Matthew Fitzpatrick, Giám đốc điều hành của Invisible Technologies – Loạt phỏng vấn

Matthew Fitzpatrick là một chuyên gia vận hành và tăng trưởng có kinh nghiệm với chuyên môn sâu về việc mở rộng quy mô các quy trình và đội ngũ phức tạp. Với nền tảng bao gồm tư vấn, chiến lược và lãnh đạo vận hành, ông hiện đang giữ vị trí Giám đốc điều hành tại Invisible Technologies, nơi ông tập trung vào việc thiết kế và tối ưu hóa các giải pháp kinh doanh từ đầu đến cuối. Matthew đam mê việc kết hợp tài năng con người với tự động hóa để thúc đẩy hiệu quả ở quy mô lớn, giúp các công ty mở khóa tăng trưởng chuyển đổi thông qua đổi mới quy trình.

Invisible Technologies là một công ty phần mềm và sản xuất AI doanh nghiệp giúp các tổ chức xây dựng, triển khai và mở rộng các hệ thống AI trên các môi trường kinh doanh phức tạp. Nền tảng của công ty kết hợp phần mềm AI, chuyên môn con người và cơ sở hạ tầng vận hành để hỗ trợ các quy trình sản xuất cần thiết để đào tạo, đánh giá và vận hành AI tiên tiến. Invisible làm việc với các doanh nghiệp để quản lý dữ liệu phức tạp, tự động hóa quy trình và tích hợp AI vào quy trình kinh doanh, cung cấp cơ sở hạ tầng và chuyên môn cần thiết để chuyển các sáng kiến AI từ thử nghiệm sang triển khai sản xuất đáng tin cậy.

Bạn vừa chuyển từ vị trí lãnh đạo QuantumBlack Labs tại McKinsey sang vị trí Giám đốc điều hành của Invisible Technologies. Điều gì thu hút bạn đến vị trí này, và điều gì khiến bạn hứng thú nhất về sứ mệnh của Invisible?

Tại McKinsey, tôi đã có đặc quyền làm việc ở tiền phong của sự đổi mới AI – xây dựng sản phẩm phần mềm AI, dẫn đầu các nỗ lực nghiên cứu và phát triển, và giúp các doanh nghiệp khai thác sức mạnh của dữ liệu. Điều gì thu hút tôi đến Invisible Technologies là cơ hội để biến nó thành hiện thực ở quy mô lớn với sự kết hợp giữa một nền tảng phần mềm AI độc đáo và linh hoạt và một thị trường chuyên gia cho phản hồi của con người – tôi tin rằng Học tăng cường từ Phản hồi của Con người (RLHF) là chìa khóa để triển khai GenAI chính xác và đáng tin cậy. Invisible hỗ trợ AI trên toàn bộ chuỗi giá trị, từ làm sạch dữ liệu và tự động hóa nhập dữ liệu đến suy luận chuỗi và đánh giá tùy chỉnh. Sứ mệnh của chúng tôi đơn giản: kết hợp trí tuệ con người và AI để giúp các doanh nghiệp thực hiện được tiềm năng của AI, điều mà trong doanh nghiệp đã khó hơn nhiều so với hầu hết mọi người dự đoán.

Bạn đã giám sát hơn 1.000 kỹ sư và mở rộng nhiều sản phẩm AI trên các ngành công nghiệp. Những bài học từ McKinsey mà bạn đang áp dụng cho giai đoạn tăng trưởng tiếp theo của Invisible?

Hai bài học nổi bật. Đầu tiên, việc áp dụng AI thành công là vừa về chuyển đổi tổ chức vừa về công nghệ. Bạn cần phải có đúng người và quy trình ở đúng vị trí – bên cạnh các mô hình tuyệt vời. Thứ hai, các công ty thành công trong AI là những công ty nào đã掌握 được “dặm cuối” – chuyển đổi từ thử nghiệm sang sản xuất. Tại Invisible, chúng tôi đang áp dụng cùng một sự nghiêm ngặt và cấu trúc để giúp khách hàng chuyển từ các thử nghiệm sang sản xuất, mang lại giá trị kinh doanh thực sự.

Bạn đã nói rằng “năm 2024 là năm của thử nghiệm AI, và năm 2025 là về việc hiện thực hóa ROI.” Những xu hướng cụ thể nào bạn đang thấy trong các doanh nghiệp thực sự đạt được ROI đó?

Các doanh nghiệp thấy ROI thực sự trong năm nay đang làm ba việc tốt. Đầu tiên, họ đang gắn các trường hợp sử dụng AI chặt chẽ với các chỉ số hiệu suất kinh doanh cốt lõi – chẳng hạn như hiệu quả vận hành hoặc sự hài lòng của khách hàng. Thứ hai, họ đang đầu tư vào dữ liệu chất lượng tốt hơn và vòng phản hồi của con người để liên tục cải thiện hiệu suất của mô hình. Thứ ba, họ đang chuyển từ các giải pháp chung chung sang các hệ thống cụ thể theo lĩnh vực được tùy chỉnh để phản ánh sự phức tạp của môi trường của họ. Những công ty này không chỉ thử nghiệm AI – họ đang mở rộng nó với mục đích.

Làm thế nào nhu cầu về ghi nhãn dữ liệu chuyên ngành và cấp tiến sĩ đang phát triển trên các nhà cung cấp mô hình nền tảng như AWS, Microsoft (MSFT ), và Cohere?

Chúng tôi đang thấy sự gia tăng nhu cầu về ghi nhãn chuyên ngành khi các nhà cung cấp mô hình nền tảng đẩy vào các lĩnh vực phức tạp hơn. Tại Invisible, chúng tôi có tỷ lệ chấp nhận hàng năm là 1% trong nhóm chuyên gia của chúng tôi, và 30% trong số các huấn luyện viên của chúng tôi có bằng thạc sĩ hoặc tiến sĩ. Chuyên môn sâu sắc đó ngày càng cần thiết – không chỉ để chú thích dữ liệu chính xác mà còn để cung cấp phản hồi tinh tế, nhận thức về ngữ cảnh để cải thiện suy luận, độ chính xác và sự phù hợp. Khi các mô hình trở nên thông minh hơn, tiêu chuẩn cho việc đào tạo chúng trở nên cao hơn.

Invisible đang ở tiền phong của AI đại lý, nhấn mạnh việc ra quyết định trong các quy trình làm việc thực tế. Định nghĩa của bạn về AI đại lý là gì, và chúng ta đang thấy sự hứa hẹn nhất ở đâu?

AI đại lý đề cập đến các hệ thống không chỉ phản hồi với các lệnh – chúng lập kế hoạch, đưa ra quyết định và thực hiện hành động trong các rào cản được xác định. Đó là AI hành động giống như một thành viên trong đội hơn là một công cụ. Chúng tôi đang thấy sự hấp dẫn nhất trong các quy trình làm việc phức tạp và có khối lượng lớn: chẳng hạn như hỗ trợ khách hàng và yêu cầu bảo hiểm, ví dụ. Trong những lĩnh vực này, AI đại lý có thể giảm thiểu nỗ lực thủ công, tăng tính nhất quán và mang lại kết quả mà nếu không sẽ đòi hỏi các đội ngũ con người lớn. Điều này không phải là về việc thay thế con người – thay vào đó, chúng tôi đang tăng cường họ với các đại lý thông minh có thể xử lý các nhiệm vụ lặp đi lặp lại và thường xuyên.

Có thể chia sẻ các ví dụ về cách Invisible đào tạo mô hình cho suy luận chuỗi và tại sao điều đó lại quan trọng đối với triển khai doanh nghiệp?

Suy luận chuỗi đã mở ra tiềm năng mới cho AI doanh nghiệp. Tại Invisible, chúng tôi đào tạo mô hình để suy luận từng bước, điều này là thiết yếu khi có các vấn đề quan trọng – cho dù bạn đang chẩn đoán bệnh nhân, phân tích hợp đồng hoặc xác thực mô hình tài chính. Suy luận chuỗi không chỉ cải thiện tính minh bạch mà còn cho phép gỡ lỗi, tinh chỉnh và cải thiện hiệu suất mà không cần dữ liệu mới lớn. Chúng tôi đã thấy các mô hình hàng đầu như Gemini, Sonnet và Grok bắt đầu tiết lộ các đường dẫn suy luận của chúng, điều này cho phép chúng tôi không chỉ quan sát đầu ra của mô hình mà còn cách chúng đến được đó. Điều này đang đặt nền tảng cho các phương pháp tiên tiến hơn như Cây suy nghĩ (trong đó các mô hình đánh giá nhiều đường suy luận có thể trước khi chọn một câu trả lời) và Tính nhất quán tự (trong đó nhiều đường suy luận được khám phá).

Invisible hỗ trợ đào tạo trên 40+ ngôn ngữ lập trình và 30+ ngôn ngữ con người. Làm thế nào quan trọng là sự chính xác về văn hóa và ngôn ngữ khi xây dựng AI có thể mở rộng toàn cầu?

Điều đó rất quan trọng. Ngôn ngữ không chỉ là về dịch – nó là về ngữ cảnh, sắc thái và chuẩn mực văn hóa. Nếu một mô hình hiểu lầm giọng điệu hoặc bỏ lỡ sự thay đổi khu vực, nó có thể dẫn đến trải nghiệm người dùng kém hoặc thậm chí là rủi ro tuân thủ. Các huấn luyện viên đa ngôn ngữ của chúng tôi không chỉ thông thạo – họ còn được nhúng vào các nền văn hóa mà họ đại diện.

Những điểm thất bại chung khi các công ty cố gắng mở rộng từ概念 sang sản xuất là gì, và Invisible giúp điều hướng “dặm cuối” đó như thế nào?

Đa số các mô hình AI không bao giờ đến được sản xuất vì các công ty đánh giá thấp nỗ lực vận hành cần thiết. Họ thiếu dữ liệu sạch, giao thức đánh giá mạnh mẽ và chiến lược để nhúng mô hình vào các quy trình làm việc thực sự. Tại Invisible, chúng tôi kết hợp kinh nghiệm kỹ thuật sâu với cơ sở hạ tầng dữ liệu cấp sản xuất để giúp các doanh nghiệp bắc cầu qua khoảng cách đó. Các khả năng song sinh của chúng tôi trong đào tạo và tối ưu hóa cho phép chúng tôi không chỉ xây dựng mô hình tốt hơn mà còn triển khai chúng thành công.

Có thể giải thích phương pháp tiếp cận của Invisible đối với RLHF (Học tăng cường từ Phản hồi của Con người) và nó khác với các công ty khác trong ngành như thế nào?

Tại Invisible, chúng tôi xem RLHF không chỉ là tinh chỉnh – nó cho phép thiết kế đánh giá (“eval”) tùy chỉnh phức tạp hơn và chuyển dịch sang đào tạo mô hình với phán đoán của con người tinh tế hơn thay vì tín hiệu nhị phân như lên hoặc xuống. Trong khi các phương pháp của ngành thường ưu tiên quy mô thông qua dữ liệu có khối lượng lớn và tín hiệu thấp, chúng tôi tập trung vào việc thu thập phản hồi chất lượng cao, có cấu trúc, nắm bắt được suy luận, ngữ cảnh và sự đánh đổi. Tín hiệu phong phú này cho phép mô hình tổng quát hóa hiệu quả hơn và phù hợp chặt chẽ hơn với ý định của con người. Bằng cách ưu tiên độ sâu hơn là độ rộng, chúng tôi đang xây dựng cơ sở hạ tầng cho các hệ thống AI mạnh mẽ và phù hợp hơn.

Làm thế nào bạn hình dung tương lai của sự hợp tác giữa AI và con người sẽ phát triển, đặc biệt là trong các lĩnh vực quan trọng như tài chính, chăm sóc sức khỏe hoặc khu vực công?

AI không thay thế chuyên môn con người – nó trở thành cơ sở hạ tầng hỗ trợ nó. Tôi hình dung một tương lai nơi các đại lý AI và chuyên gia con người làm việc cùng nhau – nơi các bác sĩ lâm sàng được hỗ trợ bởi các phi công chẩn đoán, các cơ quan chính phủ sử dụng AI để quản lý l益age benefits more efficiently, and financial analysts are free to focus on strategy rather than spreadsheets. Our focus is designing systems where AI enhances human capability, rather than obscuring or overruling it. Thank bạn cho cuộc phỏng vấn tuyệt vời, độc giả muốn tìm hiểu thêm có thể truy cập Invisible Technologies.