Dauguma įmonių AI diegimų iki šiol buvo sutelkti į kodavimo asistentus ir klientų aptarnavimo robotus. Vietoj to „Morgan Stanley“ pasitelkė agentus vienoje iš labiausiai tikslumo ir terminų pagrįstų darbo eigų – pelno ir nuostolių (P&L) derinimo – ir sumažino darbą per pusę. Priešinga dalis: ji atsirado padarius sistemą mažiau savarankišką, o ne daugiau.
Žmonės yra tvirtai susiję su kilpa, o jų sprendimai nuolat paverčiami pasikartojančiomis taisyklėmis, kurias sistema gali taikyti pati.
„Tai daug labiau panašu į bendradarbį, o ne į antrąjį pilotą“, – neseniai vykusiame „VB AI Impact“ renginyje sakė „Morgan Stanley“ generalinis direktorius Toddas Johnsonas. Vidinė gamybos agentų sistema, žinoma kaip FIXR, yra ne tik paprasta, bet ir nesudėtinga "tipo AI 1.0" užduotis. „Manome, kad čia yra galimybė iš tikrųjų atrakinti sudėtingesnį darbą organizacijoje.
FIXR užkulisiuose
Kiekvieną prekybos dieną „Morgan Stanley“ prekybos centrai atlieka svarbų darbą, susijusį su sandoriais, tokiais kaip grynųjų pinigų akcijos ar investicijos į skolą.
Ir kiekvienos iš šių dienų pabaigoje valdytojai turi suderinti finansų milžino finansų, rizikos, operacijų ir prekybos fiksavimo sistemas P&L. Visi šie duomenys turi susijungti ir, ko gero, nenuostabu, kad šimtai tūkstančių atributų dažnai nesutampa.
Paprastai tai reiškia, kad valdikliai turi rankiniu būdu ištirti kiekvieną neatitikimą (arba „pertrauką“), priimti sprendimus dėl koregavimų, o tada idealiu atveju pasirašyti prieš numeriui nukeliant ant stalo. Ir visa tai dirbant sunkaus ryto termino.
Anksčiau vienai knygai tai užtrukdavo iki šešių valandų. Dabar FIXR atlieka užduotį per dvi ar tris valandas, sakė Johnsonas. Apytiksliai 100 valdiklių, kurie atlieka šį darbą, per savaitę sutaupo apie 1500 valandų.
Baigus naktinius P&L skaičiavimus, sistema automatiškai analizuoja „pertraukas“ ir pasiūlo sprendimus pagal išmoktas taisykles. Keli agentai dirba kartu:
-
Norint parengti dienos pradžios sprendimus, interpretuojamos praeities gairės.
-
Iš valdytojo elgesio mokomasi ir dokumentuojamos jų taikomos taisyklės.
-
Vienas paverčia pasikartojančius modelius į patvarią, automatizuotą logiką.
Laikui bėgant sistema gali automatiškai išvalyti tam tikrus anksčiau patirtus gedimus, pasiūlyti sprendimus kitiems, kurie gali būti mažiau pažįstami, paprašyti pagalbos, kai nėra tikri, ir pažymėti, kad žmogus galėtų ištirti. Kai elementai pakartotinai sprendžiami tuo pačiu metodu, gali būti sukurtos tvirtos taisyklės.
Kritiškai svarbu, kad žmonės nepalieka kilpos, bet lieka visiškai joje, sakė jis. Jie peržiūri, patvirtina arba pataiso kiekvieną rekomendaciją, tada grąžina tuos sprendimus, kad patobulintų kitą paleidimą. Agentas kasdien iš kontrolierių sužino, kas jam daroma teisingai ir neteisinga, ir kodifikuoja tas žinias kartodamas.
„Jūs vis tiek išsaugote tą žmogiškosios atskaitomybės elementą, net kai pradedate automatizuoti“, – sakė Johnsonas. „Laikui bėgant pamatysite vis daugiau tų elementų, kurie bus išspręsti automatiškai.
Jis pabrėžė, kad savarankiškumas reikalauja didelio pasitikėjimo; įmonės nepamatys efektyvumo padidėjimo, jei visi tikrins viską, ką daro agentas.
Žmogaus ir agento grįžtamasis ryšys buvo labai svarbus sprendžiant kontroliuojamo, išmatuoto ir kartojamo automatizavimo iššūkį. „Mes supratome, kad visą tą žvalgybinę informaciją, slypinčią kontrolieriaus galvoje, bus sunku sugauti agentui pirmą dieną“, – sakė Johnsonas.
Pirmiausia sutelkite dėmesį į procesą, išplečiamumą
Johnsonas sakė, kad labai svarbu pirmiausia nustatyti procesus, prieš įtraukiant bet kokį AI. Jo komanda atliko „labai nuodugnų“ proceso žvalgybos vertinimą, kuriame buvo sudarytos ir išmatuotos darbo eigos, kad nustatytų, kur automatizavimas būtų naudingiausias: ar atsakymo agentai, tradicinis automatizavimas ar paprastas pertvarkymas buvo neefektyvus žingsnis?
„Jei galime iš pradžių tai išspręsti prieš įtraukdami agentus prie problemos, tada tikrai pakeisime galimybę“, – sakė jis.
P&L pasirašymo procesas buvo pilnas automatizavimui tinkamų rankinių veiksmų, o agentai, perimantys kai kurias iš šių daug laiko reikalaujančių užduočių, atlaisvina valdiklius, kad būtų galima atlikti „didesnės pridėtinės vertės analizę“ ir „gilesnį rizikos įvertinimą“, – sakė jis.
Tačiau išplėtimas buvo toks pat svarbus kaip ir laiko taupymas. Johnson komanda pasirinko šį konkretų P&L suderinimo naudojimo atvejį, nes šimtai valdytojų atliko šį darbą visame versle (Amerikoje, Europoje, Azijoje).
Taigi pradėkite nuo naudojimo atvejo, įrodykite jį, išplėskite jį, „ir tada transformacija įvyks, kai mes tai vis labiau ir labiau išplėsime visoje organizacijoje“, – sakė Johnsonas.
Deterministinis pagal dizainą
Johnsonas teigė, kad komanda taip pat sąmoningai apribojo, kiek darbo eigos apskritai priklausė nuo modelio sprendimo. "Jei turite galimybę, kad viskas būtų labai apibrėžta ir pakartojama, tai pigiau naudojant žetonus, tai labiau pakartojama, kalbant apie valdiklius – ir leiskite LLM atlikti darbus, kur jums nereikia tokios deterministinės darbo eigos," pasakė jis.
Kadangi sistema mato daugiau valdiklio atsiliepimų apie tam tikrą pertraukos tipą, Morgan Stanley konvertuoja tą modelį į fiksuotą taisyklę, o ne palieka tai modeliui.
Žmonėms vis dar priklauso toks elgesys
Įdomus (ir galbūt esminis) klausimas, iškeltas agentų eros aušroje: ar agentai yra kodiniai, ar skaitmeniniai darbuotojai?
Johnsonas teigia, kad „jie tikriausiai yra šiek tiek abiejų“ ir todėl reikalauja niuansų, kai kalbama apie valdymą ir priežiūrą. Techninės komandos vis tiek turi būti atsakingos už apsaugos ir apsauginių turėklų, pvz., užkardos ar šifravimo, priežiūrą.
Tačiau „našumo elementas“ turi naują dinamiką: žmonės, naudojantys agentus, yra atsakingi už juos, nes tai padeda jų verslo darbui. Pavyzdžiui, jei vyresnysis kontrolierius dirba su jaunesniuoju kontrolieriumi, jie ne tik atsisako atsakomybės, nes kažkas jiems padeda, pažymėjo Johnsonas.
„Vienas iš mūsų stiprių AI valdymo principų yra tai, kad visada turi būti žmogaus atskaitomybė, net jei yra tam tikras automatizavimo laipsnis“, – sakė jis.
Tačiau paprastai nėra „vieno vieno asmens“, o procesas galiausiai yra nenutrūkstamas. Iki šiol Johnsonas juokavo, kad vienas „slegiantis“ agentinio AI dalykas yra tas, kad tam reikės nuolatinio mokymo, nes modeliai nuolat keičiasi.
„Jūs niekada negalėsite pasakyti: „Atlikome visus reikalingus įvertinimus ir bandymus. Paleiskime tai. Turėsite nuolat stebėti, kaip laikui bėgant jis vystosi.
„Morgan Stanley“ siekia tikrų verslo problemų
„Morgan Stanley“ patirtis atspindi modelius, kuriuos „VentureBeat“ atskleidė įvairiose įmonėse DI.
Neseniai „VentureBeat“ atliktame „VB Pulse“ tyrime beveik trys ketvirtadaliai respondentų pranešė, kad dėl individualaus modelio patikslinimo IG nematė mažai arba visai nebuvo. "smėlio dėžės kapinės" AI projektų, kuriuos išlaikyti pasirodė per brangu. Tai rodo, kad „Morgan Stanley“ metodas „pirmiausia pirkti ir sumaišyti“ gali būti tvaresnis nei pagal užsakymą sukurtų modelių vaikymasis. Apklausoje dalyvavo 87 respondentai ir išvados turėtų būti laikomos kryptingais.
Valdymas tapo dar vienu dažnu iššūkiu: 38 % respondentų kaip didžiausią kliūtį gamybiniam dirbtiniam intelektui nurodė vieno atsakingo savininko nebuvimą, o tik dvi iš 87 apklaustų įmonių aktyviai stebėjo ir perspėjo, kad nustatytų modelio gedimus.
