Erik Schwartz, Chief AI Officer (CAIO) Tricon Infotech – Interview Serie

Erik Schwartz er Chief AI Officer (CAIO) hos Tricon Infotech, et ledende konsulent- og softwarevirksomhed. Tricon Infotech leverer effektive, automatiserede løsninger og fulde digitale transformationer gennem brugerdefinerede produkter og virksomhedsimplementeringer

Erik Schwartz er en erfaren teknologichef og iværksætter med mere end to årtiers erfaring i tech-sektoren, specialiseret i skæringen mellem AI, informationshenting og videnopdagelse. Gennem sin karriere har Erik været i forkanten af integrationen af store platforms og integration af AI i søgeteknologier, hvilket betydeligt har forbedret brugerinteraktionen og informationsadgangen. Hans tidligere nøglepositioner omfatter seniorroller hos Comcast, Elsevier og Microsoft, hvor han ledede banebrydende AI-, søge- og LLM-initiativer.

Eriks professionelle rejse er kendetegnet ved hans engagement i innovation og hans tro på samarbejdets kraft. Han har konsekvent drevet hold mod hurtig levering af banebrydende løsninger, hvilket fast har etableret ham som en troværdig leder i tech-samfundet. Hans arbejde, senest på Scopus AI-projektet hos Elsevier, understreger hans engagement i at omdefinere grænserne for, hvordan vi interagerer med information og opbygger en troværdig relation med brugerne.

I sin rolle som Chief AI Officer (CAIO) udnytter Erik sin omfattende erfaring til at udvikle og implementere omfattende AI-strategier for Tricon-kunder. Hans grundige proces afklarer ikke blot AI, men sikrer også, at disse virksomheder er udstyret til at lykkes og trives i det konkurrerende landskab af AI-teknologi. Erik er passioneret om at fremme vækst og innovation, deler sine indsighter for at inspirere og udruste organisationer til at udnytte den transformative kraft af AI effektivt.

Kan du dele nogle højdepunkter fra din karriere, der har ført til din nuværende rolle som Chief AI Officer hos Tricon Infotech?

Jeg har været dybt involveret i informationshentingsdomænet hele min karriere. Min rejse begyndte i begyndelsen af 90’erne som webmaster ved internettets fødsel. Under denne formative periode fokuserede jeg på at opbygge digitale biblioteker for regeringsinstitutioner, universiteter og medievirksomheder, hvilket lagde grundlaget for min ekspertise i digitale informationsystemer.

I 2000’erne skiftede jeg til at arbejde med søgemaskineleverandører, hvor jeg finslebede mine færdigheder i søgeteknologier. Denne fase af min karriere var kendetegnet ved betydelig vækst og læring gennem forskellige overtagelser, der til sidst førte mig til at tiltræde Microsoft i 2008. Hos Microsoft spillede jeg en afgørende rolle i udviklingen og forbedringen af videnopdagelsesplatforme, hvilket drev innovation og forbedrede informationsadgangen for brugerne.

Efter min ansættelse hos Microsoft ledede jeg initiativer hos større virksomheder som Comcast og Elsevier, hvor jeg var ansvarlig for at drive store videnopdagelsesplatforme. Disse erfaringer har været afgørende for at forme min tilgang til AI og informationshenting, kulminerende i min nuværende rolle som Chief AI Officer hos Tricon Infotech. Her udnytter jeg min omfattende erfaring til at drive AI-strategier og løsninger, der giver vores kunder mulighed for at udnytte fuldt potentiale i deres data.

Hvordan har dine erfaringer hos virksomheder som Comcast, Elsevier og Microsoft påvirket din tilgang til integration af AI og søgeteknologier?

Gennem hele min karriere har jeg været dybt fokuseret på naturligsproglige bearbejdningsteknikker (NLP) og maskinel læring. Initiativt var disse teknologier baseret på simple regelbaserede systemer. Men da datasæt voksede større og beregningskraft blev mere robust, begyndte vi at betydeligt forbedre brugeroplevelserne ved at automatisk høste data og føde dem tilbage i algoritmerne for at forbedre deres ydeevne.

Hos Microsoft, efter overtagelsen af FAST, fungerede jeg som produktchef på SharePoint-holdet. I denne rolle var jeg involveret i at integrere avancerede søgeteknologier i virksomhedsindholdshanteringssystemer, hvilket forbedrede informationshenting og samarbejdskapaciteter for virksomheder.

Hos Comcast byggede jeg en videnopdagelsesplatform, der drev deres hele videoforretning, og gav brugerne mulighed for at søge og opdage indhold på tv, mobil og webenheder. Denne søgemaskine skalaerede til at håndtere over 1 milliard anmodninger om dagen, hvilket betydeligt forbedrede brugeroplevelsen ved at give hurtige og præcise indholdsanbefalinger og søgeresultater.

En af de mest transformative erfaringer var hos Elsevier, hvor vi lancerede en generativ AI-oplevelse til Scopus, en af deres mest troværdige produkter. Dette initiativ anvendte en stor sprogmodel (LLM) til at hjælpe brugerne med at stille bedre spørgsmål og få mere præcise svar fra det dybt tekniske indhold i den videnskabelige kommunikationsdatabase. Denne LLM-drevne tilgang sikrede den fulde nøjagtighed og troværdighed af over 90 millioner artikler indeholdt i databasen, hvilket demonstrerede kraften af AI til at forbedre akademisk forskning og videnformidling.

Hvad begejstrer dig mest om de nuværende fremskridt i Generativ AI og dens potentielle anvendelser?

En af de største historiske udfordringer i informationshenting har været at fastholde kontekst. For mennesker er dette en naturlig proces, men for maskiner har informationshenting traditionelt været en meget transaktionsbaseret oplevelse: stille et spørgsmål, få et svar. At dykke dybere ind i et emne krævede at stille stadig mere specifikke spørgsmål. Generativ AI revolutionerer denne tilgang ved at enable en mere konversationel og kontekstuel interaktion, meget lig en naturlig samtale med nogen, du lige har mødt.

Desuden inkorporerer Generativ AI yderligere teknikker, der forbedrer dybere forståelse, som traditionelt har været svært for traditionelle søgemaskiner. For eksempel kan store sprogmodeller (LLM’er) håndtere aspekter som tone, sentimentanalyse, semantisk forståelse og tvetydighed uden besvær. Disse kapaciteter giver LLM’er mulighed for at gribe nuancerne i menneskesprog og kontekst let, og giver mere præcise og meningsfulde svar lige fra starten.

Hvordan adskiller Tricon Infotechs tilgang til GenAI sig fra andre virksomheder i branchen?

I Generativ AI-området er der to primære fokusområder. Det første, der modtager betydelig opmærksomhed fra nogle af de største teknologivirksomheder, er træning og finjustering af AI-modeller. Det andet område, hvor Generativ AI-praktikere virkelig excellerer, er inferens – brug af Generativ AI til at skabe værdifulde produkter og tjenester.

Hos Tricon Infotech fokuserer vi på det sidste. Vores tilgang er distinkt, fordi vi betoner praktisk anvendelse og hurtig implementering. Vi har udviklet et omfattende program, der hjælper forretningsledere med at hurtigt identificere de mest indflydelsesrige brugstilfælde for Generativ AI. Vores proces inkluderer en hurtig prototyperingsløsning, der giver kunderne mulighed for at arbejde med deres eget data i en AI-sandkasse. Denne tilgang sikrer, at de kan se konkrete resultater og interagere med AI-drevne indsighter tidligt i udviklingscyklussen.

Desuden har vi en radikal fokus på tid til værdi. Vores mål er at hjælpe kunderne med at bygge og implementere forbrugerorienterede anvendelser inden for 90 dage. Denne accelererede tidsramme driver ikke blot hurtigere innovation, men sikrer også, at virksomhederne kan hurtigt kapitalisere på fordelene ved Generativ AI, skabe nye indtægtsstrømme og forbedre kundetilfredsheden.

Kan du diskutere nogle af de nøgleudfordringer i implementeringen af store sprogmodeller (LLM’er) og Generativ AI i virksomheds løsninger?

Implementeringen af store sprogmodeller (LLM’er) og Generativ AI i virksomheds løsninger præsenterer flere fremvoksende udfordringer. Den første og mest kritiske udfordring er tillid. Virksomhederne må være sikre på, at AI-systemerne ikke kommer til at kompromittere deres immaterielle ejendom eller følsomme virksomhedsoplysninger. At sikre datasikkerhed og få ordentlige garantier for, at AI ikke misbruger data, er afgørende for at opnå tillid.

Den anden udfordring er problemet med hallucinationer. Generativ AI kan nogle gange producere selvbevisende svar, der er faktisk forkerte. Dette kan undergrave tilliden til AI-systemerne. Teknikker som finjustering af modeller og anvendelse af Retrieval Augmented Generation (RAG) kan hjælpe med at mindske forekomsten af hallucinationer ved at sikre, at AI-svar er baseret på præcise data.

Den tredje betydelige udfordring er omkostningerne. Licensering og skalaering af LLM’er kan være ret dyrt. Selv virksomhedsudbud fra store leverandører som Microsoft, Amazon og Google kommer med høje indgangsgebyrer og minimumskrav. Derfor er det afgørende for virksomhederne at nøje overvåge og styre avkastningen på investeringen (ROI) for at sikre, at implementeringen af AI-løsninger er økonomisk bæredygtig.

Kan du forklare den strukturerede tilgang, Tricon Infotech bruger til at udvikle tilpassede GenAI-virksomheds løsninger?

Tricon Infotech er en produktudviklingsvirksomhed, der adskiller sig ved at tilbyde managed services gennem dedikerede, fuldstændige produktteams i stedet for traditionel staff-forstærkning. Vores tilgang indebærer at udstationere hele produktteams, der kan håndtere alle aspekter af produktudviklingslivscyklussen, herunder brugerforskning, brugeroplevelsesdesign (UX), front-end og back-end-udvikling, testautomatisering, implementering, skalaering og fortsat drift.

Denne omfattende managed service-model sikrer, at vores kunder kan fokusere direkte på at kapitalisere på deres data uden kompleksiteterne og omkostningerne ved at styre separate ressourcer. Vores nøgle-driver er tid til værdi, hvilket betyder, at vi prioriterer at levere konkrete fordele hurtigt og effektivt. Vores ambition er at opbygge langsigtede generative relationer med vores kunder ved at tilføje værdi og iterere gennem funktionudviklingsprocessen.

Vores strukturerede tilgang er designet til at være agil og responsiv, hvilket giver os mulighed for at tilpasse os hurtigt til nye udfordringer og muligheder i AI-landskabet. Ved at udnytte de fulde kapaciteter af vores tværfaglige teams leverer vi højt tilpassede Generativ AI-løsninger, der er skræddersyede til de specifikke behov af hver enkelt virksomhed. Denne tilgang adskiller os ikke blot fra traditionelle staff-forstærkningsfirmaer, men sikrer også, at vi leverer holistiske, end-to-end-løsninger, der driver betydelig forretningsimpact.

Hvad er nogle eksempler på reelle problemer, som Tricon’s GenAI-løsninger har løst med succes?

1. E-læring – omdannelse af traditionel medie og arvemateriale til interaktive multi-modale indhold. Dette giver vores kunder mulighed for at genbruge eksisterende indhold til at tilpasse sig nye måder at lære på og nå læsere på de platforme, hvor de allerede er. Yderligere kan indholdet derefter genbruges til hyper-personlige læringsprogrammer, der kan tilpasse sig automatisk til læserens behov og læringsstilarter (lyd, visuelt osv.)
2. Privat AI – hjælp til kunder med at bygge tillidsfulde virksomheds AI-løsninger, der forbliver private og respekterer kundernes adgangsregler, samtidig med at de opretholder omkostninger og hjælper med at skala ud på tværs af virksomhedens forskellige funktioner, hvilket hjælper overbelastede fagfolk og fællesservices med at skala ud bedre til organisationen, samtidig med at de naturligt forstår de forskellige regler og begrænsninger af lokale og regionale politikker, der er fordelt geografisk. Disse private AI’er vil ikke blot tjene virksomheden, men vil også generere nye indtægtsstrømme til vores kunder.
3. Procesautomatisering – der er stadig en masse organisationer, der afhænger af manuelle processer og “swivel chair”-dataintegration. AI hjælper med at forbinde de forskellige systemer sammen ved at oprette intelligente lag, der ikke blot kan validerer data, men også forstår det unikke signal, der er skabt af det enkelte datasæt eller værktøj, og hjælper med at effektivt routere arbejdsgange rundt om og identificere forsyningskædeproblemer

Hvad er rollen af kontinuerlig læring og vækst i at holde sig foran i det hurtigt udviklende felt af AI?

En af de største udfordringer i AI-feltet er at opskolere talentpulen. Der er en ny generation af arbejdere, der intuitivt forstår AI-værktøjer og -teknologier. Men der er også en ældre generation, der har brug for at forstå, hvad disse værktøjer kan og ikke kan. Kontinuerlig læring er afgørende for at brobygge dette gap.

AI-værktøjer har potentialet til at dramatisk forbedre produktiviteten, hvilket giver virksomheder mulighed for at opnå langt mere med betydeligt færre ressourcer, hvilket reducerer tidsrammer og omkostninger. For at disse fordele kan realiseres, må medarbejderne være åbne for at lære nye måder at arbejde på og integrere disse værktøjer i deres arbejdsgange.

Desuden er det afgørende at adressere frygten for jobssikkerhed. Medarbejderne må forstå, at de, der omfavner kontinuerlig læring og vækst, vil være bedre udstyret til at integrere nye AI-værktøjer i deres daglige rutiner, hvilket ultimativt vil føre til større jobssikkerhed. Sandheden er, at succes i den AI-drevne fremtid vil komme til dem, der aktivt søger at forstå og udnytte disse udviklende teknologier.

Hvordan forestiller du dig, at fremtiden for AI vil forandre søgeteknologi og brugerinteraktion i de næste ti år?

Vi er allerede vidne til en betydelig skift fra traditionelle søgemaskiner til Generativ AI-værktøjer til initial forespørgsler. Dette skift drives af Generativ AI’s evne til at give direkte svar og løsninger, hvilket eliminerer behovet for at gå igennem multiple websites eller ressourcer uafhængigt. I den nærmeste fremtid vil det blive almindeligt for AI’er at deltage i møder, udføre handlinger og håndtere rutineopgaver, hvilket vil føre til en betydelig reduktion i rollerne for visse funktioner inden for virksomheder.

En af de nøgleudfordringer, der stadig eksisterer, er at finde ud af, hvordan man kan moneterisere Generativ AI, da den traditionelle reklame-model kan stå over for betydelige hindringer i dette nye landskab. Min forudsigelse er, at data vil blive stadig mere værdifulde og fungere mere som en valuta, da vi navigerer i denne nye verden. Denne skift vil kræve innovative forretningsmodeller, der udnytter de unikke kapaciteter af AI, samtidig med at de sikrer, at brugere og virksomheder kan udvikle konkrete værdier fra deres interaktioner.

I alt løber fremtiden for AI i søgeteknologi og brugerinteraktion med til at blive transformerende, hvilket gør informationshenting mere intuitivt og effektivt, samtidig med at det omdefinerer, hvordan vi tilgår digitale interaktioner og virksomhedsfunktioner.

Hvad er det praktiske råd, du ville give til virksomheder, der søger at udnytte AI til at drive succes og innovation?

Vær ikke bange for teknologien. Start med at gøre AI-værktøjer tilgængelige for dine medarbejdere for at sikre, at din data og immaterielle ejendom forbliver sikre. Mange medarbejdere bruger allerede AI-værktøjer, men uden ordentlig styring er der en risiko for misbrug. Derfor er det afgørende at opskolere din personale, så de forstår risikoen og ved, hvordan de kan bruge disse værktøjer sikkert og effektivt.

Desuden er det afgørende at holde et klart fokus på målene for succes. AI-værktøjer kan være dyre, men omkostningerne forventes at falde over tid. Men det er vigtigt at holde et klart fokus på avkastningen på investeringen (ROI) for at styre omkostninger og forstå impakten på din forretning. Ved at gøre dette kan du udnytte AI til at drive innovation og succes, samtidig med at du sikrer, at fordelene overstiger omkostningerne.

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