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 virksomhedssoftwarevirksomheder, 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 implementering af generativ AI i virksomheder. Pryons bedste indsugnings- og udvindingsmotorer kan kombineres med generative LLM’er for at implementere udvindingsforstærket generation og sikre nøjagtige, øjeblikkelige og verificerbare svar på virksomhedsniveau.

Pryon fokuserer på Udvidet Udvidelse (RAG). Kan du forklare, hvordan jeres tilgang til udvinding adskiller sig fra andre AI-drevne søge- og videnledningssystemer?

Pryons tilgang til udvinding adskiller sig, fordi vores Udvidelsesmotor kan få adgang til indhold i realtid fra forskellige kilder som PDF’er, billeder, websteder og videoer, samtidig med at den opretholder dataprivatliv uden eksterne afhængigheder. Vi har kombineret semantisk søgning med granuleret dataattribuering for at opnå over 90% udvindingsnøjagtighed. 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 udvikler en indsugningsmotor, der kan håndtere multimodalt indhold – udvinding af svar fra lyd, billeder, tekst og video fra forskellige kilder. Dette løser det grundlæggende problem med frakoblet data i virksomheder. Med ustuktureret data, der vokser med over 50% årligt, transformerer vores indsugningsmotor spredt information til struktureret, anvendelig viden. Processen er designet til sikkerhed og privatliv, hvilket beskytter følsom virksomhedsdata, samtidig med at den gør dem øjeblikkeligt anvendelige.

Deres Udvidelsesmotor lover øjeblikkelige, nøjagtige og verificerbare svar. Hvordan sikrer Pryon nøjagtighed og minimiserer hallucinationer, når der udvindes 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 kritisk for verificering. Systemet får adgang til indhold i realtid fra originale kilder i stedet for at afhænge af potentielt forældede eller ufuldstændige videnbaser. Denne direkte forbindelse til kildematerialer kombineret med vores høje udvindingsnøjagtighed (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, påkrævet indholdssynkronisering. Brugere kan udløse indholdssynkroniseringer efter behov via vores Admin-portalen eller automatisere opdateringer ved hjælp af vores Sync-API på en planlagt basis – enten ugentligt, dagligt eller endda timevis, afhængigt af operationsbehov. Vores delta-check-proces optimerer effektiviteten ved at opdatere kun ændret indhold, hvilket sikrer hurtig, nøjagtig og ressourceeffektiv videnudvinding i mission-kritiske miljøer som regering, energi og sundhedssektor.

Pryon samarbejder med regerings- og forsvarsorganisationer. Selv om detaljer ofte er klassificerede, kan du diskutere et brugstilfælde, 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 enable hurtigere, 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 erhvervs- og vedligeholdelsespersonale, der ofte skal finde kritisk information begravet på hundredtusinder af websteder og dokumenter. Sammen lancerede vi DTO Wingman, en AI-drevet assistent, der leverer nøjagtige, reelle 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 autoriseret til at købe med mit rejsekort?” eller “Hvad er Digital Bygningkode, og hvordan relaterer det til erhverv?” AI’en returnerer præcise svar og hjælper endda med at generere rapporter og præsentationsmateriale hurtigt.

Ved at give Air Force- og Space Force-personale øjeblikkeligt adgang til pålidelige svar hjælper DTO Wingman med at få holdene til at arbejde mere effektivt og give pålidelig, hurtig vejledning til seniorpersonale og beslutningstagere.

Jeres arbejde i livsvidenskab 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 udvinding af opdateret data sikrer, at færre artikler eller beviser overses.
• Bagt op af bevis: Hvert svar er baseret på den oprindelige litteratur, hvilket fremmer data-drevne konklusioner, kildehenvisninger tilbage 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 følsom information er beskyttet.

Hvordan sammenligner Pryons AI med traditionelle chatbot- og CRM-løsninger i forhold til at øge effektivitet og reducere supportbelastning?

Kundeservice-/salgsinteraktioner 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 implikationer, vælger mange chatbot-leverandører og traditionelle konversations-AI-løsninger at begrænse fleksibiliteten i løsningen med hårde deterministiske “kun FAQ”-interaktioner.

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

Kunsten og videnskaben om RAG handler om at maksimere signal (sandhed) og minimere støj (irrelevant kontekst, der ofte forvirrer LLM). Præcisionen af Pryons udvinding – 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?

Mens det bestemt er noget, vi finder i vores egne interaktioner med markedet, er det også mere og mere anerkendt, at “AI-klar data” (eller manglen på det) er det største punkt for fejl i AI-udrulninger.

• 91% af direktører i en Harvard Business Review-undersøgelse sagde, at en pålidelig datagrundlag er essentiel 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 er repræsenteret i dagens modeller.
• The Wall Street Journal citerede pålidelighed som det største problem for AI-agent-adopteringsproblemer – et problem tæt forbundet med datakvalitet og tilgængelighed.
• Gartner identificerede manglen på GenAI-klar data som den øverste grund 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 data, forbedre 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, intelligent indeksering, tilknytning til en højtydende udvindings-system, osv.

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

Hvordan adskiller Pryon jeres RAG-Suite fra virksomheds-løsninger tilbudt af Microsoft , Google (GOOGL ) eller OpenAI?

Specifik adskillelse varierer fra spiller til spiller, men på et højt niveau er de store teknologispillere 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 udvinding, hvorimod de store teknologispillere er fokuseret på at levere bredt AI-løsninger, der kan betjene nogle simple RAG-brugstilfælde, men ofte går i stykker, når det kommer til de virkelige kompleksiteter i virksomheds- og regeringsbrugstilfælde. Pryon kan også være komplementær med disse systemer, hvor indholdet genereret af Copilot, Gemini eller GPT kan indsættes i Pryons Videnlag 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 nærmer Pryon sig overholdelse og etisk AI-brug?

Som 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 Defenses 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, sporing og kontinuerlig overvågning på tværs af AI-livscyklussen – prioriterer sikkerhed, fairhed og præstation. Ved at indbygge disse bedste praksis i vores udrulningsmetodik giver Pryon virksomheder 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.