Edwin Lisowski, Συνιδρυτής και Διευθυντής Ανάπτυξης της Addepto – Σειρά Συνεντεύξεων

Edwin Lisowski, Συνιδρυτής και Διευθυντής Ανάπτυξης της Addepto, εποπτεύει την στρατηγική ανάπτυξη, την ανάπτυξη επιχειρήσεων και την αγορά της εταιρείας. Φέρνει εκτενή εμπειρία σε αρχιτεκτονική δεδομένων, στρατηγική με έμφαση στο AI και συμβουλευτικές υπηρεσίες ανάλυσης, συνδυάζοντας τεχνική εμπειρία με ισχυρή εστίαση στην κλιμάκωση της υιοθέτησης του AI και των πρωτοβουλιών μετασχηματισμού επιχειρήσεων για παγκόσμιους πελάτες.

Addepto είναι μια πολωνική εταιρεία συμβουλευτικής που ειδικεύεται σε τεχνητή νοημοσύνη, μηχανική μάθηση, μηχανική δεδομένων και επιχειρηματική ευφυΐα για πελάτες επιχειρήσεων. Η εταιρεία βοηθά τις οργανώσεις να μετατρέψουν τα ακατέργαστα δεδομένα σε ενεργητικά επιχειρηματικά δεδομένα μέσω ολοκληρωμένης στρατηγικής AI, ανάπτυξης proof-of-concept και εφαρμογής μοντέλων παραγωγής. Εργαζόμενοι σε τομείς όπως η finance, η logistik, η βιομηχανία και η ασφάλιση, η Addepto τονίζει τις προσαρμοσμένες λύσεις και τις μακροχρόνιες συνεργασίες για να βοηθήσει τους πελάτες να εκμεταλλευτούν το AI για μετρήσιμο επιχειρηματικό αντίκτυπο.

Τι σας ενέπνευσε να συνιδρύσετε την Addepto το 2018 και ποια κενή στην αγορά προσπαθούσατε να καλύψετε;

Το 2018, συνεχώς βλέπαμε δύο άκρα: μεγάλοι προμηθευτές που πωλούσαν “ένα μέγεθος για όλους” AI και, από την άλλη πλευρά, εσωτερικές ομάδες που remained μετά από quelques proof-of-concept επειδή έλλειπαν η μηχανική δεδομένων και MLOps. Κατασκευάσαμε την Addepto για να είναι η ομάδα που συνδέει στρατηγική → μηχανική δεδομένων → μοντέλα → παραγωγή, ιδιαίτερα για βιομηχανίες με πολλά δεδομένα. Αυτή η ολοκληρωμένη προσέγγιση είναι ακόμη το DNA μας.

Ποια από τις υπηρεσίες της Addepto — όραση υπολογιστή, NLP, μηχανική μάθηση ή μηχανική δεδομένων — έχει δει την ταχύτερη υιοθέτηση επιχειρήσεων, και γιατί;

Κατά τους τελευταίους 18-24 μήνες, το NLP/GenAI έχει κινηθεί ταχύτερα στις επιχειρήσεις (αναζήτηση, βοηθοί, επεξεργασία εγγράφων) επειδή αντιστοιχεί直接 στην απόδοση γνώσεων και μπορεί να ξεκινήσει από μοντέλα θεμελίωσης. Οι έρευνες της βιομηχανίας δείχνουν ένα ευρύ βήμα στην उपयποίηση του AI το 2024, με τις περιπτώσεις χρήσης του GenAI να κλιμακώνονται σε όλες τις λειτουργίες.

Πολλές εταιρείες δυσκολεύονται να μεταφέρουν το AI από το proof-of-concept στα συστήματα παραγωγής. Πώς βοηθά η Addepto να γεφυρώσει αυτό το χάσμα;

Θεωρούμε την παραγωγή ως μια дисциплина, όχι μια φάση: εργαστήρια ανακάλυψης, συμβάσεις δεδομένων, αναφορές αρχιτεκτονικής, CI/CD για μοντέλα, παρατηρησιμότητα και “ημέρα-2” λειτουργίες (παρέκκλιση, κόστος, φράγματα). Συγκεκριμένα, стандαρδίζουμε τις MLOps και αναδιαμορφώνουμε τα proof-of-concept σε microservice endpoints που ταιριάζουν στο stack του πελάτη (Databricks/Spark, Kubernetes, υπάρχουσα BI). Αυτός είναι ο τρόπος με τον οποίο παραδίδουμε συνεχώς πέρα από τα demo.

Η γεννητική AI είναι τώρα κεντρική στις προσφερόμενες υπηρεσίες σας. Πώς αποφασίζετε πότε να εφαρμόσετε μοντέλα θεμελίωσης έναντι της ανάπτυξης προσαρμοσμένων μοντέλων;

Ο δέντρο μας είναι πρακτικός:

• Ξεκινήστε με μοντέλα θεμελίωσης όταν ο χρόνος-απόδοση, οι ευρείες εργασίες γλωσσών και η μεταβλητότητα κυριαρχούν.
• Μετεπεξεργαστείτε ή προσαρμόστε τα μοντέλα όταν η ορολογία τομέα ή η ακρίβεια τόνου είναι κρίσιμη.
• Κατασκευάστε προσαρμοσμένα μοντέλα όταν η καθυστέρηση/κόστος/Έλεγχος ΙΔ είναι σημαντικά, τα δεδομένα είναι ιδιοκτησιακά/δομημένα ή υπάρχουν περιορισμοί ακμής.
  Αυτό αντανακλά το πού πηγαίνουν οι επιχειρήσεις: λιγότερα “πειράματα”, περισσότερες αρχιτεκτονικές που ταιριάζουν στο σκοπό.

Το 2024, κυκλοφόρησε το ContextClue ως αφιερωμένη πλατφόρμα διαχείρισης γνώσεων. Ποια πηγή πόνου σας έκανε να πιστεύετε ότι ήταν η σωστή στιγμή για ένα ξεχωριστό προϊόν;

Οι πελάτες μας ζήτησαν το ίδιο πράγμα: “Τα CAD, PLM, ERP και έγγραφά μας δεν μιλάμε, μπορείτε να τα κάνετε να σκέφτονται μαζί;” Λύσαμε αυτό το πρόβλημα σε πολλά projects, οπότε το προϊόνισαμε το μοτίβο. Το 2024 ήταν η σωστή στιγμή επειδή η γεννητική AI έκανε την ανάκτηση και τη συγγραφή χρηστικών για τους μηχανικούς (όχι μόνο για τις ομάδες δεδομένων). Ανακοινώσαμε και ξεκινήσαμε να το κυκλοφορήσουμε σε εκείνο το χρονικό διάστημα.

Το ContextClue ενσωματώνεται με CAD, ERP, PLM και τεχνικά έγγραφα. Ποια από αυτές τις πηγές δεδομένων είναι η πιο δύσκολη να ενοποιηθεί, και πώς την λύνετε;

Το CAD είναι η πιο δύσκολη: δυαδικές/ιδιοκτησιακές μορφές, εκδόσεις, συναρμολόγηση και χωρική συμφραζόμενα. Κανονικοποιούμε το CAD μαζί με τα μεταδεδομένα PLM/ERP, και μετά χαρτογραφούμε όλα αυτά σε ένα γράφο γνώσεων ώστε τα μέρη, τα συστήματα, οι προδιαγραφές και οι διαδικασίες να αντιστοιχούν στα ίδια αντικείμενα. Αυτή είναι η σπονδυλική στήλη του πipelines εισαγωγής του ContextClue.

Η πλατφόρμα υποστηρίζει σημασιολογική αναζήτηση και δημιουργία εγγράφων. Πώς διασφαλίζετε την ακρίβεια και την αξιοπιστία των εξόδων για τις ομάδες μηχανικών;

Τρεις στρώσεις:

• Εξόρυξη με σχήμα (schema-aware RAG πάνω στο γράφο γνώσεων) με παραπομπές στα αρχικά артеφάκτ.
• Πολιτική + δοκιμή (evaluation suites στο CI, red-team prompts, regression tests).
• Ανθρώπινος-στο-βρόχο για κρίσιμες εξόδους (SOPs, έγγραφα συμμόρφωσης). Ακόμη και ανοίξαμε parts του evaluation και graph-extraction toolchain για να το κάνουμε αυτό ελέγξιμο.

Τι κάνει το ContextClue διαφορετικό από άλλα εργαλεία διαχείρισης γνώσεων σε βαρέα βιομηχανία και οικοσυστήματα μηχανικής;

Είναι μηχανική-γεννήτρια: δεν “αναζητά αρχεία”, καταλαβαίνει συναρμολόγηση, εξαρτήσεις και επίδραση αλλαγών, συνδέοντας CAD/PLM/ERP και ιστορία συντήρησης σε ένα ενεργό γράφο. Τα ανταγωνιστικά εργαλεία KM συχνά σταματούν στο indeξing; το ContextClue ενοποιεί δομή + σημασιολογία και εξόδους ανθρώπινα-διαβάσιμα έγγραφα και μοντέλα μηχανής (για ψηφιακά δίδυμα, σχεδιασμό).

Πώς βλέπετε το ContextClue να εξελίσσεται με την άνοδο του πολυμορφικού AI, ιδιαίτερα στη συνδυασμένη χρήση κειμένου, σχημάτων και 3D μοντέλων;

Δύο κατευθύνσεις είναι ήδη σε κίνηση:

• Όραση-πάνω-σε-CAD & σχημάτων: εξαγωγή τοπολογίας, κλήσεων και BOM συνδέσμων για να εδραιώσει απαντήσεις στα σχέδια.
• Συνδυασμός 3D: σύνδεση κόμβων γνώσεων με 3D συντεταγμένες/Omniverse views ώστε οι ερωτήσεις συντήρησης ή σχεδιασμού να αντιστοιχούν στη σωστή θέση στο μοντέλο. Αναμένετε πλουσιότερους πράκτορες που ναυτιλώνουν μέρη, εκδόσεις και διαδικασίες σε διάφορες μορφές.

Κοιτάζοντας στο μέλλον, πώς βλέπετε την Addepto και το ContextClue να διαμορφώνουν την ανάπτυξή τους αμοιβαία, και πού οραματίζεστε την συνδυασμένη επίδρασή τους στην βιομηχανία τα επόμενα δέκα χρόνια;

Η Addepto θα συνεχίσει να ωθεί τα σύνορα, παραγωγίζοντας πολυμορφικά/πράκτορες συστήματα με υπευθυνότητα, ενώ το ContextClue μετατρέπει αυτή την έρευνα και ανάπτυξη σε επαναλαμβανόμενη αξία για τις ομάδες μηχανικής. Μαζί, στοχεύουμε να μειώσουμε την “απώλεια γνώσεων” (χρόνος που χάνεται αναζητώντας/ξαναδημιουργώντας) σε κλίμακα, μετρώντας αποτελέσματα όπως χρόνος κύκλου μηχανικής, ποσοστά επανεργασίας και χρόνος προετοιμασίας ελέγχου σε εργοστάσια και προγράμματα. Η αγορά κινείται από “πολλά πειράματα” σε “λιγότερα, υψηλότερης αξίας rollouts”, και σκοπεύουμε να είμαστε ο συνεργάτης και η πλατφόρμα που θα παραδίδουν συνεχώς αυτές τις νίκες.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν Addepto.