Edwin Lisowski, spoluzakladatel a Chief Growth Officer společnosti Addepto – Interview Series

Edwin Lisowski, spoluzakladatel a Chief Growth Officer společnosti Addepto, dohlíží na strategický růst, rozvoj podnikání a marketing společnosti. Přináší rozsáhlé zkušenosti v oblasti datové architektury, strategie poháněné umělou inteligencí a analytického poradenství, kombinující technické odbornosti se silným zaměřením na škálování přijetí umělé inteligence a iniciativ transformace podnikání pro globální klienty.

Addepto je varšavská poradenská firma specializující se na umělou inteligenci, strojové učení, datové inženýrství a podnikové inteligence pro korporátní klienty. Společnost pomáhá organizacím proměnit syrové údaje v akční informace prostřednictvím komplexní strategie umělé inteligence, vývoje proof-of-concept a implementace výrobních modelů. Pracuje napříč sektory, jako je finance, logistika, výroba a pojištění, Addepto zdůrazňuje přizpůsobené řešení a dlouhodobé partnerství, aby klienti mohli využít umělou inteligenci pro měřitelný obchodní dopad.

Co vás inspirovalo k založení Addepto v roce 2018 a jakou mezeru na trhu jste se snažili vyplnit?

V roce 2018 jsme neustále viděli dva extrémy: velké dodavatele prodávající „jednu velikost pro všechny“ umělou inteligenci a na druhé straně interní týmy uvíznuté po několika proof-of-conceptech, protože jim chyběla síla datové inženýrství a MLOps. Postavili jsme Addepto, aby byl týmem, který spojuje strategii → datové potrubí → modely → výrobu, zejména pro datové těžké průmysly. Tento plně integrovaný přístup je stále naší DNA.

Která z oblastí služeb Addepto – počítačové vidění, NLP, strojové učení nebo datové inženýrství – zaznamenala nejrychlejší přijetí podniků a proč?

Za posledních 18-24 měsíců se NLP/GenAI pohybovalo nejrychleji v podniku (vyhledávání, asistenti, zpracování dokumentů), protože se přímo mapuje na ROI znalostní práce a může začít z základních modelů. Průzkumy odvětví ukazují široký krok vpřed v použití umělé inteligence v roce 2024, s GenAI-vedenými použitími škálováním napříč funkcemi.

Mnohé společnosti mají potíže s přechodem z proof-of-concept umělé inteligence na výrobní systémy. Jak Addepto pomáhá mostem tuto mezeru?

Léčíme výrobu jako disciplínu, ne jako fázi: objevitelské workshopy, datové smlouvy, referenční architektury, CI/CD pro modely, pozorovatelnost a „den-2“ operace (drift, náklady, zábrany). Konkrétně standardizujeme MLOps a přepracováváme proof-of-concepty do koncových bodů mikroslužeb, které se hodí do zákaznického stacku (Databricks/Spark, Kubernetes, stávající BI). To je způsob, jakým jsme konzistentně dodáváme beyond demo.

Generativní umělá inteligence je nyní centrální pro vaše nabídky. Jak rozhodujete, kdy použít základní modely versus vývoj vlastních modelů?

Náš rozhodovací strom je pragmatičtější:

• Začínáme s základními modely, když dominuje čas-hodnota, široké jazykové úkoly a variabilita.
• Přejdeme na jemné ladění nebo adaptéry, když je kritická terminologie domény nebo tónová přesnost.
• Vyvíjíme vlastní modely, když záleží na latenci/nákladů/Kontrola IP, data jsou proprietární/strukturovaná nebo se používají okrajové omezení.
  To odráží, kam se odvětví ubírá: méně „experimentů“, více architektur vhodné pro účel.

V roce 2024 jste spustili ContextClue jako dedikovanou platformu pro správu znalostí. Jaký bolestivý bod vás přesvědčil, že je čas pro samostatný produkt?

Inženýrští klienti nás neustále ptali na stejnou věc: „Naše CAD, PLM, ERP a dokumenty nemluví, můžete je udělat, aby spolu mysleli?“ Řešili jsme to opakovaně v projektech, takže jsme produktizovali vzorec. Rok 2024 byl správný okamžik, protože GenAI učinil vyhledávání a autorství použitelnými pro inženýry (nejen pro datové týmy). Oznámili jsme a začali jej nasazovat v tomto časovém rámci.

ContextClue integruje CAD, ERP, PLM a technické dokumenty. Který z těchto zdrojů dat je nejtěžší sjednotit a jak to řešíte?

CAD je nejtěžší: binární/proprietární formáty, verze, sestavy a prostorový kontext. Normalizujeme CAD spolu s metadata PLM/ERP, pak mapujeme vše do znalostního grafu, aby se části, systémy, specifikace a postupy vyřešily na stejné entity. To je páteř ingest pipeline ContextClue.

Platforma podporuje semantické vyhledávání a generování dokumentů. Jak zajišťujete přesnost a důvěru v těchto výstupech pro inženýrské týmy?

Tři vrstvy:

• Založené na vyhledávání (schéma-aware RAG přes znalostní graf) s citacemi na zdroj artefaktů.
• Zásady + testování (hodnoticí sady v CI, červené týmové podněty, regresní testy).
• Lidský faktor v kritických výstupech (SOP, dokumenty shody). Otevřeli jsme dokonce části naší vyhodnocovací a graf-extrakční toolchain, aby to bylo auditovatelné.

Co činí ContextClue odlišným od ostatních nástrojů pro správu znalostí v těžkém průmyslu a inženýrských ekosystémech?

Je to inženýrsky rodinný: nedělá pouze „vyhledávání souborů“, ale chápe sestavy, závislosti a dopad změn, propojuje CAD/PLM/ERP a historii údržby do akčního grafu. Srovnatelné nástroje pro správu znalostí často zastavují na indexaci; ContextClue sjednocuje strukturu + sémantiku a produkuje jak lidsky čitelné dokumenty, tak strojově čitelné modely (pro digitální dvojčata, plánování).

Jak vidíte ContextClue evoluci s růstem multimodální umělé inteligence, zejména při kombinování textu, schémat a 3D modelů?

Dva směry jsou již v pohybu:

• Vize nad CAD & schématy: extrahování topologie, volání a BOM odkazů, aby se zakotvily odpovědi v kresbách.
• 3D zarovnání: propojení uzlů znalostí s 3D souřadnicemi/Omniverse pohledy, aby se dotazy na údržbu nebo plánování vyřešily na správném místě v modelu. Očekávejte bohatší agenty, které navigují části, verze a postupy napříč modalitami.

Pohledem do budoucnosti, jak vidíte Addepto a ContextClue, které tvarují vzájemný růst, a kde si představujete jejich kombinovaný dopad na odvětví v příštím desetiletí?

Addepto bude dále tlačit hranice, productionizovat multimodální/agentic systémy zodpovědně, zatímco ContextClue promění tuto výzkum a vývoj v opakovanou hodnotu pro inženýrské týmy. Společně jsme cílem snížit „ztrátu znalostí“ (čas ztracený při vyhledávání/znovu vytváření) ve velkém měřítku, měřením výsledků, jako je doba inženýrského cyklu, míra opětovného zpracování a doba přípravy auditu napříč závody a programy. Trh se pohybuje od „mnoha pilotů“ k „méně, vyšší hodnotě nasazení“, a plánujeme být partnerem a platformou, která tyto výhry konzistentně dodává.

Děkuji za skvělý rozhovor, čtenářům, kteří chtějí se dozvědět více, doporučujeme navštívit Addepto.