Babak Hodjat, Chief AI Officer hos Cognizant – Interviewserie

Babak Hodjat, Chief AI Officer leder AI Research Labs, et team af udviklere og forskere, der fremmer tilstanden for kunstig intelligens, opbygger differentierede AI-funktioner i Cognizants tilbud og leder virksomhedens AI til gode initiativer.

Babak er den tidligere medstifter og CEO af Sentient, ansvarlig for den kerne-teknologi bag verdens største distribuerede AI-system. Babak var også stifteren af verdens første AI-drevne hedge-fond, Sentient Investment Management.

Babak er en serie-iværksætter, der har startet flere Silicon Valley-virksomheder som hovedopfinder og teknolog. Før han co-stiftede Sentient, var Babak senior director of engineering hos Sybase iAnywhere, hvor han ledede mobile løsningers ingeniørarbejde. Før Sybase var Babak medstifter, CTO og bestyrelsesmedlem hos Dejima Inc. Babak er den primære opfinder af Dejimas patenterede, agent-orienterede teknologi, der anvendes til intelligente grænseflader til mobile og virksomhedscomputere – teknologien bag Apples Siri.

Babak har publiceret mere end 50 artikler inden for kunstig liv, agent-orienteret software-ingeniørarbejde og distribueret kunstig intelligens, og har 39 udstedte US-patentnavne. Han er ekspert i flere områder af AI, herunder naturlig sprogbehandling, maskinlæring, evolutionære algoritmer og distribueret AI.

Cognizant er en global professionel services- og IT-konsulentvirksomhed, der hjælper organisationer med at modernisere deres digitale infrastruktur, implementere fremkomne teknologier såsom AI, cloud, data og automatisering, og omstrukturere forretningsprocesser for at drive agility og vækst.

Du har stiftet flere AI-virksomheder, skrevet to bøger og hjulpet med at bane vejen for teknologi, der har påvirket Siri. Hvad var de personlige oplevelser eller vendepunkter, der formede din tro på AI som et værktøj til reel verdens påvirkning?

Min fascination af AI begyndte tidligt i mine akademiske år og er kun blevet styrket siden da. Nogle få nøgle-vendepunkter inkluderer oprettelsen af nogle af de første agent-baserede systemer hos Dejima til programmering af forbrugervarer som din VCR, det arbejde, vi gjorde hos Sentient Technologies, hvor vi anvendte AI til komplekse problemer som finansielle transaktioner. Den naturlige sprogteknologi, jeg udviklede til Siri, som også var agent-baseret, var et andet vendepunkt.

Disse reel-verden-anvendelser demonstrerede for mig, at AI kunne gå ud over teoretiske konstruktioner og levere konkrete forretningsværdier. Vi er nu på vej ind i en eksplosiv periode for kommerciel anvendelse af AI-teknologier, især med multi-agent-systemer, der vil komplet ændre, hvordan virksomheder fungerer, og muliggøre automatisering af mange komplekse opgaver.

Lad os tale om dit seneste projekt – dette AI-drevne system til arealanvendelsesplanlægning, der er udviklet i samarbejde med University of Texas. Hvad inspirerede udviklingen af dette værktøj, og hvordan repræsenterer det en skift fra teoretisk AI til reel verdens politik-påvirkning?

AI-systemet til arealanvendelsesplanlægning, som vi udviklede i samarbejde med University of Texas at Austin, blev inspireret af behovet for at tackle komplekse miljømæssige og økonomiske kompromiser i global arealanvendelse. Den maskinlærings-drevne ramme anvender teknologien bag Cognizant Neuro AI Decisioning og er bygget på Project Resilience-platformen.

Vores fælles forskningsteam havde til formål at hjælpe med at realisere De Forenede Nationers bæredygtige udviklingsmål ved at skabe et værktøj, der kunne optimere arealanvendelse for at maksimere kulstoflagring, minimere økonomiske forstyrrelser og bevare fødevareforsyning og habitater. Traditionelle tilgange overser ofte nuancerede kompromiser, såsom lokal-specifikke effekter af at konvertere dyrkningsland eller græsland til skove. Vi valgte en anden vej, der udnyttede evolutionær AI, en beregningsmæssig tilgang inspireret af naturlig selektion. Den var designet til at udforske tusinder af politik-scenarier, iterativt forbedre og afbalancere konkurrerende mål for mere effektive, kontekst-følsomme arealanvendelsesstrategier.

Systemet markerer en betydelig skift fra teoretiske AI-koncepter til reel verdens politik-påvirkning. Det integrerer historisk arealanvendelsesdata tilbage til århundreder og kulstofdata med avancerede evolutionære algoritmer for at give håndgribelige, optimerede anbefalinger i stedet for abstrakte forudsigelser.

Separat har vi også skabt et interaktivt værktøj, der genererer og evaluerer klimapolitik-scenarier ved hjælp af En-ROADS-simulatoren, hvilket hjælper beslutningstagerne med at sammenligne og tilpasse handlingsplaner. Systemet låter lovgivere og beslutningstagerne simulere politik-incentiver og direkte forstå kompromiser, hvilket hjælper dem med at vælge målrettede, effektive interventioner. Systemets integration med platforme som Climate Interactives En-ROADS-simulator muliggør skalaering af AI-drevet klimapolitik-optimering til bredere målgrupper, hvilket fremhæver AI som en praktisk partner i at tackle reel verdens bæredygtighedsudfordringer.

Kan du forklare, hvordan værktøjet fungerer fra en brugers synspunkt? Hvad slags beslutninger kan det støtte, og hvordan leverer det tilpassede anbefalinger til forskellige regioner?

Fra en brugers synspunkt fungerer det AI-drevne værktøj som en interaktiv beslutningsstøtte-platform i et dynamisk, data-drevet miljø, der hjælper dig med at træffe klogere beslutninger, der virker for klimamål.

Beslutningstagerne, lovgivere og andre interessenter kan udforske forskellige arealanvendelsesstrategier og deres miljømæssige og økonomiske konsekvenser. Brugere kan simulere incitamenter – skattelettelser for jordejere, for eksempel – og observere, hvordan de kan påvirke arealanvendelsesændringer for at reducere kulstof.

Det støtter en række beslutninger tilpasset forskellige regioner. For eksempel kan det hjælpe dig med at bestemme, hvor du skal foretage arealanvendelsesændringer for de bedste resultater, hvor meget land du skal konvertere (som at omdanne dyrkningsland til skov), og hvad fordelene og ulemperne er af forskellige arealanvendelsespolitikker. For at give tilpasset rådgivning ser det på global arealanvendelseshistorik og kulstofdata for at foreslå forskellige tilgange for forskellige områder. Det kan tage hensyn til regionsspecifikke karakteristika, såsom breddegrad og landtype.

En-ROADS-simulatoren, drevet af Neuro AI, kan hjælpe beslutningstagerne og lovgivere med at eksperimentere med forskellige kompromiser for at nå forskellige klimamål.

Evolutionær AI er blevet beskrevet som “hemmeligheds-saucen” bag dette projekt. Hvordan fungerer denne tilgang i praksis, og hvorfor er den så effektiv til at løse komplekse miljømæssige og politik-udfordringer?

Idéen bag evolutionær AI er inspireret af naturlig selektion i biologien. Som en beregningsmæssig tilgang i konteksten af arealanvendelsesplanlægning fungerer den i praksis ved at efterligne naturlig evolution for at finde kloge løsninger for komplekse miljøproblemer, som traditionelle metoder kæmper med.

I stedet for at forsøge at programmere perfekte arealanvendelsespolitikker fra starten, skaber evolutionær AI-tilgangen forskellige politik-modeller og tester hver enkelt i simulerede miljøer med rigtige klima- og landdata. Den beholder de bedst fungerende politikker og “avler” dem sammen, tilføjer mutationer for at opdage uventede løsninger. Den gentager denne proces over mange generationer, afvikler dårlige præstationer og beholder de bedste på tværs af hundredvis eller tusinder af scenarier.

Dette fungerer godt for miljømæssige udfordringer, fordi det ikke bliver overvældet af multiple variabler, såsom jordtyper, klimaforhold og økonomiske faktorer.

Arealanvendelsespolitik omfatter ofte konkurrerende mål – økonomisk vækst, kulstofreduktion, fødevaresikkerhed. Hvordan håndterer dit system disse kompromiser, og hvilke slags uventede indsighter har det afsløret indtil nu?

Vores AI-system blev bygget specifikt til at håndtere konkurrerende mål som økonomisk vækst, kulstofreduktion og fødevaresikkerhed. Det genererer Pareto-forfront (et ingeniørkoncept brugt i multi-mål-optimering) som afvejer kulstofpåvirkning og arealanvendelsesændring for forskellige lokaliteter.

Forskningsholdet opdagede flere uventede indsighter. For eksempel, mens konventionel visdom anerkender skove som gode til at lagre kulstof, valgte AI’en ikke som standard at anbefale maksimering af skovdække overalt. I stedet afslørede den vigtige forskelle: Erstatning af græssletter som ørkener og græsland med skov var ikke så effektivt som at erstatte dyrkningsland med skov. Geografisk beliggenhed viste sig også at være afgørende. Identiske arealanvendelsesændringer resulterede i forskellige resultater afhængigt af breddegrad.

Prioritering var en af AI’ens mest praktiske indsighter. I stedet for at fordoble bestræbelserne jævnt, foreslog den at koncentrere store arealanvendelsesændringer i strategiske lokaliteter, hvor de ville have den største påvirkning.

Project Resilience har til formål at skalaere denne type AI-nytten til at tackle bæredygtige udviklingsmål ud over klima – såsom energi, sundhed og endda pandemirespons. Hvad begejstrer dig mest om muligheden for at udvide denne platform på tværs af domæner?

Hvad der begejstrer mig mest om muligheden for denne platform, er, at vi viser, at opbygning af AI på en måde, der er samarbejdende, tilgængelig og tilpasningsdygtig, kan føre til kraftfulde løsninger for at tackle store globale udfordringer. Project Resilience-platformen er et godt eksempel på at sætte disse tre principper i handling. Beslutningstagerne, datavidenskabsmænd og offentligheden kan deltage i udviklingen af AI-værktøjer og træffe mere informerede beslutninger med betydelig påvirkning. Vi inviterer vores læsere til at være bidragsydere her.

AI Lab hos Cognizant er nu en større drivkraft for innovation, med dusinvis af patenter og en milliard-dollar-investeringsstrategi. Hvordan passer initiativer som dette ind i jeres bredere vejledning for anvendt AI i stor skala?

Arealanvendelses-AI-initiativet passer perfekt ind i vores tilgang til anvendt AI hos Cognizant, der fokuserer på at løse komplekse, reel-verden-problemer snarere end ren akademisk øvelse. Evolutionær AI kan håndtere de ofte komplekse kompromiser, der findes i forretnings- og politikbeslutninger. At tackle klima-udfordringer gennem en tilgang, der afbalancerer økonomiske, sociale og miljømæssige faktorer, demonstrerer, hvordan AI kan levere praktisk værdi, samtidig med at den håndterer konkurrerende prioriteringer.

Arbejdet afspejler også vores vision for udvikling af AI, der supplerer menneskelig beslutningstagning snarere end erstatter den.

Du har ledet AI-bestræbelser på tværs af startups og virksomheder. Hvad er nøglen til at sikre, at teknologier som evolutionær AI forbliver forklarlige og handlebare – ikke kun kraftfulde – for regeringer og industrielle interessenter?

En af de største styrker ved evolutionær AI er, at den ikke blot søger at bestemme optimale løsninger, men kan afsløre strategi-alternativer, der udvider interessenters forståelse af, hvad der er muligt.

AI og data skal tjene beslutningstagning, ikke kun generere rapporter. Beslutningstagerne er overvældet af analyser, mens de står over for komplekse valg. Vi skal skifte fokus fra blot at levere indsigt og forudsigelser til at skabe interaktive beslutningsstøtte-systemer, der tilbyder preskriptive løsninger baseret på tilgængelige data. Denne tilgang giver dig mulighed for at navigere i kompleksitet og træffe bedre beslutninger, der udvikler sig, efterhånden som omstændighederne ændrer sig.

At se fremad, hvor ser du de største muligheder for evolutionær AI til at drive påvirkning ud over arealanvendelse – enten i infektions-sygdomskontrol, vedvarende energiplanlægning eller noget andet?

Infektions-sygdomme, vedvarende energiplanlægning og fødevare-unsikkerhed er alle værdige områder, hvor evolutionær AI kan drive påvirkning. En COVID-19-æra-initiativ, vi arbejdede på, viser potentialet. Gennem Project Resilience byggede vi systemer, der kunne optimere samtidigt for pandemikontrol og økonomisk stabilitet, hvilket hjalp regeringer som Islands til at træffe datadrevne beslutninger om skoleåbninger.

Med evolutionær AI løser vi endelig de mest presserende globale udfordringer på en fundamentalt anden måde, en måde, der kan anbefale konkrete politikker, der afbalancerer konkurrerende prioriteringer snarere end at producere en-size-fits-all-løsninger.

Kraften i evolutionær AI er, at den kan simulere tusinder af politik-kombinationer, beholde, hvad der fungerer, og forkaste, hvad der ikke gør. Og det er ikke kun teoretisk. Vi bygger interaktive værktøjer, der placerer denne funktion i hænderne på rigtige beslutningstagerne.

Efter årtier i AI-feltet har du set hype-cykler komme og gå. Hvad giver dig tillid til, at den nuværende bølge – især værktøjer som dette – endelig leverer på AI’s langvarige løfte om at forbedre samfundet?

Sandt fremskridt mod AI’s løfte om at forbedre samfundet sker, når vi går ud over hype-cyklen og bygger systemer, der forbedrer menneskelig beslutningstagning på områder, der betyder noget, herunder bæredygtighed. Det er den rigtige test på, om AI endelig leverer på sit løfte.

Hvad jeg konsekvent har observeret, er, at teknologi udvikler sig gennem forudsigelige mønstre af optimering og demokratisering snarere end enkeltstående over-hype-dele. Se på computeringens historie. Vi gik fra værelse-store computere til kraftfulde ure gennem kontinuerlig forbedring, ikke et enkelt dramatisk spring.

Jeg tror, vi er ved et inflections-punkt, hvor teknologien kan virkelig forbedre samfundet. Vejen frem er gennem praktiske anvendelser, der løser reel-verden-problemer, som vores arealanvendelsesarbejde, der afbalancerer kulstofreduktion med andre mål. Det er, hvordan AI opfylder sit løfte: gennem målbart påvirkning på vores mest udfordrende problemer.

Cognizant har nyligt sat en Guinness World Record med verdens største vibe-coding-arrangement – engagerende over 53.000 medarbejdere på tværs af 40 lande og producerende over 30.000 prototyper. Fra dit synspunkt, hvad siger dette om rollen af vibe-coding i at demokratisere AI-fluency i store virksomheder?

Skalaen og påvirkningen af vores vibe-coding-arrangement siger en del om, hvor transformerende denne tilgang kan være i at demokratisere AI-fluency. Over 40% af deltagerne var ikke-codere, og 20% havde aldrig skrevet en linje kode før. Dette siger, at vibe-coding ikke handler om at sænke standarden, men om at åbne døren til en udviklende arbejdsstyrke med AI. Vi brugte endda et multi-agent AI-system til at bedømme de 30.000 prototype-indlæg på blot en dag, hvilket ville have taget et menneskeligt hold et helt år.

I stedet for at kræve dyb programmerings-ekspertise giver vibe-coding mulighed for alle med en idé at udtrykke den i naturligt sprog og samarbejde med AI for at bringe den til live. For erfarne udviklere giver dette mulighed for at automatisere mere af den kedelige kodningsproces, frie dem til at fokusere mere på høj-værdi-arbejde, der driver forretningsværdi. Personligt var jeg forbavset over, hvor hurtigt jeg kunne oversætte et komplekst algoritme fra pseudokode til en fungerende ansøgning, frie mig til at fokusere fuldstændigt på de kreative og strategiske aspekter.

Ved at sænke barriererne og muliggøre hånd-til-hånd-eksperimenter med generativ AI flytter vi AI-fluency fra en specialiseret færdighed til en delt organisations-kapacitet. For organisationer hjælper vibe-coding med at accelerere kreativitet, fjerner barrierer og låser den kollektive intelligens af en hel arbejdsstyrke på en hidtil uset skala.

Ud over den imponerende skala, hvad var nogle af de mest betydningsfulde resultater af dette vibe-coding-initiativ? Ser du dette som en skabelon for, hvordan virksomheder kan dyrke innovation og anvendt AI-færdigheder på globalt niveau?

Den virkelige påvirkning af vores Vibe Coding-initiativ var den entusiasme, vi så på tværs af vores organisation, med medarbejdere fra HR, salg, ingeniørarbejde, finans, juridisk, marketing og mere, der omfavnede AI og deltog. Deres idéer, grundet i dyb domæne-kendskab og praktisk forretnings indsigt, førte til tusinder af prototyper, der ellers måske aldrig ville have set dagens lys.

Med over 30.000 unikke projekter, der resulterede fra denne indsats, sætter vi tempoet for AI-økonomien, hvor alle har værktøjerne til at innovere med AI. Samtidig låser vi kreativitet på skala og giver arbejdsstyrken – både internt i Cognizant og for vores kunder på tværs af de industrier, vi betjener – mulighed for at blive mere AI-bevidste.

Vi ser absolut dette initiativ som en skabelon, som andre organisationer kan replikere. Ved at kombinere tilgængelige AI-drevne værktøjer, en samarbejdende og åben kultur samt skalerbar AI-aktiveret evaluering kan vi bedre betjene vores kunder og låse ubrudt kreativitet og accelerere udviklingen af AI-færdigheder på tværs af deres arbejdsstyrke.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Cognizant.