Raj Shukla, SymphonyAI:n CTO – Haastattelusarja

Raj Shukla ohjaa SymphonyAI:n teknologisen suunnitelman ja toteutuksen, johtaen insinööritiimiä, joka kehittää Eureka Gen AI -alustaa. Lähes 20 vuoden kokemuksella AI/ML-tekniikasta ja tutkimuksesta Shuklailla on myös laaja kokemus yritys-AI-SaaS:ista Microsoftin insinöörijohtajana, jossa hänellä on ollut menestyksekäs 14-vuotinen ura, johon kuuluu johtaminen globaaleja AI-tiede- ja insinööriorganisaatioita Azure, Dynamics 365, MSR ja haku- ja mainosdivisioonissa. Rajilla on laaja kokemus AI/ML:stä hakukoneissa, mainonnassa ja yritys-AI:ssa ja hän on kehittänyt useita menestyneitä AI-SaaS-tuotteita sekä kuluttaja- että liiketoimintasektoreilla.

SymphonyAI on yritys-AI-yritys, joka keskittyy teollisuusspesifisten AI-sovellusten kehittämiseen, jotka tarjoavat välittömän liiketoimintaration. Sen sijaan, että olisi geneerisiä malleja, se tarjoaa pystysuoraan ratkaisuja vähittäiskauppaan, kuluttajatuotteisiin, rahoituspalveluihin, valmistukseen, mediaan ja IT:hen, ja se ratkaisee haasteita, kuten ennustamista, petosten estämistä, operatiivista optimointia ja analytiikkaa. Sen tuotteet perustuvat Eureka AI -alustaan, joka yhdistää prediktiviisen, generatiivisen ja agenssinomaisen kyvykkyyden työvirtoihin, jotka on räätälöity kullekin sektorille. Yritys perustettiin vuonna 2017, ja se on kasvanut globaaliksi johtajaksi pystysuorassa AI:ssa, palvelemalla tuhansia yritysasiakkaita skaalautuvilla, alan keskittyneillä ratkaisuilla.

Olet työskennellyt AI-innovaation eturintamassa Microsoftissa, Oraclessa ja nyt SymphonyAI:ssa – mitä alun perin veti sinut yritys-AI:n maailmaan, ja miten näkemyksesi on kehittynyt vuosien varrella?

Matkani yritys-AI:n pariin alkoi perususkomuksesta, että yritysten tulisi toteuttaa AI:ta, joka ratkaisee todellisia liiketoimintahaasteita, eikä vain luo AI:ta itsessään. Olen nähnyt, että geneeriset, laajat AI-ratkaisut harvoin tarjoavat muodonmuuttuvaa arvoa. SymphonyAI:ssa olemme rakentaneet yrityksemme strategian ja kulttuurin kehittämiseen AI:ta, joka ymmärtää tiettyjä teollisuushaasteita, kuten rahanpesun havaitsemista, vähittäiskaupan myyntiin keskittyvää myymäläjohtamista ja teollista kytkettyä työntekijän valtuutusta. Yritysvalmius lisää toisen ulottuvuuden – onnistunut yritys-AI vaatii enemmän kuin vain hyvää teknologiaa, se vaatii myös erinomaisen datanhallinnan ja arkkitehtuurin, monitoimisen yhteistyön ja työvirtojen, sekä täydellisen avoimuuden ja auditoinnin.

Mitkä ovat tarkalleen ottaen puutteet, joita yritykset kokevat geneerisillä esikoulutetuilla malleilla, erityisesti raskaasti säännellyissä aloilla, kuten rahoitus- ja terveydenhuoltoalalla? 

Geneeriset esikoulutetut mallit eivät ole suunniteltu korkean panoksen, raskaasti säännellyille ympäristöille, kuten rahoitus- ja terveydenhuoltoalalle. Geneeriset, esikoulutetut mallit kohtaavat kriittisiä esteitä, kuten tarpeen olennaiselle alan asiantuntemukselle, jotta voidaan vastata alan spesifejä nuansseja ja täyttää tiukat sääntely- ja vaatimukset, jotka vaihtelevat eri maantieteellisillä alueilla. Ennen kaikkea, ne eivät voi tarjota tarvittavaa tarkkuutta ja jäljitettävyyttä, joita yritykset vaativat, missä virheet voivat vahingoittaa kuluttajia tai laukaista sääntelyrikkomuksia. Olipa kyseessä sitten rahanpesun estäminen tai mahdollistaminen vähittäiskaupalle nopeasti poistaa takaisinvedetyt tuotteet jakelukeskuksista ja hyllystä, SymphonyAI:n pystysuora AI-teknologia on erityisesti suunniteltu aloille, joilla toimimme, ja se on koulutettu näiden alojen ontologioilla, mikä mahdollistaa tehdä tai automatisoida päätöksiä, jotka luovat suoraan liiketoimintavaikutusta.

Yhdistämällä esikoulutetut mallit syvään alan logiikkaan nähdään yhä enenevissä määrin avaimena yritys-AI:n ROI:n lukitsemiseen – mitkä ovat olennaiset komponentit, kuten alan tietäminen, KPI-yhdenmukaisuus ja sääntelysuojaukset, jotka tekevät tämän lähestymistavan tehokkaaksi? 

Yhdistämällä esikoulutetut mallit syvään alan logiikkaan, voidaan luoda AI-järjestelmiä, jotka ymmärtävät liiketoimintakontekstin ja operatiiviset vaatimukset. Tämä lähestymistapa onnistuu, kun malleja täydennetään alan spesifeilla ontologioilla, KPI:iden kanssa yhdenmukaisuudella, jotta tulokset palvelevat suoraan mitattavissa olevia liiketoimintatavoitteita, ja varustetaan sääntelysuojauksilla, jotka tarjoavat tarvittavat sääntelykehykset ja auditinraiteet. Kun nämä elementit toimivat yhdessä, geneerinen AI muuttuu liiketoimintakriittisiksi ratkaisuiksi, jotka tuottavat mitattavissa olevia tuloksia ja ylläpitävät yritysten vaatimaa luotettavuutta ja sääntelyä.

IBM hankki Seek AI:n ja avasi Watsonx Labsin New Yorkissa, mikä voi olla merkki strategisesta muutoksesta AI-maailmassa – mitä tämä osoittaa tulevasta M&A- ja investointitrendeistä yritys-AI:ssa? 

IBM:n hankinta Seek AI:sta ja Watsonx Labsin avaaminen on vahvistus perussäännöstä, jota olemme odottaneet: yritys-AI-maailma on muuttunut, ja se osoittaa, että seuraava aalto M&A:ta priorisoi yrityksiä, joilla on esikoulutetut pystysuorat AI-mallit, jotka tulevat syvällä alan asiantuntemuksella, hallinnollisilla ja sääntelysuojauksilla sekä tulosohjatuilla KPI:illä. Strategiset ostajat, kuten IBM, tunnustavat, että AI-agentit, jotka keskittyvät yritysten tietoihin, tarjoavat välittömän ROI:n, kun ne ymmärtävät spesifejä teollisuustyövirtoja. Markkinat ovat konsolidoituja ymmärryksessä, että yleinen älykkyys tarvitsee pystysuoraa erikoistumista yritysten muodonmuuttamiseksi.

Milloin perusmalli kehittyy alan spesifeksi agentiksi – mitkä ovat arkkitehtoniset merkkipaaluja, jotka merkitsevät tämän siirtymän? 

Perusmalli ei luonnostaan kehity alan agentiksi; se on insinööritettävä yhdeksi. Ei ole suoraa polkua, jossa yleinen malli “tulee viisaammaksi” ja muuttuu pankin tutkijaksi. Siirtymä tapahtuu vasta, kun insinööritiimit lopettavat riippuvuutensa mallin raakaa älykkyyttä ja alkavat rakentaa hallitun arkkitehtuurin sen ympärille – erityisesti injektoimalla kontekstikerroksen (kuten tietografi) ja orkestraatiokerroksen, joka pakottaa mallin seuraamaan liiketoimintaprosessia sen sijaan, että se seuraisi omaa todennäköisyyttä.

Mitkä ovat ydinchallengerit rakentamassa agenssityövirroissa, jotka ovat sekä kestäviä että pystysuoria, ja miten SymphonyAI ratkaisee ne? 

Ydinchallengerit rakentamassa kestävissä, pystysuorissa agenssityövirroissa ovat ylläpitäminen luotettavuutta monimutkaisissa monivaiheisissa prosesseissa. SymphonyAI ratkaisee nämä haasteet monikerroksisella arkkitehtuurilla, joka upottaa alan asiantuntemuksen suoraan agenttiin, toteuttaa virheenkorjaamisen epäonnistumisen palautumisen ja ylläpitää pysyvää kontekstin hallintaa monisessioiden yritysprosesseissa. Tämä mahdollistaa agenttiemme toimimisen luotettavasti korkean panoksen, säännellyissä ympäristöissä, joissa kestävyys tarkoittaa ylläpitämistä tarkkuutta, sääntelyä ja operatiivista eheytymistä.

SymphonyAI korostaa vahvoja dataperusteita, tietografeja ja metatietokerroksia – miksi nämä kyvykkyydet ovat kriittisiä pystysuorille AI-agenteille, ja miksi monilla yrityksillä on vaikeuksia toteuttaa niitä? 

Vahvat dataperusteet ja tietografit ovat ratkaisevia pystysuorille AI-agenteille, jotta ne voivat tarjota merkityksellisiä lähteitä, tarjota kontekstualisoituja suosituksia ja pysyä ajan tasalla markkinoiden, asiakkaiden ja prosessien muutoksilla kaikilla yrityksen tasoilla. Useimmat yritykset kamppailevat näiden kyvykkyyksien toteuttamisessa, koska ne vaativat merkittävää etukäteen investointia data-arkkitehtuuriin, erikoistuneeseen ontologiseen asiantuntemukseen ja perustavanlaatuisiin muutoksiin olemassa oleviin data-käytäntöihin, joita monet organisaatiot löytävät organisaatiolisesti ja teknisesti haastaviksi. Se on siellä, missä AI-tekniikan kumppani, jolla on syvä kokemus ja tietäminen pystysuorassa, on arvokas, mukaan lukien heidän kykynsä esikouluttaa AI:ta laajalla määrällä alan dataa ja lähteistä useiden todellisten asiakkaiden kanssa alan parissa.

Reaalisissa skenaarioissa – kuten rahanpesun havaitsemisessa tai vähittäiskaupan ennustamisessa – miten SymphonyAI yhdistää prediktiviisen, generatiivisen ja agenssinomaisen AI:n yhtenäisiksi “taitoiksi”?

SymphonyAI yhdistää prediktiviisen, generatiivisen ja agenssinomaisen AI:n yhtenäisiksi “taitoiksi” luomalla integroidut työvirrat, joissa jokainen AI-tuote vastaa tiettyä liiketoimintahaastetta. Rahanpesun havaitsemisessa prediktiviset mallimme tunnistavat epäilyttäviä transaktiokuvioita, ja generatiivinen AI luo yksityiskohtaisia tutkintaraportteja ja riskiarvioita. Samalla agenssinen AI orkesteroi koko työvirran, automaattisesti eskaloimalla tapauksia, koordinoimalla yhteistyöhön noudattamisen kanssa ja sopeuttamalla tutkimusstrategioita reaaliaikaisiin löytöihin.

Avain on, että nämä eivät ole erillisiä AI-työkaluja, vaan ne ovat integroidut kyvykkyydet alan spesifeissä agenteissa, jotka ymmärtävät liiketoimintakontekstin, ylläpitävät työvirran tilaa ja voivat vaivattomasti siirtyä prediktivistä analytiikasta sisällön luomiseen ja autonomiseen toimintaan tarjoamaan täydellisiä liiketoimintatuloksia sen sijaan, että ne tarjoaisivat sirpaleisia AI-tuloksia.

Olet varoittanut, että monet yritys-AI-agentit voivat kompastua ilman robustisuutta – mitkä ovat avainominaisuudet hyvin suunnitelluille, virheenkestäville yritys-AI-agenteille? 

Hyvin suunnitellut, tarkastelun kestävät yritys-AI-agentit vaativat useita kriittisiä ominaisuuksia. Vaikka monet yritykset investoivat nopeasti ja käyttävät AI-agenteja parantamaan tehokkuutta, tuottavuutta ja innovaatiota, he usein aliarvioivat perustyön, joka vaaditaan menestykseksi. Jotkut olennaiset seikat, joita hyvin suunnitellut agentit tarvitsevat menestyäkseen, ovat:

• Yritys-AI-agentit toimivat yritysten datasta, joka usein on eristetty ja puuttuu oikeudet ja pääsyoikeudet. Agenttien on varustettava samojen todennus- ja valtuutusjärjestelyjen kanssa kuin työntekijöillä.
• Agenttien on myös palaututtava kaikenlaisista yritysjärjestelmien virheistä, verkkokatkoista ja epävakaaista päätepisteistä. Orkestraatiokerroksen on mahdollistettava pitkäaikaiset, kestävät, virheenkestävät työvirrat, joita useimmat suositut LLM-orkestraattorit eivät tee.
• LLM:t ovat epädeterministisiä ja epäonnistuvat tehtävissä. Virheenkorjaus, uudelleenyritykset ja optimaalinen polun löytäminen on oltava avainominaisuuksia agenssijärjestelmissä.

Mitä neuvoja antaisit CTO:ille, jotka harkitsevat rakentaa pystysuoria AI-alustoja sisäisesti verrattuna yhteistyöhön niiden erikoisalan toimijoiden kanssa? 

Rakentaminen yritys-AI-ratkaisuja useille aloille, kuten vähittäiskauppaan/CPG:hen, teollisuuteen, rahoituspalveluihin ja enemmän, vaatii yhtä aikaa sekä viimeisimmän AI-tekniikan että syvän alan asiantuntemuksen hallintaa, jotta voidaan saavuttaa todellista arvoa yritys-AI-ratkaisuista. Meidän Eureka AI -alustamme osoittaa, miten pystysuorat data-lähteet, tietografit, prediktiviset mallit ja agentit on räätälöitävä kullekin alalle, mutta tämä edustaa vuosien tutkimussijoitusta ja asiakasiteraatiota, joita useimmat sisäiset tiimit puuttuvat. Yrityksille ja CTO:ille, jotka haluavat investoida AI:hin, neuvon heitä valitsemaan ratkaisuja, jotka tarjoavat todellisia tuloksia päivästä yksi. Pystysuorat AI-ratkaisut tarjoavat nämä tulokset, tarjoamalla käyttäjille dataa, jonka he voivat käyttää luomaan liiketoimintaa.

Miten näet yritys-AI-arkkitehtuureja tulevaisuudessa – tulevatko federatiiviset pystysuorat agentit, jotka perustuvat jaettuihin perusmalleihin, normiksi?