Ryan Ries，Mission 首席 AI 与数据科学家 – 采访系列

Ryan Ries 博士 是一位著名的数据科学家，在快速发展的科技公司中拥有超过 15 年的数据和工程领导经验。Ries 博士拥有超过 20 年的 AI 经验，并且有 5 年以上的经验帮助客户建立他们的 AWS 数据基础设施和 AI 模型。在获得加州大学洛杉矶分校和加州理工学院的生物物理化学博士学位后，Ries 博士帮助开发了美国国防部和众多财富 500 强公司的尖端数据解决方案。

作为 Mission 的首席 AI 和数据科学家，Ryan 建立了一个由数据工程师、数据架构师、机器学习工程师和数据科学家组成的成功团队，利用 AWS 基础设施解决世界上一些最困难的问题。

Mission 是一家领先的托管服务和咨询提供商，诞生于云端，提供端到端的云服务、创新 AI 解决方案和软件，用于 AWS 客户。作为 AWS Premier Tier 合作伙伴，该公司帮助企业优化技术投资、增强性能和治理、规模化、保护数据和自信地拥抱创新。

您有着令人印象深刻的经历，从 DAQRI 的 AR 硬件到 Mission 的首席 AI 官。是什么个人经历或转折点最能体现您对 AI 在企业中的角色的看法？

早期的 AI 开发受到计算能力和基础设施挑战的严重限制。我们经常需要手动编写模型，从研究论文中，这是一个耗时且复杂的过程。一个重大转变发生在 Python 和开源 AI 库的兴起，使得实验和模型构建变得更快。然而，最大的转折点出现在像 AWS 这样的超大规模计算提供商使得可扩展的计算和存储变得广泛可用时。

这种演变反映了 AI 历史上的一项持续挑战，即计算能力和存储容量不足。这些限制导致了以前的 AI 冬天，而克服这些限制对于今天的“AI 复兴”至关重要。

Mission 的端到端云服务模型如何帮助公司更高效、更安全地在 AWS 上扩展其 AI 工作负载？

在 Mission，我们将安全性融入到我们做的一切事情中。我们已经连续两年成为 AWS 的安全合作伙伴，但有趣的是，我们没有专门的安全团队。那是因为 Mission 的每个人都以安全为出发点，在每个开发阶段都考虑安全性。使用 AWS 生成 AI，客户可以使用 AWS Bedrock 层，该层在 AWS 生态系统中保持数据的安全性，包括敏感信息，如个人身份信息。这种集成方法确保安全性是基础性的，而不是事后的补充。

可扩展性也是 Mission 的核心关注点。我们有丰富的经验，建立 MLOps 流水线来管理 AI 基础设施的训练和推理。虽然许多人将生成 AI 与大规模公共系统（如 ChatGPT）联系在一起，但大多数企业使用场景是内部的，需要更易于管理的扩展。Bedrock 的 API 层有助于为实际工作负载提供可扩展和安全的性能。

您能否带我们了解一个典型的企业合作，从云迁移到部署生成 AI 解决方案，使用 Mission 的服务？

在 Mission，我们首先了解企业的业务需求和使用场景。云迁移从评估当前的本地环境和设计可扩展的云架构开始。与本地设置不同，本地设置需要为峰值容量进行配置，云计算允许您根据平均工作负载扩展资源，从而降低成本。并非所有工作负载都需要迁移——有些可以被退役、重构或重建以提高效率。在清点和规划后，我们执行分阶段迁移。

对于生成 AI，我们已经超越了概念验证阶段。我们帮助企业设计架构，运行试点以完善提示和解决边缘情况，然后转入生产。对于数据驱动的 AI，我们帮助企业将本地数据迁移到云端，解锁更大的价值。这种端到端方法确保生成 AI 解决方案从第一天起就强大、可扩展和商业就绪。

Mission 强调“自信地创新”。这对采用 AI 的企业来说意味着什么？

这意味着拥有真正的 AI 专家团队——不仅仅是参加过培训班的人，而是真正精通 AI 并且仍然对推动 AI 边界充满好奇的人。客户可以相信，我们不会在他们身上进行实验。我们的团队了解模型的工作原理以及如何安全地、可扩展地实施。这就是我们帮助企业创新而不冒不必要风险的方式。

您曾在预测分析、NLP 和计算机视觉领域工作过。您认为生成 AI 在哪些领域为企业带来了最大的价值——以及哪些领域的炒作超过了现实？

生成 AI 为企业提供了显著的价值，主要体现在智能文档处理（IDP）和聊天机器人方面。许多企业难以通过招聘更多人员来扩大运营规模，因此生成 AI 有助于自动化重复性任务和加快工作流程。例如，IDP 已将保险申请审查时间缩短了 50%，并改善了医疗保健中的患者护理协调。聊天机器人通常作为其他 AI 工具或系统的接口，允许企业高效地自动化常规交互和任务。

然而，生成图像和视频的炒作往往超过了实际的商业应用。虽然这些技术在视觉上令人印象深刻，但它们的实际应用主要局限于营销和创意项目。大多数企业发现将生成媒体解决方案扩展到核心运营中具有挑战性，使其成为新颖事物而不是基本的商业工具。

“氛围编码”是一个新兴的术语——您能在您的世界中解释一下它的含义，以及它如何反映 AI 开发中的更广泛的文化转变吗？

氛围编码是指开发人员使用大型语言模型根据直觉或自然语言提示生成代码，而不是结构化规划或设计。这对于加快迭代和原型开发非常有用——开发人员可以快速测试想法、生成样板代码或卸载重复性任务。但是，它也经常导致缺乏结构、难以维护且可能不安全或效率低下的代码。

我们看到一种向代理环境的转变，即大型语言模型像初级开发人员一样发挥作用，而人类则承担更像架构师或 QA 工程师的角色——审查、完善和将 AI 生成的组件集成到更大的系统中。这种协作模型可能很强大，但只有在有护栏的情况下才会如此。没有适当的监督，氛围编码可能会引入技术债务、漏洞或性能问题——尤其是在没有经过彻底测试的情况下匆忙投入生产时。

您如何看待 AI 官员的演变角色？组织应该如何重新思考领导结构，因为 AI 正成为业务战略的基础？

AI 官员绝对可以增加价值——但前提是该角色被设置为成功。太多公司创建新的 C 级职位而不与现有的领导结构或赋予他们真正的权威相对应。如果 AI 官员没有与 CTO、CDO 或其他高管共享目标，您就冒着孤立决策、相互冲突的优先级和停滞不前的执行风险。

组织应该仔细考虑 AI 官员是否取代或增强了现有的角色，如首席数据官或 CTO。职称不如使命更重要。关键是授权某人在整个组织中制定 AI 战略——数据、基础设施、安全性和业务使用案例——并赋予他们推动有意义的变化的能力。否则，该角色变得更具象征意义而不是影响力。

您曾领导过屡获殊荣的 AI 和数据团队。招聘高风险 AI 角色时，您会寻找什么样的素质？

最重要的素质是找到真正了解 AI 的人——不仅仅是参加过课程的人，而是真正精通 AI 并且仍然对推动 AI 边界充满好奇的人。

我寻找那些总是尝试找到新方法和挑战可以和不能做的事情的人。这种对 AI 的深刻理解和持续探索的结合对于高风险的 AI 角色至关重要，在这些角色中，创新和可靠的实施同样重要。

许多企业难以将其机器学习模型投入生产。您认为是什么因素区分了成功的团队和那些停滞不前的团队？

最大的问题是跨团队的协调。机器学习团队建立了有前途的模型，但其他部门由于优先级不一致而没有采用它们。从概念验证到生产的转变还需要 MLOps 基础设施：版本控制、重新训练和监控。对于 GenAI，差距更大。生产化聊天机器人意味着提示调优、管道管理和合规性——不仅仅是将提示放入 ChatGPT。

您会给今天正在构建以 AI 为首要的产品的初创企业创始人什么建议，这些产品可能会从 Mission 的基础设施和 AI 战略经验中受益？

当您是一家初创企业时，很难吸引顶级 AI 人才，尤其是在没有成熟品牌的情况下。即使拥有强大的创始团队，也很难招聘具有构建和扩展 AI 系统所需深度经验的人才。这就是与 Mission 这样的公司合作可以带来真正的差异的地方。我们可以通过提供基础设施、战略和实践经验来帮助您更快地推进，从而更有信心地验证您的产品。

另一个关键方面是专注。我们看到很多创始人试图将基本界面包装在 ChatGPT 周围并称之为产品，但用户变得越来越聪明，期望更多。如果您没有解决真正的问题或提供真正的差异化功能，很容易在噪音中迷失。Mission 帮助初创企业从战略上思考 AI 在哪里创造真正的价值以及如何从第一天开始构建可扩展、安全、生产就绪的东西。因此，您不仅仅是在实验，您正在为增长而建设。

感谢您接受这次精彩的采访，希望了解更多的读者可以访问 Mission。