Доктор Райан Ривз — известный учёный в области данных с более чем 15-летним опытом лидерства в сфере данных и инженерии в быстрорастущих технологических компаниях. За плечами доктора Ривза более 20 лет работы с ИИ и 5+ лет помощи клиентам в создании их инфраструктуры данных AWS и моделей ИИ.
После получения докторской степени в области биофизической химии в UCLA и Caltech доктор Ривз помогал разрабатывать передовые решения для обработки данных в Министерстве обороны США и множестве компаний из списка Fortune 500.
Путь Райана Ривза
В качестве главного специалиста по ИИ и данным в Mission Райан создал успешную команду инженеров данных, архитекторов данных, инженеров машинного обучения и специалистов по данным для решения сложных мировых задач с использованием инфраструктуры AWS.
Mission — ведущий поставщик управляемых услуг и консалтинга, рождённый в облаке, предлагает комплексные облачные услуги, инновационные решения в области ИИ и программное обеспечение для клиентов AWS. Как партнёр AWS Premier Tier компания помогает предприятиям оптимизировать инвестиции в технологии, повышать производительность и управление, эффективно масштабироваться, обеспечивать безопасность данных и с уверенностью внедрять инновации.
Вопрос: у вас впечатляющий путь — от создания аппаратного обеспечения дополненной реальности в DAQRI до должности главного специалиста по ИИ в Mission. Какой личный опыт или переломные моменты больше всего повлияли на ваш взгляд на роль ИИ на предприятии?
Райан Ривз: Раннее развитие ИИ сильно ограничивалось вычислительными мощностями и проблемами инфраструктуры. Нам часто приходилось вручную кодировать модели на основе исследовательских работ, что было трудоёмко и сложно.
Серьёзный сдвиг произошёл с появлением Python и открытых библиотек ИИ, что значительно ускорило эксперименты и построение моделей. Однако самый большой переломный момент наступил, когда такие гиперскейлеры, как AWS, сделали масштабируемые вычисления и хранилище широко доступными.
Эта эволюция отражает постоянную проблему на протяжении всей истории ИИ — нехватку места для хранения данных и вычислительных мощностей. Эти ограничения вызывали предыдущие «зимние периоды» ИИ, и их преодоление стало основой сегодняшнего «ренессанса ИИ».
Как модель облачных услуг Mission помогает компаниям более эффективно и безопасно масштабировать рабочие нагрузки ИИ на AWS?
В Mission безопасность интегрирована во всё, что мы делаем. Мы два года подряд становимся партнёром года по безопасности с AWS, но, что интересно, у нас нет специальной команды по безопасности. Это потому, что каждый в Mission строит с учётом безопасности на каждом этапе разработки.
С помощью генеративного ИИ от AWS клиенты получают выгоду от использования уровня AWS Bedrock, который обеспечивает безопасность данных, включая конфиденциальную информацию, в экосистеме AWS. Такой интегрированный подход гарантирует, что безопасность является основополагающей, а не второстепенной задачей.
Масштабируемость также является ключевым направлением в Mission. У нас есть большой опыт создания конвейеров MLOps, которые управляют инфраструктурой ИИ для обучения и логического вывода. Хотя многие связывают генеративный ИИ с масштабными общедоступными системами, такими как ChatGPT, большинство корпоративных сценариев использования являются внутренними и требуют более управляемого масштабирования. Уровень API Bedrock помогает обеспечить масштабируемую и безопасную производительность для реальных рабочих нагрузок.
Можете рассказать о типичном корпоративном взаимодействии — от миграции в облако до развёртывания решений на основе генеративного ИИ — с использованием услуг Mission?
В Mission мы начинаем с понимания бизнес-потребностей предприятия и вариантов использования. Миграция в облако начинается с оценки текущей локальной среды и проектирования масштабируемой облачной архитектуры. В отличие от локальных настроек, где вы должны предусматривать пиковую нагрузку, облако позволяет масштабировать ресурсы в зависимости от средних рабочих нагрузок, что снижает затраты.
Не все рабочие нагрузки нуждаются в миграции — некоторые можно списать, переработать или перестроить для повышения эффективности. После инвентаризации и планирования мы выполняем поэтапную миграцию.
С генеративным ИИ мы вышли за рамки этапов проверки концепции. Мы помогаем предприятиям проектировать архитектуры, запускаем пилотные проекты для уточнения подсказок и решения сложных случаев, а затем переходим к производству. Для ИИ, основанного на данных, мы помогаем перенести локальные данные в облако, раскрывая их ценность.
Этот комплексный подход обеспечивает надёжность решений на основе генеративного ИИ, их масштабируемость и готовность к использованию в бизнесе с первого дня.
Mission подчёркивает «инновации с уверенностью». Что это значит на практике для компаний, внедряющих ИИ в больших масштабах?
Это означает наличие команды с реальным опытом работы в области ИИ — не только выпускников учебных курсов, но и опытных специалистов по данным. Клиенты могут быть уверены, что мы не экспериментируем на них. Наши сотрудники понимают, как работают модели, и как их можно реализовать безопасно и в масштабе.
Вы работали в области прогнозной аналитики, НЛП и компьютерного зрения. Где, по вашему мнению, генеративный ИИ приносит наибольшую ценность для предприятий сегодня, и где ажиотаж опережает реальность?
Генеративный ИИ приносит значительную ценность предприятиям в основном через интеллектуальную обработку документов (IDP) и чат-ботов. Многие компании пытаются масштабировать операции, нанимая больше людей, но генеративный ИИ помогает автоматизировать повторяющиеся задачи и ускорить рабочие процессы.
Однако ажиотаж вокруг генеративных изображений и видео часто опережает реальное использование в бизнесе. Хотя эти технологии визуально впечатляют, они имеют ограниченное практическое применение за пределами маркетинга и творческих проектов.
«Vibe Coding» — новый термин. Можете объяснить, что он означает в вашем мире, и как он отражает более широкий культурный сдвиг в разработке ИИ?
Vibe coding относится к разработчикам, использующим большие языковые модели для генерации кода, основанного больше на интуиции или подсказках на естественном языке, чем на структурированном планировании или проектировании. Это отлично подходит для ускорения итераций и прототипирования — разработчики могут быстро тестировать идеи, генерировать стандартный код или выполнять рутинные задачи.
Мы наблюдаем более широкий сдвиг в сторону агентских сред, где LLM действуют как младшие разработчики, а люди берут на себя роли, более похожие на архитекторов или инженеров по обеспечению качества — просматривая, совершенствуя и интегрируя компоненты, созданные ИИ, в более крупные системы.
Какова ваша позиция по поводу развивающейся роли офицера по ИИ? Как организации должны переосмыслить структуру лидерства, поскольку ИИ становится основополагающим для бизнес-стратегии?
Офицеры по ИИ могут принести реальную пользу — но только если роль настроена на успех. Слишком часто компании создают новые должности в высшем руководстве, не согласовывая их с существующей структурой лидерства или не наделяя их реальной властью.
Организации должны тщательно продумать, заменяет ли офицер по ИИ роли, такие как директор по данным или технический директор, или дополняет их. Критично важно дать кому-то возможность формировать стратегию ИИ в организации — данные, инфраструктура, безопасность и бизнес-сценарии использования — и предоставить ему возможность внедрять значимые изменения.
Какими качествами вы руководствуетесь при найме на высокооплачиваемые должности в сфере ИИ?
Первое и самое главное качество — найти человека, который действительно разбирается в ИИ, а не просто прошёл несколько курсов. Вам нужны люди, которые действительно свободно владеют ИИ и при этом сохраняют любопытство и интерес к тому, чтобы раздвигать границы возможного.
Я ищу людей, которые всегда пытаются найти новые подходы и бросают вызов границам того, что можно и что нельзя сделать. Сочетание глубоких знаний и постоянного исследования имеет важное значение для должностей с высокими ставками, где инновации и надёжная реализация одинаково важны.
Многие компании пытаются внедрить свои модели машинного обучения. Что, по вашему мнению, отличает команды, которые добиваются успеха, от тех, кто застревает в чистилище проверки концепции?
Самая большая проблема — это согласованность работы между командами. Команды машинного обучения создают многообещающие модели, но другие отделы не внедряют их из-за несовпадения приоритетов.
Переход от POC к производству также требует инфраструктуры MLOps: версионирования, переобучения и мониторинга. С GenAI разрыв ещё больше. Внедрение чат-бота означает настройку подсказок, управление конвейером и соответствие требованиям… а не просто ввод подсказок в ChatGPT.
Какой совет вы могли бы дать основателю стартапа, создающему продукты на основе ИИ сегодня, которые могли бы извлечь выгоду из инфраструктуры и опыта в области ИИ и стратегии от Mission?
Когда вы стартап, вам сложно привлечь топовые таланты в области ИИ, особенно без устоявшегося бренда. Даже при наличии сильной команды основателей трудно нанять людей с опытом, необходимым для построения и масштабирования систем ИИ.
Партнёрство с такой фирмой, как Mission, может иметь реальное значение. Мы можем помочь вам двигаться быстрее, предоставляя инфраструктуру, стратегию и практический опыт, чтобы вы могли проверить свой продукт раньше и с большей уверенностью.
Другая важная часть — это фокус. Мы видим, как многие основатели пытаются создать базовый интерфейс для ChatGPT и назвать это продуктом, но пользователи становятся умнее и ожидают большего. Если вы не решаете реальную проблему или не предлагаете что-то действительно уникальное, вас легко потерять в шуме.
Mission помогает стартапам стратегически мыслить о том, где ИИ создаёт реальную ценность, и о том, как построить что-то масштабируемое, безопасное и готовое к производству с первого дня. Так что вы не просто экспериментируете, вы строите для роста.
Спасибо за отличное интервью! Читатели, которые хотят узнать больше, могут посетить Mission.
Статья «Ryan Ries, Chief AI & Data Scientist at Mission — Interview Series» впервые появилась на Unite.AI.