Adam Mosseri rodo savo AI komandinį centrą darbui Instagram vadovo kėdėje

Instagram vadovas Adam Mosseri pasakoja apie pačių susikurtus įrankius: „Roger“ seka, ko jis paprašė kolegų ir kas liko nepadaryta, o bendras „desk“ suveda susitikimų santraukas, užduotis ir priminimus į vieną sąrašą. Programėlė surinkta su vidine Meta kūrimo aplinka ir Meta CLI – paprastas web app su SQL duomenų baze, kurį naktimis papildo automatizacijos iš Slack, pašto ir susitikimų. Mosseri pabrėžia, kad pirmosios versijos santraukos buvo bevertės, o pagerėjo tik įdiegus grįžtamojo ryšio kilpas, ir kad reikia nuolat mokytis, nes įrankiai keičiasi kas mėnesį.
Pilna santrauka
Mokymosi nuostata ir nuolat kintantys įrankiai1:00
Instagram vadovas Adam Mosseri, kurio programėle kas mėnesį naudojasi trys milijardai žmonių, pasakoja, kaip pats susikūrė AI pagrįstą „komandinį centrą" darbui valdyti. Pagrindinė jo mintis: modeliai iš dėžutės yra protingi, bet tėra tarsi interneto vidurkis, todėl patys savaime naudos duoda mažai. Norint, kad technologija dirbtų tau, reikia priimti „mokinio" mąstyseną, nes tai, ką modeliai ir įrankiai gali šiandien, po pusmečio atrodys visiškai kitaip. Dėl to jo naudojami sprendimai keičiasi kas mėnesį – negalima vieną kartą kažko išmokti ir taip dirbti amžinai.
Mosseri sako, kad dabar mokosi kasdien taip, kaip nebuvo tekę daug metų; tai kartais vargina, bet kartu labai jaudina.
Roger ir atskaitomybės sekimas2:02
Anksčiau Mosseri turėjo kelis atskirus agentus, o dabar darbe viską sujungė į vieną didelę sistemą su atskiromis dalimis. Viena jų – „Roger": įrankis, prijungtas prie Slack, el. pašto ir kitų kanalų, kuris seka viską, ko jis paprašė kolegų. Valdant didelę komandą dažnai nutinka, kad žmonės pažada, bet nepadaro arba padaro labai vėlai. „Roger" leidžia grįžti ir pamatyti, kad, pavyzdžiui, prieš dvi savaites buvo kažko paprašyta ir atsakymo taip ir nėra, tad galima nusiųsti draugišką priminimą. Pašnekovas juokauja, kad komandai tai ne itin patinka, bet taip palaikoma aukšta atskaitomybė.
„Desk" – darbo komandinis centras4:06
Visa informacija suteka į vieną sąrašą, kurį Mosseri vadina „desk". Jis apibūdina, kaip visada įsivaizdavo savo darbą: yra vienas dalykas, kurį darai dabar, ir labai ilgas sąrašas kitų, kuris nusidriekia už akiračio – periferiniu matymu matai dar du tris artimiausius. Sukurta programėlė būtent taip ir atrodo: svarbiausia užduotis viršuje, toliau – visa kita, su galimybe atidėti, redaguoti ar tiesiog „pervažiuoti" sąrašą. Užduotys tipinės: perskaityti ir pakomentuoti roadmap, atsakyti į klausimą, atblokuoti komandą, priminti žmogui apie prieš dvi savaites prašytą dalyką.
Į „desk" sudėta ir „Caddy", ir „Roger", ir visi susitikimų briefingai bei jų istorija.
Techniškai tai nesudėtinga: naudojama vidinė Meta kūrimo aplinka (harness), leidžianti rinktis skirtingus modelius, ir vadinamasis Meta CLI su vidinėmis įmonės API. Pats produktas – paprastas web app su SQL duomenų baze. Esmę sudaro naktimis veikiančios automatizacijos, kurios surenka informaciją apie tai, kaip praėjo susitikimai, kokie buvo veiksmų punktai, ko jis prašė, ko prašė jo, ką rašė žinutėmis ir laiškais, ir nuolat atnaujina sąrašą.
Ar reikia mokėti programuoti5:08
Paklaustas, ar netechniškas žmogus galėtų tiesiog paprašyti AI sukurti tokį centrą, Mosseri sako, kad dar ne – neturint jokios programinės įrangos kūrimo patirties geras rezultatas vargu ar pavyks; reikia iteruoti, duoti grįžtamąjį ryšį, paaiškinti, kaip tai turėtų atrodyti ir kokie tikslai. Daugumai žmonių, turinčių kur kas trumpesnį darbų sąrašą, pakaktų daug paprastesnio sprendimo: bendrauti su proaktyviu agentu (Meta tokį vadina Muse) tiesiog per tekstą, duoti jam prieigą prie pašto ir paprašyti pranešti, jei kuris nors svarbus laiškas guli neatsakytas ilgiau nei dieną ar dvi.
Grįžtamojo ryšio kilpos ir laiškai6:12
Apie 70 proc. jo laiškų juodraščių parengia AI, bet jis juos redaguoja prieš siųsdamas. Čia ir atsiranda svarbiausias principas – kilpa (loop). Agentas išsaugo savo parašytą juodraštį, palygina jį su realiai išsiųstu laišku ir mokosi iš skirtumo. Iš pradžių laiškai buvo bendriniai ir neskambėjo kaip jis pats, bet pamažu modelis perprato toną, vertybes, net grafiką. Esmė – nekartoti pastabų rankiniu būdu kiekvieną kartą, o sukurti kilpą, kuri mokosi savaime, nes kitaip laiko taupymo nelieka.
Susitikimų briefingai8:13
Panaši kilpa veikia susitikimams. Mosseri dalyvauja daugybėje susitikimų ir gauna dokumentų nuo 10 iki 100 puslapių. Agentas juos perskaito ir išskiria tris keturis svarbiausius dalykus; jis vis tiek perskaito visą dokumentą, bet briefingas padeda iš anksto susiorientuoti. Pirmoji versija, sukurta maždaug prieš metus iš vieno ilgo prompt'o, buvo beverčiai „dar daugiau teksto skaityti" ir nepadėjo visiškai. Padėtį pakeitė kilpa: po susitikimo agentas suranda PM laišką su veiksmų punktais, AI užrašus, paties Mosseri užrašus, Slack žinutes apie susitikimą ir įvertina save – ar tikrai nurodė tai, kas buvo svarbiausia.
Per mėnesį ar du briefingai iš laiko švaistymo tapo tikrai naudingi ir kas savaitę darosi protingesni.
Asmeniniai įrankiai: podcastai vaikams11:51
Namuose Mosseri taip pat yra prikūręs mažų programėlių. Viena jų – „Pods": generuoja podcastus jo trims sūnums (šešerių, aštuonerių ir dešimties metų). Jis prijungė API, kad būtų prieinami naujausi sporto rezultatai iš pagrindinių lygų, ir „įžemino" sistemą laike, nes modeliai kartais nesusigaudo, kokia diena. Viduriniam sūnui dažniausiai generuojama Premier League savaitgalio rezultatų apžvalga, vyresniam – dešimties minučių pasakojimai istorijos ar sporto temomis, pavyzdžiui, apie geriausius visų laikų kraštinius ar penkis geriausius dabartinius vartininkus.
Programėlėje galima nurodyti temą, trukmę (kad ir 26 minutes) ir klausytojo amžių, kuris vaikams automatiškai siejamas su gimtadieniais. Kalbėdamasis su tėvu, nesuprantančiu, kaip veikia AI, jis tiesiog nustatė amžių 73 ir paprašė paaiškinti. Pasirinktas vaikams draugiškas balsas; yra nustatymai, koks modelis naudojamas (rodomas Muse Spark), greitis, galimybė atsisiųsti ar siųsti failą draugams. Jis taip pat parodo trenerio programėlę, sekančią savaitės treniruotes ir bendrą planą.
Custodian – bendra atmintis tarp įrankių14:27
Kadangi Mosseri nuolat keičia įrankius – naudoja savus Meta sprendimus (Muse, Meta AI), daug dirbo su Claude, bandė Duet, Dots, ilgai naudojo ChatGPT – jam erzina kaskart iš naujo mokyti naują įrankį apie save. Todėl jis sukūrė „Custodian": bendrą veiklos, atminties ir įgūdžių saugyklą, prie kurios prijungiami visi įrankiai. Ten laikomi, pavyzdžiui, nurodymai, kaip rašyti laišką jo stiliumi, ir kas turi prieigą. Atmintis saugoma failuose ir sukelta į embedding erdvę, tad paiešką galima vykdyti pagal sąvoką, o ne tik raktažodį. Visi įrankiai gali ir skaityti, ir pagal tam tikras gaires rašyti atsiminimus.
Taip atsiradus naujam įrankiui jį galima tiesiog prijungti, išbandyti ir atjungti. Darbe naudojama atskira sistema.
Sprendimų delegavimas15:55
AI jis naudoja sprendimams „stress testinti". Mosseri sako sąmoningai stengiasi priimti kuo mažiau sprendimų – kažkada net turėjo skaitiklį su spragtuku. Valdant didelę komandą sprendimus reikia deleguoti protingiems žmonėms, esantiems arčiau darbo, kitaip pats tampi kliūtimi. Jis pripažįsta, kad Silicio slėnyje dabar madinga deleguoti kuo mažiau, bet jo filosofija kitokia. Sprendimus jis priima, tačiau kai kas nors kitas kvalifikuotesnis, perduoda juos viešai – kad visa komanda žinotų, jog tai Max'o, Jenny ar Nat'o sprendimas.
Kai komanda žino, kieno tai sprendimas, elgiasi kitaip, nes žino, kas atsakingas, o tokia atskaitomybė žmones įgalina; priešingu atveju visi vėl krenta atgal pas jį.
Samdymas ir atleidimas17:05
Samdant jis jau seniai ieško trijų dalykų bet kurioje funkcijoje (inžinerija, dizainas, data science): ryžto ir energijos (grit, hustle), gebėjimo greitai mokytis ir savirefleksijos, t. y. gebėjimo priimti grįžtamąjį ryšį. Turint šiuos tris dalykus per laiką galima išmokti bet ko; trūkstant bent vieno – dažnai įstringama. Dabar greito mokymosi savybė svarbi dar labiau, nes viskas keičiasi labai sparčiai. Per pokalbį tai tikrinama klausiant apie dalykus, kurių kandidatas nežino, ir stebint, kaip greitai jis juos perpranta. Taip pat žiūrima į istoriją: kaip greitai augo atsakomybės, ar žmogus sėkmingai keitė vaidmenų tipus.
Vaidmens keitimas kas tris mėnesius kelia klausimų, bet jei senjoras praleido po kelerius metus data science, paskui produkte ar inžinerijoje, tai rodo visapusiškumą ir yra patrauklu. Kartu ribos tarp vaidmenų nyksta: dizaineriai rašo kodą, data scientists kuria prototipus ir maketus, inžinieriai traukia duomenis ir daro analizes.
Atleidimo klausimu jis sako, kad tai sunku, ir kad kriterijai yra tiesiog priešingi samdymo kriterijams: vertinami ne būtinai senjorai, o augantys, kas mėnesį stiprėjantys žmonės. Jei tenka ką nors paleisti, tai dažniausiai tie, kuriems sunkiai sekasi evoliucionuoti ir toliau mokytis aplinkoje, kur mokytis reikia visiems. Stengiamasi padėti žmonėms suprasti, kaip keičiasi pasaulis, priprasti bandyti nauja ir priimti nesėkmes. Naujų darbo būdų mokymąsi jis lygina su užsienio kalbos mokymusi: daugelis gali rašyti, bet bijo kalbėti, nes nenori atrodyti kvailai – reikia būti pasiruošusiam suklysti ir būti pataisytam.
Produktyvumo ir AI naudojimo matavimas20:09
Mosseri sako, kad žiūrima, kas sunaudoja daugiausiai tokenų, bet maždaug pusė atvejų yra labai produktyvūs, o kita pusė – visiškas pinigų švaistymas, tad reikia atskirti. Token maxing savaime nėra tikslas. Jam rūpi žmonių produktyvumas ir tai, ar jie išnaudoja technologijos suteikiamą galimybę. Tačiau didelės įmonės dažnai sumaišo metrikas su tikslais: tikslas gali būti „norime, kad žmonės jaustųsi patogiai dalindamiesi daugiau", o metrika – kiek žmonių šiandien paskelbė story Instagrame. Metrika tėra tikslo proxy, o pats tikslas turi būti išreikštas žodžiais.
Jis nekelia tikslų AI naudojimui, tokenams, diff'ams, kodo eilutėms ar eksperimentams vienam kūrėjui, bet žiūri į juos kaip į produktyvumo leading indicators. Galiausiai rūpi realus poveikis: kiek išleista (shipped), kiek naudingesnis tapo Instagram, kaip žmonės apie jį jaučiasi, kiek daugiau žmonių juo naudojasi.
Sentimentas ir sunkiai išmatuojami dalykai22:16
Instagram kasdien klausia tūkstančių (ar daugiau) žmonių apie pasitenkinimą: kiek Instagram linksmas, kiek esate patenkintas patirtimi, kiek Instagram rūpi jo naudotojai. Tai vadinamosios sentimento metrikos; daugumoje industrijų naudojamas NPS. Taip pat stebima, kiek žmonių naudojasi programėle per dieną, kiek išsiuntė žinučių, paskelbė story, kiek buvo impresijų. Visos jos rodo bendrą aplikacijos sveikatą, bet per daug susitelkus į vieną kyla rizika tapti trumparegiu.
Daug dalykų išmatuoti neįmanoma, ir geriausias pavyzdys – turinio ranking. Instagrame turinio yra kur kas daugiau, nei kas nors spėtų peržiūrėti, net iš sekamų paskyrų, todėl siekiama parodyti geriausią. Ranking nėra tobulas, bet jo atsisakius smarkiai krinta ir naudojimas, ir sentimentas bei pasitenkinimas. Viena iš problemų – rangas skaičiuojamas pagal tai, ką galima išmatuoti, o Mosseri nėra matęs įrodymų, kad lengvumas išmatuoti koreliuotų su tikrąja verte.
Jis skiria pirmos eilės ir antros eilės preferencijas: man skanus spurgos skonis yra pirmos eilės, o noras būti sveikam, gerai maitintis, numesti svorio ar priaugti raumenų – antros eilės; jos gali prieštarauti viena kitai. Pirmos eilės preferencijos greitos ir lengviau matuojamos (ar patiko reel, ar persiunčiau draugui, ar paspaudžiau ant nuotraukos), o klausimai, ar tai buvo verta mano laiko, ar apie tai kalbėsiu su žmona ar geriausiu draugu, ar galvosiu rytoj, matuojami sunkiau, nors nėra mažiau svarbūs. Todėl nuolat ieškoma būdų geriau suprasti šiuos sunkiau išmatuojamus, bet dažnai svarbesnius proxy.
Pasiekiamumas kaip priemonė, ne tikslas25:24
Vedėjas pasidalija pavyzdžiu: trys stiprūs pašnekovai, du surinko puikius peržiūrų skaičius, o Brian Chesky epizodas – mažiau nei vidutiniškai, nors pokalbis buvo itin vertingas. Apklausus auditoriją, 44 proc. nurodė būtent jį kaip geriausią epizodą, tad jam norisi optimizuoti ne peržiūras, o poveikį, nes virališkumo strategija pasitenkinimo neduoda. Mosseri atsako, kad reach yra priemonė, o ne tikslas: pasiekiamumo reikia tam, kad galėtum skleisti idėją, parduoti produktą, kurti prekės ženklą ar puoselėti bendruomenę.
Ne visos peržiūros vienodos – Brian interviu galbūt pasiekė mažiau žmonių, bet turėjo didesnį emocinį poveikį, o tai reiškia lojalesnę auditoriją ilguoju laikotarpiu, nors tai sunkiai išmatuojama. Peržiūra yra gana paviršutiniškas įsitraukimo matas (trys sekundės – nedidelė kartelė), todėl verta žiūrėti ir į watch time; sužinojęs, kad jis buvo panašus, Mosseri daro išvadą, kad tai tiesiog buvo siauresnė, bet labiau suinteresuota auditorija, o tai gali būti kaip tik tas prekės ženklas ir ta auditorija, kuri vertingiausia reklamuotojams.
Rėmėjo intarpas10:49
Video rėmėjas – HubSpot. Pristatomas HubSpot Smart CRM: prie Zoom, Google Meet ar Teams skambučių pridedamas HubSpot note taker, po skambučio transkripcija automatiškai įkeliama į kliento įrašą, sistema pasiūlo sandorio atnaujinimus, surenka kitus žingsnius ir parengia personalizuotą follow-up laišką, kurį belieka peržiūrėti ir išsiųsti. Vedėjas sako, kad jo 35 žmonių komandai skirtinguose skyriuose tai tapo būtina, nes visi pažadai iš skambučių sugula vienoje vietoje. Taip pat minimas jo nemokamas naujienlaiškis su gidu, kaip per maždaug 20 minučių be programavimo susikurti pirmąjį AI agentą.
Originalas: Head of Instagram Reveals How the Top 1% Actually Work With AI (Silicon Valley Girl YouTube kanalas)