Molham Aref, administrerende direktør og grundlægger af RelationalAI

Molham er administrerende direktør for RelationalAI. Han har mere end 30 års erfaring i at lede organisationer, der udvikler og implementerer højværdi maskinlærings- og kunstig intelligensløsninger på tværs af forskellige brancher. Før RelationalAI var han administrerende direktør for LogicBlox og Predictix (nu Infor), administrerende direktør for Optimi (nu Ericsson (ERIC )) og medstifter af Brickstream (nu FLIR). Molham havde også ledende stillinger i HNC Software (nu FICO) og Retek (nu Oracle (ORCL )).

RelationalAI samler årtiers erfaring inden for industri, teknologi og produktudvikling for at fremme den første og eneste virkelige cloud-baserede viden graf datastyringssystem til at drive den næste generation af intelligente dataapplikationer.

Som grundlægger og administrerende direktør for RelationalAI, hvad var den oprindelige vision, der drev dig til at oprette virksomheden, og hvordan er den vision ændret over de sidste syv år?

Den oprindelige vision var centreret omkring at forstå virkningen af viden og semantik på den succesfulde implementering af AI. Før vi nåede, hvor vi er i dag med AI, var der meget fokus på maskinlæring (ML), som involverede analyse af store mængder data for at skabe korte modeller, der beskrev adfærd, såsom svindelopdækkelse eller forbrugerindkøbsmønstre. Over tid blev det klart, at for at implementere AI effektivt, var der behov for at repræsentere viden på en måde, der var både tilgængelig for AI og i stand til at forenkle komplekse systemer.

Denne vision er siden ændret med dyb læring og sprogmodeller og generativ AI. Disse fremskridt har ikke ændret, hvad vores virksomhed gør, men har øget relevansen og vigtigheden af deres tilgang, især i at gøre AI mere tilgængelig og praktisk for virksomhedsbrug.

En nylig PwC-rapport estimerer, at AI kan bidrage med op til 15,7 billioner dollars til den globale økonomi i 2030. I din erfaring, hvad er de primære faktorer, der vil drive denne betydelige økonomiske effekt, og hvordan bør virksomheder forberede sig på at udnytte disse muligheder?

Effekten af AI har allerede været betydelig og vil uden tvivl fortsætte med at stige. En af de nøglefaktorer, der driver denne økonomiske effekt, er automatiseringen af intellektuelt arbejde.

Opgaver som at læse, sammenfatte og analysere dokumenter – opgaver, der ofte udføres af højt betalte fagfolk – kan nu (næsten) automatiseres, hvilket gør disse tjenester meget mere tilgængelige og billige.

For at udnytte disse muligheder bør virksomheder investere i platforme, der kan understøtte data- og beregningskravene for at køre AI-arbejdsbyrder. Det er vigtigt, at de kan skala op og ned omkostningseffektivt på en given platform, samt investere i AI-læring blandt medarbejdere, så de kan forstå, hvordan de kan bruge disse modeller effektivt og effektivt.

Da AI fortsætter med at integrere i forskellige brancher, hvad ser du som de største udfordringer, virksomheder står over for i at implementere AI effektivt? Hvordan spiller data en rolle i at overvinde disse udfordringer?

En af de største udfordringer, jeg ser, er at sikre, at brancheforståelse er tilgængelig for AI. Det, vi ser i dag, er, at mange virksomheder har viden spredt over databaser, dokumenter, regneark og kode. Denne viden er ofte uigennemskuelig for AI-modeller og tillader ikke organisationer at maksimere den værdi, de kunne få.

En betydelig udfordring, som branchen behøver at overvinde, er at styre og samle denne viden, som nogle gange kaldes semantik, for at gøre den tilgængelig for AI-systemer. Ved at gøre dette kan AI være mere effektiv i bestemte brancher og inden for virksomheden, da de kan udnytte deres unikke viden.

Du har nævnt, at fremtiden for generativ AI-adopteringsmuligheder vil kræve en kombination af teknikker som Retrieval-Augmented Generation (RAG) og agente-arkitekturer. Kan du forklare, hvorfor disse kombinerede tilgange er nødvendige, og hvilke fordele de giver?

Det vil kræve forskellige teknikker som GraphRAG og agente-arkitekturer for at skabe AI-drevne systemer, der ikke kun er mere præcise, men også kan håndtere komplekse informationshentings- og behandlingstasks.

Mange er endelig begyndt at forstå, at vi vil have brug for mere end en teknik, da vi fortsætter med at udvikle os med AI, men i stedet udnytte en kombination af modeller og værktøjer. En af disse er agente-arkitekturer, hvor du har agenter med forskellige evner, der hjælper med at løse komplekse problemer. Denne teknik bryder det op i stykker, som du kan uddelegere til forskellige agenter for at opnå de resultater, du ønsker.

Der er også Retrieval-Augmented Generation (RAG), der hjælper os med at hente information, når vi bruger sprogmodeller. Da vi først begyndte at arbejde med RAG, kunne vi besvare spørgsmål, hvis svar kunne findes i en del af et dokument. Men vi opdagede hurtigt, at sprogmodellerne havde svært ved at besvare sværere spørgsmål, især når informationen var spredt over flere steder i lange dokumenter og på tværs af dokumenter. Så dette er, hvor GraphRAG kommer ind i billedet. Ved at udnytte sprogmodeller til at skabe viden graf-repræsentationer af information kan det så hente den information, vi har brug for for at opnå de resultater, vi har brug for, og reducere chancerne for fejl eller hallucinationer.

Data-samling er en kritisk sag i at drive AI-værdi inden for organisationer. Kan du forklare, hvorfor samlet data er så vigtig for AI, og hvordan det kan forvandle beslutningsprocesser?

Samlet data sikrer, at al den viden, en virksomhed har – enten det er i dokumenter, regneark, kode eller databaser – er tilgængelig for AI-systemer. Denne samling betyder, at AI kan effektivt udnytte den specifikke viden, der er unik for en branche, underbranche eller endda en enkelt virksomhed, og gøre AI mere relevant og præcis i dens output.

Uden data-samling kan AI-systemer kun fungere på fragmenterede dele af viden, hvilket fører til ufuldstændige eller upræcise indsigt. Ved at samle data sikrer vi, at AI har en fuldstændig og samlet billed, hvilket er afgørende for at forvandle beslutningsprocesser og drive virkelig værdi inden for organisationer.

Hvordan hjælper RelationalAIs tilgang til data, især med dens relationelle viden graf-system, virksomheder med at opnå bedre beslutningsresultater?

RelationalAIs data-centrerede arkitektur, især vores relationelle viden graf-system, integrerer direkte viden med data, hvilket gør det både deklarativt og relationelt. Denne tilgang modsætter sig traditionelle arkitekturer, hvor viden er indlejret i kode, hvilket komplicerer adgang og forståelse for ikke-tekniske brugere.

I dagens konkurrencedygtige forretningsmiljø er hurtig og informeret beslutningstagning afgørende. Men mange organisationer kæmper, fordi deres data mangler den nødvendige kontekst. Vores relationelle viden graf-system samler data og viden, hvilket giver en samlet visning, der tillader både mennesker og AI at træffe mere præcise beslutninger.

For eksempel kan en finansiel services-virksomhed, der styrer investeringsporteføljer, analysere markedstrends, kunde-risikoprofiler, regulatoriske ændringer og økonomiske indikatorer. Vores viden graf-system kan hurtigt syntetisere disse komplekse, sammenhængende faktorer, hvilket giver virksomheden mulighed for at træffe rettidige og informerede investeringsbeslutninger, der maksimerer afkast, mens de samtidig styrer risikoen.

Denne tilgang reducerer også kompleksiteten, forbedrer portabiliteten og minimiserer afhængigheden af bestemte teknologileverandører, hvilket giver langsigtede strategiske muligheder for beslutningstagning.

Hvilken rol spiller RelationalAI i at støtte CDO’er og deres teams i at styre den øgede kompleksitet af data og AI-integration inden for organisationer?

RelationalAI spiller en fundamental rol i at støtte CDO’er ved at give dem de værktøjer og rammer, der er nødvendige for at styre kompleksiteten af data og AI-integration effektivt. Med AI’s opkomst er CDO’er blevet udfordret til at sikre, at data ikke kun er tilgængeligt og sikret, men også udnyttet til fulde inden for organisationen.

Vi hjælper CDO’er med at give en data-centreret tilgang, der bringer viden direkte til data, hvilket gør det tilgængeligt og forståeligt for ikke-tekniske interessenter. Dette er særligt vigtigt, da CDO’er arbejder på at give data i hænderne på dem i organisationen, der måske ikke traditionelt har haft adgang, såsom marketing, finans og endda administrative teams. Ved at samle data og forenkle dets styring giver RelationalAI CDO’er mulighed for at give deres teams mulighed for at drive innovation og sikre, at deres organisationer kan fuldt ud udnytte de muligheder, der gives af AI.

RelationalAI betoner en data-centreret grundlag for at bygge intelligente applikationer. Kan du give eksempler på, hvordan denne tilgang har ført til betydelige effektiviteter og besparelser for dine kunder?

Vores data-centreret tilgang modsætter sig den traditionelle applikations-centreret model, hvor forretningslogik ofte er indlejret i kode, hvilket gør det svært at styre og skala. Ved at centralisere viden inden for data selv og gøre det deklarativt og relationelt har vi hjulpet kunder med at reducere kompleksiteten af deres systemer, hvilket har ført til større effektivitet, færre fejl og ultimativt betydelige omkostningsbesparelser.

For eksempel udnyttede Blue Yonder vores teknologi som en Knowledge Graph Coprocessor inde i Snowflake, hvilket gav den semantiske forståelse og resonanskapaciteter, der var nødvendige for at forudsige forstyrrelser og proaktivt drive afværgehandlinger. Denne tilgang tillod dem at reducere deres arvkode med over 80%, samtidig med at de tilbød en skalerbar og udvidbar løsning.

Lignende oplevede EY Financial Services en dramatisk forbedring ved at reducere deres arvkode med 90% og reducere behandlingstider fra over en måned til kun få timer. Disse resultater understreger, hvordan vores tilgang giver virksomheder mulighed for at være mere agile og responsiv over for ændringer i markedet, samtidig med at de undgår fælden ved at være låst til bestemte teknologier eller leverandører.

Givet din erfaring med at lede AI-drevne virksomheder, hvad tror du er de mest kritiske faktorer for at implementere AI på en større skala i en organisation?

Fra min erfaring er de mest betydelige faktorer for at implementere AI på en større skala sikring af en stærk grundlag af data og viden og at medarbejderne, især de mere erfarne, tager sig tid til at lære og blive komfortable med AI-værktøjer.

Det er også vigtigt ikke at falde i fælden af ekstreme emotionelle reaktioner – enten excessiv hype eller dyb cynisme – omkring nye AI-teknologier. I stedet anbefaler jeg en stabil og konsekvent tilgang til at adoptere og integrere AI, med fokus på inkrementelle forbedringer snarere end at forvente en sølvkugle-løsning.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge RelationalAI.