Μολχάμ Αρέφ, Διευθύνων Σύμβουλος & Ιδρυτής της RelationalAI

Ο Μολχάμ είναι ο Διευθύνων Σύμβουλος της RelationalAI. Έχει περισσότερες από 30 χρόνια εμπειρίας στην ηγεσία οργανισμών που αναπτύσσουν και εφαρμόζουν λύσεις μηχανικής μάθησης και τεχνητής νοημοσύνης υψηλής αξίας σε διάφορους τομείς. Πριν από τη RelationalAI, ήταν Διευθύνων Σύμβουλος της LogicBlox και της Predictix (τώρα Infor), Διευθύνων Σύμβουλος της Optimi (τώρα Ericsson (ERIC )) και συνιδρυτής της Brickstream (τώρα FLIR). Ο Μολχάμ κατέχει επίσης υψηλές ηγετικές θέσεις στην HNC Software (τώρα FICO) και Retek (τώρα Oracle (ORCL )).

RelationalAI συνδυάζει δεκαετίες εμπειρίας σε βιομηχανία, τεχνολογία και ανάπτυξη προϊόντων για να προωθήσει το πρώτο και μοναδικό πραγματικά cloud-πρωτογενές σύστημα διαχείρισης γνώσεων για να ενισχύσει την επόμενη γενιά των εφαρμογών δεδομένων.

Ως ιδρυτής και Διευθύνων Σύμβουλος της RelationalAI, ποια ήταν η αρχική ορασία που σας οδήγησε να δημιουργήσετε την εταιρεία, και πώς έχει εξελιχθεί αυτή η ορασία τα τελευταία επτά χρόνια;

Η αρχική ορασία εστιάζονταν στην κατανόηση του αντικτύπου της γνώσης και της σημασιολογίας στην επιτυχημένη ανάπτυξη της τεχνητής νοημοσύνης. Πριν φτάσουμε στο σημείο όπου βρισκόμαστε σήμερα με την τεχνητή νοημοσύνη, πολλή προσοχή στράφηκε στην μηχανική μάθηση (ML), η οποία αφορούσε την ανάλυση τεράστιων ποσοτήτων δεδομένων για τη δημιουργία συνθετικών μοντέλων που περιέγραφαν συμπεριφορές, όπως η ανίχνευση απάτης ή τα πρότυπα καταναλωτικών αγορών. Με τον καιρό, έγινε σαφές ότι για να αναπτυχθεί αποτελεσματικά η τεχνητή νοημοσύνη, υπήρχε ανάγκη να αντιπροσωπεύεται η γνώση με τρόπο που ήταν και προσιτή στην τεχνητή νοημοσύνη και ικανή να απλοποιεί σύνθετα συστήματα.

Αυτή η ορασία έχει εξελιχθεί με τις καινοτομίες του βαθιά μάθησης και πιο πρόσφατα, με τα μοντέλα γλωσσών και τη γεννητική τεχνητή νοημοσύνη. Αυτές οι προόδους δεν έχουν αλλάξει αυτό που κάνει η εταιρεία μας, αλλά έχουν αυξήσει τη σχετικότητα και τη σημασία της προσέγγισής τους, ιδιαίτερα στο να κάνουν την τεχνητή νοημοσύνη πιο προσιτή και πρακτική για την επιχειρηματική χρήση.

Μια πρόσφατη μελέτη της PwC εκτιμά ότι η τεχνητή νοημοσύνη μπορεί να συμβάλλει μέχρι και 15,7 τρισεκατομμύρια δολάρια στην παγκόσμια οικονομία μέχρι το 2030. Από την εμπειρία σας, ποια είναι τα основικά στοιχεία που θα οδηγήσουν σε αυτήν την σημαντική οικονομική επίδραση, και πώς πρέπει οι επιχειρήσεις να προετοιμαστούν για να εκμεταλλευτούν αυτές τις ευκαιρίες;

Η επίδραση της τεχνητής νοημοσύνης έχει ήδη είναι σημαντική και θα συνεχίσει να αυξάνεται. Ένα από τα βασικά στοιχεία που οδηγούν σε αυτήν την οικονομική επίδραση είναι η αυτοματοποίηση της πνευματικής εργασίας.

Εργασίες όπως η ανάγνωση, η περίληψη και η ανάλυση εγγράφων – εργασίες που συνήθως εκτελούνται από υψηλά αμειβόμενους επαγγελματίες – μπορούν τώρα να αυτοματοποιηθούν, καθιστώντας αυτές τις υπηρεσίες πολύ πιο προσιτές και προσιτές.

Για να εκμεταλλευτούν αυτές τις ευκαιρίες, οι επιχειρήσεις πρέπει να επενδύσουν σε πλατφόρμες που μπορούν να υποστηρίξουν τις απαιτήσεις δεδομένων και υπολογισμών για την εκτέλεση φόρτων τεχνητής νοημοσύνης. Είναι σημαντικό να μπορούν να κλιμακωθούν αποτελεσματικά και να μειώσουν το κόστος σε μια δεδομένη πλατφόρμα, ενώ παράλληλα επενδύουν στην παιδεία της τεχνητής νοημοσύνης μεταξύ των εργαζομένων, ώστε να κατανοήσουν πώς να χρησιμοποιούν αυτά τα μοντέλα αποτελεσματικά και αποτελεσματικά.

Καθώς η τεχνητή νοημοσύνη συνεχίζει να ενσωματώνεται σε διάφορους τομείς, ποια είναι τα μεγαλύτερα προκλήματα που αντιμετωπίζουν οι επιχειρήσεις στην αποτελεσματική υιοθέτηση της τεχνητής νοημοσύνης; Πώς παίζει η γνώση ρόλο στην υπέρβαση αυτών των προκλήματων;

Ένα από τα μεγαλύτερα προκλήματα που βλέπω είναι η διασφάλιση ότι η γνώση που είναι ειδική για κάθε βιομηχανία είναι προσιτή στην τεχνητή νοημοσύνη. Αυτό που βλέπουμε σήμερα είναι ότι πολλές επιχειρήσεις έχουν γνώση που διασκορπίζεται σε βάσεις δεδομένων, έγγραφα, φύλλα εργασίας και κώδικα. Αυτή η γνώση είναι συχνά αδιαφανής για τα μοντέλα της τεχνητής νοημοσύνης και δεν επιτρέπει στις οργανώσεις να αξιοποιούν πλήρως την αξία που θα μπορούσαν να έχουν.

Ένα σημαντικό πρόκλημα που πρέπει να υπερβεί η βιομηχανία είναι η διαχείριση και η ενοποίηση αυτής της γνώσης, που ονομάζεται đôifois “σημασιολογία”, για να την κάνει προσιτή στα συστήματα της τεχνητής νοημοσύνης. Με αυτόν τον τρόπο, η τεχνητή νοημοσύνη μπορεί να είναι πιο αποτελεσματική σε συγκεκριμένους τομείς και μέσα στις επιχειρήσεις, καθώς μπορούν να εκμεταλλευτούν τη μοναδική βάση γνώσεων τους.

Έχετε αναφέρει ότι ο futuro της υιοθέτησης της γεννητικής τεχνητής νοημοσύνης θα απαιτήσει συνδυασμούς τεχνικών όπως η Retrieval-Augmented Generation (RAG) και αρχιτεκτονικές με πράκτορες. Μπορείτε να εξηγήσετε γιατί αυτοί οι συνδυασμένοι προσεγγίσεις είναι απαραίτητοι και ποια είναι τα οφέλη που προσφέρουν;

Θα χρειαστούν διαφορετικές τεχνικές όπως το GraphRAG και οι αρχιτεκτονικές με πράκτορες για να δημιουργηθούν συστήματα που οδηγούνται από την τεχνητή νοημοσύνη, τα οποία δεν είναι μόνο πιο ακριβή αλλά και ικανά να χειρίζονται σύνθετες εργασίες ανάκτησης και επεξεργασίας πληροφοριών.

Πολλοί αρχίζουν τελικά να κατανοούν ότι θα χρειαστούν περισσότερες από μια τεχνική καθώς εξελισσόμαστε με την τεχνητή νοημοσύνη, αλλά αντί για αυτό, θα αξιοποιήσουμε συνδυασμούς μοντέλων και εργαλείων. Ένα από αυτά είναι οι αρχιτεκτονικές με πράκτορες, όπου υπάρχουν πράκτορες με διαφορετικές ικανότητες που βοηθούν στην αντιμετώπιση ενός σύνθετου προβλήματος. Αυτή η τεχνική το διασπάει σε κομμάτια που αναθέτουμε σε διαφορετικούς πράκτορες για να επιτύχουμε τα αποτελέσματα που θέλουμε.

Υπάρχει επίσης η αναζήτηση-ενισχυμένη γεννήτρια (RAG) που μας βοηθά να εξάγουμε πληροφορίες όταν χρησιμοποιούμε μοντέλα γλωσσών. Όταν αρχίσαμε να εργαζόμαστε με την RAG, μπορούσαμε να απαντήσουμε σε ερωτήσεις των οποίων οι απαντήσεις μπορούσαν να βρεθούν σε ένα μέρος ενός εγγράφου. Ωστόσο, σύντομα ανακαλύψαμε ότι τα μοντέλα γλωσσών έχουν δυσκολία να απαντήσουν σε πιο δύσκολα ερωτήματα, ιδιαίτερα όταν η πληροφορία είναι διασκορπισμένη σε διάφορα σημεία σε μακρά έγγραφα και σε διάφορα έγγραφα. Έτσι, εδώ είναι που το GraphRAG παίζει το ρόλο του. Με την αξιοποίηση των μοντέλων γλωσσών για τη δημιουργία αναπαραστάσεων γνώσεων, μπορεί να προσεγγίσει τις πληροφορίες που χρειαζόμαστε για να επιτύχουμε τα αποτελέσματα που θέλουμε και να μειώσει τις πιθανότητες λαθών ή παραληρήσεων.

Η ενοποίηση των δεδομένων είναι ένα κρίσιμο θέμα στην οδήγηση της αξίας της τεχνητής νοημοσύνης μέσα στις οργανώσεις. Μπορείτε να εξηγήσετε γιατί τα ενοποιημένα δεδομένα είναι τόσο σημαντικά για την τεχνητή νοημοσύνη, και πώς μπορούν να μεταμορφώσουν τις διαδικασίες λήψης αποφάσεων;

Τα ενοποιημένα δεδομένα διασφαλίζουν ότι όλη η γνώση που έχει μια επιχείρηση – είτε βρίσκεται σε έγγραφα, φύλλα εργασίας, κώδικα ή βάσεις δεδομένων – είναι προσιτή στα συστήματα της τεχνητής νοημοσύνης. Αυτή η ενοποίηση σημαίνει ότι η τεχνητή νοημοσύνη μπορεί να αξιοποιήσει αποτελεσματικά τη γνώση που είναι ιδιαίτερη για κάθε βιομηχανία, υποβιομηχανία ή ακόμη και μια seule επιχείρηση, καθιστώντας την τεχνητή νοημοσύνη πιο σχετική και ακριβή στις εξόδους της.

Χωρίς ενοποίηση δεδομένων, τα συστήματα της τεχνητής νοημοσύνης μπορούν να λειτουργούν μόνο σε θραύσματα γνώσεων, οδηγώντας σε ατελείς ή ανακριβείς εντυπώσεις. Με την ενοποίηση των δεδομένων, βεβαιώνουμε ότι η τεχνητή νοημοσύνη έχει μια πλήρη και συνεχή εικόνα, η οποία είναι κρίσιμη για τη μεταμόρφωση των διαδικασιών λήψης αποφάσεων και την οδήγηση πραγματικής αξίας μέσα στις οργανώσεις.

Πώς η προσέγγιση της RelationalAI στα δεδομένα, ιδιαίτερα με το σύστημα σχεσιακής γνώσης, βοηθά τις επιχειρήσεις να επιτύχουν καλύτερα αποτελέσματα λήψης αποφάσεων;

Η αρχιτεκτονική της RelationalAI που είναι κεντρισμένη στα δεδομένα, ιδιαίτερα το σύστημα σχεσιακής γνώσης, ενσωματώνει απευθείας τη γνώση με τα δεδομένα, καθιστώντας την και δηλωτική και σχεσιακή. Αυτή η προσέγγιση αντίθεται με τις παραδοσιακές αρχιτεκτονικές όπου η γνώση είναι ενσωματωμένη στον κώδικα, δυσκολεύοντας την πρόσβαση και την κατανόηση για μη τεχνικούς χρήστες.

Σήμερα, σε ένα ανταγωνιστικό επιχειρηματικό περιβάλλον, η γρήγορη και ενημερωμένη λήψη αποφάσεων είναι απαραίτητη. Ωστόσο, πολλές οργανώσεις αγωνίζονται επειδή τα δεδομένα τους λείπουν του απαραίτητου контекστού. Το σύστημα σχεσιακής γνώσης της RelationalAI ενοποιεί τα δεδομένα και τη γνώση, παρέχοντας μια ολοκληρωμένη εικόνα που επιτρέπει στους ανθρώπους και την τεχνητή νοημοσύνη να λαμβάνουν πιο ακριβείς αποφάσεις.

Για παράδειγμα, μια εταιρεία χρηματοοικονομικών υπηρεσιών που διαχειρίζεται χαρτοφυλάκια επενδύσεων χρειάζεται να αναλύσει τάσεις αγοράς, προφίλ κινδύνου πελατών, αλλαγές κανονισμών και οικονομικές δείκτες. Το σύστημα γνώσης της RelationalAI μπορεί να συνθέσει γρήγορα αυτές τις σύνθετες, διασυνδεδεμένες παραμέτρους, επιτρέποντας στην εταιρεία να λαμβάνει έγκαιρες και ενημερωμένες αποφάσεις επενδύσεων που μεγιστοποιούν τα κέρδη ενώ διαχειρίζονται τον κίνδυνο.

Αυτή η προσέγγιση μειώνει επίσης την πολυπλοκότητα, ενισχύει την μεταφερσιμότητα και ελαττώνει την εξάρτηση από συγκεκριμένους προμηθευτές τεχνολογίας, παρέχοντας μακροπρόθεσμη στρατηγική ευελιξία στη λήψη αποφάσεων.

Η θέση του Chief Data Officer (CDO) αυξάνεται σε σημασία. Πώς βλέπετε τις ευθύνες των CDO να εξελίσσονται με την άνοδο της τεχνητής νοημοσύνης, και ποια είναι τα βασικά χαρακτηριστικά που θα είναι απαραίτητα για αυτούς στο μέλλον;

Ο ρόλος του CDO εξελίσσεται γρήγορα, ιδιαίτερα με την άνοδο της τεχνητής νοημοσύνης. Παραδοσιακά, οι ευθύνες που τώρα πέφτουν υπό τον CDO διαχειρίζονταν από τον CIO ή τον CTO, εστιάζοντας κυρίως στις τεχνολογικές λειτουργίες ή την τεχνολογία που παράγεται από την εταιρεία. Ωστόσο, καθώς τα δεδομένα έχουν γίνει ένα από τα πιο πολύτιμα περιουσιακά στοιχεία για τις σύγχρονες επιχειρήσεις, ο ρόλος του CDO έχει γίνει ξεχωριστός και κρίσιμος.

Ο CDO είναι υπεύθυνος για την διασφάλιση της ιδιωτικής ζωής, της προσιτότητας και της εκμετάλλευσης των δεδομένων σε όλη την οργάνωση. Καθώς η τεχνητή νοημοσύνη συνεχίζει να ενσωματώνεται στις επιχειρηματικές λειτουργίες, ο CDO θα παίξει κρίσιμο ρόλο στη διαχείριση των δεδομένων που τροφοδοτούν τα μοντέλα της τεχνητής νοημοσύνης, διασφαλίζοντας ότι αυτά τα δεδομένα είναι καθαρά, προσιτά και χρησιμοποιούνται ηθικά.

Τα βασικά χαρακτηριστικά για τους CDO στο μέλλον θα περιλαμβάνουν μια βαθιά κατανόηση της διαχείρισης δεδομένων, των τεχνολογιών της τεχνητής νοημοσύνης και της επιχειρηματικής στρατηγικής. Θα πρέπει να συνεργάζονται στενά με άλλα τμήματα, ενδυναμώνοντας ομάδες που παραδοσιακά δεν είχαν άμεση πρόσβαση στα δεδομένα, όπως οι οικονομικές, marketing και ανθρώπινου δυναμικού υπηρεσίες, για να αξιοποιήσουν τις γνώσεις που βασίζονται στα δεδομένα. Αυτή η ικανότητα να δημοκρατικοποιήσει τα δεδομένα σε όλη την οργάνωση θα είναι κρίσιμη για την οδήγηση της καινοτομίας και τη διατήρηση ενός ανταγωνιστικού πλεονεκτήματος.

Τι ρόλο παίζει η RelationalAI στη στήριξη των CDO και των ομάδων τους στη διαχείριση της αυξανόμενης πολυπλοκότητας των δεδομένων και της ενσωμάτωσης της τεχνητής νοημοσύνης μέσα στις οργανώσεις;

Η RelationalAI παίζει einen θεμελιώδη ρόλο στη στήριξη των CDO, παρέχοντας τα εργαλεία και τα πλαίσια που είναι απαραίτητα για τη διαχείριση της πολυπλοκότητας των δεδομένων και της ενσωμάτωσης της τεχνητής νοημοσύνης αποτελεσματικά. Με την άνοδο της τεχνητής νοημοσύνης, οι CDO έχουν την ευθύνη να διασφαλίσουν ότι τα δεδομένα δεν είναι μόνο προσιτά και ασφαλή, αλλά και ότι αξιοποιούνται στο μέγιστο των δυνατοτήτων τους σε όλη την οργάνωση.

Βοηθάμε τους CDO, προσφέροντας μια προσέγγιση που βασίζεται στα δεδομένα, η οποία φέρνει τη γνώση απευθείας στα δεδομένα, καθιστώντας την προσιτή και κατανοητή σε μη τεχνικούς ενδιαφερομένους. Αυτό είναι ιδιαίτερα σημαντικό καθώς οι CDO εργάζονται για να τοποθετήσουν τα δεδομένα στα χέρια εκείνων στην οργάνωση που μπορεί να μην είχαν παραδοσιακά άμεση πρόσβαση, όπως οι υπηρεσίες marketing, οικονομικές και ακόμη και διοικητικές ομάδες. Με την ενοποίηση των δεδομένων και την απλοποίηση της διαχείρισής τους, η RelationalAI επιτρέπει στους CDO να ενδυναμώσουν τις ομάδες τους, να οδηγήσουν την καινοτομία και να διασφαλίσουν ότι οι οργανώσεις τους μπορούν να εκμεταλλευτούν πλήρως τις ευκαιρίες που παρέχει η τεχνητή νοημοσύνη.

Η RelationalAI τονίζει μια προσέγγιση που βασίζεται στα δεδομένα για την ανάπτυξη έξυπνων εφαρμογών. Μπορείτε να παράσχετε παραδείγματα για το πώς αυτή η προσέγγιση έχει οδηγήσει σε σημαντικές αποδοτικότητες και οικονομίες για τους πελάτες σας;

Η προσέγγιση μας που βασίζεται στα δεδομένα αντίθεται με το παραδοσιακό μοντέλο που είναι κεντρισμένο στην εφαρμογή, όπου η λογική της επιχείρησης είναι συχνά ενσωματωμένη στον κώδικα, δυσκολεύοντας την πρόσβαση και την κατανόηση για μη τεχνικούς χρήστες. Με την κεντρίωση της γνώσης μέσα στα ίδια τα δεδομένα και την καθιστά δηλωτική και σχεσιακή, abbiamo βοηθήσει τους πελάτες μας να μειώσουν σημαντικά την πολυπλοκότητα των συστημάτων τους, οδηγώντας σε μεγαλύτερη αποτελεσματικότητα, λιγότερα λάθη και τελικά, σημαντικές οικονομίες.

Για παράδειγμα, η Blue Yonder αξιοποίησε την τεχνολογία μας ως一个 Coprocessor Γνώσης μέσα στο Snowflake, το οποίο παρείχε τις ικανότητες семантиικής κατανόησης και συλλογισμού που χρειαζόταν για να προβλέψει διακοπές και να προωθήσει προληπτικά μέτρα. Αυτή η προσέγγιση τους επέτρεψε να μειώσουν τον κώδικα κληρονομιάς τους πάνω από 80% ενώ προσφέρουν μια επεκτάσιμη και ανταποκρίσιμη λύση.

Ομοίως, η EY Financial Services experienced μια δραματική βελτίωση, μειώνοντας τον κώδικα κληρονομιάς τους κατά 90% και μειώνοντας τους χρόνους επεξεργασίας από πάνω από einen μήνα σε λίγες ώρες. Αυτά τα αποτελέσματα υπογραμμίζουν πώς η προσέγγιση μας επιτρέπει στις επιχειρήσεις να είναι πιο ευέλικτες και ανταποκρίσιμες στις αλλαγές της αγοράς, ενώ αποφεύγουν τις παγίδες της εξάρτησης από συγκεκριμένες τεχνολογίες ή προμηθευτές.

Δεδομένης της εμπειρίας σας στην ηγεσία εταιρειών που οδηγούνται από την τεχνητή νοημοσύνη, ποια είναι τα πιο κρίσιμα στοιχεία για την επιτυχημένη υλοποίηση της τεχνητής νοημοσύνης σε κλίμακα σε μια οργάνωση;

Από την εμπειρία μου, τα πιο σημαντικά στοιχεία για την επιτυχημένη υλοποίηση της τεχνητής νοημοσύνης σε κλίμακα είναι η διασφάλιση ότι έχετε μια ισχυρή βάση δεδομένων και γνώσης και ότι οι εργαζόμενοι σας, ιδιαίτερα αυτοί που είναι πιο έμπειροι, dànhουν χρόνο να μάθουν και να γίνουν άνετοι με τα εργαλεία της τεχνητής νοημοσύνης.

Είναι επίσης σημαντικό να μην πέσετε στην παγίδα των ακραίων συναισθηματικών αντιδράσεων – είτε υπερβολικής ενθουσιασμού ή βαθιάς κυνισμού – γύρω από τις νέες τεχνολογίες της τεχνητής νοημοσύνης. Αντίθετα, συνιστώ μια σταθερή, συνεχή προσέγγιση στην υιοθέτηση και ενσωμάτωση της τεχνητής νοημοσύνης, εστιάζοντας στις σταδιαίες βελτιώσεις αντί να περιμένετε μια μαγική λύση.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν RelationalAI.