Z kim będziecie pracować

Interdyscyplinarny zespół, który już to dowoził

predictes stoi na prostej obserwacji: programy AI padają na szwach — między strategią a budową, między modelem a procesem, między uruchomieniem a miesiącem, w którym nikt nie patrzył. Zakrycie tych szwów wymaga ludzi, którzy pracowali po obu ich stronach.

  • MŚP → enterpriseWielkości firm, z którymi pracujemy
  • 5Rodziny platform: Azure, Google Cloud, AWS, IBM Cloud, open source
  • 12Usług, od ustawienia problemu po utrzymanie
  • 0Licencji i umów chmurowych, które odsprzedajemy

Interdyscyplinarni, bo takie są porażki

Powodem, dla którego praca nad AI wymaga mieszanego zespołu, jest to, że prawie żadna z trudnych części nie jest problemem modelowania. Rekomendacja technicznie trafna i organizacyjnie niemożliwa upada. Świetnie zbudowany proces danych nad danymi, co do których nikt się nie zgadza, upada. Działający system, którego nikogo nie nauczono obsługiwać, upada po cichu dziewięć miesięcy później.

Dlatego zespół obejmuje strategię i pracę nad zmianą, inżynierię danych i ontologii, inżynierię aplikacji i agentów oraz stronę utrzymaniową, która pilnuje uczciwości systemu po uruchomieniu. Nie chodzi o szerokość dla niej samej — chodzi o to, żeby ci sami ludzie mogli poprowadzić problem przez szwy, na których inaczej zostałby upuszczony.

Od MŚP po enterprise

Inżynieria niewiele zmienia się wraz z wielkością firmy; zmienia się kolejność. Firma dwudziestoosobowa potrzebuje jednego naprawionego procesu i czegoś działającego w tygodniach, prawie bez tolerancji na program. Organizacja dwutysięczna w końcu potrzebuje tego samego, ale ma komitety, istniejące środowisko i budżet na zmianę, które rozstrzygają, co w tym kwartale jest w ogóle możliwe.

Pomylenie tej kolejności to najczęstszy sposób marnowania dobrej pracy. Małym firmom sprzedaje się programy transformacji, których nie są w stanie przyjąć, a dużym pilotaże, które nigdy nie miały szansy wyjść poza jeden dział.

Platformy open source i chmury komercyjne

Jedno i drugie, świadomie. Chmury komercyjne są właściwą odpowiedzią częściej, niż przyznają zwolennicy open source — zwłaszcza gdy firma ma już zobowiązanie, kompetencje i działające środowisko. Stosy open source są właściwe częściej, niż przyznają dostawcy platform — zwłaszcza gdy dane nie mogą wyjechać, gdy koszt licencji źle się skaluje albo gdy dział zakupów pyta dziś, czego wymagałoby odejście.

Większość realnych architektur jest mieszana, co nie satysfakcjonuje nikogo sprzedającego jedną odpowiedź i zwykle jest rekomendacją prawdziwą.

Co warto u nas sprawdzić

Zapytajcie, co odsprzedajemy — nic. Zapytajcie, co dzieje się z kodem i danymi, gdy przerwiecie — już są Wasze. Zapytajcie, jak wygląda współpraca w dziewiątym miesiącu — mniejsza. I poproście, żebyśmy w godzinę ustawili Wasz problem, a potem sprawdźcie, czy pytania są lepsze od tych zadawanych wewnętrznie. To ostatnie mówi więcej niż jakiekolwiek referencje.

O nas

  • Neutralni strukturalnie

    Nie odsprzedajemy niczego i nie mamy limitów partnerskich. To mniejszy model biznesowy i jedyna struktura, w której rekomendacja i Wasz interes patrzą w tę samą stronę.

  • To, co budujemy, należy do Was

    Kod w Waszych repozytoriach od pierwszego dnia, dane w Waszej infrastrukturze, modele i prompty udokumentowane jako produkty. Wyjście uzgodnione, zanim praca się zacznie.

  • Szkolimy się z tej roboty

    Dokumentacja pisana w trakcie pracy, Wasi inżynierowie pracujący razem z nami zamiast czytać podsumowania, i poziom wsparcia, który ma maleć. Jeśli nie maleje, ktoś z nas nie wykonuje swojej pracy.

  • Wyniki, nie produkty

    Zakres współpracy układamy wokół tego, co ma się mierzalnie zmienić, a nie wokół listy dokumentów. Jeśli nie da się tego spisać, problem nie jest jeszcze postawiony.

  • Uczciwi co do ograniczeń

    Systemy AI psują się po cichu i mylą w sposób wymagający wiedzy dziedzinowej, żeby to wyłapać. Projektujemy pod to od początku i mówimy o tym, zamiast odkrywać to z Wami w dziewiątym miesiącu.

  • Powiemy, żeby tego nie robić

    Część problemów to problemy procesowe, danych albo organizacyjne przebrane za AI. Powiedzenie tego kosztuje nas projekt i oszczędza Wam program.