Chris Mahl, præsident og administrerende direktør i Pryon – Intervju-serie

Chris Mahl er præsident og administrerende direktør i Pryon. Med mere end to årtiers erfaring i nogle af verdens mest kendte virksomhedssoftwarefirmaer, specialiserer Chris sig i at skala go-to-market- og operationsstrategier for teknologivirksomheder i alle vækstfaser.

Pryon tilbyder en pålidelig, sikker og beprøvet vej til at implementere generativ AI i virksomheder. Pryons bedst-i-klassen ingestion- og retrieval-teknologi kan kombineres med generative LLM’er til at implementere retrieval-forstærket generation og sikre nøjagtige, øjeblikkelige og verificerbare svar på virksomhedsniveau.

‍

Med brug af branchens førende retrieval-teknologi kan Pryon RAG Suite sikre adgang til svar fra alle former for indhold, herunder lyd, billeder, tekst og video, gemt i en mængde kilder. Pryons produkter er intuitive at bruge, tilgængelige via API fra ethvert system og kan installeres på få uger i skyen eller på stedet.

Pryon fokuserer på Retrieval-Augmented Generation (RAG). Kan du forklare, hvordan jeres tilgang til retrieval adskiller sig fra andre AI-drevne søge- og videnledningssystemer?

Pryons tilgang til retrieval adskiller sig, fordi vores Retrieval Engine kan få adgang til indhold i realtid fra diverse kilder som PDF’er, billeder, websteder og videoer, samtidig med at den opretholder dataintegritet uden eksterne afhængigheder. Vi har kombineret semantisk søgning med granuleret dataattribuering for at opnå en retrievalnøjagtighed på over 90%. I modsætning til mange systemer skalerer vores system effektivt for store organisationer, hvilket giver holdene mulighed for at træffe hurtige og præcise beslutninger baseret på deres eksisterende videnbase.

Pryon Ingestion Engine er designet til at strukturere store mængder multimodalt indhold. Hvad gør jeres ingestion-proces unik, og hvordan forbedrer den retrieval-nøjagtigheden?

Pryons ingestion kan håndtere multimodalt indhold – ekstrahere svar fra lyd, billeder, tekst og video fra forskellige kilder. Dette løser det grundlæggende problem med frakoblet data i virksomheder. Med usammenhængende data, der vokser med over 50% årligt, transformerer vores ingestion-engine spredt information til struktureret, handlingsorienteret viden. Processen er designet med fokus på sikkerhed og dataintegritet, hvilket beskytter følsomme virksomhedsdata, samtidig med at den gør dem umiddelbart brugbare.

Jeres Retrieval Engine lover øjeblikkelige, nøjagtige og verificerbare svar. Hvordan sikrer Pryon nøjagtighed og minimiserer hallucinationer, når der hentes information?

Pryon sikrer nøjagtighed og minimiserer hallucinationer gennem flere mekanismer. Vores teknologi kombinerer semantisk søgning med granuleret dataattribuering, hvilket betyder, at svar kan spores tilbage til deres specifikke kilder. Denne attribuering er afgørende for verificering. Systemet får adgang til indhold i realtid fra originale kilder i stedet for at afhænge af muligvis forældede eller ufuldstændige videnbaser. Denne direkte forbindelse til kildematerialer kombineret med vores høje retrievalnøjagtighed (over 90%) reducerer betydeligt risikoen for hallucinationer, der plager mange generative AI-systemer.

Hvordan håndterer Pryon reeltidsopdateringer af information, især i dynamiske miljøer som regering, energi og sundhedssektor?

Pryon sikrer reeltidsadgang til den mest opdaterede information gennem fleksible, påkrævede indholdssynkroniseringer. Brugere kan udløse indholdssynkroniseringer efter behov via vores Admin-portalen eller automatisere opdateringer ved hjælp af vores Sync-API på en planlagt basis – uanset om det er ugentligt, dagligt eller endda timevis, afhængigt af operationelle behov. Vores delta-check-proces optimerer effektiviteten ved at opdatere kun ændret indhold, hvilket sikrer hurtig, nøjagtig og ressourceeffektiv videnhenting i kritiske miljøer som regering, energi og sundhedssektor.

Pryon samarbejder med regerings- og forsvarsorganisationer. Selv om detaljer ofte er klassificerede, kan du diskutere et eksempel, hvor jeres AI betydeligt forbedrede beslutningstagning eller operations-effektivitet?

Pryon samarbejder med en række forsvars- og efterretningsorganisationer, herunder Air Force Research Laboratory (AFRL) og Chief Digital and Artificial Intelligence Office (CDAO), for at hjælpe med at strømline operationer og muliggøre hurtigere og mere informerede beslutninger.

Et kraftfuldt eksempel er vores samarbejde med U.S. Department of the Air Forces Digital Transformation Office (DAF DTO). Dette team støtter ansvarlige for anskaffelser og vedligehold, der ofte har brug for at finde kritisk information begravet på hundredtusinder af websteder og dokumenter. Sammen lancerede vi DTO Wingman, en AI-drevet assistent, der leverer nøjagtige, reeltids-svar på komplekse spørgsmål – komplet med kildeattribuering.

I stedet for at manuelt søge efter politikdokumenter eller regler kan brugere blot stille spørgsmål som “Hvad er jeg bemyndiget til at købe med mit rejsekort?” eller “Hvad er Digital Bygningskode, og hvordan relaterer det sig til anskaffelser?” AI’en returnerer præcise svar og hjælper endda med at generere rapporter og præsentationsmateriale hurtigt.

Ved at give luftvåben- og rumvæsenspersonale umiddelbar adgang til pålidelige svar hjælper DTO Wingman med at få holdene til at arbejde mere effektivt og give pålidelig, rettidig vejledning til seniorpersonale og beslutningstagere.

Jeres arbejde i life sciences nævner AI-assisteret forskning. Hvordan hjælper Pryons system forskere med at navigere i enorme datasæt som PubMed eller private forskningsrepositoryer?

Pryons system hjælper forskere med at navigere i enorme datasæt som PubMed eller private forskningsrepositoryer gennem flere nøglefunktioner.

Forbedret forskningskvalitet:

• Reduceret menneskelig fejl: Systematisk henting af opdateret data sikrer, at færre artikler eller beviser overses.
• Understøttet af bevis: Hvert svar er baseret på den oprindelige litteratur, hvilket fremmer datadrevne konklusioner, tilbageført til den sætning, det kom fra.

Beskyttelse af højt sensitivt indhold:

• Fortrolighed: Opretholder strenge adgangskontroller og datakryptering, essentiel for proprietære eller patientrelaterede datasæt.
• Overholdelse: Med data, der reguleres under love som HIPAA eller GDPR, kan forskere stole på, at følsomme oplysninger er beskyttet.

For kundeservice og salg, hvordan sammenligner Pryons AI med traditionelle chatbot- og CRM-løsninger i forhold til at øge effektivitet og reducere supportbelastning?

Kundeservice/salg-interaktioner skal normalt balancere nøjagtighed og fleksibilitet i deres chatbot/CRM-løsninger. Da det at give et forkert svar til en kunde er uacceptabelt og kan have juridiske konsekvenser, vælger mange chatbot-leverandører og traditionelle konversations-AI-løsninger at begrænse fleksibiliteten i løsningen med hårde deterministiske ‘FAQ-kun’-style-interaktioner.

Dette er en udfordring for leverandøren, der kræver manuel kodning af specifikke svar på almindelige spørgsmål, og giver en dårlig oplevelse for kunden, der har en chatbot-grænseflade, men en fuldstændig inflexibel oplevelse, der knap nok adskiller sig fra at læse en FAQ. Andre leverandører vælger at bruge en mere fleksibel generativ oplevelse med færre begrænsninger på LLM, men på grund af manglende præcis henting indebærer dette at stoppe hele produktkataloger eller websteder ind i kontekstvinduet for LLM, hvilket reducerer nøjagtigheden af outputtet, muligvis katastrofalt.

Kunsten og videnskaben om RAG handler om at maksimere signal (sandhed) og minimere støj (irrelevant kontekst, der ofte forvirrer LLM). Præcisionen af Pryons henting – i stand til at kilde et specifikt sætningsniveau-svar på tværs af alle jeres dokumenter – betyder, at kundeservice og salg ikke længere behøver at gå på kompromis med nøjagtighed for fleksibilitet.

Hvad ser du som de største udfordringer i virksomheds-AI-adopteringsprocessen i dag, især med RAG-baserede systemer?

Selv om det er noget, vi finder i vores egne interaktioner med markedet, er det også stadig mere anerkendt, at ‘AI-klar data’ (eller manglen på samme) er det eneste største fejlpunkt for AI-udrulninger.

• 91% af direktører i en Harvard Business Review-undersøgelse sagde, at en pålidelig datagrundlag er afgørende for en succesfuld AI-udrulning.
• McKinsey fandt, at 70% af GenAI-initiativer står over for udfordringer relateret til data, hvor kun 1% af en virksomheds vigtige data afspejles i dagens modeller.
• The Wall Street Journal citerede pålidelighed som det #1 bekymring for AI-agent-adopteringsprocessen – en problem, der er tæt knyttet til datakvalitet og tilgængelighed.
• Gartner identificerede manglen på GenAI-klar data som den øverste årsag til fejlende udrulninger.

AI-klar data går ud over bare at vektorisere jeres word-dokumenter – det handler om at samle jeres siloede kilder, arbejde med komplekse formater som multimodale input, rense jeres data, forbedre jeres data, få det i et format, LLM’er kan arbejde med, opdele det på det rette niveau af granularitet for at opretholde optimal nøjagtighed og holde omkostningerne nede, indeksere det intelligent, og tilslutte det til et performant hentningssystem osv.

Disse er store udfordringer, der kræver dedikeret kompetence og værktøjer – i en undersøgelse af RAG-byggere, der udvikler løsninger inden for store virksomheder, som Pryon har gennemført, rangerede dataforberedelse som det nummer ét dyreste, tidskrævende og teknisk udfordrende del af bygningen, tæt fulgt af informationshenting.

Hvordan adskiller Pryon RAG Suite sig fra virksomheds-løsninger tilbudt af Microsoft, Google eller OpenAI?

Specifik adskillelse varierer fra spiller til spiller, men på et højt niveau er de store teknologivirksomheder fokuseret på at være ‘grænsefladen’ til AI på arbejdspladsen. Pryon fokuserer på et mere grundlæggende niveau af stakken – videnlaget. Pryon løser de dybe problemer med dataforberedelse og henting, hvorimod de store teknologivirksomheder er fokuseret på at tilbyde brede AI-løsninger, der kan betjene nogle simple RAG-brugsfald, men ofte går i stykker, når det kommer til de virkelige kompleksiteter af virksomheds- og regeringsbrugsfald. Pryon kan også være komplementær med disse systemer, hvor indholdet genereret af Copilot, Gemini eller GPT kan indsættes i Pryon Knowledge Layer for at blive organiseret og gjort klar til brug af downstream-applikationer og -agenter.

Med AI-reguleringer under udvikling, såsom EU’s AI-akt og USA’s AI-retningslinjer, hvordan tilgår Pryon overholdelse og etisk AI-brug?

Da AI-reguleringer udvikler sig globalt, forbliver Pryon committed til overholdelse og etisk AI-udrulning. Vores tilgang er i overensstemmelse med rammer som EU’s AI-akt, USA’s AI-retningslinjer og Department of Defense’s Responsible AI (RAI)-principper, hvilket sikrer, at vores AI-løsninger er troværdige, gennemsigtige og styrbare. Gennem overholdelse af RAI SHIELD-rammen integrerer vi rigorøs evaluering, sporbarehed og kontinuerlig overvågning på tværs af AI-livscyklussen – prioriterer sikkerhed, retfærdighed og præstation. Ved at indbygge disse bedste praksis i vores udrulningsmetodologi giver Pryon organisationer mulighed for at udnytte AI ansvarligt, samtidig med at de opfylder de højeste regulatoriske og etiske standarder.

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