Molham Aref, CEO & Gründer von RelationalAI

Molham ist der Chief Executive Officer von RelationalAI. Er hat mehr als 30 Jahre Erfahrung in der Leitung von Organisationen, die hochwertige Machine-Learning- und KI-Lösungen in verschiedenen Branchen entwickeln und implementieren. Vor RelationalAI war er CEO von LogicBlox und Predictix (jetzt Infor), CEO von Optimi (jetzt Ericsson (ERIC )) und Mitgründer von Brickstream (jetzt FLIR). Molham hatte auch leitende Positionen bei HNC Software (jetzt FICO) und Retek (jetzt Oracle (ORCL )) inne.

RelationalAI bringt Jahrzehnte an Erfahrung in der Industrie, Technologie und Produktentwicklung zusammen, um das erste und einzige echte cloudbasierte Wissensgraphen-Datenmanagementsystem voranzutreiben, das die nächste Generation intelligenter Datenanwendungen antreibt.

Als Gründer und CEO von RelationalAI, was war die anfängliche Vision, die Sie dazu bewog, das Unternehmen zu gründen, und wie hat sich diese Vision in den letzten sieben Jahren entwickelt?

Die anfängliche Vision konzentrierte sich auf das Verständnis der Auswirkungen von Wissen und Semantik auf die erfolgreiche Einrichtung von KI. Bevor wir heute bei KI angelangt sind, lag der Fokus hauptsächlich auf Machine Learning (ML), bei dem große Mengen an Daten analysiert wurden, um präzise Modelle zu erstellen, die Verhaltensweisen wie Betrugsbekämpfung oder Konsumverhaltensmuster beschreiben. Im Laufe der Zeit wurde deutlich, dass zur effektiven Einrichtung von KI ein Bedarf an der Darstellung von Wissen bestand, das sowohl für KI zugänglich als auch in der Lage war, komplexe Systeme zu vereinfachen.

Diese Vision hat sich mit den Innovationen im Bereich des Deep Learning und in jüngster Zeit mit Sprachmodellen und generativer KI weiterentwickelt. Diese Fortschritte haben nicht geändert, was unser Unternehmen tut, sondern haben die Relevanz und Bedeutung unseres Ansatzes erhöht, insbesondere bei der Bereitstellung von KI für den Unternehmenseinsatz.

Ein kürzlich veröffentlichter PwC-Bericht schätzt, dass KI bis 2030 bis zu 15,7 Billionen US-Dollar zur globalen Wirtschaft beitragen könnte. Aus Ihrer Erfahrung, welche Faktoren werden diese erhebliche wirtschaftliche Auswirkung vorantreiben, und wie sollten Unternehmen sich darauf vorbereiten, um diese Chancen zu nutzen?

Die Auswirkung von KI ist bereits erheblich und wird zweifellos weiter ansteigen. Einer der Schlüsselfaktoren, die diese wirtschaftliche Auswirkung vorantreiben, ist die Automatisierung geistiger Arbeit.

Aufgaben wie das Lesen, Zusammenfassen und Analysieren von Dokumenten – Aufgaben, die oft von hochbezahlten Fachleuten durchgeführt werden – können jetzt größtenteils automatisiert werden, wodurch diese Dienstleistungen viel erschwinglicher und zugänglicher werden.

Um diese Chancen zu nutzen, müssen Unternehmen in Plattformen investieren, die die Daten- und Rechenanforderungen für die Ausführung von KI-Workloads unterstützen. Es ist wichtig, dass sie kosteneffizient auf einer bestimmten Plattform skaliert werden können und gleichzeitig in KI-Literatur unter den Mitarbeitern investieren, damit sie verstehen, wie sie diese Modelle effektiv und effizient nutzen können.

Wie sehen Sie die größten Herausforderungen, denen Unternehmen bei der effektiven Einrichtung von KI gegenüberstehen, und wie spielt Daten bei der Überwindung dieser Herausforderungen eine Rolle?

Eine der größten Herausforderungen, die ich sehe, ist die Sicherstellung, dass branchenspezifisches Wissen für KI zugänglich ist. Was wir heute sehen, ist, dass viele Unternehmen Wissen über Datenbanken, Dokumente, Tabellen und Code verstreut haben. Dieses Wissen ist oft undurchsichtig für KI-Modelle und ermöglicht es Organisationen nicht, den Wert zu maximieren, den sie erhalten könnten.

Eine erhebliche Herausforderung, die die Branche überwinden muss, ist die Verwaltung und Vereinheitlichung dieses Wissens, manchmal auch als Semantik bezeichnet, um es für KI-Systeme zugänglich zu machen. Durch diese Maßnahmen kann KI in bestimmten Branchen und innerhalb des Unternehmens effektiver eingesetzt werden, da sie dann auf ihre einzigartige Wissensbasis zurückgreifen können.

Sie haben erwähnt, dass die Zukunft der generativen KI-Adoption eine Kombination von Techniken wie Retrieval-Augmented Generation (RAG) und agentischen Architekturen erfordern wird. Können Sie erläutern, warum diese kombinierten Ansätze notwendig sind und welche Vorteile sie bieten?

Es wird verschiedene Techniken wie GraphRAG und agentische Architekturen erfordern, um KI-gesteuerte Systeme zu erstellen, die nicht nur genauer sind, sondern auch komplexe Informationsabruf- und Verarbeitungsaufgaben bewältigen können.

Viele beginnen endlich zu erkennen, dass wir mehr als eine Technik benötigen, während wir mit KI weiterentwickeln, sondern vielmehr eine Kombination von Modellen und Werkzeugen nutzen. Eine dieser Techniken ist die agentische Architektur, bei der Sie Agenten mit unterschiedlichen Fähigkeiten haben, die Ihnen helfen, ein komplexes Problem zu lösen. Diese Technik zerlegt es in Teile, die Sie an verschiedene Agenten auslagern, um die gewünschten Ergebnisse zu erzielen.

Es gibt auch die retrieval-augmentierte Generierung (RAG), die uns hilft, Informationen zu extrahieren, wenn wir Sprachmodelle verwenden. Als wir zum ersten Mal mit RAG arbeiteten, konnten wir Fragen beantworten, deren Antworten in einem Teil eines Dokuments gefunden werden konnten. Wir stellten jedoch schnell fest, dass die Sprachmodelle Schwierigkeiten haben, schwierigere Fragen zu beantworten, insbesondere wenn die Informationen in verschiedenen Teilen eines langen Dokuments oder über mehrere Dokumente hinweg verstreut sind. Hier kommt GraphRAG ins Spiel. Durch die Nutzung von Sprachmodellen, um Wissensgraphen-Darstellungen von Informationen zu erstellen, kann es dann auf die Informationen zugreifen, die wir benötigen, um die gewünschten Ergebnisse zu erzielen und die Chancen auf Fehler oder Halluzinationen zu reduzieren.

Datenvereinheitlichung ist ein kritischer Aspekt bei der Steigerung des KI-Werts innerhalb von Organisationen. Können Sie erklären, warum vereinheitlichte Daten für KI so wichtig sind und wie sie Entscheidungsprozesse transformieren können?

Vereinheitlichte Daten stellen sicher, dass alle Kenntnisse, die ein Unternehmen hat – ob in Dokumenten, Tabellen, Code oder Datenbanken – für KI-Systeme zugänglich sind. Diese Vereinheitlichung bedeutet, dass KI effektiv das spezifische Wissen nutzen kann, das für eine Branche, Subbranche oder sogar ein einzelnes Unternehmen einzigartig ist, und somit die Ausgaben von KI genauer und relevanter macht.

Ohne Datenvereinheitlichung können KI-Systeme nur auf fragmentierte Kenntnisse zurückgreifen, was zu unvollständigen oder ungenauen Erkenntnissen führt. Durch die Vereinheitlichung von Daten stellen wir sicher, dass KI ein vollständiges und kohärentes Bild hat, das für die Transformation von Entscheidungsprozessen und die Schaffung von echtem Wert innerhalb von Organisationen von entscheidender Bedeutung ist.

Wie trägt RelationalAIs Ansatz zu Daten, insbesondere mit seinem relationalen Wissensgraphen-System, dazu bei, dass Unternehmen bessere Entscheidungen treffen?

RelationalAIs datenzentrierter Ansatz, insbesondere unser relationales Wissensgraphen-System, integriert Wissen direkt in die Daten, wodurch es deklarativ und relational wird. Dieser Ansatz unterscheidet sich von traditionellen Architekturen, in denen Wissen in Code eingebettet ist, was den Zugriff und das Verständnis für nicht-technische Benutzer erschwert.

In der heutigen wettbewerbsintensiven Geschäftsumgebung ist schnelles und informiertes Entscheiden von entscheidender Bedeutung. Viele Organisationen kämpfen jedoch, weil ihre Daten den notwendigen Kontext fehlt. Unser relationales Wissensgraphen-System vereinigt Daten und Wissen, wodurch ein umfassendes Bild entsteht, das es Menschen und KI ermöglicht, genauer zu entscheiden.

Ein Beispiel hierfür ist ein Finanzdienstleistungsunternehmen, das Investment-Portfolios verwaltet. Das Unternehmen muss Markttrends, Kunden-Risikoprofile, regulatorische Änderungen und wirtschaftliche Indikatoren analysieren. Unser Wissensgraphen-System kann diese komplexen, interdependenten Faktoren schnell synthetisieren, wodurch das Unternehmen zeitnah und fundierte Investitionsentscheidungen treffen kann, die die Rendite maximieren und gleichzeitig das Risiko managen.

Dieser Ansatz reduziert auch die Komplexität, verbessert die Portabilität und minimiert die Abhängigkeit von bestimmten Technologieanbietern, wodurch langfristige strategische Flexibilität bei der Entscheidungsfindung gewährleistet ist.

Welche Rolle spielt der Chief Data Officer (CDO) bei der Evolution von KI, und welche Schlüsselkompetenzen werden für diese Rolle in Zukunft erforderlich sein?

Die Rolle des CDO entwickelt sich rapide, insbesondere mit dem Aufstieg von KI. Traditionell wurden die Aufgaben, die jetzt unter dem CDO fallen, von dem CIO oder CTO geleitet, die sich hauptsächlich auf Technologiebetrieb oder die von der Firma produzierte Technologie konzentrierten. Da jedoch Daten zu einem der wertvollsten Vermögenswerte moderner Unternehmen geworden sind, ist die Rolle des CDO zu einer eigenständigen und entscheidenden Position geworden.

Der CDO ist für die Sicherstellung der Privatsphäre, Zugänglichkeit und Monetarisierung von Daten im gesamten Unternehmen verantwortlich. Da KI immer mehr in Geschäftsprozesse integriert wird, spielt der CDO eine entscheidende Rolle bei der Verwaltung der Daten, die KI-Modelle antreiben, und stellt sicher, dass diese Daten sauber, zugänglich und ethisch genutzt werden.

Die Schlüsselkompetenzen für CDOs in Zukunft werden ein tiefes Verständnis von Datenverwaltung, KI-Technologien und Geschäftsstrategie umfassen. Sie müssen eng mit anderen Abteilungen zusammenarbeiten, um Teams, die traditionell keinen direkten Zugang zu Daten hatten, wie Finanzen, Marketing und Personal, zu befähigen, datengetriebene Erkenntnisse zu nutzen. Diese Fähigkeit, Daten innerhalb der Organisation zu demokratisieren, wird entscheidend sein, um Innovation voranzutreiben und einen Wettbewerbsvorteil zu erhalten.

Wie unterstützt RelationalAI CDOs und ihre Teams bei der Bewältigung der zunehmenden Komplexität von Daten und KI-Integration innerhalb von Organisationen?

RelationalAI spielt eine grundlegende Rolle bei der Unterstützung von CDOs, indem es die notwendigen Werkzeuge und Rahmenbedingungen zur Verfügung stellt, um die Komplexität von Daten und KI-Integration effektiv zu bewältigen. Mit dem Aufstieg von KI sind CDOs mit der Aufgabe betraut, sicherzustellen, dass Daten nicht nur zugänglich und sicher sind, sondern auch, dass sie innerhalb des Unternehmens optimal genutzt werden.

Wir unterstützen CDOs, indem wir einen datenzentrierten Ansatz anbieten, der Wissen direkt mit den Daten verbindet, wodurch es für nicht-technische Stakeholder zugänglich und verständlich wird. Dies ist besonders wichtig, da CDOs daran arbeiten, Daten in die Hände derjenigen zu bringen, die traditionell keinen direkten Zugang hatten, wie Marketing, Finanzen und sogar administrative Teams. Durch die Vereinheitlichung von Daten und die Vereinfachung ihrer Verwaltung ermöglicht RelationalAI es CDOs, ihre Teams zu befähigen, Innovation voranzutreiben und sicherzustellen, dass ihre Organisationen in der Lage sind, die Chancen, die durch KI entstehen, voll auszuschöpfen.

RelationalAI betont einen datenzentrierten Ansatz für die Erstellung intelligenter Anwendungen. Können Sie Beispiele dafür nennen, wie dieser Ansatz zu erheblichen Effizienzen und Einsparungen für Ihre Kunden geführt hat?

Unser datenzentrierter Ansatz unterscheidet sich vom traditionellen anwendungsorientierten Modell, bei dem Geschäftslogik oft in Code eingebettet ist, was die Verwaltung und Skalierung erschwert. Durch die Zentralisierung von Wissen innerhalb der Daten selbst und die Deklaration und Relation machen wir es ermöglichen, dass Kunden ihre Systeme erheblich vereinfachen, was zu größerer Effizienz, weniger Fehlern und letztendlich erheblichen Kosteneinsparungen führt.

Ein Beispiel hierfür ist Blue Yonder, das unsere Technologie als Wissensgraphen-Coprocessor innerhalb von Snowflake nutzte, um die semantische Verständnis und die Denkfähigkeiten bereitzustellen, die erforderlich sind, um Störungen vorherzusagen und proaktive Maßnahmen zur Minderung zu ergreifen. Durch diesen Ansatz konnte Blue Yonder seinen Legacy-Code um über 80 % reduzieren und eine skalierbare und erweiterbare Lösung anbieten.

Ähnlich erlebte EY Financial Services eine dramatische Verbesserung, indem es seinen Legacy-Code um 90 % reduzierte und die Verarbeitungszeit von über einem Monat auf nur wenige Stunden verkürzte. Diese Ergebnisse zeigen, wie unser Ansatz es Unternehmen ermöglicht, agiler und reaktionsfähiger auf veränderte Marktbedingungen zu sein, während sie gleichzeitig die Fallstricke vermeiden, die mit der Bindung an bestimmte Technologien oder Anbieter verbunden sind.

Angesichts Ihrer Erfahrung bei der Leitung von KI-getriebenen Unternehmen, was sind die kritischsten Faktoren für die erfolgreiche Implementierung von KI im großen Maßstab in einem Unternehmen?

Aus meiner Erfahrung sind die wichtigsten Faktoren für die erfolgreiche Implementierung von KI im großen Maßstab die Sicherstellung, dass Sie eine starke Grundlage an Daten und Wissen haben, und dass Ihre Mitarbeiter, insbesondere die erfahrenen, sich die Zeit nehmen, um KI-Tools zu lernen und sich damit vertraut zu machen.

Es ist auch wichtig, nicht in die Falle extremer emotionaler Reaktionen – entweder übermäßiger Hype oder tiefer Zynismus – um neue KI-Technologien zu fallen. Stattdessen empfehle ich einen stetigen, konsistenten Ansatz zur Einführung und Integration von KI, der sich auf inkrementelle Verbesserungen konzentriert, anstatt eine silberne Kugel-Lösung zu erwarten.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten RelationalAI besuchen.