В новом выпуске подкаста FYI от ARK Invest технический директор Palantir Шьям Шанкар (Shyam Sankar) раскрывает внутреннюю кухню одной из самых закрытых и обсуждаемых технологических компаний мира. В беседе с командой ARK он объясняет, почему чат-интерфейсы — это тупиковый путь для корпоративного ИИ, как «онтология» данных превращает разрозненные функции бизнеса в единый оркестр и почему будущее программирования лежит в области биологии.
🛠 От 13-го сотрудника до CTO: философия «передового проектирования» 1:05
Шьям Шанкар присоединился к Palantir 18 лет назад, став 13-м сотрудником компании . В основе его подхода лежит концепция «Forward Deployed Engineering» (FDE) — инженеров, работающих непосредственно «в полях» с клиентами. По словам Шанкара, это позволяет создавать продукт методом «обратного распространения» (back propagation): вместо того чтобы сидеть в офисе в Пало-Альто, инженеры изучают эмпирическую истину проблем заказчика и работают в обратном направлении — от ответа к функции .
Личная мотивация Шанкара тесно связана с национальной безопасностью. Будучи ребенком беженцев, бежавших от насилия в Нигерии, и потеряв дядю во время терактов в Мумбаи в 2006 году, он считает работу над защитой общества своим долгом . Этот драйв помог Palantir масштабироваться из правительственного сектора в коммерческий, сохранив фокус на решении фундаментальных задач.
💼 Миф о консалтинге и реальность софтверной маржи 2:47
Существует устойчивое заблуждение, что Palantir — это скорее консалтинговое агентство, чем продуктовая IT-компания. Шанкар категорически не согласен с такой оценкой, указывая на высокую валовую маржу, которая соответствует софтверному бизнесу, а не сервисному .
Основные тезисы Шанкара о модели бизнеса:
- Поиск «секретов» в полях: Инженеры Palantir не просто внедряют софт, они ищут «глубинные секреты» бизнеса клиентов, которые скрыты за симптоматичными проблемами .
- Проблема Excel: Даже в компаниях с дорогими ERP-системами сотрудники на передовой часто работают в Excel. Шанкар считает, что задача Palantir — создать продукт, который заменит эти «костыли», решив корневые проблемы данных .
- Отказ от почасовой оплаты: Компания не выставляет счета за часы работы (как консультанты), а продает платформу, решающую конкретные бизнес-задачи, такие как ускорение производства самолетов Airbus A350 .
🕸 Онтология как операционная система предприятия 11:37
Ключевым понятием в архитектуре Palantir является «онтология». По мнению Шанкара, это не просто модель данных, а операционный слой, который оркеструет все предприятие .
Разница между обычным хранилищем данных и онтологией Palantir:
- Существительные и глаголы: Онтология включает не только объекты (инвентарь, детали), но и действия (аллокация, перемещение, назначение заказа) .
- Решения вместо данных: Шанкар утверждает, что компаниям не нужно «приводить дом в порядок» годами, прежде чем начать работать с данными. Нужно идти от конкретных решений (decisions, not data) и подтягивать только те данные, которые влияют на это решение .
- Единое стекло: Онтология позволяет принимать решения в том же интерфейсе, где генерируются инсайты, превращая дашборды в полноценные приложения .
Шьям приводит пример: закупщик может экономить на сырье ради своих KPI, не подозревая, что дешевый материал снижает выход готовой продукции и вредит производственному отделу. Онтология связывает эти решения, предотвращая ситуацию, когда «левая рука вредит правой» .
🤖 Почему «чат» — это антипаттерн для корпоративного ИИ 18:42
С появлением больших языковых моделей (LLM) роль онтологии стала критической. Шанкар считает, что просто «прикрутить чат» к корпоративным данным — это ограничивающий подход, который он называет антипаттерном .
По мнению CTO Palantir, LLM — это «третий тип вычислений», нечто среднее между человеческим мышлением и алгоритмической логикой :
- LLM не умеют в математику: Попытка заставить модель умножать пятизначные числа — это «LLM-сложная» задача. Для этого существуют инструменты (калькуляторы, симуляторы), которыми ИИ должен уметь пользоваться .
- От слов к коду: Настоящая ценность ИИ в бизнесе заключается не в умении писать тексты на английском, а в способности «говорить на коде» (JSON, DSL), чтобы изменять состояние приложений .
- Уйти от «галлюцинаций»: Чем сильнее типизирована ваша модель данных («type safety»), тем меньше риск галлюцинаций ИИ. Проще говоря, ИИ легче заполнить четко определенную структуру данных, чем написать связное и верное предложение .
Примеры скорости внедрения на платформе Palantir AIP:
- Агент для обработки страховых претензий в Европе — создан за 2 дня .
- Копилот для гарантийных претензий автопроизводителя в США — создан менее чем за 2 недели (экономит 4 часа работы аналитика в день) .
🏦 Битва за «пиксели»: кто выиграет в гонке ИИ 36:15
В вопросе о том, кто заберет основную прибыль от ИИ-революции, Шанкар придерживается четкой позиции: ценность аккумулируется на нижнем (вычисления/GPU) и верхнем (приложения) уровнях стека .
Основные выводы по рынку:
- Средний слой под угрозой: Модели (foundational models) могут стать коммодити (товаром с низкой маржой). Если вы не владеете приложением, вам трудно создать уникальный опыт и удержать ценность .
- Преимущество инкумбентов: Победителями станут те, кто уже владеет «пикселями» — интерфейсами, в которых люди работают сегодня (Microsoft Office, Palantir Foundry). Создать дистрибуцию с нуля новым игрокам будет крайне сложно .
- Amazon vs. Microsoft: Шанкар отмечает разницу в подходах: Microsoft делает ставку на «магический» опыт в своих приложениях, а Amazon — на предоставление вычислительных мощностей и разнообразие моделей, так как у них меньше собственных приложений, где можно применить ИИ .
🧬 Ginkgo Bioworks: биология как новая инженерия 46:22
Шьям Шанкар также занимает пост председателя совета директоров Ginkgo Bioworks. По его мнению, биология — это будущее производства, а клетка — это компьютер, который можно программировать .
Главные тезисы о Ginkgo:
- Программирование на ACGT: Задача Ginkgo — научить ИИ говорить не на английском, а на языке ДНК. Шанкар считает, что потенциал здесь огромен, так как люди едва понимают «код» природы .
- Замкнутый цикл: Интеграция «сухого» ИИ и «мокрой» лаборатории (автоматизированной фабрики) позволяет проводить тысячи итераций дизайна ДНК быстрее, чем любая традиционная лаборатория .
- Уникальная база данных: Кодовая база Ginkgo примерно в 10 раз больше всех публично доступных источников ДНК, что дает им колоссальное преимущество в обучении специализированных моделей .
