متیو فیتزپاتریک یک متخصص فصلی و متخصص رشد با تخصص عمیق در مقیاس کاری و تیم های پیچیده است. وی با پیشینه ای که شامل مشاوره ، استراتژی و رهبری عملیاتی است ، در حال حاضر به عنوان مدیرعامل در فناوری های نامرئی فعالیت می کند ، جایی که وی بر طراحی و بهینه سازی راه حل های تجاری پایان به پایان تمرکز دارد. متیو علاقه مند به ترکیب استعداد انسان با اتوماسیون برای هدایت کارآیی در مقیاس است و به شرکت ها کمک می کند تا رشد تحول را از طریق نوآوری فرآیند باز کنند.
فن آوری های نامرئی یک شرکت اتوماسیون فرآیند تجاری است که فناوری پیشرفته را با تخصص انسانی ترکیب می کند تا به سازمانها کمک کند تا بتوانند به طور کارآمد مقیاس کنند. نامرئی به جای جایگزین کردن انسان با اتوماسیون ، گردش کار سفارشی را ایجاد می کند که کارگران دیجیتال (نرم افزار) و اپراتورهای انسانی یکپارچه با هم همکاری می کنند. این شرکت خدمات را در مناطقی مانند غنی سازی داده ها ، تولید سرب ، پشتیبانی مشتری و عملیات پشتی ارائه می دهد-باعث می شود مشتری ها برای واگذاری وظایف پیچیده ، تکراری و تمرکز بر اهداف استراتژیک اصلی. مدل منحصر به فرد “کار به عنوان یک سرویس” نامرئی ، پشتیبانی عملیاتی مقیاس پذیر ، شفاف و مقرون به صرفه را در اختیار شرکت ها قرار می دهد.
شما به تازگی از آزمایشگاه های پیشرو QuantumBlack در مک کینزی به مدیرعامل فناوری های نامرئی تبدیل شده اید. چه چیزی شما را به این نقش سوق داده است ، و چه چیزی شما را در مورد مأموریت نامرئی هیجان زده می کند؟
در مک کینزی ، من این امتیاز را داشتم که در خط مقدم نوآوری AI کار کنم – ساخت محصولات نرم افزاری هوش مصنوعی ، تلاش های تحقیق و توسعه و کمک به شرکت ها ، قدرت داده ها را به دست می آورند. آنچه مرا به خود جلب کرد فن آوری های نامرئی فرصتی بود که بتواند آن را در مقیاس با ترکیبی از یک بستر نرم افزاری منحصر به فرد انعطاف پذیر هوش مصنوعی و یک بازار متخصص برای بازخورد انسان در حلقه عملیاتی کند-من معتقدم که یادگیری تقویت از بازخورد انسانی (RLHF) کلید اصلی اجرای دقیق و قابل اعتماد Genai است. نامرئی از هوش مصنوعی در کل زنجیره ارزش پشتیبانی می کند ، از تمیز کردن داده ها و اتوماسیون ورود داده ها گرفته تا استدلال زنجیره ای از فکر و ارزیابی های سفارشی. مأموریت ما ساده است: هوش انسانی و هوش مصنوعی را برای کمک به مشاغل ارائه شده از پتانسیل هوش مصنوعی ، که در این شرکت بسیار سخت تر از آنچه انتظار می رفت بسیار سخت تر بوده است ، ترکیب کنید.
شما بر 1000 مهندسین نظارت کرده اید و چندین محصول هوش مصنوعی را در صنایع مقیاس گذاری کرده اید. چه درسهایی از مک کینزی برای مرحله بعدی رشد نامرئی درخواست می کنید؟
دو درس برجسته است. اول ، پذیرش موفقیت آمیز هوش مصنوعی به همان اندازه در مورد تحول سازمانی است که در مورد فناوری است. شما به افراد مناسب و فرآیندهای موجود – در بالای مدل های عالی نیاز دارید. دوم ، شرکت هایی که در هوش مصنوعی پیروز می شوند ، کسانی هستند که به “آخرین مایل” تسلط دارند – انتقال از آزمایش به تولید. در Invisible ، ما از همان سخت گیری و ساختار استفاده می کنیم تا به مشتریان کمک کنیم تا فراتر از خلبانان حرکت کنند و به تولید خود برسند و ارزش واقعی کسب و کار را ارائه می دهند.
شما گفته اید که “سال 2024 سال آزمایش هوش مصنوعی بود و 2025 در مورد تحقق ROI است.” چه روندهای خاصی را در بین شرکتها می بینید که واقعاً به آن ROI دست می یابند؟
شرکت هایی که امسال ROI واقعی را می بینند ، سه کار را به خوبی انجام می دهند. در مرحله اول ، آنها در حال هماهنگی موارد استفاده از AI با KPI های اصلی تجارت – مانند کارآیی عملیاتی یا رضایت مشتری هستند. دوم ، آنها در حال سرمایه گذاری در داده های با کیفیت بهتر و حلقه های بازخورد انسانی برای بهبود مداوم عملکرد مدل هستند. سوم ، آنها از راه حل های عمومی به سیستم های متناسب و خاص دامنه تغییر می کنند که منعکس کننده پیچیدگی محیط های آنها است. این شرکت ها دیگر فقط AI را آزمایش نمی کنند – آنها آن را با هدف مقیاس بندی می کنند.
چگونه تقاضا برای برچسب زدن داده های خاص دامنه و سطح دکترا در ارائه دهندگان مدل پایه مانند AWS ، مایکروسافت و Cohere در حال تحول است؟
ما شاهد افزایش تقاضا برای برچسب زدن تخصصی هستیم زیرا ارائه دهندگان مدل بنیاد به عمودی های پیچیده تر فشار می آورند. در Invisible ، ما یک میزان پذیرش سالانه 1 ٪ در استخر متخصص خود داریم و 30 ٪ از مربیان ما دارای مدرک کارشناسی ارشد یا دکترا هستند. این تخصص عمیق به طور فزاینده ای ضروری است-نه فقط برای حاشیه نویسی دقیق داده ها ، بلکه ارائه بازخورد ظریف و آگاهانه برای بهبود استدلال ، دقت و تراز. هرچه مدل ها باهوش تر می شوند ، نوار آموزش آنها بیشتر می شود.
نامرئی در صدر AI عامل AI قرار دارد و بر تصمیم گیری در گردش کار در دنیای واقعی تأکید می کند. تعریف شما از عامل AI چیست ، و ما بیشترین وعده را از کجا می بینیم؟
عامل AI به سیستمهایی اشاره می کند که فقط به دستورالعمل ها پاسخ نمی دهند – آنها برنامه ریزی می کنند ، تصمیم می گیرند و در نگهبان های تعریف شده اقدام می کنند. این هوش مصنوعی است که بیشتر شبیه یک هم تیمی است تا یک ابزار. ما شاهد بیشترین کشش در گردش کار با حجم بالا و پیچیده هستیم: به عنوان مثال ، مانند پشتیبانی مشتری و مطالبات بیمه. در این مناطق ، AI عامل AI می تواند تلاش دستی را کاهش دهد ، قوام را افزایش دهد و نتایج را ارائه دهد که در غیر این صورت به تیم های بزرگ انسانی نیاز دارد. این به معنای جایگزینی انسان نیست – در عوض ، ما آنها را با عوامل هوشمند تقویت می کنیم که می توانند تکراری و روال را کنترل کنند.
آیا می توانید نمونه هایی از مدل های قطار نامرئی برای استدلال زنجیره ای را به اشتراک بگذارید و چرا برای استقرار شرکت بسیار مهم است؟
استدلال زنجیره ای از فکر (COT) پتانسیل جدیدی را برای شرکت هوش مصنوعی باز کرده است. در Invisible ، ما مدلها را آموزش می دهیم تا به مرحله به مرحله استدلال کنیم ، که در هنگام افزایش سهام ضروری است-خواه شما بیمار را تشخیص دهید ، یک قرارداد را تجزیه و تحلیل می کنید یا یک مدل مالی را اعتبار می دهید. COT نه تنها شفافیت را بهبود می بخشد ، بلکه باعث می شود اشکال زدایی ، پالایش و سود عملکرد بدون مجموعه داده های جدید جدید امکان پذیر شود. ما مدل های پیشرو مانند Gemini ، Sonnet و Grok را شروع کرده ایم که مسیرهای استدلال خود را فاش می کنند ، که به ما این امکان را می دهد تا نه تنها چه مدل هایی را که از چه مدلهایی استفاده می کنند ، بلکه نحوه رسیدن آنها به آنجا را مشاهده کنیم. این امر زمینه را برای روشهای پیشرفته تر مانند درخت فکری (جایی که مدل ها چندین مسیر استدلال احتمالی را قبل از حل و فصل پاسخ ارزیابی می کنند) و خودآموزی (جایی که مسیرهای استدلال چندگانه مورد بررسی قرار می گیرد) قرار می دهد.
نامرئی از آموزش در طول 40+ زبان برنامه نویسی و 30+ زبان انسانی پشتیبانی می کند. دقت فرهنگی و زبانی در ساخت هوش مصنوعی در سطح جهانی چقدر مهم است؟
این مهم است زبان فقط مربوط به ترجمه نیست – این مربوط به زمینه ، ظرافت و هنجارهای فرهنگی است. اگر یک مدل از تنوع منطقه ای سوء استفاده کند یا از دست ندهد ، می تواند منجر به تجربیات ضعیف کاربر یا حتی خطرات مربوط به انطباق شود. مربیان چند زبانه ما فقط مسلط نیستند – آنها در فرهنگ هایی که نمایندگی می کنند تعبیه شده اند.
نقاط شکست مشترک وقتی شرکت ها سعی می کنند از اثبات مفهوم تا تولید مقیاس بگیرند و چگونه نامرئی به حرکت در آن “آخرین مایل” کمک می کند؟
اکثر مدل های هوش مصنوعی هرگز آن را به تولید نمی رسانند زیرا شرکت ها آسانسور عملیاتی مورد نیاز را دست کم می گیرند. آنها فاقد داده های پاک ، پروتکل های ارزیابی قوی و یک استراتژی برای تعبیه مدل ها در گردش کار واقعی هستند. در Invisible ، ما تجربه فنی عمیق را با زیرساخت داده های درجه تولید ترکیب می کنیم تا به شرکت ها کمک کنیم تا شکاف را ایجاد کنند. قابلیت های همزیستی ما در آموزش و بهینه سازی به ما امکان می دهد تا هم مدل های بهتری بسازیم و هم آنها را با موفقیت مستقر کنیم.
آیا می توانید با رویکرد نامرئی به RLHF (یادگیری تقویت از بازخورد انسانی) و اینکه چگونه با دیگران در صنعت تفاوت دارد ، ما را طی کنید؟
در Invisible ، ما یادگیری تقویت را از بازخورد انسانی (RLHF) بیش از تنظیم دقیق می بینیم – این امکان را برای ارزیابی پیشرفته تر و پیشرفته تر (“ارزیابی”) فراهم می کند ، و تغییر به سمت مدلهای آموزشی با قضاوت بشر ظریف و نه سیگنال های باینری مانند انگشت شست به بالا و انگشت شست. در حالی که رویکردهای صنعت غالباً مقیاس را از طریق داده های با حجم بالا و با سیگنال بالا در اولویت قرار می دهند ، ما بر جمع آوری بازخورد ساختاری و با کیفیت بالا که استدلال ، زمینه و معاملات را ضبط می کند ، تمرکز می کنیم. این سیگنال غنی تر مدل ها را قادر می سازد تا به طور مؤثرتر تعمیم بیشتری پیدا کنند و با هدف انسان نزدیکتر شوند. با اولویت بندی عمق بیش از وسعت ، ما در حال ساختن زیرساخت ها برای سیستم های هوش مصنوعی قوی تر و تراز شده هستیم.
چگونه آینده در حال تحول در زمینه همکاری های انسانی ، به ویژه در زمینه های پر سر و صدا مانند امور مالی ، مراقبت های بهداشتی یا بخش دولتی را پیش بینی می کنید؟
هوش مصنوعی جایگزین تخصص انسانی نمی شود – این زیرساخت هایی است که از آن پشتیبانی می کند. من آینده ای را پیش بینی می کنم که عوامل هوش مصنوعی و متخصصان انسانی به طور همزمان کار کنند – جایی که پزشکان توسط کپی های تشخیصی پشتیبانی می شوند ، سازمان های دولتی از AI برای مزایای تریاژ استفاده می کنند و به طور کارآمدتر از مزایای تریاژ استفاده می کنند ، و تحلیلگران مالی آزاد هستند تا به جای صفحات گسترده ، روی استراتژی تمرکز کنند. تمرکز ما طراحی سیستم هایی است که AI توانایی انسان را افزایش می دهد ، نه اینکه آن را مبهم یا نادیده بگیریم.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند فن آوری های نامرئیبشر
