Shanea Leven, Người sáng lập và Giám đốc điều hành tại Empromptu AI – Loạt phỏng vấn

Shanea Leven, Người sáng lập và Giám đốc điều hành tại Empromptu AI, là một nhà lãnh đạo sản phẩm kỳ cựu với kinh nghiệm sâu rộng trong việc xây dựng các nền tảng dành cho nhà phát triển và sản phẩm được thúc đẩy bởi trí tuệ nhân tạo tại các công ty công nghệ hàng đầu. Trước khi ra mắt Empromptu vào năm 2025, cô đã thành lập CodeSee, một nền tảng dành cho nhà phát triển trí tuệ nhân tạo giúp các đội hình dung và hiểu rõ các cơ sở mã phức tạp, được GitKraken mua lại vào năm 2024. Trước đó trong sự nghiệp của mình, cô đã giữ các vị trí lãnh đạo sản phẩm cấp cao tại các công ty như Docker, Cloudflare, eBay và Google (GOOGL ), nơi cô đã làm việc trên các sáng kiến từ các API thanh toán của Trợ lý Google đến các chương trình giáo dục dành cho nhà phát triển được sử dụng bởi hàng trăm nghìn người học.

Empromptu AI là một nền tảng doanh nghiệp được thiết kế để giúp các tổ chức xây dựng và triển khai các ứng dụng tích hợp trí tuệ nhân tạo một cách dễ dàng hơn. Nền tảng này kết hợp phát triển ứng dụng, tích hợp dữ liệu, quản trị, đánh giá, bộ nhớ và điều phối mô hình vào một môi trường duy nhất, cho phép các công ty chuyển từ thí nghiệm trí tuệ nhân tạo nhanh chóng sang các hệ thống cấp sản xuất với các kiểm soát và độ tin cậy cần thiết cho sử dụng doanh nghiệp.

Bạn đã dành hơn 15 năm xây dựng các nền tảng dành cho nhà phát triển tại các công ty như Google, eBay, Cloudflare và Docker trước khi thành lập CodeSee, sau đó được GitKraken mua lại, và hiện đang lãnh đạo Empromptu AI. Những kinh nghiệm đó đã định hình quan điểm của bạn về lý do tại sao nhiều công cụ trí tuệ nhân tạo thất bại khi rời khỏi giai đoạn trình diễn, và vấn đề cụ thể nào bạn quyết tâm giải quyết khi thành lập Empromptu?

Một trong những điều bạn học được khi xây dựng các nền tảng dành cho nhà phát triển là những vấn đề khó khăn nhất không bao giờ là những vấn đề trong giai đoạn trình diễn. Giai đoạn trình diễn luôn hoạt động. Thử thách thực sự là những gì xảy ra khi hàng nghìn nhà phát triển sử dụng hệ thống, khi dữ liệu bị混 hợp, khi các tích hợp bị hỏng, và khi các doanh nghiệp thực sự phụ thuộc vào nó.

Tại Google, Cloudflare, Docker và eBay, tôi đã dành nhiều năm làm việc trên các nền tảng phải hoạt động ở quy mô toàn cầu. Những môi trường đó dạy cho bạn một điều nhanh chóng: độ tin cậy, quản trị và khả năng quan sát không phải là các tính năng bạn thêm vào sau. Đó là kiến trúc.

Khi tôi bắt đầu xây dựng các ứng dụng trí tuệ nhân tạo, các mô hình rất kém và khi chúng bắt đầu cải thiện, tôi nhận thấy rằng ngành công nghiệp đang lặp lại cùng một sai lầm mà chúng ta đã thấy trong các làn sóng phần mềm trước đó. Trong các công cụ dành cho nhà phát triển, có một khái niệm dường như đã bị lãng quên. Làm thế nào nhanh chóng bạn có thể đạt được “Xin chào, thế giới”? Ngày nay, phiên bản tạo ra của “Xin chào, thế giới” là một nguyên mẫu SaaS hoạt động đầy đủ. Nhưng chúng ta không chỉ mã hóa các ứng dụng SaaS; chúng ta mã hóa toàn bộ các ứng dụng trí tuệ nhân tạo. Một trí tuệ nhân tạo xây dựng trí tuệ nhân tạo đòi hỏi các hệ thống khác để đưa trí tuệ nhân tạo đó vào sản xuất.

Bạn có thể tạo ra một ứng dụng trí tuệ nhân tạo hoạt động hoặc một tính năng nhanh chóng, điều này thú vị và hữu ích thực sự. Nhưng các hệ thống thống trị vẫn thiếu cơ sở hạ tầng cần thiết cho các môi trường sản xuất. Những thứ như các đường ống dữ liệu có cấu trúc, các khung đánh giá, các kiểm soát quản trị, giám sát và quản lý ngữ cảnh dài hạn đã bị bỏ lỡ nhưng chúng tôi đã thêm chúng vào trong khi giữ tất cả các phần tuyệt vời của việc mã hóa.

Khi đồng sáng lập và tôi thành lập Empromptu, vấn đề chúng tôi muốn giải quyết rất đơn giản: làm thế nào để làm cho các ứng dụng trí tuệ nhân tạo sẵn sàng cho sản xuất ngay từ đầu?

Thay vì coi quản trị, sẵn sàng dữ liệu, đánh giá và tối ưu hóa như các công cụ riêng biệt hoặc các quy trình sau khi thực hiện, chúng tôi đã xây dựng chúng trực tiếp vào nền tảng. Ý tưởng là các đội nên có thể xây dựng các ứng dụng trí tuệ nhân tạo nhanh chóng, nhưng với cùng độ tin cậy, chất lượng và kiểm soát mà họ mong đợi từ các hệ thống phần mềm doanh nghiệp.

Bạn đã từng phát biểu về khoảng cách giữa các bản demo trí tuệ nhân tạo ấn tượng và các hệ thống sẵn sàng sản xuất. Từ quan điểm của bạn, những sai lầm kiến trúc nào phổ biến nhất mà các đội mắc phải khi cố gắng biến một nguyên mẫu trí tuệ nhân tạo thành một sản phẩm đáng tin cậy được sử dụng bởi khách hàng thực?

Sai lầm phổ biến nhất mà các đội mắc phải là giả định rằng mô hình là sản phẩm.

Trong các bản demo sớm, mô hình thực hiện hầu hết công việc có thể nhìn thấy. Bạn nhắc nó, nó tạo ra một câu trả lời, và nếu câu trả lời trông tốt, hệ thống dường như hoạt động. Điều đó tạo ra ảo tưởng rằng việc cải thiện mô hình là thách thức chính.

Tuy nhiên, trong các hệ thống sản xuất, mô hình chỉ là một thành phần trong một kiến trúc lớn hơn nhiều.

Sai lầm đầu tiên là coi dữ liệu như một ý tưởng sau. Trong các bản demo, các đội thường kiểm tra với các tập dữ liệu nhỏ, sạch. Một khi hệ thống kết nối với dữ liệu hoạt động thực sự, mọi thứ thay đổi nhanh chóng. Dữ liệu đến không đầy đủ, không nhất quán, bị lặp lại hoặc ở các định dạng không mong muốn. Không có một đường ống dữ liệu có cấu trúc để chuẩn hóa và xác thực các đầu vào, hệ thống trở nên không đáng tin cậy bất kể mô hình tốt như thế nào.

Sai lầm thứ hai là sự thiếu các khung đánh giá. Nhiều đội ra mắt các tính năng trí tuệ nhân tạo mà không định nghĩa rõ “tốt” thực sự có nghĩa là gì. Họ có thể kiểm tra thủ công các đầu ra trong quá trình phát triển, nhưng họ không xây dựng các đường ống đánh giá tự động liên tục đo lường độ chính xác, độ trôi và các trường hợp biên một khi hệ thống đang hoạt động. Không có những rào cản đó, các thất bại thường được khách hàng phát hiện thay vì các kỹ sư.

Vấn đề thứ ba là sự thiếu các cơ chế quản trị và kiểm soát. Các hệ thống trí tuệ nhân tạo là xác suất, điều đó có nghĩa là chúng có thể hành xử khác nhau trong các điều kiện hơi khác nhau. Trong các môi trường được quản lý hoặc có rủi ro cao, sự không thể đoán trước đó phải được hạn chế bằng các chính sách quyết định, các quy trình phê duyệt và các nhật ký kiểm toán ghi lại cách các quyết định được đưa ra.

Điều này thực sự liên quan đến việc các hệ thống sản xuất trí tuệ nhân tạo không chỉ là các mô hình. Chúng là các hệ thống hoạt động.

Các công ty thành công với trí tuệ nhân tạo ngày nay là những công ty coi các đường ống dữ liệu, đánh giá, quản trị và giám sát như cơ sở hạ tầng cốt lõi, không phải là các tiện ích bổ sung.

Nhiều nền tảng mã hóa trí tuệ nhân tạo hứa hẹn rằng bất kỳ ai cũng có thể xây dựng một ứng dụng bằng cách sử dụng các lệnh đơn giản. Tại sao các công cụ này thường hoạt động tốt cho các bản demo nhưng gặp khó khăn khi các công ty cố gắng triển khai chúng trong các môi trường sản xuất thực?

Nhiều nền tảng này hoạt động tốt cho các bản demo vì chúng được tối ưu hóa cho khoảnh khắc tạo ra, không phải cho chu kỳ sống của một hệ thống thực.

Nhưng có một sự khác biệt cơ bản giữa việc sử dụng trí tuệ nhân tạo để tạo ra một trang đích và sử dụng trí tuệ nhân tạo để xây dựng một ứng dụng trí tuệ nhân tạo.

Một trang đích chủ yếu là phần mềm tĩnh. Một khi nó hiển thị chính xác, công việc hầu như đã được thực hiện. Hệ thống không cần phải đưa ra các quyết định xác suất, tiêu thụ dữ liệu thay đổi liên tục hoặc thích nghi với hành vi người dùng không thể đoán trước.

Các ứng dụng trí tuệ nhân tạo hoàn toàn khác. Chúng là các hệ thống động phụ thuộc vào các đường ống dữ liệu, hành vi mô hình, các khung đánh giá và giám sát liên tục. Ứng dụng phải quản lý ngữ cảnh, phát hiện khi đầu ra trôi, xử lý các trường hợp biên và hoạt động an toàn khi mô hình gặp phải các tình huống nó chưa từng thấy trước đó.

Hầu hết các công cụ mã hóa dựa trên lệnh không giải quyết các lớp đó vì chúng được thiết kế để có được một cái gì đó hoạt động nhanh chóng. Chúng tạo ra mã tạo ra một kết quả có thể nhìn thấy, điều đó hoàn hảo cho một môi trường demo. Nhưng các hệ thống sản xuất đòi hỏi một tập hợp khả năng lớn hơn nhiều: xử lý dữ liệu có cấu trúc, kiểm soát quản trị, đường ống đánh giá, khả năng quan sát và các cơ chế để cập nhật hành vi an toàn theo thời gian.

Vì vậy, khi các công ty cố gắng triển khai những hệ thống này trong các môi trường thực, khoảng cách trở nên rõ ràng. Nguyên mẫu hoạt động vì môi trường được kiểm soát. Sản xuất là hỗn hợp.

Empromptu tập trung vào việc chuyển đổi phần mềm hiện có thành các hệ thống bản địa trí tuệ nhân tạo thay vì buộc các công ty phải xây dựng lại mọi thứ từ đầu. Việc chuyển đổi đó thực sự涉及 gì ở cấp độ cơ sở hạ tầng và sản phẩm?

Ở cấp độ sản phẩm, mỗi ứng dụng đều tự chứa và được container hóa. Chúng tôi tạo mọi thứ bạn cần, từ giao diện người dùng, máy chủ, cơ sở dữ liệu, mô hình, đánh giá, llms opps quy tắc và mọi thứ đều rất linh hoạt tùy thuộc vào nhu cầu của doanh nghiệp.

Chúng tôi có một số tùy chọn khác nhau cho các ứng dụng trí tuệ nhân tạo:

“Headless” để nếu khách hàng đã có giao diện người dùng, chúng tôi có thể kết nối nó với hệ thống của chúng tôi và gửi dữ liệu trở lại

Hoàn toàn được container hóa để chúng có thể được triển khai trên cơ sở hạ tầng của chúng tôi hoặc trong cơ sở hạ tầng của khách hàng, vì vậy chúng được triển khai tại chỗ theo mặc định.

Hoặc chúng tôi có thể chỉ tạo và triển khai chúng trực tiếp lên đám mây cho tùy chọn tiện lợi nhất.

Bất kỳ mã nào mà họ có, chúng tôi có thể nhập trực tiếp vào hệ thống của chúng tôi và đại lý hóa nó nếu nó chưa được đại lý hóa. Ví dụ, chúng tôi thấy điều này với một số khách hàng đã cố gắng xây dựng ứng dụng của họ trên các nền tảng phổ biến như Lovable, Replit, Bolt hoặc Base44. Thường thì chúng không hoạt động. Nhưng khách hàng đã đầu tư rất nhiều thời gian và năng lượng và tín dụng vào ứng dụng này, vì vậy chúng tôi tiêu thụ nó, viết lại nó, làm cho tất cả các công việc trí tuệ nhân tạo.

Và chúng tôi có thể làm điều này vì chúng tôi có một số công nghệ tùy chỉnh, độc quyền, chẳng hạn như:

• Động cơ ngữ cảnh thích ứng để quản lý ngữ cảnh
• Bộ nhớ vô tận để tiêu thụ các ứng dụng mã chạy dài
• Các mô hình dữ liệu tùy chỉnh và các đường ống dữ liệu vàng để đảm bảo chúng tôi có thể xử lý bất kỳ việc làm sạch dữ liệu và ghi nhãn tổng hợp nào được yêu cầu

Nền tảng của bạn nhấn mạnh ngữ cảnh, đánh giá, quản trị và dữ liệu có cấu trúc như các thành phần cốt lõi của các hệ thống trí tuệ nhân tạo. Tại sao những yếu tố này thường bị bỏ qua khi các đội vội vàng thêm các tính năng trí tuệ nhân tạo vào sản phẩm của họ?

Bởi vì chúng khó làm! Đồng sáng lập của tôi, Tiến sĩ Sean Robinson, lãnh đạo phòng thí nghiệm nghiên cứu của chúng tôi, là một nhà vật lý học thiên thể tính toán đã phát minh ra một số công nghệ được truyền cảm hứng từ những ý tưởng điên rồ của tôi, nhưng cũng từ nhu cầu của khách hàng và nơi thị trường đang đi. Kinh nghiệm kết hợp của chúng tôi trong việc xây dựng nhiều ứng dụng đại lý, đưa vệ tinh vào không gian và xây dựng tại các công ty công nghệ lớn nhất thế giới mang lại cho chúng tôi những hiểu biết giúp chúng tôi giải quyết các vấn đề phức tạp tốt hơn những người khác có thể.

Bạn làm việc với nhiều người sáng lập chưa từng viết mã trước đây. Những quan niệm sai lầm lớn nhất mà các người sáng lập không kỹ thuật có khi họ lần đầu tiên cố gắng xây dựng các ứng dụng trí tuệ nhân tạo là gì?

Tôi nghĩ có hai quan niệm sai lầm lớn:

Quan niệm sai lầm đầu tiên là trí tuệ nhân tạo là ma thuật. Trí tuệ nhân tạo không phải là ma thuật. Đó chỉ là kỹ thuật tốt. Và cuối cùng, bạn sẽ đạt đến giới hạn những gì bạn có thể làm trên các nền tảng này mà không có một kỹ sư thực sự.

Quan niệm sai lầm thứ hai là họ có kỹ năng quản lý sản phẩm kỹ thuật tuyệt vời. Tôi có nền tảng về quản lý sản phẩm kỹ thuật và kỹ năng dịch một tầm nhìn, đôi khi là một tầm nhìn rất lớn, xuống các mảnh có thể vận chuyển với thông số kỹ thuật đúng để nêu rõ chính xác những gì bạn muốn. Đó thực sự là một kỹ năng khó mà đòi hỏi thời gian.

Ví dụ, hãy nói bạn đang xây dựng một ứng dụng tải lên một tệp PDF và lưu tệp PDF đó để bạn có thể quay lại xem nó sau. Đó là một khái niệm gọi là độ bền. Tệp PDF đó được mã hóa thành mã và được lưu vào cơ sở dữ liệu.

Nhưng nếu bạn không biết rằng đó được gọi là độ bền, làm thế nào bạn có thể nhập? Hãy đảm bảo rằng dữ liệu này tồn tại. Lựa chọn từ kỹ thuật giống như nói một ngôn ngữ khác. Có sự khác biệt giữa viết bằng ngôn ngữ tự nhiên và viết bằng ngôn ngữ kỹ thuật.

Nhiều công ty khởi nghiệp cho rằng giải pháp để xây dựng các sản phẩm trí tuệ nhân tạo là chỉ việc thuê thêm kỹ sư. Tại sao bạn tin rằng cách tiếp cận này thường thất bại, và những gì người sáng lập nên suy nghĩ thay vào đó khi xây dựng các sản phẩm được hỗ trợ bởi trí tuệ nhân tạo?

Thuê thêm kỹ sư đôi khi là câu trả lời đúng. Nếu bạn đang xây dựng một sản phẩm kỹ thuật sâu hoặc làm việc ở tiền phong của nghiên cứu mô hình, bạn tuyệt đối cần các đội kỹ sư mạnh. Không có sự thay thế cho các kỹ sư tốt khi nói đến việc giải quyết các vấn đề khó khăn.

Tuy nhiên, sai lầm mà nhiều công ty khởi nghiệp mắc phải là giả định rằng thêm nhiều kỹ sư tự động giải quyết thách thức của việc xây dựng một sản phẩm trí tuệ nhân tạo.

Trên thực tế, những vấn đề khó khăn nhất trong các sản phẩm trí tuệ nhân tạo thường không phải là các vấn đề kỹ thuật thuần túy. Chúng là các vấn đề hệ thống giống như mọi vấn đề kỹ thuật khác. Các kỹ sư được đào tạo cụ thể để suy nghĩ theo hệ thống. Nhưng phát triển tạo ra khác với phát triển quyết định.

Nhiều chúng ta đã thực hiện sự thay đổi này khi chúng ta chuyển từ lập trình hướng đối tượng sang lập trình chức năng. Cả hai đều là lập trình? Vâng, tuyệt đối, nhưng chúng có khác nhau không? Chúng có phải là một cách suy nghĩ khác không? Vâng, chắc chắn.

Các ứng dụng trí tuệ nhân tạo nằm ở giao điểm của dữ liệu, thiết kế sản phẩm, các quy trình hoạt động và hành vi mô hình. Bạn có thể thuê một đội kỹ sư tuyệt vời, nhưng nếu các đường ống dữ liệu không đáng tin cậy, các tiêu chí đánh giá không rõ ràng hoặc hệ thống thiếu quản trị và giám sát, sản phẩm vẫn sẽ gặp khó khăn một khi nó đạt đến người dùng thực.

Vấn đề khác là nhiều đội nhảy thẳng vào xây dựng trước khi họ đã định nghĩa cách hệ thống trí tuệ nhân tạo sẽ hành xử trong sản xuất. Các câu hỏi như hệ thống sẽ được đánh giá như thế nào, các trường hợp biên sẽ được xử lý như thế nào, các quyết định sẽ được ghi nhật ký như thế nào và các mô hình sẽ được cập nhật theo thời gian thường đến muộn. Khi kiến trúc đã khó thay đổi.

Điều mà các người sáng lập thực sự nên suy nghĩ là mô hình hoạt động của hệ thống trí tuệ nhân tạo của họ.

Ai sở hữu đường ống dữ liệu?

Làm thế nào hiệu suất mô hình được đo lường liên tục, không chỉ trong quá trình phát triển?

Điều gì xảy ra khi hệ thống gặp phải một tình huống nó chưa từng thấy trước đó?

Làm thế nào bạn cập nhật hành vi an toàn mà không phá vỡ các quy trình công việc hạ游?

Đôi khi giải quyết những vấn đề đó có nghĩa là thuê thêm kỹ sư. Nhưng nó cũng có thể có nghĩa là chọn cơ sở hạ tầng đúng, định nghĩa các ràng buộc sản phẩm mạnh và xây dựng các hệ thống cho phép các đội nhỏ hoạt động đáng tin cậy ở quy mô lớn.

Các công ty thành công với trí tuệ nhân tạo ngày nay không nhất thiết là những công ty có các đội kỹ sư lớn nhất. Họ là những công ty coi trí tuệ nhân tạo như một hệ thống chạy dài cần kỷ luật dữ liệu, đánh giá, quản trị và cải tiến liên tục được xây dựng từ đầu.

Bạn đã lập luận rằng một số mô hình kinh doanh hiện tại trong các công cụ dành cho nhà phát triển trí tuệ nhân tạo không phù hợp với việc xây dựng các sản phẩm bền vững. Những động lực nào trong hệ sinh thái công cụ trí tuệ nhân tạo hiện tại bạn nghĩ đang dẫn các công ty theo hướng sai lầm?

Một trong những sự không phù hợp động lực lớn nhất hiện nay là nhiều công cụ dành cho nhà phát triển trí tuệ nhân tạo được tối ưu hóa cho các chỉ số tăng trưởng chứ không phải chất lượng sản phẩm.

Nhiều công ty trong không gian này được thưởng cho tốc độ mà người dùng có thể tạo ra một thứ gì đó ấn tượng. Nếu một công cụ có thể tạo ra một ứng dụng hoạt động, một tính năng hoặc một bản demo trong vài phút, điều đó thúc đẩy việc đăng ký, chia sẻ trên mạng xã hội và sự phấn khích của nhà đầu tư. Từ quan điểm áp dụng sản phẩm, điều đó có ý nghĩa.

Tuy nhiên, những động lực đó thường dừng lại ở khoảnh khắc tạo ra.

Công việc khó khăn hơn trong phần mềm trí tuệ nhân tạo xảy ra sau điểm đó. Đó là khi niềm tin được xây dựng. Khi bạn có thể dựa vào chất lượng. Khi người dùng muốn quay lại lại và lại mà không có sự thất vọng của trí tuệ nhân tạo về đầu ra kém.

Vấn đề khác là nhiều công cụ được tối ưu hóa cho việc tạo mã chứ không phải thiết kế hệ thống. Tạo mã nhanh là hữu ích, nhưng xây dựng một sản phẩm trí tuệ nhân tạo liên quan đến nhiều hơn việc tạo ra mã. Nó đòi hỏi định nghĩa cách hệ thống quản lý ngữ cảnh, cách các quyết định được đánh giá, cách các thất bại được xử lý và cách hành vi tiến hóa an toàn theo thời gian.

Các công ty phù hợp với các động lực của họ xung quanh việc giúp khách hàng chạy các hệ thống trí tuệ nhân tạo đáng tin cậy, không chỉ xây dựng chúng nhanh chóng, là những công ty sẽ tạo ra giá trị lâu dài trong hệ sinh thái này.

Một số khách hàng của bạn bao gồm các doanh nhân xây dựng các sản phẩm rất cụ thể, chẳng hạn như các công cụ sức khỏe chuyên dụng hoặc các doanh nghiệp tập trung vào tính bền vững, thường không có các đội kỹ thuật truyền thống. Những mẫu nào bạn đã thấy trong số các người sáng lập đã thành công trong việc biến những ý tưởng đó thành các sản phẩm trí tuệ nhân tạo hoạt động?

Một trong những mẫu thú vị nhất chúng tôi thấy là những người sáng lập thành công không nhất thiết là những người kỹ thuật nhất. Họ là những người hiểu vấn đề họ đang giải quyết cực kỳ tốt.

Nhiều doanh nhân sử dụng Empromptu là các chuyên gia trong lĩnh vực của họ. Họ có thể đến từ chăm sóc sức khỏe, tài chính, tính bền vững hoặc một ngành chuyên biệt khác. Những gì họ mang lại là kiến thức sâu sắc về các quy trình làm việc, quy định và quyết định tồn tại trong môi trường đó. Ngữ cảnh đó vô cùng quý giá khi thiết kế một sản phẩm trí tuệ nhân tạo vì nó định nghĩa những gì hệ thống thực sự cần phải làm.

Các người sáng lập thành công có xu hướng tiếp cận trí tuệ nhân tạo ít như một thí nghiệm công nghệ và nhiều hơn như một hệ thống sản phẩm. Họ bắt đầu bằng cách đặt các câu hỏi rất cụ thể. Những quyết định nào trí tuệ nhân tạo nên giúp người dùng đưa ra? Những nguồn dữ liệu nào nó cần truy cập? Một câu trả lời chính xác trông như thế nào trong lĩnh vực này? Những rào cản nào cần tồn tại để hệ thống hành xử có trách nhiệm?

Một mẫu khác là họ suy nghĩ cẩn thận về cấu trúc. Các đội thành công nhanh chóng nhận ra rằng đầu ra trí tuệ nhân tạo chỉ tốt như ngữ cảnh và dữ liệu cho ăn chúng. Họ đầu tư thời gian lên phía trước để định nghĩa các đường ống dữ liệu, tổ chức các nguồn kiến thức và tạo ra các tiêu chí đánh giá rõ ràng về những gì “tốt” trông như thế nào.

Chúng tôi cũng thấy các người sáng lập thành công chấp nhận sự hợp tác giữa con người và trí tuệ nhân tạo thay vì cố gắng tự động hóa mọi thứ ngay lập tức. Họ thiết kế các quy trình công việc trong đó trí tuệ nhân tạo xử lý phân tích lặp đi lặp lại hoặc tổng hợp dữ liệu, trong khi con người vẫn chịu trách nhiệm về phán quyết và quyết định cuối cùng. Sự cân bằng đó làm cho các hệ thống đáng tin cậy hơn, đặc biệt là trong các lĩnh vực như chăm sóc sức khỏe hoặc tài chính.

Theo nhiều cách, sự thay đổi lớn nhất là tâm trạng. Các người sáng lập thành công không nghĩ về trí tuệ nhân tạo như một tính năng họ đang thêm. Họ nghĩ về nó như một lớp hoạt động mới về cách sản phẩm của họ hoạt động.

Khi các hệ thống trí tuệ nhân tạo trở nên tích hợp hơn vào các hoạt động kinh doanh cốt lõi, những khả năng nào sẽ định nghĩa thế hệ tiếp theo của các nền tảng ứng dụng trí tuệ nhân tạo?

Tôi biết điều này là điên rồ và tôi có thể đang nói một điều gì đó phạm thánh, nhưng mọi người sẽ có thể mã hóa các mô hình tùy chỉnh của riêng họ. Một thứ mà phòng thí nghiệm nghiên cứu của chúng tôi gọi là mô hình nano chuyên gia sẽ giúp kiểm soát chi phí.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập Empromptu AI.