Igor Jablokov, CEO & Founder of Pryon – Intervieuserie

Igor Jablokov er CEO og grundlægger af Pryon. Han er blevet udnævnt til “Industry Luminary” af Speech Technology Magazine og har tidligere grundlagt Yap, verdens første højpræcise, fuldt automatiserede cloud-platform for talegenkendelse. Efter at produkterne blev udviklet af dusinvis af virksomheder, blev selskabet Amazons første AI-relaterede opkøb. Selskabets opfindelser blev derefter brugt som grundlag for efterfølgende produkter som Alexa, Echo og Fire TV. Som programdirektør i IBM ledede Igor holdet, der designede forgængeren til Watson og udviklede verdens første multimodale webbrowser.

Igor modtog Eisenhower og Truman National Security-stipendier for at udforske og udvide rollen for iværksætteri og venturekapital i løsning af geopolitiske bekymringer. Som innovator inden for menneskesprogsteknologier tror han på at fremme karriere- og uddannelsesmuligheder for andre, der kommer ind i STEM-felter. Derfor fungerer han som mentor i TechStars’ Alexa Accelerator, var Blackstone NC Entrepreneur-In-Residence (EIR) og grundlagde et kapitel af Global Shapers, et program under Verdensøkonomisk Forum.

Igor har en bachelorgrad i computeringeniørvidenskab fra The Pennsylvania State University, hvor han blev udnævnt til en fremragende ingeniør-alumnus, og en MBA fra University of North Carolina.

Din rejse i AI begyndte med den første cloud-baserede talegenkendelsesmotor på Yap, som senere blev opkøbt af Amazon (AMZN ). Hvordan formede den oplevelse din vision for AI og påvirkede dit nuværende arbejde i Pryon?

Jeg starter lidt tidligere i min karriere, da Yap ikke var vores første ophold i naturlige sproginteraktioner.

Min første indsats i naturlige sproginteraktioner startede hos IBM, hvor jeg begyndte som praktikant i begyndelsen af 90’erne og til sidst blev programdirektør for multimodal forskning. Der havde jeg et hold, der opdagede, hvad man kunne betragte som en baby-Watson. Det var langt forud for sin tid, men IBM godkendte det aldrig. Til sidst blev jeg frustreret over beslutningen og forlod selskabet.

Omkring den tid (2006) rekrutterede jeg topingeniører og videnskabsmænd fra Broadcom (AVGO ), IBM, Intel (INTC ), Microsoft (MSFT ), Nuance, NVIDIA (NVDA ) og mere til at starte det første AI-cloudselskab, Yap. Vi fik hurtigt adskillige dusin virksomheds- og teleselskabskunder, herunder Sprint og Microsoft, og næsten 50 millioner brugere på platformen.

Da vi havde tidligere iPod-ingeniører på holdet, kunne vi back-channel ind i Apple (AAPL ) inden for et år efter at have grundlagt selskabet. De fik os til at lave en prototype af Siri – dette var før iPhone blev udgivet. Halvandet år senere blev vi hemmeligt opkøbt af Amazon for at udvikle Alexa til dem.

Kan du uddybe begrebet “kendsgnsfriction” som Pryon søger at løse, og hvorfor det er afgørende for moderne virksomheder?

Kendsgnsfriction kommer fra, at organisationer historisk set ikke har haft en samlet instantiation af kendskab. Mens vi har haft sådanne lagre på vores universitetscampusser og civile samfund i form af biblioteker, har der ikke været nogen samlet kendsgnsbase på virksomhedssiden på grund af en mangfoldighed af leverandører, de har brugt.

Som resultat føler alle over næsten alle organisationer friktion, når de søger efter den information, de behøver for at udføre deres arbejde og arbejdsprocesser. Her så vi muligheden for Pryon. Vi tænkte, at der var en mulighed for et nyt lag over virksomhedens software-stack, som ved hjælp af naturlige sprogkoder kunne traversere systemer af optegnelser og hente forskellige objektyper – tekst, billeder, videoer, struktureret og ustruktureret data – og trække alt sammen i en under-secondsvar-tid.

Det var fødslen af Pryon, verdens første AI-forstærkede kendsgnscloud.

Pryons platform integrerer avancerede AI-teknologier som computer vision og store sprogmodeller. Kan du forklare, hvordan disse komponenter arbejder sammen for at forbedre kendsgnsstyring?

Pryon udviklede en AIP, en kunstig intelligens-platform, som transformerer indhold fra dets grundlæggende statiske enheder til interaktivt kendskab. Det opnås ved at integrere en indtagelsesrørledning, en hentningsrørledning og en generativ rørledning i en enkelt oplevelse. Platformen tapper ind i dine eksisterende systemer af optegnelser, som kan omfatte en række indholdstyper som Confluence, Documentum, SAP, ServiceNow , Salesforce , SharePoint og mange flere. Dette indhold kan være i form af lyd, video, billeder, tekst, PowerPoints, PDF’er, Word-dokumenter og websteder.

AIP transformerer disse objekter til en kendsgnscloud, som kan publicere og abonnere på enhver interaktiv eller sanselig oplevelse, du måtte have brug for. Uanset om folk har brug for at interagere med denne kendsgnsbase eller der er maskine-til-maskine-transaktioner, der kræver foreningen af al denne forskellige kendsgnsbase, sikrer platformen konsistens og tilgængelighed. I virkeligheden udfører den ETL (Extract, Transform, Load) på venstre side og driver oplevelser via API’er på højre side.

Hvad er nogle af de vigtigste udfordringer, Pryon står over for i udviklingen af AI-løsninger til virksomhedsbrug, og hvordan løser I dem?

Fordi vi er vertikalt integreret, får vi topkarakterer i nøjagtighed, skala, sikkerhed og hastighed. Et af problemerne med dekonstruerede tilgange, hvor du har brug for flere forskellige leverandører og samler dem sammen for at opnå den samme arbejdsproces, vi gør, er, at du ender med noget, der er mindre performant. Du kan ikke matche modeller, og du har ikke sikkerhedssignaler, der flyder gennem så godt.

Det er som iPhones: Der er en grund til, at Apple bygger deres egen chip, enhed, operativsystem og programmer. Ved at gøre det opnår de det højeste niveau af ydelse med den laveste energiforbrug. I modsætning hertil tenderer andre leverandører, der integrerer fra flere forskellige kilder, til at være en generation eller to bagud.

Hvordan sikrer Pryon nøjagtigheden, skalaen, sikkerheden og hastigheden af sine AI-løsninger, især i store virksomheds-miljøer?

Med støtte fra et robust Retrieval-Augmented Generation (RAG)-rammeværk er Pryon designet til at opfylde de strenge krav fra forretninger. Ved hjælp af bedst-i-klassen informationshentningsteknologi leverer Pryon sikkerhedsgarantier, nøjagtige og rettidige svar – og giver forretninger mulighed for at overvinde kendsgnsfriction.

• Nøjagtighed: Pryon udmærker sig i nøjagtighed ved at præcist indtage og forstå indhold, der er gemt i forskellige formater, herunder tekst, billeder, lyd og video. Ved hjælp af avancerede, selvudviklede teknologier henter Pryon mission-kritisk kendskab med over 90% nøjagtighed og leverer svar med klart attribut til kilde-dokumenter. Dette sikrer, at den information, der leveres, er både pålidelig og verificerbar.
• Virksomhedsskala: Pryon er bygget til at håndtere store virksomheds-miljøer. Det kan håndtere millioner af sider med indhold og understøtte tusinder af samtidige brugere. Pryon inkluderer også ud af boksen-forbindelser til store platforme som SharePoint, ServiceNow, Amazon S3, Box og mere, hvilket gør det let at integrere i eksisterende arbejdsprocesser og systemer.
• Sikkerhed: Sikkerhed er en top-prioritet for Pryon. Det beskytter mod datalæk ved hjælp af dokument-niveau-adgangskontrol og sikrer, at AI-modeller ikke trænes på kunde-data. Derudover kan Pryon implementeres i lokale miljøer, hvilket giver yderligere lag af sikkerhed og kontrol for følsomme oplysninger.
• Hastighed: Pryon tilbyder hurtig installation, hvor installation er mulig på så kort tid som to uger. Platformen har en kode-fri grænseflade til opdatering af indhold, hvilket giver mulighed for hurtig og let ændring. Derudover giver Pryon mulighed for at vælge en offentlig, brugerdefineret eller Pryon-udviklet stor sprogmodel (LLM), hvilket gør implementationsprocessen problemfri og højtilpasset.

Det er derfor, at akademiske institutioner, Fortune 500-virksomheder, regeringsinstitutioner og NGO’er i kritiske sektorer som forsvar, energi, finansielle tjenester og halvledere benytter os.

Pryon lægger vægt på Ansvarlig AI med initiativer som respekt for forfatterskab og etisk kilde til træningsdata. Hvordan implementerer I disse principper i jeres daglige drift?

Vore kunder og partnere styrer, hvad der kommer ind i deres instance af Pryon. Dette inkluderer offentlig information fra troværdige akademiske institutioner og regeringsinstitutioner, publiceret information, de har korrekt licenseret til deres organisationer, proprietær information, der udgør kernen i deres forretnings-IP, og personlig indhold til personligt brug. Pryon syntetiserer disse fire kilde-typer til en samlet kendsgnscloud, fuldstændigt under kontrol af den sponsorerende organisation. Denne evne til at sikre mange forskellige indholdstyper er derfor, vi er troværdige i robuste miljøer, herunder kritisk infrastruktur.

Med Pryon, der har sikret 100 millioner dollars i Series B-finansiering, hvad er jeres top-prioriteter for selskabets vækst og innovation i de kommende år?

Efter Series B er vi i tidlig vækst-territorium. En del af denne fase er at industrialisere produkt-markeds-passningen, vi har etableret for at understøtte cloud-miljøer og server-typer, vores kunder og partnere sandsynligvis vil møde.

Det første fokusområde er at sikre, at vores produkt kan håndtere disse krav, mens vi også tilbyder dem modulær adgang til vores kapaciteter for at understøtte deres arbejdsprocesser.

Det andet store område er udvikling af skaleringspartnere, der kan bygge praksis omkring vores arbejde med vores værktøjer og håndtere den nødvendige forandring, mens organisationer transformerer for at understøtte den nye æra af digital intelligens. Det tredje fokus er fortsat forskning og udvikling for at holde os foran kurven og definere tilstanden for kunsten i dette område.

Som en, der har været i forkanten af AI-innovation, hvordan ser du på den nuværende tilstand af AI-regulering, og hvilken rol tror du, Pryon kan spille i disse diskussioner?

Jeg tror, vi alle undrer os over, hvordan verden ville have udviklet sig, hvis vi havde kunnet regulere nogle teknologier tættere på deres fødsel, som f.eks. sociale medier, et eksempel. Vi indså ikke, hvor meget det ville påvirke vores samfund. Forskellige nationer har forskellige perspektiver på regulering. Europæerne har et noget begrænset perspektiv, der matcher deres værdier med EU’s AI-lov.

På den anden side er nogle miljøer fuldstændigt ubegrænsede. I USA søger vi efter en balance mellem at tillade innovation at blomstre, især i kommercielle aktiviteter, og at beskytte følsomme brugsområder for at undgå bias og andre risici, såsom i godkendelse af låneansøgninger.

De fleste reguleringer sigter mod de mest følsomme brugsområder, især i forbrugerapplikationer og offentlige sektorer eller regeringsanvendelser. Personligt er det derfor, jeg er i bestyrelsen for With Honor, en bipartisk koalition af veteraner, politikere og lovgivere. Vi har set konvergens, uanset politiske overbevisninger, om bekymringer over introduktionen af AI-teknologier i alle aspekter af vores liv. En del af vores rol er at påvirke udviklingen af regulering, hvor vi giver feedback for at finde den rette balance, vi alle ønskede for andre teknologiområder.

Hvad ville du råde andre AI-iværksættere til at bygge indflydelsesrige og ansvarlige AI-løsninger?

Lige nu vil det være både et vildt vesten og et fantastisk miljø for udvikling af nye former for AI-applikationer. Hvis du ikke har omfattende erfaring med AI – sagen, 10, 20 eller 30 år – ville jeg ikke anbefale at udvikle en AI-platform fra bunden. I stedet finder du et anvendelsesområde, hvor teknologien mødes med din faglige ekspertise.

Uanset om du er kunstner, advokat, ingeniør, linjearbejder, læge eller i en anden branche, så vil udnyttelse af din ekspertise give dig en unik stemme, perspektiv og produkt på markedet. Denne tilgang er sandsynligvis den bedste brug af din tid, energi og erfaring, i stedet for at skabe endnu et “me too”-produkt.

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