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

Edwin Lisowski, Συνιδρυτής και Διευθυντής Ανάπτυξης της Addepto, επιβλέπει την στρατηγική ανάπτυξη, την ανάπτυξη επιχειρήσεων και τηνmarketing της εταιρείας. Φέρνει εκτεταμένη εμπειρία σε αρχιτεκτονική δεδομένων, στρατηγική που οδηγείται από το AI και συμβουλευτικές υπηρεσίες ανάλυσης, συνδυάζοντας τεχνική εμπειρία με ισχυρή εστίαση στην κλιμάκωση της υιοθέτησης του AI και τις πρωτοβουλίες μετασχηματισμού επιχειρήσεων για παγκόσμιους πελάτες.

Addepto είναι μια εταιρεία συμβουλευτικής με έδρα τη Βαρσοβία, που ειδικεύεται σε τεχνητή νοημοσύνη, μηχανική μάθηση, μηχανική δεδομένων και λύσεις επιχειρηματικής νοημοσύνης για πελάτες επιχειρήσεων. Η εταιρεία βοηθά τις οργανώσεις να μετατρέψουν τα ακατέργαστα δεδομένα σε ενεργητικές πληροφορίες μέσω στρατηγικής AI από άκρη σε άκρη, ανάπτυξης proof-of-concept και εφαρμογής μοντέλων παραγωγής. Εργαζόμενοι σε τομείς όπως η finance, η logistikή, η производство και η ασφάλιση, η Addepto τονίζει τις προσαρμοσμένες λύσεις και τις μακροχρόνιες συνεργασίες για να βοηθήσει τους πελάτες να αξιοποιήσουν το AI για μετρήσιμο επιχειρηματικό αντίκτυπο.

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

Πίσω στο 2018, συνεχώς βλέπαμε δύο ακραίες περιπτώσεις: μεγάλους προμηθευτές που πουλούσαν “ένα μέγεθος για όλους” AI και, στην άλλη πλευρά, εσωτερικές ομάδες που remained μετά από quelques proof-of-concept επειδή έλλειψαν μηχανική δεδομένων και MLOps μυς. Χτίστηκε η Addepto για να είναι η ομάδα που συνδέει στρατηγική → μηχανική δεδομένων → μοντέλα → παραγωγή, ειδικά για βιομηχανίες που βασίζονται σε δεδομένα. Αυτή η πλήρης προσέγγιση είναι ακόμα το DNA μας.

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

Κατά τη διάρκεια των τελευταίων 18-24 μηνών, το NLP/GenAI έχει κινηθεί ταχύτερα στις επιχειρήσεις (αναζήτηση, βοηθοί, επεξεργασία εγγράφων) επειδή αντιστοιχεί trực tiếp στο ROI της γνώσης-εργασίας και μπορεί να ξεκινήσει από μοντέλα θεμελίωσης. Οι έρευνες της βιομηχανίας δείχνουν einen ευρύ βήμα στην उपयोग του AI το 2024, με GenAI-οδηγούμενες περιπτώσεις που κλιμακώνουν σε όλες τις λειτουργίες.

Πολυάριθμες εταιρείες δυσκολεύονται να μεταφέρουν το AI από proof-of-concept σε 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, φρουροί). Συγκεκριμένα, стандαρδίζουμε τις MLOps και ανασχεδίαζουμε τα proof-of-concept σε microservice endpoints που ταιριάζουν στο στάκ της πελάτης (Databricks/Spark, Kubernetes, υπάρχουσα BI). Αυτός είναι ο τρόπος με τον οποίο συνεχώς αποστέλλουμε πέρα από demos.

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

Ο αποφασιστικός μας δέντρο είναι πραγματιστικός:

• Ξεκινήστε με μοντέλα θεμελίωσης όταν ο χρόνος-σε-τιμή, οι ευρείες γλωσσικές εργασίες και η μεταβλητότητα κυριαρχούν.
• Μετεπεξεργαστείτε ή προσαρμόστε όταν η ορολογία τομέα ή η ακρίβεια του τόνου είναι κρίσιμη.
• Δημιουργήστε προσαρμοσμένα μοντέλα όταν η καθυστέρηση/κόστος/ελέγχου IP έχει σημασία, τα δεδομένα είναι ιδιοκτησιακά/δομημένα ή οι περιορισμοί άκρης εφαρμόζονται.
  Αυτό αντανακλά όπου οι επιχειρήσεις πηγαίνουν: λιγότερα “πειράματα”, περισσότερες αρχιτεκτονικές που ταιριάζουν στο σκοπό.

Το 2024, εκκινήσατε το ContextClue ως μια αφιερωμένη πλατφόρμα διαχείρισης γνώσης. Ποια πηγή πόνου σας έπεισε ότι ήταν η σωστή στιγμή για ένα ξεχωριστό προϊόν;

Οι πελάτες μηχανικής μας ζήτησαν συνεχώς το ίδιο: “Τα CAD, PLM, ERP και έγγραφά μας δεν μιλάμε, μπορείτε να τα κάνετε να σκέφτονται μαζί;” Λύσαμε αυτό το πρόβλημα επανειλημμένα σε έργα, οπότε το προϊόνιζαμε το μοτίβο. Το 2024 ήταν η σωστή στιγμή επειδή το GenAI έκανε την ανάκτηση και τη συγγραφή χρήσιμη για τους μηχανικούς (όχι μόνο για τις ομάδες δεδομένων). Ανακοινώσαμε και ξεκινήσαμε να το κυκλοφορούμε σε εκείνο το χρονικό διάστημα.

Το ContextClue ενσωματώνει 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 γνώσης ώστε τα μέρη, τα συστήματα, τα spéc και τις διαδικασίες να επιλύονται στα ίδια αντικείμενα. Αυτό είναι η σπονδυλική στήλη του πipelines εισαγωγής του ContextClue.

Η πλατφόρμα υποστηρίζει σεμαντική αναζήτηση και δημιουργία εγγράφων. Πώς εξασφαλίζετε την ακρίβεια και την εμπιστοσύνη σε αυτά τα αποτελέσματα για τις ομάδες μηχανικής;

Τρία επίπεδα:

• Επίγνωση ανάκτησης (σχήμα-ενήμερη RAG πάνω στον γράφο γνώσης) με παραπομπές στα πηγαία αρτεφάκτα.
• Πολιτική + δοκιμή (αξιολογικές σουίτες στο CI, προτροπές red-team, δοκιμές回归).
• Ανθρώπινος-στο-βρόχο για κρίσιμα αποτελέσματα (SOPs, έγγραφα συμμόρφωσης). Ακόμη και ανοίξαμε parts του εργαλειοχρήματος μας εξαγωγής γραφήματος και αξιολόγησης για να το κάνουμε αυτό ελέγξιμο.

Τι κάνει το ContextClue διαφορετικό από άλλα εργαλεία διαχείρισης γνώσης σε βαρείς βιομηχανίες και οικοσυστήματα μηχανικής;

Είναι μηχανική-γεννημένο: δεν ψάχνει απλώς “αρχεία”, κατανοεί συναρμολόγηση, εξαρτήσεις και αντίκτυπο αλλαγών, συνδέοντας CAD/PLM/ERP και ιστορία συντήρησης σε einen ενεργό γράφο. Ανταγωνιστικά εργαλεία KM συχνά σταματούν στο indeξing; το ContextClue ενοποιεί δομή + σημασιολογία και εξόδους και ανθρώπινα-διαβάσιμα έγγραφα και μηχανικά-διαβάσιμα μοντέλα (για ψηφιακά δίδυμα, σχεδιασμό).

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

Δύο κατευθύνσεις είναι ήδη σε κίνηση:

• Όραση-πάνω-σε-CAD & σχημάτων: εξαγωγή τοπολογίας, κλήσεων και συνδέσμων BOM για να εδραιώσει απαντήσεις σε σχέδια.
• 3D-σύνδεσμος: σύνδεσμος κόμβων γνώσης με 3D συντεταγμένες/Θεές views ώστε οι ερωτήσεις συντήρησης ή σχεδιασμού να επιλύονται στη σωστή θέση στο μοντέλο. Αναμένετε πλουσιότερους πράκτορες που ναυτιλλεύουν μέρη, εκδόσεις και διαδικασίες σε όλες τις μορφές.

Κοιτάζοντας στο μέλλον, πώς βλέπετε την Addepto και το ContextClue να διαμορφώνουν την ανάπτυξη του άλλου και πού φανταζόμαστε την συνδυασμένη τους επίδραση στη βιομηχανία τα επόμενα δέκα χρόνια;

Η Addepto θα συνεχίσει να ωθεί τα σύνορα, να παραγωγίζει υπεύθυνα συστήματα multimodal/αγентικά, ενώ το ContextClue μετατρέπει αυτή την έρευνα σε επαναλαμβανόμενη αξία για τις ομάδες μηχανικής. Μαζί, στοχεύουμε να μειώσουμε την “απώλεια γνώσης” (χρόνος που χάνεται αναζητώντας/ξαναδημιουργώντας) σε κλίμακα, μετρώντας αποτελέσματα όπως χρόνος κύκλου μηχανικής, ποσοστό επανεργασίας και χρόνος προετοιμασίας ελέγχου σε όλους τους σταθμούς και προγράμματα. Η αγορά κινείται από “πολλά πειράματα” σε “λιγότερα, υψηλότερης αξίας αναπτύξεις”, και σχεδιάζουμε να είμαστε ο συνεργάτης και η πλατφόρμα που θα παραδώσει συνεχώς αυτές τις νίκες.

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