Erik Schwartz, Chief AI Officer (CAIO) Tricon Infotech – Haastattelusarja

Erik Schwartz on Tricon Infotechin Chief AI Officer (CAIO) Tricon Infotech. Tricon Infotech on johtava konsultointi- ja ohjelmistopalveluyritys. Tricon Infotech tarjoaa tehokkaita, automaattisia ratkaisuja ja täydellisiä digitaalisia muutoksia mukautettujen tuotteiden ja yrityssovellusten kautta

Erik Schwartz on kokenut teknologiajohtaja ja yrittäjä, jolla on yli kaksi vuosikymmentä kokemusta teknologia-alalla, erityisesti tekoäly-, tietojen hakeminen ja tietäminen -aloilla. Uransa aikana Erik on ollut mukana rakentamassa suuria alustoja ja integroimassa tekoälyä hakuteknologioihin, parantaen merkittävästi käyttäjien vuorovaikutusta ja tietojen saatavuutta. Hän on toiminut aiemmin johtavissa rooleissa Comcastissa, Elsevierissä ja Microsoftissa, joissa hän johti uraauurtavia tekoäly-, hakua ja LLM-aloitteita.

Erikin ammattiura on leimautunut innovaatiosta ja yhteistyön voimasta. Hän on johdattanut tiimejä nopeasti ja tehokkaasti uusien ratkaisujen kehittämiseen, vakiinnuttaen itsensä luotettavaksi johtajaksi teknologiayhteisössä. Hänen työnsä, erityisesti Scopus AI -projektissa Elsevierissä, korostaa hänen sitoutumistaan uudelleenmäärittelyyn, miten vuorovaikutamme tietojen kanssa ja luomme luotettavan suhteen käyttäjien kanssa.

Chief AI Officer (CAIO) -roolissaan Erik hyödyntää laajaa kokemusta kehittääkseen ja toteuttaakseen kattavia tekoälystrategioita Triconin asiakkaille. Hänen perusteellinen prosessinsa ei ainoastaan paljasta tekoälyä, vaan varmistaa myös, että nämä yritykset ovat varustettu menestyäkseen ja vaurastumaan kilpailukykyisessä tekoälytekniikan maisemassa. Erik on intohimoinen kasvun ja innovaation edistämisestä, ja hän jakaa näkemyksiään inspiroidakseen ja valmistellakseen organisaatioita hyödyntämään tekoälyn muuntavan voiman tehokkaasti.

Voitko jakaa joitain urasi merkittävimmistä kohdista, jotka johtivat sinut nykyiseen rooliisi Chief AI Officerina Tricon Infotechissa?

Olen koko urani ajan ollut upottuneena tietojen hakemisen alaan. Matkani alkoi 1990-luvun alussa Web Masterina internetin alkuaikoina. Tänä muotoutumisen aikana keskityin digitaalisten kirjastojen rakentamiseen hallituksille, yliopistoille ja media-alan yrityksille, mikä loi perustan asiantuntemukselleni digitaalisissa tietojärjestelmissä.

2000-luvulla siirryin työskentelemään hakukoneiden toimittajien kanssa, jolloin hioin taitojani hakuteknologioissa. Tämä urani vaihe oli merkittävää kasvua ja oppimista useiden yritysostojen kautta, mikä lopulta johti minun liittymiseeni Microsoftiin vuonna 2008. Microsoftissa minulla oli avainrooli tietämyksen löytämisalustojen kehittämisessä ja parantamisessa, jossa pyrin edistää innovaatiota ja parantaa tietojen saatavuutta käyttäjille.

Microsoftin jälkeen johtaminen suurten yritysten, kuten Comcastin ja Elsevierin, parissa, joissa vastasin suurten tietämyksen löytämisalustojen pyörittämisestä. Nämä kokemukset ovat olleet ratkaisevia tekoäly- ja tietojen hakemisen lähestymistapojeni muotoilussa, mikä on lopulta johtanut minun nykyiseen rooliini Chief AI Officerina Tricon Infotechissa. Tässä roolissa hyödynnän laajaa kokemustani ajamaan tekoälystrategioita ja -ratkaisuja, jotka mahdollistavat asiakkaidemme hyödyntämän täysimääräisesti heidän datansa.

Miten kokemuksesi yrityksissä kuten Comcast (CMCSA ), Elsevier ja Microsoft (MSFT ) on vaikuttanut lähestymistapaasi tekoälyn ja hakuteknologioiden integroimiseen?

Koko urani ajan olen keskittynyt luonnollisen kielen prosessointiin (NLP) ja koneoppimiseen. Aluksi nämä teknologiat perustuivat yksinkertaisiin, sääntöpohjaisiin järjestelmiin. Kuitenkin, kun tietojoukot kasvoivat suuremmaksi ja laskentakapasiteetti vahvistui, aloimme merkittävästi parantaa käyttäjäkokemusta automaattisesti keräämällä dataa ja syöttämällä sitä takaisin algoritmeihin parantamaan niiden suorituskykyä.

Microsoftissa, FASTin ostamisen jälkeen, toimin tuotejohtajana SharePoint-tiimissä. Tässä roolissa olin mukana integroimassa edistyneitä hakuteknologioita yritysten sisällön hallintajärjestelmiin, parantaen tietojen hakua ja yhteistyön mahdollisuuksia liiketoiminnassa.

Comcastissa rakensin tietämyksen löytämisalustan, joka pyöritti koko videoliiketoimintaa, mahdollistaen käyttäjien etsiä ja löytää sisältöä set-top -laatikkojen, mobiililaitteiden ja verkkolaiteiden kautta. Tämä hakukone skaalautui käsittelemään yli 1 miljardi pyyntöä päivässä, parantaen merkittävästi käyttäjäkokemusta nopeiden ja tarkkojen sisältösuositusten ja hakutuloksien tarjoamisen kautta.

Yksi merkittävimmistä kokemuksista oli Elsevierissä, jossa lanseerasimme generatiivisen tekoälykokemuksen Scopus-tuotteelle, joka on yksi heidän luotetuimmista tuotteistaan. Tämä aloite hyödynsi suurta kielen mallia (LLM) avustamaan käyttäjiä paremmin kysymysten asettamisessa ja tarkempien vastausten saamisessa syvästi teknisestä sisällöstä tieteellisessä viestinnässä. Tämä LLM-pohjainen lähestymistapa varmisti, että tekoälyvastaukset olivat täysin tarkkoja ja luotettavia yli 90 miljoonan artikkelin sisällä tietokannassa, osoittaen tekoälyn voiman parantaa akateemista tutkimusta ja tietojen jakamista.

Mikä innoittaa sinua eniten nykyisistä edistysaskelista generatiivisessa tekoälyssä ja sen mahdollisissa sovelluksissa?

Yksi suurimmista historiallisista haasteista tietojen hakemisessa on ollut kontekstin ylläpitäminen. Ihmisille tämä on luonnollinen prosessi, mutta koneille tietojen löytäminen on perinteisesti ollut hyvin transaktionaalinen kokemus: kysy kysymys, saa vastaus. Syventyminen aiheeseen vaati yhä tarkempien kysymysten esittämistä. Generatiivinen tekoäly vallankumouksellisesti muuttaa tämän lähestymistavan mahdollistaen enemmän keskustelumaisen ja kontekstuaalisen vuorovaikutuksen, aivan kuin luonnollinen keskustelu jonkun kanssa, jonka olet vasta tavannut.

Lisäksi generatiivinen tekoäly sisältää muita tekniikoita, jotka parantavat syvempää ymmärtämistä, jotka ovat perinteisesti olleet vaikeita perinteisille hakukoneille. Esimerkiksi suuret kielen mallit (LLM) voivat käsitellä vaivattomasti aspekteja kuten sävyä, mielipidettä, semanttista ymmärtämistä ja epäselvyyden poistamista. Nämä kyvyt mahdollistavat LLM:lle käsitellä inhimillisen kielen nuansseja ja kontekstia vaivattomasti, tarjoten tarkempia ja merkityksellisempiä vastauksia valmiina. Tämä edistysaskel innoittaa minua eniten, koska se avaa monia mahdollisuuksia luodaan enemmän intuitiivisia, reagoivia ja älykkäitä sovelluksia eri aloilla.

Miten Tricon Infotechin lähestymistapa generatiiviseen tekoälyyn eroaa muiden alan yritysten lähestymistavasta?

Generatiivisen tekoälyn tilassa on kaksi pääasiallista keskittymiskohtaa. Ensimmäinen, johon suurimmat teknologia-alan toimijat kiinnittävät merkittävää huomiota, on tekoälymallien koulutus ja hienosäätö. Toinen alue, jossa generatiivisen tekoälyn asiantuntijat todella erottuvat, on inferenssi – eli generatiivisen tekoälyn käyttäminen arvokkaiden tuotteiden ja palveluiden luomiseen.

Tricon Infotechissa keskitymme jälkimmäiseen. Lähestymistapamme on erottuva, koska korostamme käytännön soveltamista ja nopeaa käyttöönottoa. Olemme kehittäneet kattavan ohjelman, joka auttaa liiketoimintajohtajia nopeasti tunnistamaan vaikuttavimmat generatiivisen tekoälyn soveltamiskohdat. Prosessimme sisältää nopean prototyyppiratkaisun, joka mahdollistaa asiakkaiden työskennellä omien tietojensa kanssa tekoälyssä. Tämä lähestymistapa varmistaa, että he voivat nähdä konkreettisia tuloksia ja vuorovaikuttaa tekoälyajohtimien kanssa kehitysprosessin alkuvaiheessa.

Lisäksi meillä on radikaali keskittyminen arvon saavuttamiseen. Tavoitteemme on auttaa asiakkaita kehittämään ja käyttöönottoon kuluttajien käyttämiä sovelluksia 90 päivän kuluessa. Tämä kiihdytetty aikataulu ei ainoastaan ajaa nopeampaa innovaatiota, vaan varmistaa myös, että liiketoiminnat voivat nopeasti hyödyntää generatiivisen tekoälyn hyödyt, luoden uusia tulonlähteitä ja parantaen asiakastyytyväisyyttä.

Voitko keskustella joistakin avainhaasteista suurten kielen mallien (LLM) ja generatiivisen tekoälyn käyttöönotossa yritysratkaisuissa?

Suurten kielen mallien (LLM) ja generatiivisen tekoälyn käyttöönotto yritysratkaisuissa esittää useita nousevia haasteita. Ensimmäinen ja tärkein haaste on luottamus. Yritysten on varmistettava, että tekoälyjärjestelmät eivät vaaranna heidän immateriaalioikeuksiaan tai arkaluontoista yritystietoa. Varmentaminen tietoturva ja saaminen oikeat takeet siitä, että tekoäly ei väärinkäytä tietoa, on kriittistä luottamuksen saavuttamiseksi.

Toinen haaste on harhat. Generatiivinen tekoäly voi toisinaan tuottaa luottamusherkkäitä vastauksia, jotka ovat tosiasiallisesti virheellisiä. Tämä voi heikentää tekoälyjärjestelmien luotettavuutta. Tekniikoita, kuten mallien hienosäätöä ja Retrieval Augmented Generation (RAG) -menetelmän käyttöä, voidaan käyttää hallitsemaan harhautusten esiintymistä varmistamalla, että tekoälyvastaukset perustuvat tarkkaan dataan.

Kolmas merkittävä haaste on kustannus. Suurten kielen mallien lisensointi ja skaalautuminen voi olla hyvin kallista. Jopa suurten toimittajien, kuten Microsoftin, Amazonin ja Google (GOOGL ), yritysversiot tulevat jyrkällä aloitusmaksulla ja minimivaatimuksilla. Siksi on oleellista, että yritykset seuraavat ja hallitsevat tarkkaan tekoälyratkaisujen tuottamaa tuottoa varmistaakseen, että tekoälyratkaisujen käyttöönotto on taloudellisesti kannattavaa.

Voitko selittää Tricon Infotechin järjestelmällisen lähestymistavan mukautettujen GenAI-yritysratkaisujen kehittämiseen?

Tricon Infotech on tuotekehitysyhtiö, joka erottuu tarjoamalla hallittuja palveluita omistetuilla, täydellisillä tuotejoukkueilla perinteisen henkilöstölisensoinnin sijaan. Lähestymistapamme käsittää koko tuotekehitysprosessin hallitsemista, mukaan lukien käyttäjätutkimus, käyttöliittymäsuunnittelu (UX), eteen- ja taustapuolen kehitys, testiautomaatio, käyttöönotto, skaalautuminen ja jatkuva toiminta.

Tämä kattava hallittu palvelumalli varmistaa, että asiakkaamme voivat keskittyä suoraan arvon saavuttamiseen tietojensa avulla ilman erillisten resurssien hallinnan monimutkaisuutta ja ylitöitä. Meidän avainajuri on arvon saavuttamisen nopeus, mikä tarkoittaa, että priorisoimme toimittamaan konkreettisia hyötyjä nopeasti ja tehokkaasti. Meidän tavoitteemme on rakentaa pitkäaikaisia generatiivisia suhteita asiakkaidemme kanssa jatkuvasti lisäämällä arvoa ja iteroiden ominaisuuskehitysprosessin kautta.

Meidän järjestelmällinen lähestymistapa on suunniteltu olemaan joustava ja reagoiva, mikä mahdollistaa nopean sopeutumisen uusiin haasteisiin ja mahdollisuuksiin tekoälymaisemassa. Käyttämällä täydellisesti monialaisten tiimien kykyjä, toimitamme erittäin mukautettuja generatiivisen tekoälyn ratkaisuja, jotka on räätälöity kunkin yrityksen erityistarpeisiin. Tämä lähestymistapa erottaa meidät perinteisistä henkilöstölisensointifirmoista ja varmistaa, että tarjoamme kokonaisvaltaisia, lopusta loppuun ratkaisuja, jotka ajavat merkittävää liiketoimintavaikutusta.

Mitä esimerkkejä Triconin GenAI-ratkaisuista on onnistuneesti ratkaistu todellisia ongelmia?

1. E-oppiminen – muuttaa perinteistä mediaa ja perinnaissisältöä interaktiiviseksi monimuotoiseksi sisällöksi. Tämä mahdollistaa asiakkaidemme uudelleenohjata olemassa olevaa sisältöä sopeutumaan uusiin oppimistapoihin ja tavoittamaan oppijoita alustoilla, joilla he jo ovat. Lisäksi sisältö voidaan uudelleenohjata hyperhenkilökohtaisiin oppimisohjelmiin, jotka voivat sopeutua automaattisesti oppijan tarpeisiin ja oppimistyyliin (ääni, visuaalinen jne.)
2. Yksityinen tekoäly – auttaminen asiakkaita rakentamaan luotettavia yritysten tekoälyratkaisuja, jotka pysyvät yksityisinä ja kunnioittavat asiakkaiden pääsyä, samalla ylläpitäen kustannuksia ja auttaen skaalautumaan eri yritysten toimintojen ympärille, auttaen ylirasittuneita ammattilaisia ja jaettuja palveluita skaalautumaan paremmin koko organisaatiolle, ymmärrettäessä samalla alueellisia ja paikallisia käytäntöjä ja politiikkoja. Nämä yksityiset tekoälyt eivät ainoastaan palvele yritystä, vaan myös luovat uusia tulonlähteitä asiakkaillemme.
3. Prosessiautomaatio – on edelleen valtava määrä organisaatioita, jotka riippuvat manuaalisista prosesseista ja tietojen yhdistämisestä. Tekoäly auttaa yhdistämään eri järjestelmiä luomalla älykkäitä kerroksia, jotka voivat validoida dataa ja ymmärtää ainutlaatuista signaalia, joka luodaan yksilöllisestä tietojoukosta tai työkalusta, ja auttaa tehokkaasti reitittämään työvirran ja tunnistamaan toimitusketjun ongelmat

Mikä rooli jatkuva oppiminen ja kasvuilla on pysymisessä edellä nopeasti kehittyvässä tekoälyalan haasteissa?

Yksi suurimmista haasteista tekoälyalan haasteissa on työvoiman uudelleenkoulutus. On uusi sukupolvi työntekijöitä, jotka ymmärtävät intuitiivisesti tekoälytyökaluja ja -tekniikoita. On kuitenkin myös vanhempi sukupolvi, joka tarvitsee ymmärtää, mitä nämä työkalut voivat ja eivät voi tehdä. Jatkuva oppiminen on äärimmäisen tärkeää tämän kuilun ylittämiseksi.

Teckoälytyökalut voivat dramaattisesti parantaa tuottavuutta, mahdollistaen liiketoiminnan saavuttamaan enemmän huomattavasti vähemmällä resursseilla, mikä vähentää aikaa ja kustannuksia. Nämä hyödyt voidaan toteuttaa, kun työntekijät ovat avoimia oppimiseen uusia työtapoja ja integroimiseen näitä työkaluja työprosesseihinsa.

Lisäksi on tärkeää osoittaa, että pelko työturvallisuudesta on tarpeetonta. Työntekijöiden on ymmärrettävä, että ne, jotka omaksuvat jatkuvaan oppimiseen ja kasvuun, ovat paremmin varustettuja integroimaan uudet tekoälytyökalut päivittäisiin työtehtäviinsä, mikä lopulta johtaa suurempaan työturvallisuuteen. Totuus on, että menestys tekoälyajoitetussa tulevaisuudessa tulee niille, jotka aktiivisesti pyrkivät ymmärtämään ja hyödyntämään näitä kehittyviä teknologioita.

Miten näet tekoälyn tulevan muuttamaan hakuteknologian ja käyttäjien vuorovaikutuksen seuraavassa vuosikymmenessä?

Jo todistamme merkittävää siirtymistä perinteisistä hakukoneista generatiivisiin tekoälytyökaluihin alkuvaiheen kysymyksiin. Tämä siirtymä johtuu generatiivisen tekoälyn kyvystä tarjota suoria vastauksia ja ratkaisuja, poistamalla tarpeen käydä useita verkkosivuja tai resursseja itsenäisesti. Lähitulevaisuudessa tulee yleiseksi, että tekoäly osallistuu kokouksiin, suorittaa toimintoja ja hoitaa rutiininomaisia tehtäviä, mikä johtaa merkittäviin vähennyksiin tiettyjen toimintojen rooleissa yrityksissä.

Yksi avainhaaste, joka säilyy, on keino tekoälyn rahastamiseen, koska perinteinen mainostusmalli saattaa kohtaa merkittäviä esteitä tässä uudessa maisemassa. Ennustan, että data tulee olemaan yhä arvokkaampaa, toimien enemmän kuin valuutta, kun navigoimme tässä uudessa maailmassa. Tämä siirtymä edellyttää innovatiivisia liiketoimintamalleja, jotka hyödyntävät tekoälyn ainutlaatuisia kykyjä samalla varmistaen, että käyttäjät ja yritykset voivat saada konkreettista arvoa vuorovaikutuksistaan.

Kokonaisuutena tekoälyn tulevaisuus hakuteknologian ja käyttäjien vuorovaikutuksen parissa luvassa on muuntava, tehdessään tietojen hakemisesta enemmän intuitiivista ja tehokasta sekä muokkaamalla, miten lähestymme digitaalista vuorovaikutusta ja yritystoimintoja.

Mitä käytännön neuvoja antaisit liiketoiminnille, jotka haluavat hyödyntää tekoälyä menestyksen ja innovaation ajamiseen?

Älä pelkää teknologiaa. Aloita tarjoamalla tekoälytyökaluja työntekijöille varmistaaksesi, että datan ja immateriaalioikeuksien turvallisuus säilyy. Monet työntekijät käyttävät jo tekoälytyökaluja, mutta ilman asianmukaista hallintaa on riski väärinkäytöstä. On tärkeää kouluttaa henkilöstöä ymmärtämään riskit ja oppimaan käyttämään näitä työkaluja turvallisesti ja tehokkaasti.

Lisäksi on olennaista keskittyä menestyksen mittareihin. Tekoälytyökalut voivat olla kalliita, mutta kustannukset odotetaan laskevan ajan myötä. On kuitenkin tärkeää pitää selkeä fokus tuotoksen palautus (ROI) -arvoon kustannusten hallitsemiseksi ja ymmärtääksesi vaikutuksen liiketoimintaan. Tekoälyn hyödyntäminen innovaation ja menestyksen ajamiseen, varmistaen samalla, että hyödyt ylittävät kustannukset.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tricon Infotech -sivustolla.