دکتر رایان ریس یک دانشمند مشهور داده با بیش از 15 سال تجربه رهبری در داده ها و مهندسی در شرکت های فناوری سریع مقیاس است. دکتر ریس بیش از 20 سال تجربه کار با هوش مصنوعی و 5+ سال در کمک به مشتریان در ساخت زیرساخت های داده AWS و مدلهای هوش مصنوعی خود را در اختیار دارد. پس از کسب مدرک دکتری خود در شیمی بیوفیزیکی در UCLA و Caltech ، دکتر Ries به توسعه راه حل های داده برش برای وزارت دفاع ایالات متحده و تعداد بیشماری از شرکت های Fortune 500 کمک کرده است.
به عنوان رئیس هوش مصنوعی و دانشمند داده برای مأموریت ، رایان تیم موفقی از مهندسین داده ، معماران داده ، مهندسان ML و دانشمندان داده را برای حل برخی از سخت ترین مشکلات جهان با استفاده از زیرساخت های AWS ایجاد کرده است.
مأموریت ارائه دهنده خدمات و مشاوره ای پیشرو در Cloud است که در ابر متولد می شود و خدمات ابری پایان به پایان ، راه حل های نوآورانه هوش مصنوعی و نرم افزاری را برای مشتریان AWS ارائه می دهد. این شرکت به عنوان یک شریک برتر AWS برتر ، به مشاغل کمک می کند تا سرمایه گذاری های فناوری را بهینه کنند ، عملکرد و مدیریت را ارتقا دهند ، مقیاس کارآمد ، داده های ایمن و با اعتماد به نفس در آغوش بگیرند.
شما یک سفر چشمگیر داشته اید – از ساختمان سخت افزار AR در Daqri تا تبدیل شدن به مدیر ارشد هوش مصنوعی در Mission. چه تجربیات شخصی یا نقاط عطف بیشتر دیدگاه شما در مورد نقش AI در شرکت را شکل داده است؟
توسعه اولیه هوش مصنوعی با محاسبه قدرت و چالش های زیرساختی به شدت محدود شد. ما اغلب مجبور بودیم مدل های کد دستی را از مقالات تحقیقاتی ، که وقت گیر و پیچیده بود ، به دست آوردیم. یک تغییر اساسی با ظهور کتابخانه های پایتون و منبع باز هوش مصنوعی انجام شد و آزمایش و مدل سازی را بسیار سریعتر انجام داد. با این حال ، بزرگترین نقطه عطف زمانی رخ داد که Hyperscalers مانند AWS محاسبات مقیاس پذیر و ذخیره سازی را به طور گسترده ای در دسترس قرار داد.
این تکامل نشان دهنده یک چالش مداوم در طول تاریخ هوش مصنوعی است – که از ذخیره و ظرفیت محاسبه خارج می شود. این محدودیت ها باعث زمستان های هوش مصنوعی قبلی شد و غلبه بر آنها برای “رنسانس هوش مصنوعی” امروز اساسی بوده است.
چگونه مدل سرویس ابری پایان به پایان مأموریت به شرکت ها کمک می کند تا بار کار هوش مصنوعی خود را در AWS با کارآمدتر و ایمن تر مقیاس دهند؟
در ماموریت ، امنیت در هر کاری که انجام می دهیم ادغام می شود. ما دو سال پیاپی شریک امنیتی سال با AWS بوده ایم ، اما جالب اینجاست که ما یک تیم امنیتی اختصاصی نداریم. دلیل این امر این است که همه افراد در مأموریت در هر مرحله از توسعه با امنیت در ذهن ایجاد می کنند. با داشتن هوش مصنوعی AWS ، مشتریان از استفاده از لایه Bedrock AWS بهره مند می شوند ، که داده ها را نگه می دارد ، از جمله اطلاعات حساس مانند PII ، در اکوسیستم AWS ایمن است. این رویکرد یکپارچه تضمین می کند که امنیت بنیادی است ، نه یک نتیجه گیری.
مقیاس پذیری همچنین تمرکز اصلی در ماموریت است. ما تجربه گسترده ای در ساخت خطوط لوله MLOP داریم که زیرساخت های هوش مصنوعی را برای آموزش و استنباط مدیریت می کنند. در حالی که بسیاری از هوش مصنوعی مولد با سیستم های گسترده در مقیاس عمومی مانند ChatGPT ، بیشتر موارد استفاده از شرکت ها داخلی هستند و نیاز به مقیاس گذاری قابل کنترل تر دارند. لایه API Bedrock به ارائه آن عملکرد مقیاس پذیر و ایمن برای بارهای کاری در دنیای واقعی کمک می کند.
آیا می توانید ما را از طریق یک شرکت معمولی در شرکت – از مهاجرت ابر گرفته تا استفاده از راه حل های تولیدی هوش مصنوعی – با استفاده از خدمات مأموریت طی کنید؟
در Mission ، ما با درک نیازهای تجاری شرکت و استفاده از موارد استفاده می کنیم. مهاجرت ابری با ارزیابی محیط فعلی پیش فرض و طراحی یک معماری مقیاس پذیر ابر آغاز می شود. بر خلاف تنظیمات پیش فرض ، جایی که شما باید ظرفیت اوج را تأمین کنید ، ابر به شما امکان می دهد منابع را بر اساس متوسط بار کاری ، کاهش هزینه ها به شما مقیاس دهد. همه بارهای کاری نیازی به مهاجرت ندارند – برخی می توانند برای کارآیی بازنشسته ، اصلاح شوند یا بازسازی شوند. پس از موجودی و برنامه ریزی ، ما یک مهاجرت مرحله ای را اجرا می کنیم.
با هوش مصنوعی مولد ، ما فراتر از مراحل اثبات مفهوم حرکت کرده ایم. ما به شرکتها کمک می کنیم تا معماری ها را طراحی کنند ، خلبانان را برای تصفیه مطالب و موارد لبه های حاشیه ای اجرا کنند ، سپس به سمت تولید حرکت می کنند. برای هوش مصنوعی داده محور ، ما در انتقال داده های داخلی به ابر کمک می کنیم و ارزش بیشتری را باز می کنیم. این رویکرد پایان به پایان تضمین می کند که راه حل های تولید کننده هوش مصنوعی از روز اول قوی ، مقیاس پذیر و آماده تجارت هستند.
مأموریت بر “نوآوری با اعتماد به نفس” تأکید می کند. این به معنای عملی برای مشاغل اتخاذ هوش مصنوعی در مقیاس چیست؟
این به معنای داشتن تیمی با تخصص هوش مصنوعی واقعی است – نه فقط دانشمندان Bootcamp ، بلکه دانشمندان داده فصلی. مشتریان می توانند اعتماد کنند که ما روی آنها آزمایش نمی کنیم. مردم ما درک می کنند که چگونه مدل ها کار می کنند و چگونه می توانند آنها را به طور ایمن و در مقیاس پیاده سازی کنند. اینگونه است که ما به مشاغل کمک می کنیم بدون اینکه خطرات غیرضروری را در پیش بگیرند ، نوآوری کنند.
شما در تجزیه و تحلیل پیش بینی ، NLP و دید رایانه کار کرده اید. از کجا می بینید که هوش مصنوعی مولد امروزه بیشترین ارزش بنگاه را به ارمغان می آورد – و این اعتیاد به این واقعیت از کجا پیشی می گیرد؟
هوش مصنوعی تولیدی ارزش قابل توجهی را در شرکت ها به طور عمده از طریق پردازش اسناد هوشمند (IDP) و chatbots ارائه می دهد. بسیاری از مشاغل با استخدام بیشتر افراد برای مقیاس عملیات تلاش می کنند ، بنابراین هوش مصنوعی تولیدی به خودکار کردن کارهای تکراری و سرعت بخشیدن به گردش کار کمک می کند. به عنوان مثال ، IDP زمان بررسی درخواست بیمه را 50 ٪ کاهش داده و هماهنگی مراقبت از بیمار را در مراقبت های بهداشتی بهبود بخشیده است. Chatbots اغلب به عنوان واسط در سایر ابزارها یا سیستم های هوش مصنوعی عمل می کند و به شرکت ها این امکان را می دهد تا تعاملات و وظایف روتین را به صورت موثر خودکار کنند.
با این حال ، اعتیاد به مواد مخدره در مورد تصاویر و فیلم های تولیدی اغلب از استفاده واقعی از مشاغل خارج می شود. در حالی که از نظر بصری چشمگیر است ، این فناوری ها برنامه های عملی محدودی فراتر از بازاریابی و پروژه های خلاقانه دارند. بیشتر بنگاهها برای مقیاس سازی راه حل های رسانه ای تولیدی به عملیات اصلی ، چالش برانگیز می دانند و آنها را بیشتر از یک ابزار اساسی تجاری می کند.
“برنامه نویسی VIBE” یک اصطلاح در حال ظهور است – می توانید توضیح دهید که در دنیای شما چه معنی دارد و چگونه منعکس کننده تغییر فرهنگی گسترده تر در توسعه هوش مصنوعی است؟
برنامه نویسی VIBE به توسعه دهندگان با استفاده از مدل های بزرگ زبان برای تولید کد بیشتر بر اساس شهود یا زبان طبیعی نسبت به برنامه ریزی یا طراحی ساختار یافته اشاره دارد. این برای سرعت بخشیدن به تکرار و نمونه سازی بسیار عالی است – توسعه دهندگان می توانند به سرعت ایده ها را آزمایش کنند ، کد دیگ بخار تولید کنند یا کارهای تکراری را بارگیری کنند. اما همچنین اغلب منجر به کدی می شود که فاقد ساختار است ، حفظ آن دشوار است و ممکن است ناکارآمد یا ناامن باشد.
ما شاهد تغییر وسیع تری به سمت محیط های عامل هستیم ، جایی که LLM ها مانند توسعه دهندگان جوان عمل می کنند و انسانها نقش بیشتری به معماران یا مهندسان QA می دهند-بررسی ، پالایش و ادغام اجزای تولید شده AI در سیستم های بزرگتر. این مدل مشترک می تواند قدرتمند باشد ، اما تنها در صورت وجود نگهبان ها. بدون نظارت مناسب ، برنامه نویسی VIBE می تواند بدهی فنی ، آسیب پذیری ها یا مشکلات عملکرد را معرفی کند – به ویژه هنگامی که بدون آزمایش دقیق وارد تولید می شود.
نقش شما در مورد نقش در حال تحول افسر هوش مصنوعی چیست؟ چگونه باید سازمانها ساختار رهبری را به عنوان هوش مصنوعی در استراتژی تجارت تجدید نظر کنند؟
افسران هوش مصنوعی می توانند کاملاً ارزش افزوده کنند – اما تنها در صورتی که نقش برای موفقیت تنظیم شود. غالباً ، شرکت ها عناوین جدید C را ایجاد می کنند بدون اینکه آنها را با ساختارهای رهبری موجود هماهنگ کنند یا به آنها اقتدار واقعی بدهند. اگر افسر هوش مصنوعی اهداف خود را با CTO ، CDO یا سایر اعدام ها به اشتراک نگذارد ، شما تصمیم گیری خاموش ، اولویت های متناقض و اجرای متوقف را به خطر می اندازید.
سازمان ها باید با دقت در نظر بگیرند که آیا افسر هوش مصنوعی در حال جایگزینی یا تقویت نقش هایی مانند مدیر ارشد داده یا CTO است. عنوان کمتر از دستورالعمل است. آنچه مهم است این است که به کسی اجازه دهد استراتژی هوش مصنوعی را در سراسر سازمان شکل دهد – DATA ، زیرساخت ها ، امنیت و موارد استفاده از مشاغل – و به آنها امکان ایجاد تغییر معنی دار را می دهد. در غیر این صورت ، این نقش نمادین تر از تأثیرگذار می شود.
شما تیم های AI و داده های برنده جایزه را رهبری کرده اید. هنگام استخدام برای نقشهای AI با قدرت بالا به دنبال چه خصوصیاتی هستید؟
کیفیت شماره یک پیدا کردن شخصی است که در واقع هوش مصنوعی را می شناسد ، نه فقط کسی که دوره هایی را پشت سر می گذارد. شما به افرادی احتیاج دارید که واقعاً در هوش مصنوعی مسلط هستند و هنوز هم کنجکاوی و علاقه به فشار دادن پاکت را حفظ می کنند.
من به دنبال افرادی هستم که همیشه در تلاشند تا رویکردهای جدید پیدا کنند و مرزهای آنچه را که می توانند و نمی توانند انجام دهند ، به چالش می کشند. این ترکیبی از دانش عمیق و اکتشاف مداوم برای نقش های هوش مصنوعی پر سر و صدا که در آن نوآوری و اجرای قابل اعتماد به همان اندازه مهم هستند ، ضروری است.
بسیاری از مشاغل برای عملیاتی کردن مدل های ML خود تلاش می کنند. به نظر شما تیم هایی که موفق می شوند از کسانی که در تصفیه اثبات مفهوم ایستاده اند ، جدا می شوند؟
بزرگترین مسئله تراز متقابل تیم است. تیم های ML مدل های امیدوارکننده ای را می سازند ، اما سایر بخش ها به دلیل اولویت های نادرست آنها را اتخاذ نمی کنند. انتقال از POC به تولید همچنین به زیرساخت های MLOP نیاز دارد: نسخه سازی ، بازآموزی و نظارت. با Genai ، شکاف حتی گسترده تر است. تولید یک چت بابات به معنای تنظیم سریع ، مدیریت خط لوله و انطباق است … نه فقط پرتاب کردن به Chatgpt.
امروز به بنیانگذار استارتاپی ساختمان محصولات AI-First امروز چه توصیه ای می کنید که می تواند از زیرساخت های ماموریت و تجربه استراتژی هوش مصنوعی بهره مند شود؟
هنگامی که شما یک استارتاپ هستید ، جذب استعدادهای برتر هوش مصنوعی ، به خصوص بدون یک برند مستقر ، دشوار است. حتی با داشتن یک تیم بنیانگذار قوی ، استخدام افراد با عمق تجربه مورد نیاز برای ساخت و مقیاس صحیح سیستم های هوش مصنوعی دشوار است. این جایی است که همکاری با یک شرکت مانند Mission می تواند تفاوت واقعی ایجاد کند. ما می توانیم با ارائه زیرساخت ها ، استراتژی ها و تخصص های دستی به شما کمک کنیم تا سریعتر حرکت کنید ، بنابراین می توانید زودتر و با اعتماد به نفس محصول خود را تأیید کنید.
قطعه مهم دیگر تمرکز است. ما بسیاری از بنیانگذاران را می بینیم که سعی می کنند یک رابط اساسی را در اطراف Chatgpt ببندند و آن را محصولی بنامیم ، اما کاربران باهوش تر می شوند و انتظار بیشتری دارند. اگر شما یک مشکل واقعی را حل نمی کنید یا چیزی را که واقعاً متفاوت است ارائه نمی دهید ، از بین رفتن در سر و صدا آسان است. مأموریت به استارتاپ ها کمک می کند تا از نظر استراتژیک در مورد اینکه AI ارزش واقعی ایجاد می کند و چگونه می توان چیزی مقیاس پذیر ، ایمن و آماده تولید را از روز اول ایجاد کرد ، فکر کنند. بنابراین شما فقط آزمایش نمی کنید بلکه برای رشد در حال ساخت هستید.
با تشکر از شما برای مصاحبه عالی ، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید بازدید کنند مأموریتبشر
