Γιατί πιστεύουμε ότι το μέλλον της ΤΝ έγκειται στην ενίσχυση της ανθρώπινης εμπειρογνωμοσύνης, όχι στην αντικατάστασή της
Η προσπάθεια να αυτοματοποιηθεί τα πάντα παραβλέπει μια θεμελιώδη αλήθεια: Σε τομείς υψηλού κινδύνου, η ανθρώπινη κρίση δεν είναι σφάλμα προς διόρθωση, αλλά το κύριο χαρακτηριστικό.
Εξαλείφει την ανθρώπινη κρίση από κρίσιμες αποφάσεις, οδηγώντας σε αποτυχίες σε ακραίες περιπτώσεις και απώλεια θεσμικής γνώσης
Η έλλειψη εξηγησιμότητας καθιστά αδύνατη την αιτιολόγηση αποφάσεων ή την κατανόηση τρόπων αποτυχίας σε ρυθμιζόμενους κλάδους
Τα γενικά εργαλεία ΤΝ δεν αποτυπώνουν τις ειδικές για τον τομέα αποχρώσεις και την εμπειρική διαίσθηση που ορίζουν το ανταγωνιστικό πλεονέκτημα
Οι εταιρικοί πελάτες στην υγειονομική περίθαλψη, τις νομικές υπηρεσίες, τις χρηματοοικονομικές υπηρεσίες και άλλους ρυθμιζόμενους κλάδους δεν αναζητούν ΤΝ που να αντικαθιστά τους ειδικούς τους. Αναζητούν εργαλεία που να καθιστούν τους ειδικούς τους 10 φορές πιο αποτελεσματικούς, διατηρώντας παράλληλα τη λογοδοσία και τον έλεγχο.
Κατανοώντας τι μπορεί να μάθει η ΤΝ από μόνα τα δεδομένα και τι όχι
Πληροφορίες που μπορούν να κωδικοποιηθούν, να τεκμηριωθούν και να μεταδοθούν μέσω γραπτής ή προφορικής επικοινωνίας.
Η ΤΝ υπερέχει στην επεξεργασία ρητής γνώσης σε μεγάλη κλίμακα
Βαθιά εμπειρογνωμοσύνη που αποκτάται μέσω εμπειρίας και είναι δύσκολο να διατυπωθεί ή να μεταδοθεί.
Εδώ η ανθρώπινη εμπειρογνωμοσύνη παραμένει αναντικατάστατη
Η ΤΝ επεξεργάζεται ρητή γνώση με υπερανθρώπινη ταχύτητα και κλίμακα.
Οι άνθρωποι παρέχουν σιωπηρή γνώση και τελική εξουσία απόφασης.
Πώς δομούμε συστήματα ΤΝ για αποφάσεις υψηλού κινδύνου
Μοντέλα μηχανικής μάθησης αναλύουν δεδομένα, εντοπίζουν μοτίβα και παράγουν συστάσεις
Ειδικοί του τομέα εξετάζουν τα αποτελέσματα της ΤΝ, εφαρμόζουν γνώση πλαισίου και ασκούν κρίση
Τελικές αποφάσεις λαμβάνονται με ανθρώπινη λογοδοσία, δημιουργώντας ελεγκτικό ίχνος
Αύξηση παραγωγικότητας έναντι ανθρώπων χωρίς υποστήριξη
Ακρίβεια σε αποφάσεις υψηλού κινδύνου
Αποφάσεις με σαφή ανθρώπινη λογοδοσία
Πώς η ΤΝ Human-in-the-Loop δημιουργεί αξία σε όλους τους κλάδους
Αναλύει ιατρικές απεικονίσεις, επισημαίνει ανωμαλίες, προτείνει διαφορικές διαγνώσεις
Ο ακτινολόγος εξετάζει τα ευρήματα, λαμβάνει υπόψη το ιστορικό του ασθενούς, θέτει την τελική διάγνωση
Ταχύτερος χρόνος απόκρισης με την ίδια ή καλύτερη ακρίβεια, σαφής αλυσίδα λογοδοσίας
Εξετάζει συμβόλαια, εντοπίζει μη τυποποιημένες ρήτρες, επισημαίνει περιοχές κινδύνου
Ο δικηγόρος αξιολογεί το επιχειρηματικό πλαίσιο, διαπραγματεύεται όρους, παρέχει συμβουλές
80% εξοικονόμηση χρόνου στην επανεξέταση εγγράφων, οι δικηγόροι επικεντρώνονται στη στρατηγική
Παρακολουθεί συναλλαγές, εντοπίζει ανωμαλίες, αξιολογεί πιθανότητα απάτης
Ο αναλυτής διερευνά επισημασμένες περιπτώσεις, εξετάζει το πλαίσιο του πελάτη, εγκρίνει/απορρίπτει
10 φορές περισσότερες εξετασμένες περιπτώσεις με χαμηλότερο ποσοστό ψευδώς θετικών
Παρακολουθεί δεδομένα αισθητήρων, προβλέπει βλάβες εξοπλισμού, συνιστά συντήρηση
Ο μηχανικός επικυρώνει προβλέψεις, προγραμματίζει παρεμβάσεις, βελτιστοποιεί λειτουργίες
70% μείωση μη προγραμματισμένου χρόνου διακοπής, καλύτερη κατανομή πόρων
Γιατί οι εταιρείες Human-in-the-Loop δημιουργούν ισχυρότερα ανταγωνιστικά πλεονεκτήματα
Κάθε ανθρώπινη απόφαση βελτιώνει το μοντέλο. Όσο περισσότεροι ειδικοί χρησιμοποιούν το σύστημα, τόσο πιο πολύτιμο γίνεται για όλους τους χρήστες.
Η βαθιά ενσωμάτωση στις ροές εργασίας ειδικών σημαίνει υψηλό κόστος εναλλαγής. Το σύστημα γίνεται μέρος του τρόπου εργασίας των ομάδων.
Απαιτεί βαθιά κατανόηση των ροών εργασίας και των κανονισμών του κλάδου. Γενικές εταιρείες ΤΝ δεν μπορούν εύκολα να το αναπαράγουν.
Η ανθρώπινη ανατροφοδότηση δημιουργεί έναν μηχανισμό αυτοενίσχυσης: Καλύτερη ΤΝ προσελκύει περισσότερους χρήστες, περισσότεροι χρήστες παράγουν καλύτερα δεδομένα εκπαίδευσης.
Αρχικό μοντέλο + Ανατροφοδότηση πρώιμων υιοθετών
Βελτιωμένη ακρίβεια προσελκύει περισσότερους πελάτες
Κορυφαία απόδοση αγοράς, δύσκολη εκτόπιση
Σε αντίθεση με καθαρές στρατηγικές αυτοματισμού που γίνονται γρήγορα εμπορεύματα, τα συστήματα Human-in-the-Loop συσσωρεύουν ιδιόκτητη γνώση που αυξάνεται με την πάροδο του χρόνου. Όσο περισσότερο χρόνο λειτουργεί μια εταιρεία, τόσο ευρύτερη γίνεται η τάφρος της.
Τι αναζητούμε σε εταιρείες ΤΝ Human-in-the-Loop
Το σύστημα ορίζει ρητά πού προσθέτουν αξία οι άνθρωποι και διατηρεί τη λογοδοσία
Πώληση σε επιχειρήσεις με προϋπολογισμό και απαιτήσεις συμμόρφωσης, όχι σε καταναλωτικές αγορές
Η ομάδα ιδρυτών διαθέτει βαθιά εμπειρία στον κλάδο για τον οποίο κατασκευάζουν
Εάν κατασκευάζετε ΤΝ Human-in-the-Loop για έναν τομέα υψηλού κινδύνου, θέλουμε να σας ακούσουμε.
Αρχική Επένδυση
Στάδιο Στόχευσης
Χρόνος Απόκρισης
Οι επιστημολόγοι διακρίνουν μεταξύ δύο ειδών γνώσης. Αυτή η διάκριση είναι το διανοητικό θεμέλιο της επενδυτικής θέσης της Noodle — και ο λόγος που το πρόβλημα που λύνουμε είναι δομικό, όχι τυχαίο.
Η ΤΝ το χειρίζεται καλά
Η γραπτή διαδικασία, ο δημοσιευμένος κανόνας, η τεκμηριωμένη βέλτιστη πρακτική. Τα συστήματα ΤΝ είναι εξαιρετικά ικανά να ανακτούν, να συνθέτουν και να εφαρμόζουν αυτό το επίπεδο — ταχύτερα και πιο συνεπώς από οποιονδήποτε ανθρώπινο επαγγελματία.
Παραδείγματα: Ρυθμιστικά παραρτήματα MARPOL, κλινικά πρωτόκολλα βασισμένα σε στοιχεία, εθνικά πλαίσια σπουδών, βιομηχανική αθλητική έρευνα.
Ο κυρίαρχος παράγοντας για αποτελέσματα
Ο κλινικός ιατρός που γνωρίζει ότι αυτός ο συγκεκριμένος ασθενής δεν θα τηρήσει το τυπικό πρωτόκολλο, ανεξάρτητα από το τι συνιστάται. Ο προπονητής που βλέπει ότι το backhand ενός παίκτη καταρρέει υπό ψυχολογική πίεση, όχι λόγω φυσικής κόπωσης. Ο υπεύθυνος συμμόρφωσης που γνωρίζει ότι μια συγκεκριμένη ρυθμιστική αρχή εφαρμόζει αυτή τη στιγμή αυστηρότερη ερμηνεία από ό,τι απαιτεί το δημοσιευμένο κείμενο.
Αυτή η γνώση είναι ενσωματωμένη, σχεσιακή και πλαισιακή. Ζει σε ανθρώπους, όχι σε βάσεις δεδομένων. Και είναι ο κυρίαρχος παράγοντας για την ποιότητα των αποτελεσμάτων σε πρακτικά όλους τους υψηλής αξίας τομείς.
Οι εταιρείες που μαθαίνουν να γεφυρώνουν συστηματικά το χάσμα ρητής-σιωπηρής γνώσης θα ξεπεράσουν εκείνες που δεν το κάνουν. Σημαντικά. Μόνιμα.
Σε Bayesian όρους, η ρητή γνώση αποτελεί το Prior: καλά τεκμηριωμένο, σταθερό, μεταφέρσιμο. Η σιωπηρή γνώση είναι η Συνάρτηση Πιθανοφάνειας — η λεπτομερής, ευαίσθητη στο πλαίσιο ενημέρωση που μετατρέπει ένα γενικό prior σε ένα χρήσιμο posterior για αυτήν τη συγκεκριμένη κατάσταση.
Τα τρέχοντα συστήματα ΤΝ είναι εξαιρετικά καλά στην προσέγγιση των priors. Είναι δομικά ανίκανα να συλλάβουν συναρτήσεις πιθανοφάνειας που δεν γράφτηκαν ποτέ. Το χάσμα ρητής-σιωπηρής γνώσης είναι επίσημα η διαφορά μεταξύ:
P(αποτέλεσμα | τεκμηριωμένο πλαίσιο) — για το οποίο βελτιστοποιεί η ΤΝP(αποτέλεσμα | τεκμηριωμένο πλαίσιο + σχεσιακό πλαίσιο + κρίση επαγγελματία) — τι απαιτούν πραγματικά οι αποφάσειςΤο δέλτα μεταξύ αυτών των δύο κατανομών είναι όπου καταστρέφεται η αξία, και όπου λειτουργεί η Noodle.
Αυτή είναι η πιο παρεξηγημένη πτυχή της ανάπτυξης ΤΝ σε κλίμακα και κεντρική στο γιατί η προσέγγιση της Noodle δημιουργεί διατηρήσιμο ανταγωνιστικό πλεονέκτημα.
Ένα γλωσσικό μοντέλο ή προβλεπτικό σύστημα παράγει εξόδους που είναι στατιστικά πιθανές δεδομένης της κατανομής εκπαίδευσής του. Δεν μπορεί να είναι αλλιώς: το μοντέλο δεν έχει ποτέ συναντήσει αυτόν τον ασθενή, αυτή τη ρυθμιστική αρχή, τη συναισθηματική κατάσταση αυτού του μαθητή σήμερα. Κάθε έξοδος είναι θεμελιωδώς μια εκτίμηση — μια κατανομή πιθανότητας πάνω από πιθανές σωστές απαντήσεις, συμπτυγμένη σε μία μόνο απάντηση.
Αυτό δεν είναι ελάττωμα. Είναι αρχιτεκτονική ιδιότητα. Το ερώτημα δεν είναι «Πώς κάνουμε την ΤΝ αληθινή;» Το ερώτημα είναι «Πώς αγκυροβολούμε τις πιθανοτικές εξόδους στις ντετερμινιστικές απαιτήσεις του πραγματικού κόσμου;»
Το επίπεδο Human-in-the-Loop δεν εξαλείφει την πιθανοτική συλλογιστική. Μετατρέπει τις πιθανοτικές εξόδους ΤΝ σε αποφάσεις που ικανοποιούν τα ντετερμινιστικά πρότυπα που πραγματικά απαιτούν τα αποτελέσματα.
| Πιθανοτική Έξοδος ΤΝ | Ντετερμινιστική Απαίτηση |
|---|---|
| Η πιο πιθανή θεραπεία για αυτήν την παρουσίαση είναι X | Αυτός ο ασθενής δεν θα συμμορφωθεί με το X· συνταγογραφήστε Y |
| Αυτή η υποβολή πιθανώς συμμορφώνεται με τον κανονισμό Z | Αυτή η ρυθμιστική αρχή απαιτεί ρητή αναφορά στην παράγραφο 4.2 — προσθέστε την |
| Η απόδοση αυτού του μαθητή υποδηλώνει εστίαση στην άλγεβρα | Αυτός ο μαθητής μπλοκάρει υπό χρονική πίεση — προσαρμόστε τη μορφή αξιολόγησης |
Ο ανθρώπινος ειδικός δεν αντικαθιστά την ΤΝ. Την πλαισιοποιεί — μετατρέποντας μια στατιστικά έγκυρη απάντηση σε μια καταστασιακά σωστή. Με την πάροδο του χρόνου, μέσω της αρχιτεκτονικής προοδευτικής κωδικοποίησής μας, αυτές οι πλαισιακές διορθώσεις τροφοδοτούνται συστηματικά πίσω στο σύστημα, μετατοπίζοντας την κατανομή εξόδου του μοντέλου προς τις ντετερμινιστικές απαιτήσεις του τομέα.
Υπάρχουν δύο διακριτές πηγές αβεβαιότητας στα προβλεπτικά συστήματα:
Οι τρέχουσες αποτυχίες ΤΝ σε τομείς υψηλού κινδύνου είναι κατά κύριο λόγο επιστημολογικές, όχι αλεατορικές. Η σιωπηρή γνώση που οδηγεί την ποιότητα των αποτελεσμάτων απλά δεν υπάρχει σε κανένα σύνολο εκπαίδευσης. Η βελτίωση HITL λειτουργεί ως δομημένος μηχανισμός για τη μείωση της επιστημολογικής αβεβαιότητας — κάθε ανθρώπινη διόρθωση είναι ένα επισημασμένο δείγμα από την πραγματική οπίσθια κατανομή στην οποία το μοντέλο δεν μπορεί να έχει πρόσβαση μόνο μέσω προεκπαίδευσης.
Πιο ακριβώς: κάθε παρέμβαση HITL παράγει μια πλειάδα (πλαίσιο, έξοδος ΤΝ, διόρθωση ειδικού, αποτέλεσμα). Με την πάροδο του χρόνου, αυτές οι πλειάδες γεμίζουν την αποτελεσματική κατανομή εκπαίδευσης του μοντέλου με παραδείγματα από ακριβώς την περιοχή κατανομής όπου η επιστημολογική του αβεβαιότητα ήταν υψηλότερη. Αυτό είναι ενεργή μάθηση σε επίπεδο τομέα.
Σε τι επενδύουμε
Η Noodle επενδύει σε εταιρείες που είναι χτισμένες πάνω στην αρχιτεκτονική βελτίωσης Human-in-the-Loop (HITL) — μια δομημένη μεθοδολογία για την παρεμβολή εξόδων ΤΝ, τον εμπλουτισμό τους με πλαισιακή ανθρώπινη κρίση και την προοδευτική επανακωδικοποίηση αυτής της κρίσης στο σύστημα.
Αυτό δεν είναι ένα chatbot με ανθρώπινο αξιολογητή. Είναι μια σύνθετη υποδομή γνώσης.
Πριν η ΤΝ αγγίξει οποιαδήποτε ροή εργασίας, αναδύουμε τους σιωπηρούς κανόνες, τις ευρετικές και τις εξαιρέσεις των καλύτερων επαγγελματιών του τομέα. Μετατρέπουμε τη ζώσα εμπειρία σε δομημένο πλαίσιο μέσα στο οποίο μπορεί να λειτουργήσει η ΤΝ — όχι ως μεταγενέστερη σκέψη, αλλά ως θεμέλιο.
Η ΤΝ παράγει το πρώτο προσχέδιο. Οι ειδικοί του τομέα το αναδιαμορφώνουν — όχι για να διορθώσουν σφάλματα, αλλά για να μεταφράσουν μια τεχνικά έγκυρη έξοδο σε μια πλαισιακά εφαρμόσιμη. Αυτή είναι η διαφορά μεταξύ ενός σχεδίου που είναι σωστό και ενός που θα λειτουργήσει πραγματικά σε αυτήν την κατάσταση, με αυτό το άτομο, υπό αυτές τις συνθήκες.
Κάθε βελτίωση επιστρέφει σε βελτιωμένες προτροπές, πλαισιακές οδηγίες και μοτίβα ειδικά για τον τομέα. Το ανθρώπινο επίπεδο διδάσκει συνεχώς το σύστημα. Με την πάροδο του χρόνου, το κόστος παρέμβασης μειώνεται ενώ η βασική ποιότητα εξόδου αυξάνεται. Έτσι κλιμακώνεται το μοντέλο, χωρίς να προστίθεται απλώς προσωπικό.
Τα πραγματικά αποτελέσματα επιστρέφουν στο σύστημα. Ο βρόχος δεν κλείνει στην ικανοποίηση χρηστών, αλλά στα πραγματικά αποτελέσματα: Η υποβολή συμμόρφωσης άντεξε τον έλεγχο; Βελτιώθηκε το ποσοστό σερβίς του αθλητή; Αυξήθηκε η βαθμολογία του μαθητή; Τα δεδομένα απόδοσης βελτιώνουν κάθε επόμενο κύκλο.
Η τετραφασική αρχιτεκτονική αντιστοιχεί απευθείας σε ένα πλαίσιο ενισχυτικής μάθησης:
Σε αντίθεση με το τυπικό RLHF (Reinforcement Learning from Human Feedback) που χρησιμοποιεί γενικά δεδομένα προτίμησης, η αρχιτεκτονική της Noodle παράγει σήματα ανταμοιβής που είναι ειδικά για τον τομέα, επικυρωμένα από αποτελέσματα και σωρευτικά. Το μοντέλο ανταμοιβής δεν είναι proxy — είναι πραγματικά δεδομένα απόδοσης του τομέα. Αυτό παράγει ένα θεμελιωδώς πιο ευκρινές και αξιόπιστο σήμα βελτιστοποίησης από τη λεπτή ρύθμιση μόνο βάσει προτιμήσεων.
Αυτή η αρχή είναι αντιδιαισθητική, και είναι ένα από τα σημαντικότερα διδάγματα από την ανάπτυξη ΤΝ σε κλίμακα.
Τα συστήματα ΤΝ βελτιστοποιούν για ορθότητα: η απάντηση που είναι πιο συνεπής με τα τεκμηριωμένα στοιχεία, πιο στατιστικά πιθανή δεδομένων των δεδομένων εκπαίδευσης, πιο ευθυγραμμισμένη με τις δημοσιευμένες βέλτιστες πρακτικές. Αυτό είναι ακριβώς αυτό που πρέπει να κάνουν, και ακριβώς γιατί αποτυγχάνουν στην ανάπτυξη.
Τα αποτελέσματα του πραγματικού κόσμου δεν καθορίζονται από σωστές απαντήσεις. Καθορίζονται από απαντήσεις που λειτουργούν — δεδομένου του ποιος είναι στο δωμάτιο, ποιοι περιορισμοί είναι ενεργοί, ποιες σχέσεις είναι σε παιχνίδι και ποια ιστορία προηγείται αυτής της στιγμής.
Μια κλινικά σωστή σύσταση θεραπείας που ένας ασθενής δεν θα ακολουθήσει είναι κατώτερη από ένα ελαφρώς λιγότερο βέλτιστο πρωτόκολλο που πραγματικά θα υιοθετήσει.
Μια τεχνικά ορθή νομική υποβολή που χρησιμοποιεί γλώσσα που ένας συγκεκριμένος ρυθμιστής βρίσκει αντιπαραθετική θα αποδώσει χειρότερα από μία πραγματιστικά διατυπωμένη.
Μια παιδαγωγικά βέλτιστη ακολουθία μάθησης που ένας συγκεκριμένος μαθητής βιώνει ως συντριπτική θα παράγει χειρότερα αποτελέσματα από μια πιο ήπια προσέγγιση που διατηρεί την αφοσίωση.
Ο επαγγελματίας που γνωρίζει τη διαφορά μεταξύ αυτών των επιλογών δεν παρακάμπτει την ΤΝ. Κάνει τη δουλειά που η ΤΝ δεν μπορεί να κάνει: να χαρτογραφήσει μια σωστή απάντηση στις συνθήκες του πραγματικού κόσμου που καθορίζουν αν θα επιτύχει.
Ο μηχανισμός προοδευτικής κωδικοποίησης συλλαμβάνει αυτή την πραγματιστική νοημοσύνη συστηματικά. Όταν ένας ειδικός συμμόρφωσης προσαρμόζει μια υποβολή ΤΝ για να ταιριάζει στις προτιμήσεις ενός συγκεκριμένου ρυθμιστή — και η υποβολή είναι συνεπώς επιτυχής — το σύστημα μαθαίνει την προτίμηση. Όταν ένας προπονητής τροποποιεί ένα σχέδιο προπόνησης ΤΝ επειδή ένας συγκεκριμένος αθλητής χρειάζεται αυτοπεποίθηση περισσότερο από φορτίο αυτή την εβδομάδα — και τα αποτελέσματα αγώνα βελτιώνονται — το σύστημα μαθαίνει την πλαισιακή προτεραιότητα βαρύτητας.
Με την πάροδο του χρόνου, το χάσμα μεταξύ «σωστού» και «αποτελεσματικού» στενεύει. Όχι επειδή η ΤΝ γίνεται πιο σωστή, αλλά επειδή γίνεται πιο πλαισιακά βαθμονομημένη. Αυτό είναι ένα ποιοτικά διαφορετικό είδος βελτίωσης — και ένα που είναι ειδικό για τον τομέα, τις σχέσεις και την ιστορία που η Noodle έχει χτίσει. Δεν μπορεί να αναπαραχθεί με την ανάπτυξη ενός καλύτερου βασικού μοντέλου.
Το πρόβλημα σωστό-vs-πραγματικό είναι ένα πρόβλημα αναντιστοιχίας συνάρτησης απώλειας που είναι δομικά ανθεκτικό σε τυπικές λύσεις ML.
Η απώλεια εκπαίδευσης ελαχιστοποιεί το σφάλμα έναντι της κατανομής εκπαίδευσης. Αλλά η «πραγματιστική αποτελεσματικότητα» δεν περιέχεται στην κατανομή εκπαίδευσης — είναι μια αναδυόμενη ιδιότητα ενός συγκεκριμένου πλαισίου ανάπτυξης, συγκεκριμένων ανθρώπινων σχέσεων και συγκεκριμένων ακολουθιών ιστορικής αλληλεπίδρασης. Δεν μπορεί να επισημανθεί εκ των προτέρων.
Γι' αυτό η κλιμάκωση του μεγέθους μοντέλου, η προσθήκη περισσότερων δεδομένων εκπαίδευσης ή η εφαρμογή RLHF σε γενικά δεδομένα προτίμησης δεν κλείνουν το χάσμα. Το σήμα που θα το έκλεινε — «Λειτούργησε αυτή η συγκεκριμένη έξοδος για αυτό το συγκεκριμένο άτομο σε αυτό το συγκεκριμένο πλαίσιο;» — υπάρχει μόνο σε βρόχους ανατροφοδότησης ανάπτυξης.
Η αρχιτεκτονική της Noodle είναι ειδικά σχεδιασμένη για να συλλάβει, να δομήσει και να επανατροφοδοτήσει αυτό το σήμα. Είναι λύση σε ένα πρόβλημα που οι πάροχοι βασικών μοντέλων δεν μπορούν να λύσουν.
Γιατί το Εύρος είναι το Σημείο
Το χάσμα ρητής-σιωπηρής γνώσης προκύπτει παντού όπου αναπτύσσεται η ΤΝ. Η μεθοδολογία για να το κλείσει είναι μεταφέρσιμη. Επεκτείνετε κάθε τομέα για να δείτε πώς εκτυλίσσεται.
Ανταγωνιστική Θέση
Η αρχιτεκτονική HITL είναι μεταφέρσιμη σε κλάδους. Η σιωπηρή γνώση που αποτυπώνει σε κάθε κλάδο δεν είναι. Μια βάση γνώσης ναυτιλιακής συμμόρφωσης που χτίστηκε μέσω του επιπέδου μας δεν μπορεί να αναπαραχθεί από έναν ανταγωνιστή που εισέρχεται στον χώρο — είναι χτισμένη από χρόνια εξειδίκευσης ειδικών και είναι ειδική για τις σχέσεις, τις δικαιοδοσίες και τις ακραίες περιπτώσεις που έχουμε συναντήσει. Η μεθοδολογία είναι η μηχανή μας. Η συσσωρευμένη γνώση είναι η τάφρος μας.
Καθώς οι ανθρώπινοι ειδικοί μας βελτιώνουν τις εξόδους ΤΝ, κωδικοποιούν συστηματικά την κρίση τους στο σύστημα. Με την πάροδο του χρόνου, η ΤΝ απαιτεί λιγότερη ανθρώπινη παρέμβαση για να επιτύχει το ίδιο κατώφλι ποιότητας. Το κόστος παράδοσης πέφτει ενώ η ποιότητα εξόδου αυξάνεται. Οι ανταγωνιστές που βασίζονται στην ακατέργαστη έξοδο ΤΝ δεν το πετυχαίνουν ποτέ. Οι ανταγωνιστές που βασίζονται στην καθαρά ανθρώπινη παράδοση δεν μπορούν να το κλιμακώσουν. Βρισκόμαστε στη διασταύρωση.
Όσο περισσότερο χρόνο λειτουργεί η αρχιτεκτονική της Noodle σε έναν τομέα — με έναν επαγγελματία, έναν πελάτη, έναν θεσμό — τόσο περισσότερη σιωπηρή γνώση έχει εξαχθεί και κωδικοποιηθεί. Η αντικατάστασή μας σημαίνει απώλεια αυτής της θεσμικής και ατομικής μνήμης. Το stack ΤΝ που χτίζεται πάνω στο επίπεδό μας γίνεται εξαρτημένο από το επίπεδο πλαισίου που έχουμε χτίσει. Αυτό το πλαίσιο δεν μεταφέρεται σε ανταγωνιστή.
Ο τρέχων κύκλος ανάπτυξης ΤΝ παράγει μια μεγάλη και αυξανόμενη κατηγορία απογοητεύσεων: ικανά συστήματα, κακά αποτελέσματα, απογοητευμένοι χρήστες. Ο τρόπος αποτυχίας είναι σχεδόν πάντα ο ίδιος — το χάσμα ρητής-σιωπηρής γνώσης.
Οι εταιρείες που λύνουν αυτό το πρόβλημα συστηματικά, σε τομείς, με μεθοδολογία που κλιμακώνεται και συντίθεται, θα αποτυπώσουν δυσανάλογη αξία στην επόμενη φάση υιοθέτησης ΤΝ. Η Noodle Investments™ χτίζει και υποστηρίζει ακριβώς αυτές τις εταιρείες.
Δεν στοιχηματίζουμε σε καλύτερο μοντέλο. Στοιχηματίζουμε στο επίπεδο που κάνει κάθε μοντέλο να λειτουργεί πραγματικά — στον πραγματικό κόσμο, για πραγματικούς ανθρώπους, υπό συνθήκες που κανένα σύνολο δεδομένων εκπαίδευσης δεν έχει πλήρως προβλέψει.
Αυτό το παράρτημα επισημοποιεί την επενδυτική θέση για τεχνικά κοινά, αντιστοιχίζοντας τις βασικές έννοιες σε καθιερωμένα πλαίσια μηχανικής μάθησης, επιστημολογίας και σχεδιασμού συστημάτων.
Για περαιτέρω συζητήσεις σχετικά με την τεχνική αρχιτεκτονική, την υποδομή δεδομένων ή τα μοντέλα ανάπτυξης ειδικά για τομέα, επικοινωνήστε με την επενδυτική ομάδα της Noodle.