Chris Mahl, Pryonin Presidentti ja Toimitusjohtaja – Haastattelusarja

Chris Mahl on Pryonin Presidentti ja Toimitusjohtaja. Yli kaksikymmenen vuoden kokemuksella maailman tunnetuimmissa yritysohjelmistoyhtiöissä, Chris on erikoistunut skaalaamaan markkinointi- ja operatiivisia strategioita teknologiayrityksille kaikissa kasvuvaiheissa.

Pryon tarjoaa luotettavan, turvallisen ja todistetun tien generatiivisen tekoälyn käyttöönottoon yrityksissä. Pryonin parhaimpiin kuuluvat ingestio- ja hakukoneet voidaan yhdistää generatiivisiin LLM:ien kanssa toteuttaa hakua ja luomista sekä tarjota tarkkoja, nopeita ja verifiointikelpoisia vastauksia yrityskohtaisesti.

Pryon keskittyy hakua ja luomista koskevaan (RAG) lähestymistapaan. Voitko selittää, miten teidän lähestymistapa eroaa muista tekoälypohjaisista hakujärjestelmistä ja tietohallintajärjestelmistä?

Pryonin lähestymistapa eroaa siinä, että meidän hakukone pystyy käyttämään sisältöä reaaliajassa monipuolisista lähteistä, kuten PDF-tiedostoista, kuvista, verkkosivuista ja videoista, ja ylläpitää tietosuojaa ilman ulkoisia riippuvuuksia. Olemme yhdistäneet semanttisen haun hienorakeisen tietojen attribuuttiin saavuttaaksemme yli 90 prosentin hakutarkan. Toisin kuin monet muut järjestelmät, meidän järjestelmä skaalautuu tehokkaasti suurten organisaatioiden tarpeisiin, jolloin tiimit voivat tehdä nopeita ja tarkkoja päätöksiä olemassa olevan tietopohjan perusteella.

Pryonin Ingestion Engine on suunniteltu järjestämään suuria määriä monimuotoista sisältöä. Mitä teidän ingestio-prosessissa on ainutlaatuista, ja miten se parantaa hakutarkan?

Pryonin ingestio pystyy käsittelemään monimuotoista sisältöä – hausta vastauksia äänistä, kuvista, teksteistä ja videoista eri lähteistä. Tämä ratkaisee yritysten perustavanlaatuisen ongelman, joka liittyy tietojen eriytymiseen. Kun strukturoimattomat tiedot kasvavat yli 50 prosenttia vuosittain, meidän ingestio-moottorimme muuttaa hajallaan olevan tiedon järjestetyksi, toimivaksi tietoksi. Prosessi on suunniteltu turvallisuuden ja tietosuojan vuoksi, jolloin yritysten arkaluontoiset tiedot ovat suojattuja ja samalla välittömästi käytettävissä.

Teidän hakukone lupaa välittömiä, tarkkoja ja verifiointikelpoisia vastauksia. Miten Pryon varmistaa tarkan ja vähentää “hallusinaatioita” tietojen hakemisessa?

Pryon varmistaa tarkan ja vähentää “hallusinaatioita” useiden mekanismien avulla. Meidän teknologia yhdistää semanttisen haun hienorakeisen tietojen attribuuttiin, mikä tarkoittaa, että vastaukset voidaan jäljittää takaisin alkuperäisiin lähteisiinsä. Tämä attribuutti on kriittinen verifioinnin kannalta. Järjestelmä käyttää sisältöä reaaliajassa alkuperäisistä lähteistä sen sijaan, että se nojautuisi vanhentuneisiin tai epätäydellisiin tietokantoihin. Tämä suora yhteys alkuperäisiin lähteisiin, yhdessä meidän korkean hakutarkan (yli 90 prosenttia) kanssa, vähentää merkittävästi “hallusinaatioiden” riskiä, jotka vaivaavat monia generatiivisia tekoälyjärjestelmiä.

Miten Pryon käsittelee reaaliaikaisia tietojen päivityksiä, erityisesti dynaamisissa ympäristöissä, kuten hallinnossa, energiassa ja terveydenhuollossa?

Pryon varmistaa reaaliaikaisen pääsyn viimeisimpiin tietoihin joustavien, tarpeen mukaan toteutettavien sisällön synkronointien avulla. Käyttäjät voivat käynnistää sisällön synkronoinnit tarpeen mukaan meidän hallintaportaalimme kautta tai automatisoida päivitykset meidän Sync-API:mme avulla säädetyn aikataulun mukaan – olipa se viikoittain, päivittäin tai jopa tunneittain, riippuen toiminnan tarpeista. Meidän delta-tarkistusprosessi optimoi tehokkuuden päivittämällä vain muuttuneita tietoja, jolloin tiedon hakeminen on nopeaa, tarkkaa ja resursseja säästävää tärkeissä tehtävissä, kuten hallinnossa, energiassa ja terveydenhuollossa.

Pryon työskentelee hallituksen ja puolustusvirastojen kanssa. Vaikka yksityiskohdat ovat usein luokiteltuja, voitko kertoa esimerkin siitä, miten teidän tekoäly on parantanut päätöksentekoa tai toiminnan tehokkuutta?

Pryon työskentelee useiden puolustus- ja tiedusteluvirastojen, kuten Ilmailuteknillisen tutkimuslaitoksen (AFRL) ja Päädigitaalisen ja tekoälytoimiston (CDAO) kanssa, jotta voidaan parantaa toimintoja ja mahdollistaa nopeampi ja informoitu päätöksenteko.

Yksi voimakas esimerkki on yhteistyömme Yhdysvaltain ilmavoimien Digitaalisen muutosviraston (DAF DTO) kanssa. Tämä tiimi tukee hankintaa ja ylläpitoa, joiden henkilöstö usein tarvitsee löytää kriittistä tietoa, joka on haudattu satoihin tuhansiin verkkosivuihin ja asiakirjoihin. Yhdessä käynnistimme DTO Wingmanin, tekoälypohjaisen avustajan, joka tarjoaa tarkat, reaaliaikaiset vastaukset monimutkaisiin kysymyksiin – yhdessä lähteen attribuutilla.

Käyttäjien ei tarvitse enää etsiä manuaalisesti politiikkadokumentteja tai sääntöjä; he voivat vain kysyä kysymyksiä, kuten “Mitä minä olen valtuutettu ostamaan matkakortillani?” tai “Mitä on Digitaalinen rakennuskoodi ja miten se liittyy hankintoihin?” Tekoäly palauttaa tarkat vastaukset ja auttaa jopa luomaan raportteja ja esitysmateriaaleja nopeasti.

Antamalla ilmavoimien ja avaruusvoimien henkilöstölle välittömän pääsyn luotettaviin vastauksiin, DTO Wingman auttaa tiimejä toimimaan tehokkaammin ja tarjoamaan luotettavaa, ajankohtaista ohjausta korkeampien viranomaisten ja päätöksentekijöiden tarpeisiin.

Teidän työ elämäntieteissä mainitsee tekoälyavusteisen tutkimuksen. Miten Pryonin järjestelmä auttaa tutkijoita navigoimaan laajoissa tietokannoissa, kuten PubMedissa tai yksityisissä tutkimusvarastoissa?

Pryonin järjestelmä auttaa tutkijoita navigoimaan laajoissa tietokannoissa, kuten PubMedissa tai yksityisissä tutkimusvarastoissa, useiden avainominaisuuksien kautta.

Parannettu tutkimuksen laatu:

• Vähennetty inhimillinen virhe: Järjestelmällinen hakeminen ajantasaisia tietoja varmistaa, että vähemmän artikkeleita tai näyttöä jää huomaamatta.
• Todisteiden tuki: Jokainen vastaus perustuu alkuperäiseen kirjallisuuteen, jolloin tutkimusperustaiset johtopäätökset ovat mahdollisia, ja ne voidaan jäljittää takaisin lauseeseen, josta ne ovat peräisin.

Suojelu erittäin arkaluontoista sisältöä:

• Luottamuksellisuus: Tiukat pääsyrajoitukset ja tietojen salaus ovat olennaisia omistajien tai potilaiden tietojen kaltaisille herkillä tietokannoille.
• Sääntelynmukaisuus: Tutkijat voivat luottaa siihen, että arkaluontoiset tiedot ovat suojattuja, kun ne kuuluvat sääntelyyn, kuten HIPAA:han tai GDPR:ään.

Asianmukaisuuden ja myyntipalvelun kannalta, miten Pryonin tekoäly vertautuu perinteisiin chatbot- ja CRM-ratkaisuihin tehokkuuden ja tukipyyntöjen vähentämisen suhteen?

Asianmukaisuus- ja myyntipalvelun vuorovaikutukset vaativat usein tasapainoa tarkkuuden ja joustavuuden välillä chatbot- ja CRM-ratkaisuissa. Koska asiakkaalle annettu virheellinen vastaus on vastuuton ja voi johtaa oikeudellisiin seuraamuksiin, monet chatbot-toimittajat ja perinteiset keskustelutekoälyratkaisut valitsevat rajoittamaan ratkaisun joustavuutta “vain FAQ-tyyppisillä” vuorovaikutuksilla.

Tämä on haittaa toimittajalle, joka edellyttää manuaalista koodaamista tiettyihin yleisiin kysymyksiin, ja se tarjoaa heikkoja kokemuksia asiakkaille, jotka ovat käyttäneet chatbottia, mutta jolla on täysin joustamaton käyttöliittymä, joka ei juurikaan eroa FAQ:sta. Jotkut toimittajat yrittävät käyttää joustavampaa generatiivista kokemusta vähemmän rajoituksilla, mutta tämä edellyttää usein koko tuotekatalogin tai verkkosivun lisäämistä LLM:n kontekstiuudeksi, mikä laskee tulosteen tarkkuutta ja voi johtaa vakaviin virheisiin.

Taidetta ja tieteenalaa RAG:issa on maksimoida signaali (totuus) ja minimoida kohina (epäolennainen konteksti, joka usein sekoittaa LLM:n). Pryonin hakutarkan tarkkuus, joka pystyy etsimään tietyn lauseen tason vastauksen kaikista asiakirjoista, tarkoittaa, että asiakaspalvelu ja myynti eivät enää joutuisi tinkimään tarkkuuden ja joustavuuden välillä.

Mitä näette suurimpana haasteena tekoälyn käyttöönotossa yrityksissä tällä hetkellä, erityisesti RAG-pohjaisissa järjestelmissä?

Vaikka se on jotain, mitä löydämme omista markkinoiden kanssa käymistämme keskusteluista, se on myös yhä enenevissä määrin tunnustettu, että “tekoälyvalmiit tiedot” (tai niiden puute) on yksin suurin este tekoälyjärjestelmien käyttöönotossa.

• 91 prosenttia johtajista Harvard Business Review -tutkimuksessa totesi, että luotettava tietopohja on välttämätön onnistuneelle tekoälykäyttöönotolle.
• McKinsey löysi, että 70 prosenttia GenAI-alihankkeista kohtaa haasteita, jotka liittyvät tietoihin, ja vain 1 prosentti yrityksen tärkeistä tiedoista heijastuu nykyisissä malleissa.
• The Wall Street Journal mainitsi, että luotettavuus on ykköshaaste tekoälyagenttien käyttöönotolle – ongelma, joka liittyy läheisesti tietojen laatuun ja saatavuuteen.
• Gartner tunnisti GenAI-valmiiden tietojen puutteen ykkössyynä epäonnistuneille käyttöönotoille.

Tekoälyvalmiit tiedot ulottuvat vain sanomisten vektoroinnista – se on yhdistää eristetyt lähteet, työskennellä monimutkaisilla muodoilla, kuten multimodaalisilla syötteillä, puhdistaa tietoja, parantaa tietoja, saada ne muotoon, jota LLM:t voivat käsitellä, jakaa ne oikeaan granulariteettiin optimaalisen tarkan ja kustannustehokkaan tuloksen saavuttamiseksi, indeksoida ne älykkäästi, yhdistää ne suorituskykyiseen hakujärjestelmään jne.

Nämä ovat suuria haasteita, jotka vaativat omia osaamisia ja työkaluja – Pryonin toteuttamassa RAG-ratkaisujen kehittäjien tutkimuksessa suurimmissa yrityksissä datakäsittely oli ykköshaasteellisin, kallein ja teknisesti haasteellisin osa rakennusprosessia, ja seuraavaksi tuli tietojen hakeminen.

Miten erottuu Pryonin RAG Suite -yritysratkaisuista, jotka tarjoavat Microsoft , Google (GOOGL ) tai OpenAI?

Eroavaisuus vaihtelee toimijasta toimijaan, mutta korkealla tasolla suuret teknologiayritykset keskittyvät toimimaan “tekoälyliittymänä” työssä. Pryon keskittyy perustasolle – tietokerrokseen. Pryon ratkaisee syvät ongelmat datakäsittelystä ja hakemisesta, kun taas suuret teknologiayritykset tarjoavat laajoja tekoälyratkaisuja, jotka voivat palvella joitakin yksinkertaisia RAG-käyttötapaauksia, mutta usein menevät rikki, kun todelliset elämän monimutkaisuudet yritysten ja hallituksen käyttötarkoituksissa tulevat kyseeseen. Pryon voi myös olla täydentävä näiden järjestelmien kanssa, kun sisältöä, jota Copilot, Gemini tai GPT tuottaa, voidaan liittää Pryonin tietokerrokseen, jotta se voidaan järjestää ja valmistaa käytettäväksi alihankkijoiden sovellusten ja agenttien avulla.

Miten Pryon lähestyy sääntelyn ja eettisen tekoälyn käytön haasteita, kuten EU:n tekoälylakia ja Yhdysvaltain tekoälyohjeita?

Kun tekoälysäännökset kehittyvät maailmanlaajuisesti, Pryon sitoutuu sääntelynmukaisuuteen ja eettiseen tekoälyn käyttöön. Meidän lähestymistapa on linjassa EU:n tekoälylain, Yhdysvaltain tekoälyohjeiden ja Puolustusministeriön Vastuullisen tekoälyn (RAI) periaatteiden kanssa, varmistaen, että meidän tekoälyratkaisumme ovat luotettavia, avoimia ja hallittavissa. RAI SHIELD -kehyksen noudattamisella me integroidaan tiukat arvioinnit, jäljittäminen ja jatkuva seuranta tekoälyelinkaaren ympärille – priorisoiden turvallisuuden, reiluuden ja suorituskyvyn. Sisällyttämällä nämä parhaat käytännöt meidän käyttöönottostrategiaamme, Pryon antaa organisaatioille mahdollisuuden hyödyntää tekoälyä vastuullisesti ja täyttää korkeimmat sääntely- ja eettiset standardit.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Pryonin verkkosivuilla Pryon.