Shane Eleniak, Chief Product Officer tại Calix – Loạt Phỏng Vấn

Shane Eleniak giữ vị trí Chief Product Officer tại Calix, nơi ông lãnh đạo tầm nhìn chiến lược và thực hiện nền tảng và giải pháp SaaS hàng đầu của công ty. Với trọng tâm vào việc cho phép các nhà cung cấp dịch vụ truyền thông đơn giản hóa doanh nghiệp và cung cấp trải nghiệm vượt trội cho người đăng ký, Shane giám sát toàn bộ vòng đời sản phẩm – từ khái niệm hóa đến triển khai hàng đầu.

Dưới sự lãnh đạo của ông, Calix đã củng cố vị trí của mình như một người tiên phong trong ngành công nghiệp băng thông rộng, liên tục cung cấp các công cụ đổi mới giúp các nhà cung cấp cạnh tranh và giành chiến thắng.

Calix là một công ty công nghệ của Mỹ cung cấp các nền tảng đám mây, phần mềm và dịch vụ quản lý được thiết kế cho các nhà cung cấp dịch vụ băng thông rộng và truyền thông. Sản phẩm cốt lõi của công ty tập trung vào một nền tảng băng thông rộng được kích hoạt bởi AI, tích hợp cơ sở hạ tầng đám mây, dữ liệu và hệ thống mạng để giúp các nhà cung cấp đơn giản hóa hoạt động, cải thiện sự tham gia của khách hàng và cung cấp trải nghiệm kỹ thuật số được cá nhân hóa nhiều hơn. Bằng cách cho phép các nhà cung cấp chuyển từ dịch vụ kết nối cơ bản sang các nhà cung cấp trải nghiệm đầy đủ, Calix giúp họ tăng doanh thu, tăng lòng trung thành của người đăng ký và hỗ trợ chuyển đổi số của cộng đồng thông qua các dịch vụ băng thông rộng tiên tiến và có thể mở rộng hơn.

Sự nghiệp của bạn bao gồm hơn ba thập kỷ trong lĩnh vực kỹ thuật, mạng, nền tảng đám mây và lãnh đạo sản phẩm quy mô lớn. Những kinh nghiệm đó đã định hình quan điểm của bạn về những gì thực sự cần thiết để AI thực hiện công việc thực sự trong doanh nghiệp chứ không chỉ là một thí nghiệm phụ?

Tôi bắt đầu trong lĩnh vực truyền thông và mạng truyền thống, nơi toàn bộ trò chơi là đường dẫn dữ liệu và độ tin cậy ở quy mô lớn. Nếu bạn không thể cung cấp một dịch vụ sạch sẽ và đáng tin cậy, thì không có gì bạn xây dựng trên đó thực sự quan trọng. Lúc đó, điện thoại trên tường bếp, dây nối bên trong không bao giờ di chuyển, và miễn là có tín hiệu chuông, mọi thứ đều ổn.

Băng thông rộng và Internet đã thổi bay điều đó. Đột nhiên, nó không chỉ là “có hoạt động không?” Mà là Ethernet và sau đó là Wi-Fi, trẻ em trên máy chơi game và máy tính bảng, bạn trên một cuộc gọi Zoom cộng tác trên một bảng tính đám mây, và sự di chuyển liên tục – thiết bị bên trong nhà, ở sân sau, tại trận đấu bóng đá, tại quán cà phê. Trải nghiệm của người đăng ký trở nên phức tạp hơn nhiều so với trạng thái bật/tắt nhị phân, và thế giới của các nhà cung cấp dịch vụ trở nên rất năng động. Trong thế giới đó, việc xem lại dữ liệu – kho dữ liệu cổ điển và báo cáo lịch sử một tháng sau – không đủ. Bạn phải thu thập dữ liệu, hiểu trải nghiệm và tạo ra thông tin chi tiết theo thời gian thực vì người đăng ký hiện nay mong đợi các vấn đề sẽ được giải quyết chủ động, không phải trong vài giờ hoặc vài ngày.

Đó là sự tiến hóa đã định hình cách tôi nghĩ về AI. Hầu hết mọi người muốn đặt AI “trên cùng”, giống như cách họ đặt trí tuệ kinh doanh hoặc SaaS trên cùng dữ liệu hiện có. Kinh nghiệm của tôi cho thấy bạn phải suy nghĩ sâu sắc hơn nhiều và thiết kế cho thông tin chi tiết theo thời gian thực, hành động kịp thời.

Đối với người đăng ký, tuy nhiên, kỳ vọng chưa thay đổi nhiều trong 25 năm qua. Họ vẫn chỉ muốn có kết nối được quản lý an toàn, cảm giác đơn giản như chuông điện – họ muốn mọi thứ “hoạt động” mà không cần suy nghĩ về tất cả các lớp và sự phức tạp, và họ muốn nó ở mọi nơi trong cuộc sống của họ. Sự nghiệp của tôi trong lĩnh vực truyền thông và đám mây đã khiến tôi rất thoải mái với điều đó: bạn xây dựng các hệ thống cực kỳ phức tạp để bạn có thể trừu tượng hóa tất cả điều đó và cung cấp một trải nghiệm đơn giản, tuyệt vời ở rìa. Đó chính xác là cách tôi nghĩ về AI thực hiện công việc thực sự trong bất kỳ doanh nghiệp nào, băng thông rộng hay không.

Tại Calix, bạn thường nhấn mạnh rằng AI hoạt động được xây dựng chứ không phải mua. Những sai lầm phổ biến nhất mà các tổ chức mắc phải khi họ cố gắng thêm AI mà không thay đổi lại cách công việc chảy qua doanh nghiệp là gì?

Đối với tôi, đó không chỉ là “xây dựng so với mua” mà là liệu bạn đã bước lại và xem xét toàn bộ ngăn xếp công nghệ. Nhiều công ty quyết định AI chỉ đơn giản là sử dụng một số API để truy cập vào một mô hình ngôn ngữ lớn, kết nối nó vào ngăn xếp của bạn với một bộ bao và mua token – sau đó bạn đã có một chiến lược AI. Đó không phải là cách nó hoạt động.

Quá nhiều người trong chúng ta bị thu hút bởi công nghệ thay vì kết quả. Chúng ta đã thấy bộ phim này trước. Khi máy tính để bàn xuất hiện, mọi người đều muốn tranh luận về việc bạn có một 286 hay 386, bao nhiêu bộ nhớ nó có và hệ điều hành DOS nào nó chạy. Ngày nay, không ai có thể cho bạn biết thông số kỹ thuật của máy tính xách tay hoặc điện thoại của họ và không ai quan tâm cho đến khi nó ngừng làm những gì họ cần nó làm. Điều quan trọng là: nó có làm cho bạn hiệu quả hơn trong công việc của mình không? Đó là điều tương tự với AI. Nếu bạn không thể gắn nó với các quy trình làm việc thực sự, giá trị thực sự và ROI thực sự, thì các thông số kỹ thuật chỉ là tiếng ồn.

Một sai lầm lớn khác là cố gắng gắn AI vào bất cứ thứ gì bạn đã có mà không hỏi nó làm gì với kiến trúc của bạn, mô hình bảo mật của bạn và chi phí của bạn. AI là công nghệ cơ bản, không phải là nâng cấp tính năng tăng dần. Khi bạn đối xử với nó như một nâng cấp tăng dần, bạn sẽ kết thúc với dữ liệu kém, vấn đề bảo mật, ảo giác, chi phí vượt quá kiểm soát hoặc rất nhiều hoạt động không giải quyết được vấn đề cho bất kỳ ai.

Cuối cùng, bạn không thể bỏ qua bối cảnh và tầm quan trọng của chuyên môn dọc. Hành động là tất cả về bối cảnh và bối cảnh đó khác nhau trên các ngành truyền thông, tài chính và chăm sóc sức khỏe. Tại Calix, chúng tôi bắt đầu với kinh nghiệm sâu sắc trong một ngành và xây dựng một nền tảng dọc xung quanh nó. Chúng tôi đã hiểu dữ liệu, thông tin chi tiết, quy trình làm việc và bối cảnh, vì vậy ngăn xếp có thể phản ánh thực tế đó. Hầu hết các công ty đều biết ngành dọc của họ từ trong ra ngoài. Cơ hội là mã hóa kiến thức đó vào một ngăn xếp công nghệ dọc thay vì dựa vào một lớp ngang mỏng và một mô hình AI chung chung, sau đó cố gắng khâu tất cả lại với nhau. Doanh nghiệp là về kết quả, không phải về mô hình. Câu hỏi thực sự là công nghệ này giúp bạn cung cấp những kết quả đó theo cách công việc của bạn chảy.

Bạn đã phác thảo một kiến trúc năm lớp cho AI hoạt động bao gồm dữ liệu, kiến thức, điều phối, tin cậy và hành động. Tại sao việc tách biệt rõ ràng các lớp này lại quan trọng và doanh nghiệp thường đánh giá thấp hoặc bỏ qua hoàn toàn lớp nào?

Trong một thời gian dài, ngăn xếp khá đơn giản: dữ liệu, thông tin chi tiết, bảng điều khiển, quy trình làm việc, con người. Bạn xây dựng các kho dữ liệu, đặt trí tuệ kinh doanh lên trên, tạo ra các động cơ quy trình làm việc và giao công việc khó cho con người. Trong một thế giới có tác nhân, điều đó không đứng vững. Bạn cần dữ liệu, kiến thức, điều phối, tin cậy và hành động vì mỗi lớp thực hiện một chức năng riêng biệt.

Phần có thể nhìn thấy mà mọi người muốn nói đến là lớp hành động – các tác nhân. Đó chỉ là phần nổi của tảng băng. Điều quyết định liệu bạn có thể để các tác nhân chạm vào các hệ thống thực sự hay không là tất cả những “điều nhàm chán” dưới bề mặt: đường ống dữ liệu và dữ liệu sạch, lớp kiến thức cung cấp bối cảnh, điều phối và mô hình tin cậy quyết định những gì nên được phép xảy ra. Khi Titanic chìm, nó không phải là phần nhỏ mà bạn có thể nhìn thấy đã chìm nó; đó là khối băng khổng lồ dưới bề mặt. AI hoạt động cũng vậy. Hệ thống ống nước dưới bề mặt là điều quyết định thành công hay thất bại.

Lịch sử cho thấy, chúng tôi chưa bao giờ coi điều phối và tin cậy là các lớp riêng biệt vì con người đã thực hiện hầu hết công việc đó. Điều phối có nghĩa là các nhà quản lý và hàng đợi vé; tin cậy có nghĩa là tên người dùng và mật khẩu. Giờ đây, bạn phải tin tưởng các thực thể – các tác nhân – để thực hiện các hành động và bạn phải điều phối nhiều tác nhân trong thời gian thực xung quanh dữ liệu động. Đó là một vấn đề thiết kế hoàn toàn khác, đó là lý do tại sao các lớp đó cần được tách biệt rõ ràng.

Lớp mà hầu hết mọi người đánh giá thấp là tin cậy. Nhiều tổ chức nghĩ rằng họ đang xử lý tin cậy vì họ có kiểm soát truy cập – ai có thể đăng nhập vào hệ thống nào. Nhưng tin cậy thực sự trong một thế giới có tác nhân không phải là “người dùng này có quyền truy cập không?” Mà là “liệu hành động cụ thể này có phù hợp với cá nhân hoặc tác nhân này tại thời điểm này không?” Đó là một câu hỏi quản trị, không phải là câu hỏi kiểm soát truy cập. Nếu bạn không làm cho lớp đó rõ ràng, bạn sẽ bị kẹt trong đất demo, vì bạn sẽ không bao giờ thoải mái khi để các tác nhân thực hiện công việc thực sự trong sản xuất.

Vậy, tin cậy rõ ràng là một phần quan trọng của chiến lược AI của bạn. Làm thế nào bạn thiết kế hệ thống để các quyết định tự động vẫn có thể quan sát được, có thể kiểm toán và có thể đảo ngược trong khi vẫn di chuyển đủ nhanh để cung cấp giá trị kinh doanh?

Bạn phải bắt đầu từ một tư duy không tin cậy. Câu hỏi đầu tiên không phải là “có thể tác nhân này kỹ thuật thực hiện điều này không?” Câu hỏi đầu tiên là “tác nhân này, thay mặt cho người này, nên cố gắng thực hiện điều này tại tất cả không?” Nếu câu trả lời là không, thì đừng tiếp tục.

Nếu câu trả lời là có, bạn sẽ chuyển sang các rào cản: khả năng kiểm toán, khả năng theo dõi và sự cần thiết của con người trong vòng lặp. Mô hình của chúng tôi dựa trên một lớp tin cậy hoạt động giống như một cảnh sát giao thông tại đầu mỗi tương tác: ai bạn, bạn đang làm gì và tại sao bạn lại làm điều đó? Điều đó loại bỏ nhiều vấn đề bảo mật, vì bạn không để các tác nhân chạy và thực hiện các hành động và sau đó hy vọng bạn nhận thấy sau khi thực tế.

Giải pháp thay thế là để các tác nhân tự do, sau đó nâng cấp báo động nếu họ đi và làm điều gì đó xấu. Bạn đang giả định rằng bạn có thể nhìn thấy nó, tìm ra nó, xác định nó và dừng nó trong thời gian thực, với tốc độ và quy mô mà các hệ thống này hoạt động. Đó là một vấn đề rất khó và đó là lý do tại sao nhiều người đang vật lộn – họ đang cố gắng tìm kiếm các tác nhân xấu trong thời gian thực thay vì ngăn chặn các hành động xấu từ trước.

Trên hết, chúng tôi đã thêm các cổng lớp. Ngay cả khi một tác nhân đang hành động thay mặt cho người đúng, chúng tôi vẫn đang xem xét phiên và nội dung – họ có đang cố gắng đầu độc một mô hình, lạm dụng một API hay đẩy một thứ gì đó ngoài chính sách không? Tất cả những điều đó được bao quanh bởi khả năng quan sát đầy đủ để bạn có thể kiểm toán những gì đã xảy ra và quay lại nếu cần. Đó là cách bạn di chuyển nhanh và vẫn ngủ ngon.

Nhiều công ty thành công trong việc tạo ra thông tin chi tiết AI nhưng gặp khó khăn trong việc dịch chúng thành hành động. Những quyết định thiết kế nào cho phép Calix đẩy AI trực tiếp vào các quy trình làm việc hàng ngày trên tiếp thị, vận hành và hỗ trợ khách hàng?

Trước khi AI trở thành ngôi sao của chương trình, tại Calix chúng tôi đã ám ảnh bởi một câu hỏi: điều gì làm cho một thông tin chi tiết thực sự có thể hành động được cho một người thực sự trong một công việc thực sự? Kể từ năm 2018, chúng tôi đã làm việc với các nhà cung cấp dịch vụ để hiểu cách các nhân vật khác nhau làm việc – những gì một nhà tiếp thị làm vào một sáng thứ Ba, những gì một nhóm vận hành làm khi một báo động phát, những gì các đội hỗ trợ làm khi một người đăng ký gọi đến thất vọng. Điều đó buộc chúng tôi phải rất rõ ràng về những thông tin chi tiết nào quan trọng với ai, trong bối cảnh nào và “hành động tốt” trông như thế nào.

Do đó, khi AI tác nhân đến, chúng tôi không bắt đầu từ đầu. Chúng tôi đã có các hệ thống thời gian thực tạo ra thông tin chi tiết có thể hành động được gắn với các nhân vật và quy trình làm việc cụ thể. Câu hỏi thiết kế trở thành: với một bộ công cụ khác và một ngăn xếp công nghệ khác, bạn sẽ tái thiết kế lại các quy trình làm việc đó trong một thế giới AI tác nhân, thay vì cố gắng phát minh tất cả những điều đó từ đầu?

Khi bạn kết hợp kiến thức sâu sắc về nhân vật này với AI tác nhân, bạn có thể xây dựng các quy trình làm việc động trên dữ liệu động. Các tác nhân có thể tìm ra, trong thời gian thực, những bước và những nhân vật nào cần được tham gia dựa trên những gì đang xảy ra, thay vì buộc bạn phải mã hóa cứng hàng trăm luồng cứng trong các dịch vụ vi mô. Đối với hầu hết các công ty, vấn đề khó khăn hiện tại là việc đưa ra quyết định trong thời gian thực dựa trên bối cảnh và sau đó thiết kế quy trình làm việc phù hợp xung quanh đó. Đối với chúng tôi, phần đó đã được thực hiện; chúng tôi đã làm thông tin chi tiết thời gian thực, dựa trên nhân vật, có thể hành động được trong nhiều năm. AI tác nhân chỉ là một bộ công cụ mới trên nền tảng đó.

Tầm nhìn nền tảng của bạn bao gồm khả năng tương tác của tác nhân với tác nhân (A2A) và hệ thống AI liên bang. Cách tiếp cận này thay đổi cách các công cụ doanh nghiệp hợp tác so với các tích hợp điểm truyền thống như thế nào?

Nếu bạn nhìn lại 20 năm qua, mẫu mặc định đã là “mua một số công cụ SaaS và kết nối chúng lại với nhau xung quanh một hồ dữ liệu”. Mỗi hệ thống mới có nghĩa là một tích hợp điểm khác, một đường ống dữ liệu khác và một nơi khác để hòa giải sự thật. Trong một thế giới có tác nhân, điều đó không thể mở rộng. Bạn muốn dữ liệu ở lại nơi nó thuộc về và để các tác nhân nói chuyện với nhau qua các giao diện được xác định rõ.

Đó là lý do tại sao chúng tôi nói về việc chạm vào hệ thống ở hai lớp: MCP ở lớp kiến thức và A2A ở các lớp điều phối và tin cậy. MCP là cách các tác nhân khám phá và sử dụng các công cụ và dữ liệu mà không cần một tích hợp tùy chỉnh mới mỗi lần. A2A là cách các tác nhân phối hợp công việc với nhau dưới các rào cản rõ ràng.

Một khi bạn có điều đó, hợp tác sẽ không còn giống như một đống kết nối giòn và bắt đầu giống như một mạng lưới các chuyên gia có thể động态 phối hợp xung quanh công việc thực sự. Đây là nơi tương tự như ma trận Eisenhower đến. Không mọi thứ đều có mức độ khẩn cấp và quan trọng như nhau. Một số công việc thực sự quan trọng và quan trọng, một số công việc quan trọng nhưng có thể được lên lịch, một số công việc chỉ cần được thực hiện và một số công việc chỉ là tiếng ồn. Với sự phối hợp của tác nhân với tác nhân ngồi trên lớp tin cậy và điều phối, bạn có thể đối xử với các loại đó ở quy mô: các tác nhân có thể bao vây các vấn đề quan trọng và quan trọng, hàng đợi hoặc lên lịch các vấn đề quan trọng nhưng không khẩn cấp và giữ cho công việc bận rộn thấp giá trị không lấn át mọi thứ khác.

Đó là một thế giới rất khác so với “hãy thêm một kết nối khác và hy vọng hàng đợi sẽ thoát”. Bạn đang thực sự thấy các quy trình làm việc động được điều phối cẩn thận xung quanh các sự kiện và dữ liệu động, thay vì một tập hợp các tích hợp một lần mà mọi thứ đều hét lên với cùng một mức độ ưu tiên.

Khi các tác nhân AI được phép hành động tự chủ, quản trị nhanh chóng trở thành một thách thức. Làm thế nào bạn cân bằng tốc độ, trách nhiệm và giám sát của con người khi các hệ thống AI đang thực hiện hoặc thực hiện quyết định ở quy mô?

Sai lầm tôi thấy là mọi người nghĩ họ có thể gắn AI tác nhân vào bất cứ thứ gì họ có và cố gắng “cân bằng” tốc độ, trách nhiệm và giám sát của con người sau khi thực tế. Bạn không thể. Bạn phải bắt đầu bằng cách thừa nhận rằng đây là một vấn đề ngăn xếp công nghệ dọc và bằng cách xây dựng một lớp tin cậy và một lớp điều phối một cách có chủ ý. Nếu không có hai lớp đó, nó sẽ trở thành một tình huống tự do – mọi thứ đều đến trước, mọi thứ đều hét lên với cùng một mức độ ưu tiên.

Lại một lần nữa, đó là ma trận Eisenhower: không mọi công việc đều được tạo ra như nhau. Tin cậy và điều phối là cách bạn hoạt động hóa điều đó trong một thế giới có tác nhân. Bạn không muốn mọi tác nhân đều coi mọi nhiệm vụ như một báo động; bạn muốn hệ thống biết những gì thực sự quan trọng, những gì có thể được lên lịch và những gì nên được xử lý im lặng ở hậu trường.

Và sau đó có phần “hẹp hơn mỏng”. Hầu hết các công ty lầm tưởng rằng tác động lớn hơn từ AI với việc ở lại rộng. Bạn tốt hơn nhiều khi chọn một lát dọc hẹp – một trường hợp sử dụng cụ thể, một tập hợp các quy trình làm việc – và xây dựng tin cậy và điều phối mà bạn cần ở đó đầu tiên. Trở nên mỏng hơn trong dọc, làm đúng, giữ con người trong vòng lặp ở các cạnh và sau đó mở rộng. Đó là cách bạn di chuyển nhanh, vẫn trách nhiệm và tránh tạo ra một tình huống mà bạn không thể giải quyết sau này.

Từ kinh nghiệm của bạn trong việc lãnh đạo các đội sản phẩm và kỹ thuật toàn cầu lớn, những thay đổi tổ chức hoặc văn hóa nào là cần thiết để AI trở thành một khả năng doanh nghiệp bền vững thay vì một tập hợp các thí điểm không liên kết?

Hầu hết các doanh nghiệp không có “vấn đề AI”; họ có một vấn đề về kiến thức và quy trình làm việc. Thay đổi đầu tiên là ngừng chơi với các giải pháp điểm và chuyển từ kho dữ liệu đến một kho kiến thức liên bang mà mọi người có thể nhìn thấy và hành động.只要 kiến thức sống trong các silo và AI là một lớp mỏng trên mỗi silo, bạn sẽ nhận được các thí điểm, không phải là chuyển đổi.

Từ đó, bạn phải sẵn sàng giải quyết các vấn đề khó hơn theo một thứ tự cụ thể. Bước một là tách biệt sự cường điệu khỏi thực tế và áp dụng những gì đang hoạt động, không phải những gì lớn nhất trong nguồn cấp dữ liệu của bạn. Bước hai là tái thiết kế lớp kiến thức để bạn có thể biến dữ liệu thành bối cảnh liên bang thay vì một báo cáo khác bị chôn trong một hệ thống. Bước ba là suy nghĩ lại các quy trình làm việc xung quanh kiến thức đó và một lớp tin cậy thực sự – hầu hết công việc ngày nay được tổ chức xung quanh con người, kỹ năng và silo kiến thức địa phương. Nếu bạn không thay đổi điều đó, các tác nhân sẽ chỉ là một công cụ khác quay quanh cùng một nút thắt cổ chai.

Chỉ sau đó bạn mới có được sự thay đổi văn hóa, điều thường là khó khăn nhất. Bạn cần một văn hóa nơi mọi người không chỉ lo lắng về việc mất việc, công cụ hoặc bản sắc, mà thực sự hào hứng khi làm việc với các khả năng mới. Đó là một vấn đề quản lý thay đổi, không phải là vấn đề công nghệ. Nó trông giống như lãnh đạo phân phối thực sự: những người ở điểm cuối của mũi tên hiểu các quy trình làm việc, cảm thấy an toàn khi đặt tên cho sự ma sát và hào hứng khi đưa các tác nhân vào làm việc trên nó.

Nhìn vượt ra ngoài băng thông rộng và truyền thông, bạn tin rằng những ngành nào sẽ được đặt để áp dụng AI hoạt động, được thúc đẩy bởi tác nhân, tiếp theo và những điều kiện nào làm cho họ sẵn sàng?

Tôi không thực sự nghĩ về điều này như việc chọn người chiến thắng theo nhãn ngành; tôi nghĩ về các mẫu. Gần như mọi ngành dọc đều có thách thức cơ bản相同: họ đã xây dựng các silo dữ liệu và silo chức năng thay vì một cái nhìn duy nhất trên ba chu kỳ sống – khách hàng, nhân viên và sản phẩm. Những người sẵn sàng là những người sẵn sàng nhìn thấy điều đó, thừa nhận họ không có một lớp kiến thức thực sự và sửa nó.

Từ đó, các điều kiện trông khá giống nhau bất kể bạn có ở trong lĩnh vực chăm sóc sức khỏe, tài chính, bán lẻ hay cơ sở hạ tầng quan trọng. Bạn cần các quy trình làm việc phức tạp nơi con người bị kéo giãn, các điểm ma sát thực sự bạn có thể đặt tên và đủ dữ liệu chất lượng cao để cung cấp bối cảnh cho các tác nhân. Nếu bạn có thể ánh xạ các quy trình làm việc hiện tại, xem nơi công việc chậm lại hoặc tích tụ, hiểu những trao đổi tay nào tạo ra sự chậm trễ và sau đó hỗ trợ điều đó bằng một kho kiến thức liên bang, AI tác nhân trở thành một công cụ tuyệt vời.

Trong thế giới đó, “sẵn sàng của ngành” giảm xuống thành lãnh đạo. Các nhà lãnh đạo của một công ty có sẵn sàng di chuyển vượt ra ngoài các công cụ tiếp thị và bảng điều khiển ngang mỏng và thay vào đó đầu tư vào một ngăn xếp công nghệ dọc – biến dữ liệu thành kiến thức, liên bang hóa kiến thức, đặt các khuôn khổ điều phối và tin cậy vào vị trí và có những cuộc trò chuyện trung thực về nơi có ROI thực sự? Bất kỳ công ty nào trong bất kỳ ngành nào thực hiện công việc đó đều được đặt để áp dụng AI hoạt động, được thúc đẩy bởi tác nhân; những người không làm như vậy sẽ bị kẹt trong việc thêm một công cụ khác vào một đống ồn ào đã tồn tại.

Trong năm năm tới, kiến trúc AI tốt trông như thế nào và những nguyên tắc nào mà các nhà lãnh đạo nên cam kết ngày hôm nay để tránh phải xây dựng lại hệ thống của họ sau này?

Trong năm năm tới, phần thú vị của AI sẽ không phải là các tác nhân hoặc mô hình riêng lẻ; nó sẽ là các quy trình làm việc được kích hoạt bởi tác nhân và giá trị kinh doanh mà các quy trình làm việc đó cung cấp. Các tác nhân bản thân sẽ đến và đi. Các lớp dưới chúng – dữ liệu, kiến thức, điều phối, tin cậy và hành động – sẽ tiếp tục phát triển, nhưng nhu cầu về chúng không biến mất.

Đó là lý do tại sao tôi tập trung nhiều hơn vào kiến trúc hơn là vào bất kỳ công cụ cụ thể nào. Chúng tôi đang chuyển từ kho dữ liệu đến các kho kiến thức liên bang, từ các tích hợp điểm giòn đến các ngăn xếp lớp mở. Trong thế giới đó, bạn sẽ có các tác nhân chạy trên các đám mây khác nhau, chạm vào các nguồn kiến thức khác nhau và phối hợp qua các giao diện được xác định rõ. Khi công nghệ cải thiện, bạn muốn có thể thay thế các phần tốt hơn vào các lớp đó mà không cần phải xây dựng lại mọi thứ mỗi lần.

Do đó, các nguyên tắc cho các nhà lãnh đạo rất đơn giản. Đừng xây dựng một cách độc lập. Thiết kế cho các lớp để dữ liệu, kiến thức, điều phối, tin cậy và hành động có thể phát triển độc lập. Thiết kế cho các luồng, không phải tính năng, để bạn rõ ràng về những quy trình làm việc nào quan trọng và “tốt” trông như thế nào trong các chu kỳ sống của khách hàng, nhân viên và sản phẩm. Và thiết kế cho quản trị ở cấp độ tác nhân: giả định không tin cậy theo mặc định, xác định rõ “thẻ tác nhân” và sử dụng điều phối để quyết định những gì là khẩn cấp, những gì là quan trọng và những gì chỉ cần được thực hiện. Nếu bạn làm điều đó, bạn có thể để công nghệ thay đổi – như nó luôn làm – mà không phải lo lắng liên tục về việc xây dựng lại.

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