Edwin Lisowski, Addepton perustaja ja Chief Growth Officer – Haastattelusarja

Edwin Lisowski, Addepton perustaja ja Chief Growth Officer, vastaa yrityksen strategisesta kasvusta, liiketoiminnan kehittämisestä ja markkinoinnista. Hänellä on laaja kokemus data-arkkitehtuurista, AI-vetovälineistä ja analytiikka-konsultoinnista, yhdistäen teknisen asiantuntemuksen vahvaan keskittyymiseen AI-omaksumisen ja liiketoimintamuutosten aloittamiseen globaaleille asiakkaille.

Addepto on Varsovaan perustettu konsultointiyhtiö, joka erikoistuu tekoälyyn, koneoppimiseen, data-engineeringiin ja liiketoimintatiedon ratkaisuihin yritysasiakkaille. Yritys auttaa organisaatioita muuttamaan raakadatan toimintatiedoksi kattavien AI-strategioiden, konseptin kehittämisen ja tuotantovalmiiden mallien toteuttamisen kautta. Toimimalla eri aloilla, kuten rahoituksessa, logistiikassa, valmistuksessa ja vakuutusala, Addepto korostaa räätälöityjä ratkaisuja ja pitkäaikaisia kumppanuuksia auttaakseen asiakkaita hyödyntämään AI:ta mitattavissa olevaan liiketoimintavaikutukseen.

Mikä innoitti sinua perustamaan Addepton vuonna 2018, ja mikä markkinarako yritit täyttää?

Vuonna 2018 näimme jatkuvasti kaksi ääripäätä: suuret toimittajat myivät “yksi kokoa kaikille” -tekoälyä, ja toisaalta sisäiset tiimit jumiutuivat muutamien konseptien jälkeen, koska heillä ei ollut data-engineeringin ja MLOpsin voimaa. Rakensimme Addepton olemme tiimi, joka yhdistää strategian → data-putkistot → mallit → tuotannon, erityisesti data-intensiivisille aloille. Tuo kokonaisvaltainen lähestymistapa on edelleen DNA: mme.

Kuka Addepton palvelualoista — tietokoneen näkeminen, NLP, koneoppiminen tai data-engineering — on kokenut nopeimman yritysotteen, ja miksi?

Viimeisten 18-24 kuukauden aikana NLP/GenAI on edennyt nopeimmin yrityksissä (haku, avustajat, asiakirjojen käsittely) koska se kartoittaa suoraan tietotyön ROI: hen ja voi aloittaa perusmallista. Teollisuuskyselyt osoittavat laajan askelen AI-käytössä vuonna 2024, ja GenAI-johtoiset käyttötapaukset laajenevat toimintojen yli.

Monet yritykset kamppailevat siirtymisessä tekoälyn konseptista tuotantojärjestelmiin. Miten Addepto auttaa heitä siltaamaan tämän kuilun?

Käsittelemme tuotantoa kurinalaisuutena, ei vaiheena: löytötyöpajat, data-sopimukset, viitearkkitehtuuri, CI/CD-mallit, havainnointi ja “päivä 2” -toiminnot (liukuminen, kustannukset, esteet). Konkreettisesti, standardisoidaan MLOps ja muunnamme konseptit mikropalvelupisteiksi, jotka sopivat asiakkaan pinon (Databricks/Spark, Kubernetes, olemassaoleva BI). Tämä on tapa, jolla toimitamme jatkuvasti enemmän kuin demot.

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

Päätöksentekopuumme on pragmaattinen:

• Aloita perusmallilla, kun aika-arvo, laajat kielitehtävät ja muuttuvuus määräävät.
• Siirry hienosäätöön tai sovittimiin, kun alueen terminologia tai sävytarkkuus on kriittistä.
• Luo mukautettuja malleja, kun viive/kustannus/IP-ohjaus on tärkeää, data on omistettua/strukturoidua tai reunarajoitukset ovat voimassa.
  Tämä heijastaa, mihin yritykset ovat menossa: vähemmän “kokeiluja”, enemmän tarkoitukseen sopivia arkkitehtuureja.

Vuonna 2024 julkaistitte ContextCluen omistautuneena tietohallintaplatfromina. Mikä kipu koettiin oikeana ajankohtana erillisen tuotteen julkaisemiseen?

Asiakkaamme pyysivät jatkuvasti samaa asiaa: “CAD, PLM, ERP ja asiakirjamme eivät puhu, voitteko tehdä niistä ymmärtäväksi?” Olimme ratkaisseet tämän useissa projekteissa, joten tuotteistimme mallin. Vuosi 2024 oli oikea hetki, koska GenAI teki hakemisen ja kirjoittamisen käytettäväksi insinööreille (ei vain datajoukoille). Ilmoitimme ja aloimme 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/omistajien muodot, versionhallinta, kokoonpanot ja spatial konteksti. Normalisoidaan CAD: n PLM/ERP-metadatan kanssa, ja kartoitamme kaiken tietoverkkoon, jotta osat, järjestelmät, määritykset ja menettelyt liittyvät samaan kokonaisuuteen. Tämä on ContextCluen syötteen päävirta.

Alusta tukee semanttista hakua ja asiakirjojen luontia. Miten varmistatte, että näiden tulosteiden tarkkuus ja luotettavuus ovat oikein insinööritiimille?

Kolme kerrosta:

• Perustettu hakeminen (schema-tietoinen RAG tietoverkossa) lähteiden kanssa.
• Politiikka + testaus (arviointisarjat CI: ssä, punainen joukkueen käyttö, regressiotestit).
• Ihminen silmässä kriittisille tulosteille (SOP: t, vaatimustenmukaiset asiakirjat). Avasimme jopa osia arviointityökaluista ja tietoverkkorakennustyökaluista, jotta tämä olisi auditoitavissa.

Mikä tekee ContextCluesta erityisen muiden tietohallintatyökalujen verrattuna raskaan teollisuuden ja insinöörien ekosysteemeissä?

Se on insinöörien luoma: se ei vain “hae tiedostoja”, vaan ymmärtää kokoonpanot, riippuvuudet ja muutoksen vaikutukset, ja linkittää CAD/PLM/ERP ja ylläpitohistorian toimivaan tietoverkkoon. Kilpailevat KM-työkalut usein loppuvat indeksointiin; ContextClue yhdistää rakenteen + semantiikkaa ja tuottaa sekä ihmisten luettavia asiakirjoja että koneellisesti luettavia malleja (digitaalisille kaksosille, suunnittelulle).

Miten näette ContextCluen kehittyvän monimodaalisen tekoälyn nousun myötä, erityisesti yhdistäessä tekstin, kaaviot ja 3D-mallit?

Kaksi suuntaa on jo liikkeessä:

• Näkemys-CAD & kaaviot: poimiminen topologiaa, kutsuja ja BOM-linkkejä asiakirjojen perustana.
• 3D-kohteen: linkittäminen tietoverkon solmuihin/Omniverse-näkymiin, jotta ylläpito- tai suunnittelukyselyt ratkeavat oikeaan kohtaan mallissa. Odotetaan rikkaampia agenteja, jotka navigoivat osia, versioita ja menettelyjä yli modaalisuuksien.

Katsoen tulevaisuuteen, miten näette Addepton ja ContextCluen muokkaavan toistensa kasvua, ja missä näette yhdistetyn vaikutuksenne teollisuuteen seuraavassa vuosikymmenessä?

Addepto jatkaa eturintamassa, tuotantoon siirtäen monimodaalisia/järjestelmällisiä järjestelmiä vastuullisesti, kun taas ContextClue muuttaa tämän tutkimuksen toistettavaksi arvoksi insinööritiimille. Yhdessä pyrimme leikkaamaan “tietotappiota” (aikaa, joka kuluu etsimiseen/uudelleenluomiseen) laajassa mittakaavassa, ja mitataan tuloksia, kuten insinöörien kehityksen aikaa, uudelleentyöstämisen määrää ja auditointivalmistelun aikaa laitosten ja ohjelmien yli. Markkinat siirtyvät “monista koekäytöistä” “vähemmän, arvokkaampiin käyttöönottoihin”, ja suunnittelemme olevan kumppani ja alusta, joka toimittaa jatkuvasti nämä voitot.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Addeptossa.