Molham Aref, generální ředitel a zakladatel RelationalAI

Molham je generálním ředitelem RelationalAI. Má více než 30 let zkušeností s vedením organizací, které vyvíjejí a implementují řešení pro strojové učení a umělou inteligenci napříč různými odvětvími. Předtím, než se stal generálním ředitelem RelationalAI, byl generálním ředitelem LogicBlox a Predictix (nyní Infor), generálním ředitelem Optimi (nyní Ericsson (ERIC )) a spoluzakladatelem Brickstream (nyní FLIR). Molham také zastával seniorní vedoucí pozice v HNC Software (nyní FICO) a Retek (nyní Oracle (ORCL )).

RelationalAI spojuje desetiletí zkušeností z průmyslu, technologií a produktového vývoje, aby pokročil s prvním a jediným skutečným cloudovým systémem pro správu znalostních grafů, který pohání další generaci inteligentních aplikací pro zpracování dat.

Jako zakladatel a generální ředitel RelationalAI, jakou jste měl původní vizi, která vás vedla k založení společnosti, a jak se tato vize vyvinula za posledních sedm let?

Původní vize se soustředila na pochopení dopadu znalostí a sémantiky na úspěšné nasazení umělé inteligence. Předtím, než jsme se dostali tam, kde jsme dnes s umělou inteligencí, se většina pozornosti soustředila na strojové učení (ML), které zahrnovalo analýzu velkých množství dat za účelem vytvoření stručných modelů, které popisovaly chování, jako je detekce podvodů nebo spotřebitelské nákupní vzorce. Postupem času se stalo zřejmým, že pro efektivní nasazení umělé inteligence je zapotřebí reprezentovat znalosti způsobem, který je přístupný jak pro umělou inteligenci, tak pro zjednodušení složitých systémů.

Tato vize se od té doby vyvinula s inovacemi v hlubokém učení a nedávno s jazykovými modely a generativní umělou inteligencí. Tyto pokroky nezměnily, co naše společnost dělá, ale zvýšily relevanci a důležitost našeho přístupu, zejména při zpřístupňování umělé inteligence a jejím praktickém využití v podnikové sféře.

Podle nedávné zprávy PwC by umělá inteligence mohla přispět až 15,7 bilionu dolarů do globální ekonomiky do roku 2030. Z vašich zkušeností, jaké jsou primární faktory, které budou pohánět tento podstatný ekonomický dopad, a jak by se podniky měly připravovat, aby využily tyto příležitosti?

Dopad umělé inteligence již byl významný a bude jistě pokračovat. Jedním z klíčových faktorů, které pohánějí tento ekonomický dopad, je automatizace intelektuální práce.

Úkoly, jako je čtení, shrnutí a analýza dokumentů – úkoly, které jsou často prováděny vysokoplacenými profesionály – mohou být nyní (většinou) automatizovány, což činí tyto služby mnohem dostupnějšími a přístupnějšími.

Aby podniky využily těchto příležitostí, musí investovat do platforem, které mohou podporovat datové a výpočetní požadavky pro běh úloh umělé inteligence. Je důležité, aby mohly škálovat nahoru a dolů nákladově efektivně na dané platformě, a současně investovat do gramotnosti umělé inteligence mezi zaměstnanci, aby mohli pochopit, jak tyto modely účinně a efektivně využívat.

Jak umělá inteligence pokračuje v integraci do různých odvětví, jaké jsou největší výzvy, kterým čelí podniky při efektivní adopci umělé inteligence? Jak hraje data roli při překonávání těchto výzev?

Jedna z největších výzev, které vidím, je zajištění toho, aby odborné znalosti byly přístupné pro umělou inteligenci. To, co dnes vidíme, je, že mnoho podniků má znalosti rozptýlené napříč databázemi, dokumenty, tabulkami a kódem. Tyto znalosti jsou často neprůhledné pro modely umělé inteligence a neumožňují organizacím maximalizovat hodnotu, kterou by mohly získat.

Signifikantní výzvou, kterou toto odvětví potřebuje překonat, je správa a sjednocení těchto znalostí, někdy označovaných jako sémantika, aby byly přístupné pro systémy umělé inteligence. Takto může umělá inteligence být účinnější v konkrétních odvětvích a uvnitř podniků, protože mohou využít svou jedinečnou znalostní základnu.

Uvádíte, že budoucnost adopce generativní umělé inteligence bude vyžadovat kombinaci technik, jako je Retrieval-Augmented Generation (RAG) a agentic architektury. Můžete vysvětlit, proč jsou tyto kombinované přístupy nezbytné a jaké výhody přinášejí?

Bude to vyžadovat různé techniky, jako je GraphRAG a agentic architektury, aby se vytvořily systémy poháněné umělou inteligencí, které nejsou pouze přesnější, ale také schopné zvládat komplexní úkoly vyhledávání a zpracování informací.

Mnozí si konečně uvědomují, že budeme potřebovat více než jednu techniku, jak budeme pokračovat v evoluci umělé inteligence, ale spíše využijeme kombinaci modelů a nástrojů. Jedním z nich jsou agentic architektury, kde máte agenty s různými schopnostmi, které pomáhají řešit komplexní problém. Tato technika rozděluje problém na části, které se zadávají různým agentům, aby se dosáhlo požadovaných výsledků.

Existuje také retrieval augmented generation (RAG), která nám pomáhá extrahovat informace při použití jazykových modelů. Když jsme poprvé začali pracovat s RAG, byli jsme schopni odpovědět na otázky, jejichž odpovědi se nacházely v jedné části dokumentu. Nicméně jsme brzy zjistili, že jazykové modely mají potíže s odpověďmi na složitější otázky, zejména když je informace rozptýlená v různých umístěních v dlouhých dokumentech a napříč dokumenty. To je místo, kde vstupuje do hry GraphRAG. Díky využití jazykových modelů pro vytvoření znalostních grafických reprezentací informací může poté přístup k informacím, které potřebujeme k dosažení požadovaných výsledků, a snížit šance na chyby nebo halucinace.

Jednotná data jsou kritickou tématem pro pohánění hodnoty umělé inteligence uvnitř organizací. Můžete vysvětlit, proč jsou jednotná data tak důležitá pro umělou inteligenci, a jak mohou transformovat procesy rozhodování?

Jednotná data zajišťují, že všechny znalosti, které má podnik – ať už se nachází v dokumentech, tabulkách, kódu nebo databázích – jsou přístupné pro systémy umělé inteligence. Toto sjednocení znamená, že umělá inteligence může účinně využít specifické znalosti, které jsou jedinečné pro odvětví, subodvětví nebo dokonce jeden podnik, čímž se stává umělá inteligence relevantnější a přesnější ve svých výstupech.

Bez jednotných dat nemohou systémy umělé inteligence fungovat pouze na fragmentovaných částech znalostí, což vede k neúplným nebo nepřesným přehledům. Sjednocením dat zajišťujeme, že umělá inteligence má kompletní a soudržný obraz, který je zásadní pro transformaci procesů rozhodování a pohánění skutečné hodnoty uvnitř organizací.

Jak přístup RelationalAI k datům, zejména s jeho relačním systémem znalostních grafů, pomáhá podnikům dosáhnout lepšího rozhodování?

Architektura RelationalAI, která je zaměřena na data, zejména náš relační systém znalostních grafů, přímo integruje znalosti s daty, čímž se stává deklarativní a relační. Tento přístup se liší od tradičních architektur, kde jsou znalosti vloženy do kódu, což komplikuje přístup a pochopení pro netechnické uživatele.

V dnešním konkurenčním obchodním prostředí je rychlé a informované rozhodování nezbytné. Nicméně mnoho organizací bojuje, protože jejich data postrádají nezbytný kontext. Náš relační systém znalostních grafů sjednocuje data a znalosti, poskytující komplexní pohled, který umožňuje lidem a umělé inteligenci učinit přesnější rozhodnutí.

například finanční služba, která spravuje investiční portfolia, potřebuje analyzovat tržní trendy, profil rizika klientů, změny předpisů a ekonomické ukazatele. Náš systém znalostních grafů může rychle syntetizovat tyto komplexní, vzájemně propojené faktory, umožňující firmě učinit včasné a informované investiční rozhodnutí, která maximalizují výnosy a současně řídí rizika.

Tento přístup také snižuje složitost, zlepšuje přenositelnost a minimalizuje závislost na konkrétních technologických dodavatelích, poskytujícím dlouhodobou strategickou flexibilitu v rozhodování.

Jakou roli hraje ředitel dat (CDO) v organizaci a jak se jeho odpovědnosti vyvíjí s rostoucí důležitostí umělé inteligence?

Roli ředitele dat (CDO) lze charakterizovat jako roli, která se rychle vyvíjí, zejména s rostoucí důležitostí umělé inteligence. Tradicionalně byly odpovědnosti, které dnes spadají pod ředitele dat, spravovány ředitelem informačních technologií (CIO) nebo ředitelem technologií (CTO), se zaměřením primárně na technologické operace nebo technologii vyvinutou společností. Nicméně, jelikož data se stala jednou z nejvíce cenných aktiv pro moderní podniky, role ředitele dat se stala odlišnou a zásadní.

Redi tel dat je odpovědný za zajištění ochrany, přístupnosti a monetizace dat napříč organizací. Jak umělá inteligence pokračuje v integraci do obchodních operací, ředitel dat bude hrát zásadní roli při správě dat, která pohání modely umělé inteligence, zajišťuje, že tato data jsou čistá, přístupná a používána eticky.

Klíčové dovednosti pro ředitele dat budou zahrnovat hluboké pochopení správy dat, technologií umělé inteligence a obchodních strategií. Budou muset úzce spolupracovat s ostatními odděleními, aby umožnili týmům, které tradičně neměly přímý přístup k datům, jako je financování, marketing a lidské zdroje, využívat datové přehledy. Schopnost demokratizovat data napříč organizací bude kritická pro pohánění inovací a udržení konkurenční výhody.

Jakou roli hraje RelationalAI při podpoře ředitelů dat a jejich týmů při správě rostoucí složitosti dat a integrace umělé inteligence uvnitř organizací?

RelationalAI hraje zásadní roli při podpoře ředitelů dat poskytováním nástrojů a rámců nezbytných pro efektivní správu složitosti dat a integrace umělé inteligence. S rostoucí důležitostí umělé inteligence jsou ředitelé dat odpovědní za zajištění, že data jsou nejen přístupná a zabezpečená, ale také využívána na maximum napříč organizací.

Pomáháme ředitelům dat nabídkou datocentricního přístupu, který přináší znalosti přímo k datům, činí je přístupnými a srozumitelnými pro netechnické stakeholdery. To je zvláště důležité, jelikož ředitelé dat pracují na tom, aby data byla k dispozici těm, kteří v organizaci tradičně neměli přímý přístup, jako je marketing, financování a dokonce i administrativní týmy. Sjednocením dat a zjednodušením jejich správy umožňuje RelationalAI ředitelům dat umožnit svým týmům, pohánět inovace a zajistit, že jejich organizace mohou plně využít příležitostí, které nabízí umělá inteligence.

RelationalAI zdůrazňuje datocentrický základ pro stavbu inteligentních aplikací. Můžete poskytnout příklady, jak tento přístup vedl k významným efektivitám a úsporám pro vaše klienty?

Náš datocentrický přístup se liší od tradičního aplikacento-ricentrického modelu, kde je obchodní logika často vložena do kódu, což činí přístup a pochopení pro netechnické uživatele komplikovanějším. Centrálním umístěním znalostí uvnitř dat samotných a činí je deklarativními a relačními, jsme pomohli klientům výrazně snížit složitost svých systémů, vedoucí k větší efektivitě, méně chybám a nakonec, podstatným úsporám nákladů.

Například Blue Yonder využil naší technologie jako znalostního grafu coprocesoru uvnitř Snowflake, který poskytoval semantické chápání a schopnosti rozumu potřebné pro předpověď narušení a proaktivní řízení mitigace. Tento přístup umožnil Blue Yonder snížit svůj legacy kód o více než 80 % a nabídnout škálovatelné a extenzivní řešení.

Podobně EY Financial Services zaznamenala dramatickou zlepšení, snížení svého legacy kódu o 90 % a snížení doby zpracování z více než měsíce na několik hodin. Tyto výsledky ukazují, jak náš přístup umožňuje podnikům být více agilními a reaktivními na měnící se tržní podmínky, zatímco se vyhnou pasti závislosti na konkrétních technologiích nebo dodavatelích.

Dané vašim zkušenostem s vedením společností poháněných umělou inteligencí, co považujete za nejkritičtější faktory pro úspěšnou implementaci umělé inteligence v měřítku organizace?

Z mých zkušeností jsou nejvýznamnější faktory pro úspěšnou implementaci umělé inteligence v měřítku silný základ dat a znalostí a to, že zaměstnanci, zejména ti, kteří jsou více zkušení, se vezmou čas, aby se naučili a stali se pohodlnými s nástroji umělé inteligence.

Je také důležité se vyhnout extrémním emocionálním reakcím – buď nadměrnému hype nebo hlubokému cynismu – kolem nových technologií umělé inteligence. Místo toho doporučuji stálý, konzistentní přístup k adopci a integraci umělé inteligence, se zaměřením na inkrementální zlepšení spíše než očekávání stříbrné kulky řešení.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit RelationalAI.