Babak Hodjat, CTO of AI at Cognizant – Interview Serie

Babak Hodjat er CTO of AI at Cognizant, og tidligere medstifter og CEO af Sentient. Han er ansvarlig for den grundlæggende teknologi bag verdens største distribuerede kunstig intelligenssystem. Babak var også grundlægger af verdens første AI-drevne hedgefond, Sentient Investment Management. Han er en serieiværksætter, der har startet flere selskaber i Silicon Valley som hovedopfinder og teknolog.

Før han co-foundede Sentient, var Babak senior director of engineering at Sybase iAnywhere, hvor han ledede mobile løsningers ingeniørarbejde. Han var også medstifter, CTO og bestyrelsesmedlem af Dejima Inc. Babak er den primære opfinder af Dejimas patenterede, agent-orienterede teknologi, der anvendes til intelligente grænseflader for mobile og enterprise-computing – teknologien bag Apple’s Siri.

Som en publiceret forsker inden for kunstig liv, agent-orienteret softwareingeniørarbejde og distribueret kunstig intelligens, har Babak 31 tildelte eller ventende patenter i sit navn. Han er ekspert i flere områder af AI, herunder naturlig sprogbehandling, maskinlæring, genetiske algoritmer og distribueret AI, og har grundlagt flere selskaber inden for disse områder. Babak har en ph.d. i maskinintelligens fra Kyushu University i Fukuoka, Japan.

Med tilbageblik på din karriere, fra at grundlægge flere AI-drevne selskaber til at lede Cognizants AI-laboratorium, hvad er de vigtigste lære, du har lært om innovation og lederskab i AI?

Innovation kræver tålmodighed, investering og pleje, og det skal fremmes og være uhindret. Hvis du har bygget det rigtige hold af innovatører, kan du stole på dem og give dem fuld kunstnerisk frihed til at vælge, hvordan og hvad de forsker i. Resultaterne vil ofte overraske dig. Fra et ledelsesperspektiv skal forskning og innovation ikke være noget, man gerne vil have, eller en eftertanke. Jeg har oprettet forskningshold ret tidligt, da jeg byggede start-ups, og har altid været en stærk forkæmper for forskningsinvesteringer, og det har betalt sig. I gode tider holder forskning dig foran konkurrencen, og i dårlige tider hjælper det dig med at diversificere og overleve, så der er ingen undskyldning for at underinvestere, begrænse eller overbelaste det med kortsigtede forretningsmæssige prioriteringer.

Som en af de primære opfindere af Apple’s Siri, hvordan har din erfaring med udvikling af intelligente grænseflader formet din tilgang til at lede AI-initiativer i Cognizant?

Den naturlige sprogteknologi, jeg oprindeligt udviklede til Siri, var agentbaseret, så jeg har arbejdet med begrebet i lang tid. AI var ikke så kraftfuld i 90’erne, så jeg brugte et multi-agent-system til at tackle forståelse og mapping af naturlige sprogkommandoer til handlinger. Hver agent repræsenterede en lille undermængde af diskursens domæne, så AI’en i hver agent havde et simpelt miljø at mestre. I dag er AI-systemer kraftfulde, og en enkelt LLM kan gøre mange ting, men vi kan stadig drage fordel af at behandle det som en videnarbejder i en boks, begrænse dets domæne, give det en jobbeskrivelse og linke det til andre agenter med forskellige ansvar. AI’en kan således udvikle og forbedre enhver forretningsproces.

Som en del af min opgave som CTO of AI at Cognizant, leder jeg vores Advanced AI-laboratorium i San Francisco. Vores kerneforskningsprincip er agentbaseret beslutningstagning. Pr. i dag har vi 56 amerikanske patenter på kerne-AI-teknologi baseret på dette princip. Vi er alle med.

Kunne du uddybe de seneste forsknings- og innovationsarbejder, der er under udvikling i Cognizants AI-laboratorium? Hvordan møder disse udviklinger de specifikke behov hos Fortune 500-selskaber?

Vi har flere AI-studier og innovationscentre. Vores Advanced AI-laboratorium i San Francisco fokuserer på at udvide AI’s tilstand i kunstig intelligens. Dette er en del af vores engagement, der blev annonceret sidste år, om at investere 1 milliard dollars i generativ AI over de næste tre år.

Mere specifikt fokuserer vi på at udvikle nye algoritmer og teknologier til at betjene vores kunder. Tillid, forklarbarhed og multi-objektive beslutninger er blandt de vigtige områder, vi forfølger, som er afgørende for Fortune 500-virksomheder.

Omkring tillid er vi interesseret i forskning og udvikling, der dykker dybere i vores forståelse af, hvornår vi kan stole på AI’s beslutningstagning nok til at overlade det til det, og hvornår en menneske skal involveres. Vi har flere patenter relateret til denne type usikkerhedsmodellering. Ligesom neuralnetværk, generativ AI og LLM’er er i sig selv uigennemsigtige. Vi ønsker at kunne evaluere en AI-beslutning og spørge den om, hvorfor den anbefalede noget – essentielt gøre det forklarbart. Endelig forstår vi, at virksomheder nogle gange ønsker at kunne træffe beslutninger, der har mere end én resultatmål – f.eks. omkostningsreduktion samtidig med at øge omsætningen og balancere det med etiske overvejelser. AI kan hjælpe os med at opnå den bedste balance af alle disse resultater ved at optimere beslutningsstrategier på en multi-objekt-måde. Dette er et andet meget vigtigt område i vores AI-forskning.

De næste to år anses for at være afgørende for generativ AI. Hvad tror du vil være de afgørende ændringer i denne periode, og hvordan bør virksomheder forberede sig?

Vi er på vej ind i en eksplosiv periode for kommerciel udnyttelse af AI-teknologier. I dag er AI’s primære anvendelser forbedring af produktivitet, skabelse af bedre naturligt sprogdrevne brugergrænseflader, sammenfatning af data og hjælp til kodning. Under denne accelerationsperiode tror vi, at organisering af samlet teknologi og AI-strategier omkring det centrale princip for multi-agent-systemer og beslutningstagning vil være det bedste til at aktivere virksomheder til at lykkes. Hos Cognizant vil vores fokus på innovation og anvendt forskning hjælpe vores kunder med at udnytte AI til at øge strategisk fordel, da det bliver yderligere integreret i forretningsprocesser.

Hvordan vil Generativ AI omforme brancher, og hvilke er de mest spændende anvendelseseksempler, der opstår fra Cognizants AI-laboratorium?

Generativ AI har været et enormt skridt fremad for virksomheder. Du har nu mulighed for at skabe en række videnarbejdere, der kan hjælpe mennesker i deres daglige arbejde. Enten det er strømlining af kundeservice gennem intelligente chatbots eller styring af lagerbeholdning gennem en naturligt sprogdrevet grænseflade, LLM’er er meget gode til specialiserede opgaver.

Men hvad kommer herefter er, hvad der vil virkelig omforme brancher, da agenter får mulighed for at kommunikere med hinanden. Fremtiden vil være om virksomheder, der har agenter i deres enheder og programmer, der kan adresse dine behov og interagere med andre agenter på din vegne. De vil arbejde på tværs af hele virksomheden for at hjælpe mennesker i hver rolle, fra HR og finans til marketing og salg. I den nærmeste fremtid vil virksomheder naturligt gravitere mod at blive agentbaseret.

Bemærkelsesværdigt har vi allerede et multi-agent-system, der er udviklet i vores laboratorium i form af Neuro AI, en AI-anvendelsesgenerator, der giver kunder mulighed for hurtigt at bygge og prototypere AI-beslutningsanvendelser til deres forretning. Det leverer allerede nogle spændende resultater, og vi vil dele mere om dette snart.

Hvad rolle vil multi-agent-arkitekturer spille i den næste bølge af Gen AI-transformation, især i store virksomheds-miljøer?

I vores forskning og samtaler med virksomhedsledere får vi flere og flere spørgsmål om, hvordan de kan gøre Generativ AI virkningsfuld i stor målestok. Vi tror, at det transformativt løfte af multi-agent kunstig intelligenssystemer er centralt for at opnå denne virkning. Et multi-agent AI-system bringer sammen AI-agenter bygget ind i software-systemer i forskellige områder på tværs af virksomheden. Tænk på det som et system af systemer, der giver LLM’er mulighed for at interagere med hinanden. I dag er udfordringen, at selvom forretningsmæssige mål, aktiviteter og metrikker er dybt sammenflettede, er de software-systemer, der bruges af forskellige teams, ikke, hvilket skaber problemer. F.eks. kan forsinkelser i forsyningskæden påvirke betjening af distributionscenter. Onboarding af en ny leverandør kan påvirke Scope 3-udledninger. Kundeafhop kan indikere produktmæssige svigt. Siloede systemer betyder, at handlinger ofte er baseret på indsigt trukket fra kun ét program og anvendt på én funktion. Multi-agent-arkitekturer vil lyse op indsigt og integreret handling på tværs af virksomheden. Det er den virkelige kraft, der kan katalysere virksomhedstransformation.

På hvilke måder ser du multi-agent-systemer (MAS) udvikle sig de næste få år, og hvordan vil dette påvirke det bredere AI-landskab?

Et multi-agent AI-system fungerer som en virtuel arbejdsgruppe, der analyserer forespørgsler og trækker information fra på tværs af virksomheden for at producere en komprehensiv løsning, ikke kun for den oprindelige anmoder, men også for andre teams. Hvis vi zoomer ind og ser på et bestemt område, kan dette revolutionere operationer i områder som f.eks. produktion. En Sourcing Agent ville analysere eksisterende processer og anbefale mere omkostningseffektive alternative komponenter baseret på sæsoner og efterspørgsel. Denne Sourcing Agent ville så forbinde med en Sustainability Agent for at bestemme, hvordan ændringen ville påvirke miljømæssige mål. Endelig ville en Regulatory Agent overvåge compliance-aktiviteter, sikre, at teams indsender komplette, opdaterede rapporter på tid.

Det gode nyt er, at mange virksomheder allerede har begyndt at integrere LLM-drevne chatbots, men de skal være bevidste om, hvordan de starter at forbinde disse grænseflader. Omsorg skal tages med hensyn til granulariteten af agentificering, typerne af LLM’er, der anvendes, og hvornår og hvordan de skal finjusteres for at gøre dem effektive. Organisationer skal starte fra toppen, overveje deres behov og mål, og arbejde nedad for at afgøre, hvad der kan agentificeres.

Hvad er de primære udfordringer, der holder virksomheder tilbage fra at fuldt ud omfavne AI, og hvordan møder Cognizant disse hindringer?

Trods ledelsens opbakning og investering frygter mange virksomheder at falde bagud på AI. Ifølge vores forskning er der en kløft mellem ledernes strategiske engagement og tilliden til at udføre det godt. Omkostningerne og tilgængeligheden af talent samt den opfattede umodenhed af nuværende Gen AI-løsninger er to væsentlige inhibitorer, der holder virksomheder tilbage fra at fuldt ud omfavne AI.

Cognizant spiller en integreret rol i hjælp til, at virksomheder kan navigere i AI’s produktivitets-til-vækst-rejse. Faktisk viser nylig data fra en undersøgelse, vi har gennemført med Oxford Economics, behovet for ekspertise udefra til at hjælpe med AI-adopteringsplaner, hvor 43% af virksomhederne angiver, at de planlægger at arbejde med eksterne konsulenter for at udvikle en plan for generativ AI. Traditionelt har Cognizant ejet den sidste mile med kunder – vi gjorde det med dataopbevaring og cloud-migration, og agentificering vil ikke være anderledes. Dette er arbejde, der skal være højtilpasset. Det er ikke en én-størrelse-til-alle-løsning. Vi er de eksperter, der kan hjælpe med at identificere forretningsmål og implementeringsplan, og derefter bringe de rette tilpassede agenter til at møde forretningsbehov. Vi er, og har altid været, de mennesker, man skal ringe til.

Mange virksomheder kæmper med at se en øjeblikkelig ROI fra deres AI-investeringer. Hvad er de almindelige fejl, de begår, og hvordan kan disse undgås?

Generativ AI er langt mere effektiv, når virksomheder bringer det ind i deres egen datakontekst – det vil sige, tilpasse det til deres egen stærke grundlag af virksomhedsdata. Desuden skal virksomheder på et tidspunkt tage det udfordrende skridt til at genopfinde deres grundlæggende forretningsprocesser. I dag bruger mange virksomheder AI til at automatisere og forbedre eksisterende processer. Større resultater kan opnås, når de starter med at stille spørgsmål som: Hvad er bestanddelene af denne proces, hvordan kan jeg ændre dem, og forberede på opkomsten af noget, der ikke eksisterer endnu? Ja, dette vil kræve en kulturændring og accept af visse risici, men det synes uundgåeligt, når man orkestrerer de mange dele af organisationen til en kraftfuld helhed.

Hvad råd ville du give til fremvoksende AI-ledere, der søger at gøre en betydelig indvirkning på feltet, især inden for store virksomheder?

Forretnings-transformation er kompleks af natur. Fremvoksende AI-ledere inden for større virksomheder skal fokusere på at bryde ned processer, eksperimentere med ændringer og innovere. Dette kræver en ændring af mindset og kalkulerede risici, men det kan skabe en mere kraftfuld organisation.

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