Molham Aref, CEO y Fundador de RelationalAI

Molham es el Director Ejecutivo de RelationalAI. Tiene más de 30 años de experiencia en liderar organizaciones que desarrollan e implementan soluciones de aprendizaje automático y inteligencia artificial de alto valor en diversas industrias. Antes de RelationalAI, fue CEO de LogicBlox y Predictix (ahora Infor), CEO de Optimi (ahora Ericsson (ERIC )) y cofundador de Brickstream (ahora FLIR). Molham también ocupó puestos de liderazgo senior en HNC Software (ahora FICO) y Retek (ahora Oracle (ORCL )).

RelationalAI reúne décadas de experiencia en la industria, la tecnología y el desarrollo de productos para avanzar en el primer y único sistema de gestión de datos de gráficos de conocimiento nativos de la nube para alimentar la próxima generación de aplicaciones de datos inteligentes.

Como fundador y CEO de RelationalAI, ¿cuál fue la visión inicial que lo llevó a crear la empresa, y cómo ha evolucionado esa visión en los últimos siete años?

La visión inicial se centró en comprender el impacto del conocimiento y la semántica en el despliegue exitoso de la inteligencia artificial. Antes de llegar a donde estamos hoy con la inteligencia artificial, gran parte del enfoque se centró en el aprendizaje automático (ML), que implicaba analizar grandes cantidades de datos para crear modelos concisos que describieran comportamientos, como la detección de fraude o los patrones de compra de los consumidores. Con el tiempo, se hizo evidente que para desplegar la inteligencia artificial de manera efectiva, había una necesidad de representar el conocimiento de una manera que fuera accesible a la inteligencia artificial y capaz de simplificar sistemas complejos.

Esta visión ha evolucionado con las innovaciones en el aprendizaje profundo y, más recientemente, con los modelos de lenguaje y la inteligencia artificial generativa. Estos avances no han cambiado lo que nuestra empresa está haciendo, pero han aumentado la relevancia y la importancia de su enfoque, particularmente en hacer que la inteligencia artificial sea más accesible y práctica para el uso empresarial.

Un informe reciente de PwC estima que la inteligencia artificial podría contribuir hasta $15.7 billones a la economía global para 2030. En su experiencia, ¿cuáles son los factores principales que impulsarán este impacto económico sustancial, y cómo deben prepararse las empresas para aprovechar estas oportunidades?

El impacto de la inteligencia artificial ya ha sido significativo y sin duda continuará aumentando. Uno de los factores clave que impulsan este impacto económico es la automatización del trabajo intelectual.

Tareas como leer, resumir y analizar documentos – tareas que a menudo realizan profesionales altamente pagados – ahora pueden automatizarse en gran medida, lo que hace que estos servicios sean mucho más asequibles y accesibles.

Para aprovechar estas oportunidades, las empresas necesitan invertir en plataformas que puedan respaldar los requisitos de datos y cómputo para ejecutar cargas de trabajo de inteligencia artificial. Es importante que puedan escalar hacia arriba y hacia abajo de manera costo-efectiva en una plataforma determinada, al mismo tiempo que invierten en la alfabetización en inteligencia artificial entre los empleados para que puedan entender cómo utilizar estos modelos de manera efectiva y eficiente.

A medida que la inteligencia artificial se integra en diversas industrias, ¿cuál es el mayor desafío que enfrentan las empresas para adoptar la inteligencia artificial de manera efectiva? ¿Cómo juega el papel de los datos en superar estos desafíos?

Uno de los mayores desafíos que veo es garantizar que el conocimiento específico de la industria sea accesible a la inteligencia artificial. Lo que estamos viendo hoy es que muchas empresas tienen conocimiento disperso en bases de datos, documentos, hojas de cálculo y código. Este conocimiento a menudo es opaco para los modelos de inteligencia artificial y no permite que las organizaciones maximicen el valor que podrían obtener.

Un desafío significativo que la industria necesita superar es gestionar y unificar este conocimiento, a veces denominado semántica, para hacerlo accesible a los sistemas de inteligencia artificial. Al hacerlo, la inteligencia artificial puede ser más efectiva en industrias específicas y dentro de la empresa, ya que pueden aprovechar su base de conocimiento única.

Ha mencionado que el futuro de la adopción de la inteligencia artificial generativa requerirá una combinación de técnicas como Retrieval-Augmented Generation (RAG) y arquitecturas agénticas. ¿Puede elaborar sobre por qué estas técnicas combinadas son necesarias y qué beneficios aportan?

Se necesitarán diferentes técnicas como GraphRAG y arquitecturas agénticas para crear sistemas impulsados por inteligencia artificial que no solo sean más precisos, sino también capaces de manejar tareas complejas de recuperación y procesamiento de información.

Muchas personas están empezando a darse cuenta de que necesitaremos más de una técnica a medida que continuamos evolucionando con la inteligencia artificial, sino que estamos aprovechando una combinación de modelos y herramientas. Una de ellas es la arquitectura agéntica, donde tienes agentes con diferentes capacidades que ayudan a abordar un problema complejo. Esta técnica lo descompone en piezas que se pueden asignar a diferentes agentes para lograr los resultados deseados.

También está la generación aumentada de recuperación (RAG) que nos ayuda a extraer información cuando se utilizan modelos de lenguaje. Cuando empezamos a trabajar con RAG, pudimos responder preguntas cuyas respuestas se podían encontrar en una parte de un documento. Sin embargo, pronto descubrimos que los modelos de lenguaje tienen dificultades para responder preguntas más difíciles, especialmente cuando la información está dispersa en varias ubicaciones en documentos largos y en toda la documentación. Es aquí donde entra en juego GraphRAG. Al aprovechar los modelos de lenguaje para crear representaciones de gráficos de conocimiento de la información, puede acceder a la información que necesitamos para lograr los resultados que necesitamos y reducir las posibilidades de errores o alucinaciones.

La unificación de los datos es un tema crítico para impulsar el valor de la inteligencia artificial dentro de las organizaciones. ¿Puede explicar por qué los datos unificados son tan importantes para la inteligencia artificial y cómo pueden transformar los procesos de toma de decisiones?

Los datos unificados garantizan que todo el conocimiento que tiene una empresa – ya sea en documentos, hojas de cálculo, código o bases de datos – sea accesible a los sistemas de inteligencia artificial. Esta unificación significa que la inteligencia artificial puede aprovechar eficazmente el conocimiento específico de una industria, subindustria o incluso una sola empresa, lo que hace que la inteligencia artificial sea más relevante y precisa en sus resultados.

Sin la unificación de los datos, los sistemas de inteligencia artificial solo pueden operar en fragmentos de conocimiento, lo que lleva a información incompleta o inexacta. Al unificar los datos, nos aseguramos de que la inteligencia artificial tenga una imagen completa y coherente, lo cual es fundamental para transformar los procesos de toma de decisiones y generar valor real dentro de las organizaciones.

¿Cómo ayuda el enfoque de RelationalAI hacia los datos, particularmente con su sistema de gráficos de conocimiento relacionales, a que las empresas logren mejores resultados en la toma de decisiones?

La arquitectura de datos de RelationalAI, particularmente nuestro sistema de gráficos de conocimiento relacionales, integra directamente el conocimiento con los datos, lo que los hace declarativos y relacionales. Este enfoque contrasta con las arquitecturas tradicionales donde el conocimiento está incrustado en el código, complicando el acceso y la comprensión para los usuarios no técnicos.

En el entorno empresarial competitivo actual, la toma de decisiones rápida e informada es imperativa. Sin embargo, muchas organizaciones luchan porque sus datos carecen del contexto necesario. Nuestro sistema de gráficos de conocimiento relacionales unifica los datos y el conocimiento, proporcionando una visión integral que permite a los humanos y a la inteligencia artificial tomar decisiones más precisas.

Por ejemplo, considere una empresa de servicios financieros que gestiona carteras de inversión. La empresa necesita analizar tendencias del mercado, perfiles de riesgo de los clientes, cambios regulatorios e indicadores económicos. Nuestro sistema de gráficos de conocimiento puede sintetizar rápidamente estos factores complejos e interrelacionados, lo que permite a la empresa tomar decisiones de inversión oportunas y bien informadas que maximicen los rendimientos mientras gestionan el riesgo.

Este enfoque también reduce la complejidad, mejora la portabilidad y minimiza la dependencia de proveedores de tecnología específicos, lo que proporciona flexibilidad estratégica a largo plazo en la toma de decisiones.

El papel del Oficial de Datos (CDO) está creciendo en importancia. ¿Cómo ve evolucionar las responsabilidades de los CDO con el auge de la inteligencia artificial, y qué habilidades clave serán esenciales para ellos en el futuro?

El papel del CDO está evolucionando rápidamente, especialmente con el auge de la inteligencia artificial. Tradicionalmente, las responsabilidades que ahora caen bajo el CDO se gestionaban por el CIO o el CTO, centrándose principalmente en las operaciones tecnológicas o la tecnología producida por la empresa. Sin embargo, a medida que los datos se han convertido en uno de los activos más valiosos para las empresas modernas, el papel del CDO se ha vuelto distinto y crucial.

El CDO es responsable de garantizar la privacidad, la accesibilidad y la monetización de los datos en toda la organización. A medida que la inteligencia artificial se integra en las operaciones comerciales, el CDO desempeñará un papel fundamental en la gestión de los datos que alimentan los modelos de inteligencia artificial, asegurando que estos datos sean limpios, accesibles y utilizados de manera ética.

Las habilidades clave para los CDO en el futuro incluirán una comprensión profunda de la gobernanza de los datos, las tecnologías de inteligencia artificial y la estrategia empresarial. Deberán trabajar en estrecha colaboración con otros departamentos, empoderando a los equipos que tradicionalmente no tenían acceso directo a los datos, como finanzas, marketing y recursos humanos, para que puedan aprovechar las perspectivas basadas en datos. Esta capacidad para democratizar los datos en toda la organización será crítica para impulsar la innovación y mantener una ventaja competitiva.

¿Qué papel juega RelationalAI en el apoyo a los CDO y sus equipos en la gestión de la creciente complejidad de los datos y la integración de la inteligencia artificial dentro de las organizaciones?

RelationalAI juega un papel fundamental en el apoyo a los CDO al proporcionar las herramientas y marcos necesarios para gestionar la complejidad de los datos y la integración de la inteligencia artificial de manera efectiva. Con el auge de la inteligencia artificial, los CDO se enfrentan a la tarea de garantizar que los datos no solo sean accesibles y seguros, sino también que se aprovechen al máximo en toda la organización.

Nosotros ayudamos a los CDO al ofrecer un enfoque centrado en los datos que lleva el conocimiento directamente a los datos, lo que los hace accesibles y comprensibles para las partes interesadas no técnicas. Esto es particularmente importante a medida que los CDO trabajan para poner los datos en manos de aquellos en la organización que pueden no haber tenido acceso tradicionalmente, como marketing, finanzas e incluso equipos administrativos. Al unificar los datos y simplificar su gestión, RelationalAI permite a los CDO empoderar a sus equipos, impulsar la innovación y asegurarse de que sus organizaciones puedan aprovechar al máximo las oportunidades presentadas por la inteligencia artificial.

RelationalAI enfatiza un enfoque centrado en los datos para la construcción de aplicaciones inteligentes. ¿Puede proporcionar ejemplos de cómo este enfoque ha llevado a importantes eficiencias y ahorros para sus clientes?

Nuestro enfoque centrado en los datos contrasta con el modelo centrado en la aplicación, donde la lógica empresarial a menudo se incrusta en el código, lo que dificulta el acceso y la comprensión para los usuarios no técnicos. Al centralizar el conocimiento dentro de los datos en sí y hacerlo declarativo y relacional, hemos ayudado a los clientes a reducir significativamente la complejidad de sus sistemas, lo que ha llevado a una mayor eficiencia, menos errores y, en última instancia, a importantes ahorros de costos.

Por ejemplo, Blue Yonder aprovechó nuestra tecnología como un coprocesador de gráficos de conocimiento dentro de Snowflake, lo que proporcionó las capacidades de comprensión y razonamiento semántico necesarias para predecir interrupciones y tomar medidas de mitigación proactivas. Este enfoque les permitió reducir su código heredado en más del 80% mientras ofrecían una solución escalable y extensible.

De manera similar, EY Financial Services experimentó una mejora dramática al reducir su código heredado en un 90% y reducir los tiempos de procesamiento de más de un mes a solo varias horas. Estos resultados destacan cómo nuestro enfoque permite a las empresas ser más ágiles y responder a las condiciones cambiantes del mercado, todo mientras evitan los peligros de estar bloqueados en tecnologías o proveedores específicos.

Dado su experiencia en liderar empresas impulsadas por la inteligencia artificial, ¿qué cree que son los factores más críticos para implementar la inteligencia artificial a escala en una organización?

Desde mi experiencia, los factores más significativos para implementar la inteligencia artificial a escala son asegurarse de tener una base sólida de datos y conocimiento y que los empleados, particularmente aquellos con más experiencia, tomen el tiempo para aprender y familiarizarse con las herramientas de inteligencia artificial.

Es importante no caer en la trampa de reacciones emocionales extremas – ya sea un entusiasmo excesivo o un cinismo profundo – hacia las nuevas tecnologías de inteligencia artificial. En su lugar, recomiendo un enfoque constante y consistente para adoptar e integrar la inteligencia artificial, centrándose en mejoras incrementales en lugar de esperar una solución de bala de plata.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar RelationalAI.