Babak Hodjat, CTO for AI hos Cognizant – Intervieuserie

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

Før han co-stiftede Sentient, var Babak senior direktør for ingeniørarbejde hos Sybase iAnywhere, hvor han ledede mobile løsninger til ingeniørarbejde. Han var også 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.

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

Med tilbageblik på din karriere, fra at stifte flere AI-drevne selskaber til at lede Cognizants AI-laboratorium, hvad er de vigtigste lærdomme, du har draget om innovation og ledelse i AI?

Innovation kræver tålmodighed, investering og pleje, og det skal være uden begrænsninger. 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 ledelsessynspunkt skal forskning og innovation ikke være noget, man gerne vil have, eller noget, der kommer i anden række. Jeg har oprettet forskningshold ret tidligt, da jeg byggede start-ups, og har altid været en stærk tilhænger af forskningsinvesteringer, og det har betalt sig. I gode tider holder forskning os foran konkurrencen, og i dårlige tider hjælper det os 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 Apples Siri, hvordan har din erfaring med udvikling af intelligente grænseflader formet din tilgang til at lede AI-initiativer hos Cognizant?

Den naturlige sprogteknologi, jeg oprindeligt udviklede til Siri, var agentbaseret, så jeg har arbejdet med dette begreb i lang tid. AI var ikke så kraftfuld i 90’erne, så jeg brugte et multi-agent-system til at tackle forståelse og kortlægning af naturlige sprogkommandoer til handlinger. Hver agent repræsenterede en lille delmængde 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 del af min opgave som CTO for AI hos 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 fuldt engagerede.

Kunne du uddybe de banebrydende forsknings- og innovationsarbejder, der i øjeblikket udvikles hos 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’ens tilstand. 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 ned i vores forståelse af, hvornår vi kan stole på AI’ens beslutningstagning nok til at overlade det til den, og hvornår en menneske skal blande sig. Vi har flere patenter relateret til denne type usikkerhedsmodellering. Ligeledes er neurale netværk, generativ AI og LLM’er i sig selv uigennemsigtige. Vi ønsker at kunne evaluere en AI-beslutning og stille den spørgsmål om, hvorfor den anbefalede noget – i virkeligheden gøre det forklarbart. Endelig forstår vi, at virksomheder nogle gange ønsker at træffe beslutninger, der har mere end ét resultatmål – f.eks. omkostningsreduktion samtidig med øget omsætning i balance 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 kritiske for generativ AI. Hvad mener 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 anvendelse af AI-teknologier. I dag anvendes AI primært til at forbedre produktivitet, skabe bedre naturligt sprogdrevne brugergrænseflader, sammenfatte data og hjælpe med kodning. Under denne accelerationsperiode mener vi, at virksomheder vil få mest ud af at organisere deres samlede teknologi- og AI-strategier omkring det centrale princip for multi-agentsystemer og beslutningstagning. Hos Cognizant vil vores fokus på innovation og anvendt forskning hjælpe vores kunder med at udnytte AI til at øge deres strategiske fordel, når det bliver yderligere integreret i forretningsprocesser.

Hvordan vil generativ AI forme brancher, og hvilke er de mest spændende anvendelsesområder, 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 at strømline kundeservice gennem intelligente chatbots eller at styre lagerbeholdning gennem en naturlig sproggrænseflade, er LLM’er meget gode til specialiserede opgaver.

Men det, der kommer herefter, er, hvad der vil forme brancher. Når agenter får mulighed for at kommunikere med hinanden, vil fremtiden være om virksomheder, der har agenter i deres enheder og programmer, der kan håndtere 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 nærheden vil virksomheder naturligt bevæge sig mod at blive agentbaserede.

Det er værd at bemærke, at vi allerede har et multi-agentsystem, der er udviklet i vores laboratorium, i form af Neuro AI, en AI-anvendelsesgenerator, der giver kunder mulighed for hurtigt at bygge og prototype 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 mere og mere spørgsmål om, hvordan de kan gøre Generativ AI betydningsfuld i stor målestok. Vi mener, at det transformativt løfte, der ligger i multi-agent kunstig intelligenssystemer, er centralt for at opnå denne indvirkning. Et multi-agent AI-system samler AI-agenter, der er 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 virksomheds mål, aktiviteter og metrikker er dybt sammenflettede, er de software-systemer, der bruges af forskellige hold, ikke, hvilket skaber problemer. F.eks. kan forsinkelser i forsyningskæden påvirke betjening af distributionscentre. Inddragelse af en ny leverandør kan påvirke Scope 3-udledninger. Kundeafhopning kan indikere produktmangler. Siloede systemer betyder, at handlinger ofte er baseret på indsigt, der er draget fra kun ét program og anvendt til én funktion. Multi-agent-arkitekturer vil give indsigt og integreret handling på tværs af virksomheden. Det er den rigtige kraft, der kan katalysere virksomheds-transformation.

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

Et multi-agent AI-system fungerer som en virtuel arbejdsgruppe, der analyserer prompts og trækker information fra på tværs af virksomheden for at producere en omfattende løsning, ikke kun for den oprindelige anmoder, men også for andre hold. Hvis vi zoomer ind og ser på en bestemt branche, kan dette revolutionere operationer i områder som f.eks. fremstilling. En indkøbsagent ville analysere eksisterende processer og anbefale mere omkostningseffektive alternativer baseret på sæsoner og efterspørgsel. Denne indkøbsagent ville så forbinde sig med en bæredygtighedsagent for at bestemme, hvordan ændringen ville påvirke miljømæssige mål. Til sidst ville en reguleringsagent overvåge aktiviteterne og sikre, at holdene indsender komplette og opdaterede rapporter på tid.

Det gode er, at mange virksomheder allerede er begyndt at integrere LLM-drevne chatbots på en mere organiseret måde, men de skal være bevidste om, hvordan de starter med at forbinde disse grænseflader. Man skal være omhyggelig med, hvilken granularitet agentificeringen skal have, hvilke typer LLM’er der bruges, og hvornår og hvordan man skal finjustere dem for at gøre dem effektive. Organisationer skal starte fra toppen, overveje deres behov og mål, og arbejde sig 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 investeringer frygter mange virksomheder at blive efterladt på AI-området. Ifølge vores forskning er der en kløft mellem ledernes strategiske engagement og deres tillid til at kunne udføre det godt. Omkostninger og tilgængelighed 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 AI’s produktivitets-til-vækst-rejse. Faktisk peger nylig data fra en undersøgelse, vi har gennemført med Oxford Economics, på behovet for ekstern ekspertise 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 skyoverføring, og agentificering vil ikke være anderledes. Dette er arbejde, der skal være højtilpasset. Det er ikke en en-size-fits-all-rejse. Vi er de eksperter, der kan hjælpe med at identificere forretningsmål og implementeringsplan, og derefter bringe de rette specialbyggede 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 afkast 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 den ind i deres egen datakontekst – det vil sige, tilpasse den til deres egen stærke grundlag af virksomhedsdata. Desuden vil virksomheder på et tidspunkt være nødt til at 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 begynder at stille spørgsmål som: Hvad er bestanddelene af denne proces, hvordan kan jeg ændre dem, og hvordan kan jeg forberede mig på opkomsten af noget, der ikke eksisterer endnu? Ja, dette vil nødvendiggøre 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 have en betydelig indvirkning på feltet, især inden for store virksomheder?

Forretnings-transformation er kompleks af natur. Fremvoksende AI-ledere inden for større virksomheder bør fokusere på at bryde processer ned, 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 store interview. Læsere, der ønsker at lære mere, kan besøge Cognizant.