Edwin Lisowski, Addepton perustaja ja Chief Growth Officer – Haastattelu sarja

Edwin Lisowski, Addepton perustaja ja Chief Growth Officer, valvoo yrityksen strategista kasvua, liiketoimintakehitystä ja markkinointia. Häneltä löytyy laaja kokemus data-arkkitehtuurista, AI-vetoväisestä strategiasta ja analytiikka konsultoinnista, yhdistäen teknisen asiantuntemuksen vahvaan painopisteen AI-omaksumisen ja liiketoimintamuutoksen aloitteiden skaalauksessa globaaleille asiakkaille.

Addepto on Varsovaan perustettu konsultointiyritys, joka erikoistuu tekoälyyn, koneoppimiseen, data-engineeringiin ja liiketoimintatiedon ratkaisuihin yritysasiakkaille. Yritys auttaa organisaatioita muuttamaan raakadatan toimintatiedon kautta loppuvetäisistä AI-strategioista, todistusidean kehittämisestä ja tuotantovalmiiden mallien toteutukseen. Toimimalla eri sektoreilla, kuten rahoituksessa, logistiikassa, valmistuksessa ja vakuutusala, Addepto korostaa räätälöityjä ratkaisuja ja pitkäaikaisia kumppanuuksia auttaakseen asiakkaita hyödyntämään AI:ta mitattavissa liiketoimintavaikutuksissa.

Mikä innoitti sinua perustamaan Addepton vuonna 2018, ja mikä aukko markkinoilla pyrittiin täyttämään?

Vuonna 2018 näimme jatkuvasti kaksi ääripäätä: suuret toimittajat myivät “yksi kokoa yhteen” AI:ta, ja toisaalta sisäiset tiimit juuttuivat muutamien PoC:ien jälkeen, koska heillä ei ollut data-engineeringin ja MLOpsin lihaksia. Rakensimme Addepton olemme tiimi, joka yhdistää strategian → data-putkistot → mallit → tuotannon, erityisesti data-intensiivisille aloille. Tuo full-stack-lähestymistapa on edelleen meidän DNA.

Kuka Addepton palvelualueista — tietokoneen näkö, NLP, koneoppiminen tai data-engineering — on nähnyt nopeimman yritysottumisen, ja miksi?.

Viimeisen 18-24 kuukauden aikana NLP/GenAI on edennyt nopeimmin yrityksissä (haku, avustajat, asiakirjojen käsittely) koska se kartoittaa suoraan tietotyön ROI:hin ja voi aloittaa perusmallien avulla. Teollisuuskyselyt osoittavat laajan askelen AI-käytössä vuonna 2024, ja GenAI-vetoväiset käyttötapaukset laajenevat toimintoja.

Monet yritykset kamppailevat siirtymisessä AI:n todistusideasta tuotantojärjestelmiin. Miten Addepto auttaa heitä siltaamaan tämän aukon?.

Käsittelemme tuotantoa kurinalaisena, ei vaiheena: löytötyöpajat, data-sopimukset, viitearkkitehtuuri, CI/CD-mallit, havainnollistus ja “päivä-2”-toiminnot (liukkaus, kustannus, suojavarustus). Konkreettisesti, standardisoidaan MLOps ja muunnamme PoC:it mikropalvelupäätteisiin, jotka sopivat asiakkaan pinon (Databricks/Spark, Kubernetes, olemassaoleva BI). Tämä on tapa, jolla toimitamme jatkuvasti enemmän kuin demoja.

Generatiivinen AI on nyt keskeinen osa tarjontaa. Miten päätätte, milloin soveltaa perusmalleja ja milloin mukautettua mallin kehittämistä?.

Päätöksentekomme on pragmaattinen:

• Aloita perusmallien kanssa, kun aika-arvo, laajat kielitehtävät ja muuttujat hallitsevat.
• Siirry hienosäätöön tai sovittimiin, kun alanimen termejä tai sävyä tarkkuutta on kriittinen.
• Rakenna mukautettuja malleja, kun viive/kustannus/IP-ohjaus on merkittävää, data on omistettua/strukturoidua tai reunarajoitukset ovat voimassa.
  Tämä heijastaa, mihin yritykset ovat menossa: vähemmän “kokeiluja”, enemmän tarkoitukseen sopivia arkkitehtuureja.

Vuonna 2024 julkaistitte ContextClue:n omistajana tietohallintaplatfromina. Mikä kipupiste vakuutti teidät, että oli oikea aika erillisen tuotteen kehittämiseen?.

Insinööriasiakkaat kysyivät jatkuvasti samaa: “CAD, PLM, ERP ja asiakirjamme eivät puhu, voitteko tehdä niistä ajattelevan yhdessä?” Olimme ratkaisseet tämän useissa projekteissa, joten tuotteistimme mallin. Vuosi 2024 oli oikea hetki, koska GenAI teki hakutoiminnon ja kirjoittamisen käytettäviksi insinöörien (ei vain datajoukkueiden) kanssa. Ilmoitimme ja aloitimme sen käyttöönoton tuona aikana.

ContextClue integroituu CAD:hen, ERP:hen, PLM:hen ja teknisiin asiakirjoihin. Kuka näistä tietolähteistä on vaikein yhdistää, ja miten ratkaistte tämän ongelman?.

CAD on vaikein: binääri/omistajakohtaiset muodot, versio, kokoonpanot ja spatial konteksti. Normalisoidaan CAD:n rinnalla PLM/ERP-metadatan, ja kartoitamme kaiken tietoverkkoon, jotta osat, järjestelmät, määritykset ja menettelyt liittyvät samaan entiteettiin. Tämä on ContextClue:n ingest-pipeline:n runko.

Alusta tukee semanttista hakua ja asiakirjojen luontia. Miten varmistatte täsmällisyyden ja luotettavuuden näissä tulosteissa insinööritiimille?.

Kolme kerrosta:

• Maadoitettu hakutoiminto (schema-tietoinen RAG tietoverkon yli) lähteiden viittauksilla.
• Politiikka + testaus (arviointisarjat CI:ssä, punainen joukkueen käyttö, regressiotestit).
• Ihminen silmässä kriittisissä tulosteissa (SOP, vaatimustenmukaisuusasiakirjat). Avaimme jopa osia arviointityökaluputkesta ja tietoverkon extraktiosta, jotta se on auditointikelpoinen.

Mitä tekee ContextClue:sta erottuvan muista tietohallintatyökaluista raskaassa teollisuudessa ja insinööriekosysteemeissä?

Se on insinöörien kotiin: se ei vain “hae tiedostoja”, vaan ymmärtää kokoonpanot, riippuvuudet ja muutoksen vaikutukset, linkittäen CAD/PLM/ERP ja huoltohistorian toimivaan verkkoon. Kilpailevat KM-työkalut usein lopettavat indeksoinnissa; ContextClue yhdistää rakenteen + semantiikkaa ja tuottaa sekä ihmisten lukemaa asiakirjoja että koneellisesti lukukelpoisia malleja (digitaalisille kaksosille, suunnittelulle).

Miten näette ContextClue:n kehittyvän monimodaalisen AI:n nousun myötä, erityisesti yhdistäessä tekstin, kaaviot ja 3D-mallit?.

Kaksi suuntaa on jo liikkeessä:

• Näkemys-CAD & kaaviot: poimimalla topologiaa, kutsuja ja BOM-linkkejä perustamaan vastauksia piirustuksiin.
• 3D-kohdistus: linkittäen tietoverkon solmujen 3D-koordinaatteihin/Omniverse-näkymiin, jotta ylläpito- tai suunnittelukyselyt ratkeavat oikeaan kohtaan mallissa. Odotamme rikkaampia agenteja, jotka navigoivat osia, versioita ja menettelyjä eri modaalisuuksien yli.

Katsoen tulevaisuuteen, miten näette Addepton ja ContextClue:n muokkaavan toistensa kasvua, ja missä näette yhdistetyn vaikutuksen teollisuuteen seuraavien kymmenen vuoden aikana?.

Addepto jatkaa eturintamassa, tuotantoa monimodaalisia/järjestelmällisiä järjestelmiä vastuullisesti, kun taas ContextClue muuttaa tämän tutkimuksen ja kehityksen uudelleenkäytettäväksi arvoksi insinööritiimille. Yhdessä tavoitteenamme on leikata “tietotappioita” (aika, joka kuluu etsimiseen/uudelleenluomiseen) laajassa mittakaavassa, mittaamalla tuloksia, kuten insinöörien työkiertoaika, uudelleen työskentelyä ja auditointivalmisteluaika tehtaiden ja ohjelmien yli. Markkinat siirtyvät “monista koekäytöistä” “vähemmän, arvokkaampiin käyttöönottoihin”, ja aiomme olla kumppani ja alusta, joka toimittaa nämä voitot jatkuvasti.