Edwin Lisowski, medstifter og Chief Growth Officer i Addepto – Interviewserie

Edwin Lisowski, medstifter og Chief Growth Officer i Addepto, har ansvaret for virksomhedens strategiske vækst, forretningsudvikling og marketing. Han har omfattende erfaring inden for dataarkitektur, AI-dreven strategi og analytics-rådgivning, og kombinerer teknisk ekspertise med en stærk fokus på at skabe vækst og forretnings-transformation for globale kunder.

Addepto er et konsulentfirma fra Warszawa, der specialiserer sig i kunstig intelligens, maskinlæring, data-engineering og business-intelligence-løsninger til store virksomheder. Firmaet hjælper organisationer med at omdanne rå data til handlebare indsigt gennem en komplet AI-strategi, udvikling af bevis for begrebet og implementering af produktionsklare modeller. Addepto arbejder på tværs af brancher som finans, logistik, produktion og forsikring, og lægger vægt på tilpassede løsninger og langsigtede partnerskaber for at hjælpe kunderne med at udnytte AI til målbart forretningsresultat.

Hvad inspirerede dig til at stifte Addepto i 2018, og hvilket markedsgab var du på vej til at udfylde?

Tilbage i 2018 så vi to yderligheder: store leverandører, der solgte “one-size-fits-all”-AI, og interne hold, der var fastlåst efter nogle få bevis for begrebet, fordi de manglede data-engineering og MLOps-muskler. Vi opbyggede Addepto for at være det hold, der forbinder strategi → data-rørledning → modeller → produktion, især for data-intensiv industri. Denne fuld-stack-tilgang er stadig vores DNA.

Hvilken af Addeptos serviceområder — computer-vision, NLP, maskinlæring eller data-engineering — har oplevet den hurtigste virksomhedsadoption, og hvorfor?

Over de sidste 18-24 måneder har NLP/GenAI bevæget sig hurtigst i virksomhederne (søgning, assistenter, dokumentbehandling) fordi det direkte kan kobles til knowledge-work ROI og kan starte fra grundmodeller. Branchesurveys viser en bred optrapning i AI-brug i 2024, med GenAI-ledede brugstilfælde, der skaleres over funktioner.

Mange virksomheder kæmper med at flytte sig fra bevis for AI-begrebet til produktions-systemer. Hvordan hjælper Addepto dem med at brokke denne kløft?

Vi behandler produktion som en disciplin, ikke en fase: opdagelsesworkshops, data-kontrakter, reference-arkitekturer, CI/CD til modeller, overvågning og “day-2”-operationer (drift, omkostninger, sikkerhedsforanstaltninger). Konkret standardiserer vi MLOps og ombygger bevis for begrebet til mikrotjeneste-endpoints, der passer til kundens stack (Databricks/Spark, Kubernetes, eksisterende BI). Det er sådan, vi konsekvent leverer mere end demos.

Generativ AI er nu central for jeres tilbud. Hvordan beslutter I, hvornår I skal anvende grundmodeller versus tilpasse modeller?

Vores beslutningstræ er pragmatisk:

• Start med grundmodeller, når tid-til-værdi, brede sprogopgaver og variabilitet dominerer.
• Flyt til tilpasning eller adapters, når domæne-terminologi eller tone-præcision er kritisk.
• Byg tilpassede modeller, når ventetid/omkostninger/IP-kontrol er vigtig, data er ejendoms-/struktureret, eller kant-begrænsninger gælder.
  Dette spejler, hvor virksomhederne er på vej: færre “eksperimenter”, mere tilpassede arkitekturer.

I 2024 lancerede I ContextClue som et dedikeret videnledelses-platform. Hvad var det smertepunkt, der overbeviste jer om, at det var det rette tidspunkt for et separat produkt?

Vores tekniske kunder bad om det samme: “Vores CAD, PLM, ERP og dokumenter taler ikke sammen, kan I få dem til at tænke sammen?” Vi havde løst det gentagne gange i projekter, så vi produktiserede mønsteret. 2024 var det rette tidspunkt, fordi GenAI gjorde indhentning og forfatterværktøjer brugbare for ingeniører (ikke kun datahold). Vi annoncerede og begyndte at udrolle det i den periode.

ContextClue integrerer med CAD, ERP, PLM og tekniske dokumenter. Hvilken af disse datakilder er sværest at samordne, og hvordan løser I det?

CAD er den sværeste: binære/ejendoms-formater, versionering, samlinger og rumlig kontekst. Vi normaliserer CAD sammen med PLM/ERP-metadata, og derefter kobler vi alt sammen i en viden-graph, så dele, systemer, specifikationer og procedurer kan løses op til de samme enheder. Det er rygmarven af ContextClues indtagelses-rørledning.

Platformen understøtter semantisk søgning og dokumentgenerering. Hvordan sikrer I nøjagtighed og tillid til disse udgangspunkter for ingeniørhold?

Tre lag:

• Grounded indhentning (schema-bevidst RAG over viden-graphen) med henvisninger til kilde-artefakter.
• Policy + test (evaluerings-suites i CI, rød-team-prompt, regressionstest).
• Menneske-i-løkken for kritiske udgangspunkter (SOP, compliance-dokumenter). Vi har endda åbnet kilder for dele af vores evaluering- og graf-udtræknings-værktøjskæde for at gøre det gennemskueligt.

Hvad gør ContextClue forskelligt fra andre videnledelses-værktøjer i tung industri og ingeniørsøkosystemer?

Det er ingeniør-nativt: det handler ikke kun om at “søge filer”, men forstår samlinger, afhængigheder og ændringsvirkning, og kobler CAD/PLM/ERP og vedligeholdelseshistorik sammen i en handlebar graph. Konkurrerende KM-værktøjer stopper ofte ved indeksering; ContextClue samordner struktur + semantik og producerer både menneske-læselige dokumenter og maskin-læselige modeller (til digital tvilling, planlægning).

Hvordan ser I ContextClue udvikle sig med opkomsten af multimodal AI, især i kombination af tekst, schematisk og 3D-modeller?

To retninger er allerede i gang:

• VISION-over-CAD & schematisk: udtrækning af topologi, callouts og BOM-links for at grundlægge svar i tegninger.
• 3D-justering: kobling af viden-noder til 3D-koordinater/Omniverse-views, så vedligeholdelses- eller planlægnings-spørgsmål kan løses op til det rette sted i modellen. Forvent rigere agenter, der navigerer dele, versioner og procedurer på tværs af modaliteter.

Med henblik på fremtiden, hvordan ser I Addepto og ContextClue forme hinandens vækst, og hvor ser I deres kombinerede indvirkning på branchen i de næste ti år?

Addepto vil fortsætte med at udvide grænserne, producere multimodale/agente-systemer ansvarligt, mens ContextClue omdanner denne forskning til gentagen værdi for ingeniørhold. Sammen sigter vi mod at reducere “viden-spild” (tid tabt på søgning/genskabelse) i stor skala, og måler resultater som ingeniør-cyklus-tid, ombygning-satser og revisions-forberedelsestid på tværs af anlæg og programmer. Markedet bevæger sig fra “mange piloter” til “færre, højere-værdi-udrulninger”, og vi planlægger at være den partner og platform, der konsekvent leverer disse sejre.

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