Molham Aref, RelationalAI:n perustaja ja toimitusjohtaja

Molham on RelationalAI:n toimitusjohtaja. Hänellä on yli 30 vuoden kokemus organisaatioiden johtamisesta, jotka kehittävät ja toteuttavat korkean arvon machine learning- ja tekoälyratkaisuja eri aloilla. Ennen RelationalAI:ta hän oli LogicBloxin ja Predictixin (nyk. Infor) toimitusjohtaja, Optimin (nyk. Ericsson (ERIC )) toimitusjohtaja ja Brickstreamin (nyk. FLIR) perustaja. Molham on myös toiminut johtavissa asemissa HNC Softwarella (nyk. FICO) ja Retekillä (nyk. Oracle (ORCL )).

RelationalAI yhdistää vuosikymmenten kokemuksen teollisuudesta, teknologiasta ja tuotekehityksestä edistääkseen ensimmäistä ja ainoaa oikeasti pilvipohjaista tietämysverkkojohtamisjärjestelmää, joka mahdollistaa seuraavan sukupolven älykkäiden tietosovellusten voiman.

Kuinka RelationalAI:n perustajan ja toimitusjohtajan alkuperäinen visio syntyi, ja miten se on kehittynyt viimeisen seitsemän vuoden aikana?

Alkuperäinen visio keskittyi ymmärtämään tietämysverkkojen ja semantiikan vaikutusta tekoälyn onnistuneeseen käyttöönottoon. Ennen kuin pääsimme nykyiseen tilanteeseen tekoälyssä, suurin osa keskittyi machine learningiin (ML), joka käsitti laajojen datamäärien analyysin, jotta voitiin luoda yksinkertaisia malleja, jotka kuvasivat käyttäytymistä, kuten petosten havaitsemista tai kuluttajien ostokäyttäytymistä. Ajan myötä kävi ilmi, että tekoälyn tehokkaaseen käyttöönottoon tarvitaan tietämysverkkoja, jotka ovat sekä tekoälylle että ihmisten käytettävissä.

Tämä visio on kehittynyt syvän oppimisen innovaatioiden ja viimeaikaisemmin kielen mallien ja generatiivisen tekoälyn myötä. Nämä edistyneet teknologiat eivät ole muuttaneet yrityksen toimintaa, mutta ne ovat lisänneet yrityksen lähestymistavan merkitystä ja tarpeellisuutta, erityisesti tekoälyn käytön helpottamisessa ja käytännöllisyydessä yritysten käytössä.

Mikä on tekoälyn taloudellinen vaikutus, ja miten yritykset voivat hyödyntää tästä?

Tekoälyn vaikutus on jo ollut merkittävä, ja se lisääntyy jatkuvasti. Yksi tärkeimmistä tekijöistä, joka vaikuttaa tähän taloudelliseen vaikutukseen, on älykäs työn automaatio.

Tehtävät, kuten asiakirjojen lukeminen, tiivistäminen ja analyysi – tehtävät, jotka usein suorittavat korkeasti koulutetut ammattilaiset – voidaan nyt automatisoida, mikä tekee näistä palveluista paljon edullisempia ja helpommin saatavilla.

Jotta yritykset voivat hyödyntää näistä mahdollisuuksista, heidän on investoitava alustoihin, jotka voivat tukea tekoälytyön vaatimia tieto- ja laskentaresursseja. On tärkeää, että he voivat skaalata resurssejaan taloudellisesti ja tehokkaasti, samalla investoiden tekoälyosaamiseen työntekijöiden keskuudessa, jotta he voivat ymmärtää, miten käyttää näitä malleja tehokkaasti ja vaikuttavasti.

Mikä on suurin haaste, jonka yritykset kohtaavat tekoälyn käyttöönotossa, ja miten data vaikuttaa tähän haasteen voittamiseen?

Yksi suurimmista haasteista on varmistaa, että toimialakohtainen tietämys on tekoälylle saatavilla. Mitä näemme tänään, on, että monilla yrityksillä on tietämys hajautettuna tietokantoihin, asiakirjoihin, taulukoihin ja koodiin. Tämä tietämys on usein tekoälymallien suljettua ja estää organisaatioiden saamasta kaikkea mahdollista arvoa.

Tärkeä haaste, jonka alan on voitettava, on tietämyksen hallinta ja yhdistäminen, jota kutsutaan joskus semantiikaksi, jotta se voidaan tehdä tekoälyjärjestelmille saatavaksi. Tekoäly voi olla tehokkaampi tietyillä aloilla ja yritysten sisällä, kun ne voivat hyödyntää ainutlaatuista tietämyskantaa.

Voitko selittää, miksi yhdistetyt lähestymistavat, kuten Retrieval-Augmented Generation (RAG) ja agenteille perustuva arkkitehtuuri, ovat välttämättömiä, ja mitkä ovat niiden edut?

Se vaatii erilaisia tekniikoita, kuten GraphRAG:ia ja agenteille perustuvia arkkitehtuureja, luodakseen tekoälyjärjestelmiä, jotka eivät ainoastaan ole tarkempia, vaan myös pystyvät käsittelemään monimutkaisia tietojen hakujärjestelmiä ja prosessointitehtäviä.

Monet ovat vihdoin alkaneet ymmärtää, että tarvitsemme useita tekniikoita, kun jatkamme tekoälyn kehittämistä, eikä pelkästään yhtä mallia tai työkalua. Yksi näistä tekniikoista on agenteille perustuva arkkitehtuuri, jossa on eri kykyisiä agenteja, jotka auttavat ratkaisemaan monimutkaisia ongelmia. Tämä tekniikka jakaa ongelman osiin, joita voidaan antaa eri agenteille, jotta saadaan aikaan halutut tulokset.

On myös olemassa hakijajärjestelmien avustamista (RAG), joka auttaa meitä hakemaan tietoa, kun käytämme kielen malleja. Kun aloimme työskentelemään RAG:n kanssa, pystyimme vastaamaan kysymyksiin, joiden vastaukset olivat yhden asiakirjan osassa. Mutta pian huomasimme, että kielen mallit ovat vaikeita kysymyksiä, erityisesti kun tieto on hajautettuna eri paikkoihin pitkissä asiakirjoissa ja useissa asiakirjoissa. Tässä kohtaa GraphRAG tulee kuvaan. Kielen mallien avulla voidaan luoda tietämysverkkojen edustus, joka antaa meille pääsyn tarvittaviin tietoihin, jotta voidaan saavuttaa halutut tulokset ja vähentää virheiden tai “hallusinaatioiden” mahdollisuutta.

Miksi yhdistetty data on niin tärkeää tekoälyn arvon luomisessa organisaatioissa, ja miten se voi muuttaa päätöksentekoprosesseja?

Yhdistetty data varmistaa, että kaikki yrityksen tietämys – olkoon se asiakirjoissa, taulukoissa, koodissa tai tietokannoissa – on tekoälyjärjestelmien saatavilla. Tämä yhdistäminen tarkoittaa, että tekoäly voi hyödyntää toimialakohtaista tietämystä, mikä tekee siitä relevantimman ja tarkin tuloksensa.

Ilman data-yhdistämistä tekoälyjärjestelmät voivat toimia vain fragmentaarisilla tietämyksellä, mikä johtaa epätäydellisiin tai virheellisiin näkemyksiin. Yhdistämällä data, varmistamme, että tekoälyllä on täydellinen ja yhtenäinen kuva, mikä on ratkaisevaa päätöksentekoprosessien muuttamisessa ja todellisen arvon luomisessa organisaatioissa.

Miten RelationalAI:n lähestymistapa dataan, erityisesti sen suhteelliseen tietämysverkkoon, auttaa yrityksiä saavuttamaan parempia päätöksentekotuloksia?

RelationalAI:n datakeskeinen arkkitehtuuri, erityisesti sen suhteellinen tietämysverkko, yhdistää suoraan tietämyksen datan kanssa, mikä tekee sen sekä deklaratiiviseksi että suhteelliseksi. Tämä lähestymistapa poikkeaa perinteisistä arkkitehtuureista, joissa tietämys on upotettu koodiin, mikä vaikeuttaa pääsyä ja ymmärtämistä ei-tekniikan asiantuntijoille.

Nykyisessä kilpailukykyisessä liiketoimintaympäristössä nopea ja perusteltu päätöksenteko on välttämätöntä. Monet organisaatiot kuitenkin kamppailevat, koska heidän datansa puuttuu tarvittavaa asiayhteyttä. RelationalAI:n suhteellinen tietämysverkko yhdistää datan ja tietämyksen, tarjoten kattavan näkymän, joka mahdollistaa sekä ihmisille että tekoälylle tehdä tarkempia päätöksiä.

Esimerkiksi rahoituspalveluyritys, joka hallinnoi sijoitusportfoliota, tarvitsee analyysin markkinatrendeistä, asiakasriskiprofiileista, sääntelymuutoksista ja taloudellisista osoittimista. RelationalAI:n tietämysverkkoratkaisu voi nopeasti yhdistää nämä monimutkaiset, toisiinsa liittyvät tekijät, mahdollistaen yritykselle tehokkaan ja perustellun sijoituspäätöksen, joka maksimoimaisi tuotot ja hallitsisi riskiä.

Tämä lähestymistapa vähentää myös monimutkaisuutta, parantaa siirrettävyyttä ja vähentää riippuvuutta tietyn teknologian tai toimittajan tarjoamista ratkaisuista, tarjoten pitkän aikavälin strategisen joustavuuden päätöksenteossa.

Miten RelationalAI tukee tietojohtajia ja heidän tiimejään datan ja tekoälyn monimutkaisuuden hallinnassa?

RelationalAI tukee tietojohtajia tarjoamalla työkalut ja kehykset, jotka ovat välttämättömiä datan ja tekoälyn monimutkaisuuden tehokkaaseen hallintaan. Tekoälyn myötä tietojohtajat ovat vastuussa siitä, että data on sekä saatavilla että turvallista, ja että se hyödynnetään parhaalla mahdollisella tavalla koko organisaatiossa.

Autamme tietojohtajia tarjoamalla datakeskeisen lähestymistavan, joka tuo tietämyksen suoraan datan yhteyteen, tehden sen saataville ja ymmärrettäväksi ei-tekniikan asiantuntijoille. Tämä on erityisen tärkeää, kun tietojohtajat työskentelevät sen eteen, että dataa voidaan antaa niille, jotka eivät perinteisesti ole olleet sen kanssa tekemisissä, kuten markkinointi-, rahoitus- ja jopa hallintotiimien jäsenille. Yhdistämällä datan ja yksinkertaistamalla sen hallintaa, RelationalAI mahdollistaa tietojohtajille tiimien voimaannuttamisen, innovaatioiden ajamisen ja varmistaa, että organisaatiot voivat täysimääräisesti hyödyntää tekoälyn tarjoamia mahdollisuuksia.

Voitko antaa esimerkkejä siitä, miten RelationalAI:n datakeskeinen lähestymistapa on johtanut merkittäviin tehokkuuksiin ja säästöihin asiakkaiden keskuudessa?

Meidän datakeskeinen lähestymistapa poikkeaa perinteisestä sovelluskeskeisestä mallista, jossa liiketoimintalogiikka on usein upotettu koodiin, mikä vaikeuttaa sen ymmärtämistä ja hallintaa ei-tekniikan asiantuntijoille. Keskitsemällä tietämyksen itse dataan ja tekemällä siitä deklaratiivisen ja suhteellisen, olemme auttaneet asiakkaitamme vähentämään järjestelmien monimutkaisuutta, mikä on johtanut suurempiin tehokkuuksiin, vähemmän virheisiin ja lopulta merkittäviin kustannussäästöihin.

Esimerkiksi Blue Yonder hyödyntäsi meidän teknologiaamme Knowledge Graph Coprocessorina Snowflakessa, mikä tarjosi tarvittavat semanttiset ymmärrys- ja päättelykyvyt ennustaa häiriöitä ja toteuttaa ennaltaehkäiseviä toimia. Tämä lähestymistapa mahdollisti heidän vähentää vanhan koodin määrää yli 80 %:lla ja tarjosi skaalautuvan ja laajennettavan ratkaisun.

Vastaavasti EY Financial Services koki merkittävän parannuksen, kun se leikkasi vanhan koodin määrää 90 %:lla ja vähensi prosessointiaikoja yli kuukaudesta muutamaan tuntiin. Nämä tulokset korostavat, miten meidän lähestymistapa mahdollistaa yritysten olla agilitympiä ja reagoivampia muuttuviin markkinatilanteisiin, välttäen samalla teknologisen lukkiutumisen tai riippuvuuden tietyn teknologian tai toimittajan tarjoamista ratkaisuista.

Mikä on tärkein tekijä tekoälyn onnistuneeseen käyttöönottoon laajassa mittakaavassa?

Minun kokemukseni perusteella tärkein tekijä tekoälyn onnistuneeseen käyttöönottoon on vahva perusta datasta ja tietämyksestä sekä se, että työntekijät, erityisesti kokeneemmat, ottaa aikaa oppia ja tulla tutuksi tekoälytyökalujen kanssa.

On myös tärkeää välttää äärimmäisiä emotionaalisia reaktioita – joko liiallista innostusta tai syvää skeptisyyttä – uusia tekoälytekniikoita kohtaan. Sen sijaan suosittelen tasapainoista ja johdonmukaista lähestymistapaa tekoälyn omaksumiseen ja integroimiseen, keskittyen portaattomiin parannuksiin sen sijaan, että odottaisi yhtä ratkaisua, joka ratkaisee kaiken.

Kiitos haastattelusta, lukijoille, jotka haluavat oppia lisää, suosittelemme vierailemaan RelationalAI:ssa.