên đường tới. Những mô hình này là xương sống của các LLM hiện đại mà chúng tôi sử dụng hàng ngày và chúng tôi khó có thể tưởng tượng không có chúng.

Hầu hết các công ty xem những mô hình ban đầu này như các thành phần hữu ích trong các ứng dụng hẹp, không phải là nền tảng cho một mô hình tính toán hoàn toàn mới. Nhìn lại, nhiều công ty trong số họ đã bỏ lỡ cơ hội để định vị mình như những người chơi AI chính.

Trong sự nghiệp nghiên cứu của bạn, bạn tập trung vào trích xuất kiến thức đa tài liệu và hiểu sự kiện. Khi các doanh nghiệp ngày càng phụ thuộc vào các mô hình ngôn ngữ lớn, tại sao bạn tin rằng trích xuất kiến thức có cấu trúc vẫn là một thách thức quan trọng?

LLM là công cụ mạnh mẽ để giải quyết nhiều chủ đề, nhưng các ứng dụng doanh nghiệp và người dùng cuối cần chuyên môn để giải quyết một vấn đề cụ thể, điều này đòi hỏi phải truy cập vào kiến thức. Kiến thức ngữ cảnh này không phải là dữ liệu đào tạo của mô hình, vì vậy việc triển khai LLM trong một doanh nghiệp có nghĩa là thu thập hiểu biết trên hàng triệu điểm dữ liệu nội bộ. Ngày nay, các LLM chủ yếu gặp khó khăn với điều này, bỏ lỡ bối cảnh đáng kể do các hạn chế kỹ thuật và truy cập, và khoảng trống đó hạn chế tác động của chúng.

Tại MCE, ví dụ, chúng tôi cung cấp giải pháp đại lý chăm sóc khách hàng AI. Một trong những mục tiêu của nó là cho phép các nhà cung cấp dịch vụ viễn thông giúp khách hàng của họ giải quyết các vấn đề kỹ thuật của thiết bị di động mà không cần can thiệp của con người. Nếu không cung cấp cho đại lý AI thông tin kỹ thuật ngữ cảnh về thiết bị, tất cả những gì đại lý AI sẽ làm là cung cấp kết quả chung chung không giải quyết được vấn đề hoặc không liên quan, sau đó buộc khách hàng phải tìm kiếm sự giúp đỡ của con người. Đây là loại vấn đề trích xuất kiến thức mà chúng tôi phải vượt qua để triển khai AI với khách hàng của mình và đây là nơi các tổ chức thường thất bại trong việc đạt được kết quả mong muốn.

Nghiên cứu của tôi đã đi sâu vào trích xuất kiến thức và thu hồi thông tin từ các bộ sưu tập tài liệu lớn, khám phá mối quan hệ giữa “sự kiện”, một thuật ngữ trong lĩnh vực AI được sử dụng để định nghĩa sự nhân quả và khung thời gian của bất kỳ loại đại diện thông tin nào. Chúng tôi áp dụng điều này tại MCE trong các giải pháp AI của chúng tôi cho tương tác của con người bằng cách xây dựng sự hiểu biết cấu trúc có thể giúp LLM tóm tắt, đại diện và tìm kiếm kiến thức tốt hơn để giải quyết vấn đề của khách hàng.

Bạn đã xuất bản nghiên cứu tại các hội nghị NLP hàng đầu bao gồm ACL, EMNLP và NAACL. Những đột phá nào trong năm năm qua đã có tác động thực tế lớn nhất, và những tiến bộ nào được quảng cáo rộng rãi hiện đang bị thổi phồng?

Có một số đột phá nổi bật đối với tôi và chúng xảy ra trong một quá trình khi LLM được phát triển.

Đột phá đầu tiên là về điều chỉnh hướng dẫn và kỹ thuật nhắc. Điều này cần phải được giải quyết trước khi đạt được sự áp dụng rộng rãi hơn. Chúng tôi đã từng yêu cầu một LLM làm điều gì đó cụ thể và nó đi vào vòng tròn, gần đạt được nhưng không đưa ra phản hồi cần thiết. Vì vậy, việc tìm ra cách các mô hình có thể hiểu được lời nhắc và đưa ra kết quả chính xác là một bước tiến lớn.

Tiếp theo, sự đột phá là cho các đại lý, những người cần LLM vượt ra ngoài các nhiệm vụ được nhắc một lần và thực sự làm một số việc: tạo kế hoạch, tương tác với người dùng cuối, sử dụng công cụ, sử dụng bộ nhớ và truy cập kiến thức. Điều này là cần thiết để chúng tôi đạt được vị trí ngày nay.

Nhưng sự đột phá tiếp theo, đang được giải quyết một phần nhưng vẫn đang tiến hành, là giải quyết hoàn toàn vấn đề ảo giác. Cho đến nay, đã có nhiều tiến bộ để chúng tôi có thể dựa vào LLM nhiều hơn trước đây. Nhưng vẫn còn công việc cần làm và đó là lý do tại sao giám sát của con người và rào cản vẫn rất quan trọng.

Điều gì bị thổi phồng quá mức là mức độ tự chủ mà mọi người tuyên bố các đại lý nên có. Các hệ thống tự động hoàn toàn hoạt động trên các môi trường kinh doanh phức tạp mà không có sự giám sát của con người vẫn chưa đáng tin cậy trong quan điểm của tôi. Điều tôi thấy hiệu quả hơn là thiết kế AI để thực hiện các nhiệm vụ có giá trị cao, chuyển tiếp sự không chắc chắn và giải thích lý do của nó, mà không từ bỏ quyền kiểm soát của con người đối với luồng công việc tổng thể. Đó là nơi AI đại lý sẽ tạo ra giá trị thực tế lớn nhất trong ngắn hạn.

Bạn đã từng làm việc như một nhà nghiên cứu, kiến trúc sư phần mềm, lãnh đạo kỹ thuật, cố vấn khởi nghiệp, giảng viên và hiện là Giám đốc AI. Định nghĩa về AI thành công của bạn đã thay đổi như thế nào trong suốt các giai đoạn khác nhau của sự nghiệp?

Trong suốt sự nghiệp của mình, tôi đã học được rằng định nghĩa về AI thành công tiếp tục phát triển và các giá trị cốt lõi khác nhau nằm trên các lĩnh vực. Nghiên cứu ứng dụng và kiến trúc đã dạy tôi rằng AI phải hoạt động dưới các ràng buộc của thế giới thực. Nghiên cứu học thuật đã dạy tôi tầm quan trọng của sự nghiêm ngặt và đánh giá. Lãnh đạo kỹ thuật đã cho tôi thấy rằng việc thực hiện và kỷ luật hoạt động quan trọng không kém so với mô hình chính nó. Việc tư vấn cho các công ty khởi nghiệp đã dạy tôi rằng AI tạo ra tác động lớn nhất khi nó giải quyết một vấn đề thực sự và có một con đường rõ ràng đến việc áp dụng.

Ngày nay, với tư cách là Giám đốc AI tại MCE, tôi định nghĩa thành công là AI tạo ra giá trị có thể đo lường trong khi kiếm được niềm tin của người dùng cuối. Nó cần cải thiện kết quả cho khách hàng, nhân viên và doanh nghiệp, đáng tin cậy đủ để sản xuất, minh bạch đủ để được quản lý và hữu ích đủ để mọi người thực sự áp dụng nó. Theo cách đó, định nghĩa của tôi đã phát triển từ “Công nghệ có hoạt động không?” đến “Nó tạo ra giá trị một cách có trách nhiệm, lặp lại và trên quy mô lớn?”

Đây cũng là chuyển đổi mà chúng tôi đã thực hiện tại MCE, một chuyển đổi bắt đầu từ hai năm trước và dẫn đến nơi chúng tôi đang đứng ngày nay. Giá trị sau là cách chúng tôi nghĩ về AI hiện nay cho các trường hợp sử dụng nội bộ và cho khách hàng của chúng tôi trong lĩnh vực viễn thông.

MCE Systems đang áp dụng AI cho trải nghiệm khách hàng, chăm sóc khách hàng và tiếp thị trong lĩnh vực viễn thông. Những trường hợp sử dụng AI nào đang nổi lên trong ngành công nghiệp viễn thông?

Các nhà cung cấp dịch vụ viễn thông (CSP), hay còn gọi là “nhà cung cấp” như chúng thường được gọi, đang ở một vị trí khó khăn, nơi họ đang phải đối mặt với một vấn đề về hàng hóa. Giá cả thực sự là lực hấp dẫn để thu hút khách hàng mới hoặc giữ chân họ, nhưng nó không bền vững. Nếu bạn nhìn vào những gã khổng lồ khác bán sản phẩm hoặc dịch vụ tiêu dùng, như Apple (AAPL ), Amazon (AMZN ) hoặc Netflix (NFLX ), họ đã xây dựng một sản phẩm tuyệt vời và một trải nghiệm xung quanh nó. Điều này đã được thể hiện rõ ràng trong lĩnh vực tài chính, nơi các ngân hàng đã bị buộc phải di chuyển từ việc nắm giữ tiền tiết kiệm và cung cấp sản phẩm đầu tư sang cung cấp một trải nghiệm kỹ thuật số hoàn chỉnh xung quanh nó. Tương tự như vậy với viễn thông.

Tầm nhìn của chúng tôi là giúp mang lại giá trị thêm cho khách hàng của CSP với một trải nghiệm tốt hơn trên sản phẩm kết nối tuyệt vời mà họ đã cung cấp. Điều này có nghĩa là phải chủ động và giao tiếp với khách hàng về trải nghiệm mạng và thiết bị tổng thể của họ. Và đối với chúng tôi, AI là điều cuối cùng cho phép họ làm điều đó một cách hiệu quả.

Trong ngành công nghiệp, nó đã trở thành chủ yếu là một công cụ phòng thủ để cắt giảm chi phí lao động của trung tâm cuộc gọi hoặc làm cho nhân viên trở nên hiệu quả hơn. Nhưng đối với chúng tôi, AI cũng là một công cụ tấn công để chủ động với chăm sóc khách hàng và cá nhân hóa dịch vụ và những gì bạn cung cấp cho khách hàng, tất cả trên thiết bị di động của khách hàng.

Ví dụ, việc bắt gặp một vấn đề về thiết bị hoặc kết nối hoặc vấn đề suy giảm pin trước khi khách hàng nhận thấy nó và giúp họ giải quyết nó. Những trải nghiệm như vậy xây dựng sự trung thành thực sự. Biết tình huống của khách hàng đủ tốt để cung cấp cho họ gói băng thông rộng phù hợp, gói dữ liệu bổ sung hoặc sản phẩm lối sống vào đúng thời điểm thúc đẩy chuyển đổi cao hơn. Và việc tập hợp các tín hiệu trên tài sản mạng, CRM và dữ liệu thiết bị để dự đoán chính xác khả năng chấm dứt hợp đồng và sau đó hành động sớm là có lẽ trường hợp sử dụng mạnh mẽ nhất trong số tất cả. Các CSP giải quyết được điều này sẽ có một lợi thế đáng kể.

Có rất nhiều tiếng vang về việc trở thành “AI bản địa” hoặc “AI sẵn sàng”. MCE đang tiếp cận mô hình này như thế nào và bạn tin rằng những điểm quan trọng nhất mà các tổ chức bỏ lỡ trong quá trình chuyển đổi này là gì?

Điều mà nhiều người bỏ lỡ là việc chuyển đổi AI không chỉ là việc triển khai công nghệ, mà còn là một thay đổi về cách thức hoạt động. Những cơ hội tốt nhất là nơi việc áp dụng cảm thấy tự nhiên: quy trình làm việc đã tồn tại, cơn đau là có thể đo lường được và AI có thể cải thiện rõ ràng tốc độ, chất lượng hoặc quá trình ra quyết định. MCE đang tiếp cận mô hình này với một số ý tưởng.

Chúng tôi bắt đầu bằng cách hỏi về sự trưởng thành của công cụ AI và áp dụng AI theo cách nhân lên năng suất của nhân viên. Chúng tôi hỏi làm thế nào chúng tôi có thể giáo dục các đội của mình, xác định hướng dẫn sử dụng rõ ràng và kết nối các hệ thống nội bộ với AI nơi nó thực sự có thể tạo ra sự khác biệt hàng ngày.

Một khi chúng tôi đã đánh giá cơ sở công cụ của mình, chúng tôi đã xem xét việc tự động hóa quy trình làm việc và xác định nơi các đại lý có thể giảm công việc thủ công. Tự nhiên, chúng tôi đã tìm thấy chúng tôi có thể cắt giảm đáng kể thời gian phát triển. Trong một ví dụ, một ứng dụng chức năng, nguyên mẫu đã mất một vài ngày để tạo ra khi nó khác sẽ mất hai hoặc ba tuần.

Điều thường bị đánh giá thấp cho năng suất nội bộ là dân chủ hóa dữ liệu. Chúng tôi đã làm việc và tiếp tục làm việc để sử dụng tốt hơn dữ liệu nội bộ của mình để cả con người và hệ thống AI đưa ra quyết định tốt hơn. Điều này bao gồm việc hiểu nhu cầu của khách hàng, cải thiện hoạt động và xây dựng sản phẩm học hỏi từ kinh nghiệm trong quá khứ. Đây vẫn là một quá trình đang tiến hành, vì nó là một quá trình lặp lại và phân tích để đánh giá những gì hoạt động và những gì không.

Nhiều tổ chức đang chạy đua để triển khai các đại lý AI. Những bài học thực tế nào bạn đã học được về nơi các đại lý AI tự động có thể tạo ra giá trị thực sự so với nơi giám sát của con người vẫn là điều cần thiết?

Dễ dàng bị cuốn vào cơn sốt tự động hóa. Nhưng tôi tin vào việc tiếp cận các đại lý một cách có phương pháp. Tôi sẽ khuyên bạn không nên bắt đầu với mức độ tự động hóa mục tiêu; thay vào đó, hãy bắt đầu bằng cách xác định các quy trình làm việc mà các đại lý có thể tạo ra giá trị, chia chúng thành các phần nhỏ hơn và hỏi xem phần nào có thể được tự động hóa hoàn toàn, phần nào có thể được tự động hóa một phần và nơi cần phán quyết của con người.

Trong thực tế, chúng tôi tìm thấy rằng các đại lý tạo ra giá trị nhất khi chúng được sử dụng trong các nhiệm vụ được xác định rõ ràng, từ thu thập thông tin đến phân tích đầu vào, tạo khuyến nghị và chuẩn bị đầu ra cho bước tiếp theo. Tự động hóa tinh chỉnh nơi nhiệm vụ đủ đơn giản hoạt động tốt hơn nhiều so với việc cố gắng tự động hóa một quy trình phức tạp.

Nơi con người vẫn cần thiết là trong việc giám sát, xử lý ngoại lệ, quyết định nhạy cảm với khách hàng và nói chung, trong các tình huống mà trách nhiệm giải trình quan trọng. Mục tiêu không bao giờ là thay thế việc ra quyết định của con người, mà để cho phép các đại lý xử lý những phần mà chúng có thể tạo ra giá trị một cách đáng tin cậy trong khi để con người xử lý những quyết định đòi hỏi trách nhiệm giải trình.

MCE đã nói về việc sử dụng AI để cung cấp trải nghiệm thiết bị được cá nhân hóa hơn và cải thiện hiệu quả hoạt động cho các nhà điều hành di động. Làm thế nào bạn cân bằng giữa cá nhân hóa với những lo ngại ngày càng tăng về quyền riêng tư, minh bạch và niềm tin của người dùng?

Bởi vì AI cảm thấy rất giống con người, người dùng tự nhiên tương tác với nó theo những cách mà họ có thể tiết lộ nhiều hơn những gì họ đôi khi nên làm. Điều đó đặt trách nhiệm thực sự lên các tổ chức để cảnh giác và minh bạch về những gì được thu thập. Một ví dụ đơn giản: khi một khách hàng gửi một ảnh chụp màn hình như một phần của quá trình giải quyết vấn đề, hình ảnh đó có thể vô tình chụp thông tin cá nhân trên màn hình của họ. Điều quan trọng là các tổ chức phải áp dụng các biện pháp bảo vệ để cắt xén hình ảnh để loại bỏ nội dung vượt quá và giảm thiểu việc phơi bày dữ liệu không cần thiết.

Theo tôi, mọi dữ liệu chúng tôi thu thập nên phục vụ rõ ràng cho lợi ích, nhu cầu của khách hàng. Nó nên được thu thập chỉ khi nó hỗ trợ một mục đích cụ thể, chẳng hạn như giải quyết yêu cầu của khách hàng hoặc cung cấp mức độ cá nhân hóa phù hợp. Đồng thời, dữ liệu nên được xử lý theo cách bảo vệ quyền riêng tư, tránh liên kết không cần thiết với danh tính thực của khách hàng.

Nói cách khác, hiểu hồ sơ cụ thể của khách hàng liên quan đến hoạt động kinh doanh của chúng tôi. Trong trường hợp của chúng tôi, như một tổ chức tuân thủ quyền riêng tư, đó là về việc biết tình trạng thiết bị và hành vi của người dùng khi nó liên quan cụ thể đến nhà cung cấp, không phải về danh tính của khách hàng và các loại hành vi khác.

Điều cũng quan trọng là trong chính tương tác với khách hàng. Các rào cản là rất quan trọng ở đây để ở trong mục đích, giọng điệu thương hiệu và thực sự tránh trôi dạt quá xa những gì các tổ chức sẵn sàng quản lý. Trong thực tế, các rào cản giúp tránh vi phạm pháp lý hoặc quy định và trải nghiệm khách hàng tiêu cực. Đôi khi, những điều này có thể là quá trình khó khăn, nhưng chúng là điều cần thiết.

Bạn đã từng giảng dạy các môn học từ cơ bản khoa học máy tính đến thu hồi thông tin và khai thác dữ liệu. Nếu bạn đang thiết kế một chương trình giảng dạy AI cho sinh viên sắp bước vào lực lượng lao động, bạn sẽ ưu tiên những chủ đề nào và những khái niệm lỗi thời nào bạn sẽ loại bỏ?

Chương trình giảng dạy cần thay đổi theo hai cách. Những chủ đề từng bị giới hạn ở các chương trình sau đại học, như mạng nơ-ron, biến đổi, mô hình ngôn ngữ lớn, tạo ra tăng cường, đánh giá, căn chỉnh và AI có trách nhiệm, cần trở thành các môn học cơ bản. Sinh viên bước vào lực lượng lao động cần hiểu cách các hệ thống này hoạt động và cách đánh giá chúng một cách nghiêm túc.

Sinh viên cũng cần học cách sử dụng AI một cách có trách nhiệm như một công cụ cho việc học và nghiên cứu. Điều đó có nghĩa là đặt câu hỏi về đầu ra, xác minh nguồn, hiểu hạn chế và đối xử với AI như một người bạn suy nghĩ chứ không phải là một cách để làm bài tập về nhà.

Điều tôi không cắt giảm là toán học và các nguyên tắc thuật toán. Tôi sẽ lập luận rằng chúng quan trọng như bao giờ hết. Điều tôi sẽ giảm là các nhiệm vụ mà phần thưởng là việc thực hiện cơ học mà không thể hiện tư duy phản biện. Sự tập trung nên chuyển sang việc xây dựng vấn đề, đánh giá, thiết kế hệ thống và sử dụng có trách nhiệm.

Với tư cách là người đã tư vấn cho nhiều công ty khởi nghiệp về chiến lược AI, những sai lầm phổ biến nhất mà các nhà sáng lập mắc phải khi xây dựng sản phẩm AI là gì, và điều gì phân biệt các công ty thành công trong việc chuyển từ nguyên mẫu sang sản xuất?

Sai lầm phổ biến nhất tôi thấy là yêu thích công nghệ trước khi thực sự hiểu vấn đề, khách hàng hoặc con đường áp dụng. Một sai lầm gần đó là không hiểu rõ về hạn chế của AI, vì vậy ép buộc nó vào các trường hợp sử dụng mà nó chưa trưởng thành đủ.

Điều phân biệt các nhà sáng lập thành công trong việc di chuyển từ nguyên mẫu sang sản xuất là chuyên môn sâu về lĩnh vực và thái độ nghiên cứu. Những sản phẩm AI tốt nhất đến từ các nhà sáng lập hiểu rõ một lĩnh vực dọc cụ thể đủ để xác định một khoảng trống công nghệ thực sự. Họ không bắt đầu từ “chúng ta có thể làm gì với AI?” mà từ “đây là một vấn đề thực sự, đây là lý do tại sao các giải pháp hiện có trên thị trường không đủ và đây là lý do tại sao AI có thể giải quyết nó một cách bền vững.”

Hơn nữa, các nhà sáng lập thành công liên tục học hỏi từ khách hàng, đối thủ, cố vấn và các nỗ lực thất bại. Họ nghiên cứu cách quyết định được đưa ra, cách ngân sách di chuyển và những gì tạo ra niềm tin cho khán giả mục tiêu của họ. Cuối cùng, họ không chỉ xây dựng một sản phẩm, họ xây dựng điều gì đó cần phải tồn tại trong một môi trường thực.

Nhìn về phía trước năm năm, bạn tin rằng tác động lớn nhất của AI sẽ đến từ các mô hình nền tảng mạnh mẽ hơn, hệ thống đại lý, AI đa phương thức, trí tuệ trên thiết bị hoặc một xu hướng hoàn toàn khác mà ngành công nghiệp hiện đang đánh giá thấp?

Tác động lớn nhất sẽ không đến từ việc cải thiện mô hình nền tảng alone, mà từ cách các mô hình được nhúng vào các hệ thống có thể quan sát và hành động trong các quy trình làm việc thực tế trong khi cải thiện. Sự chuyển đổi từ mô hình mạnh mẽ sang hệ thống có khả năng là nơi tôi kỳ vọng sẽ có tiến bộ đáng kể trong ngắn hạn.

Điều này sẽ trở nên đặc biệt mạnh mẽ khi các hệ thống trở nên đa phương thức, suy luận trên văn bản, giọng nói, hình ảnh, video và các tín hiệu ngữ cảnh thực tế khác có thể gần như bắt chước cách con người hiểu thế giới. Điều này sẽ mở ra những khả năng mới trong hỗ trợ khách hàng, chăm sóc sức khỏe, sản xuất, v.v.

Một công nghệ mới nổi khác mà tôi tin sẽ trở nên phá vỡ là các đại lý tương tác với thế giới vật lý. Các công ty như Boston Dynamics đã chỉ ra nghệ thuật có thể và tiềm năng của khi nhận thức, suy luận, lập kế hoạch và hành động vật lý hội tụ. Cho dù dưới dạng humanoid hay hệ thống robot chuyên dụng, các đại lý có cơ thể có thể chứng minh là một trong những biểu hiện đáng kể và cách mạng nhất của AI mà chúng ta sẽ thấy trong năm năm tới. Đối với MCE, điều này tạo ra cơ hội trong hậu cần và các quy trình hoạt động, nơi nhiều nhiệm vụ lặp đi lặp lại, thấp về độ phức tạp vẫn đòi hỏi sự tương tác của con người. Ví dụ bao gồm việc nhặt thiết bị, nhấn nút, kết nối cáp hoặc di chuyển thiết bị giữa các trạm. Những việc này là ứng viên lý tưởng cho tự động hóa thông qua robot và AI, cho phép hệ thống trở nên hiệu quả, nhất quán và xử lý nhiều hơn.

Đối với viễn thông, việc dự đoán khả năng chấm dứt hợp đồng của khách hàng và hành động trên nó với các mô hình AI là nơi tiền sẽ ở trong vài năm tới. Nếu bạn có thể xây dựng một mô hình đáng tin cậy kết hợp dữ liệu từ tất cả các điểm khác nhau của khách hàng, có thể đánh giá chính xác khả năng chấm dứt hợp đồng và sau đó hành động trên nó, bạn sẽ giải quyết một vấn đề đang bị đình trệ cho các nhà cung cấp.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm nên truy cập MCE Systems.