Edwin Lisowski, Co-Fondateur et Directeur du Développement de Addepto – Série d’Entretiens

Edwin Lisowski, Co-Fondateur et Directeur du Développement de Addepto, supervise la croissance stratégique, le développement commercial et le marketing de l’entreprise. Il apporte une expérience approfondie en matière d’architecture de données, de stratégie pilotée par l’IA et de conseil en analyse, combinant une expertise technique avec une forte focalisation sur la mise à l’échelle de l’adoption de l’IA et les initiatives de transformation commerciale pour les clients mondiaux.

Addepto est une société de conseil en intelligence artificielle basée à Varsovie, spécialisée dans les solutions d’intelligence artificielle, d’apprentissage automatique, d’ingénierie de données et de business intelligence pour les clients d’entreprise. L’entreprise aide les organisations à transformer les données brutes en informations exploitables grâce à une stratégie d’IA complète, au développement de preuves de concept et à la mise en production de modèles prêts à l’emploi. En travaillant dans des secteurs tels que la finance, la logistique, la fabrication et l’assurance, Addepto met l’accent sur des solutions personnalisées et des partenariats à long terme pour aider les clients à exploiter l’IA pour un impact commercial mesurable.

Qu’est-ce qui vous a inspiré pour co-fonder Addepto en 2018, et quel était l’écart dans le marché que vous visiez pour le combler ?

En 2018, nous voyions deux extrêmes : de grands fournisseurs vendant une « solution universelle » d’IA et, de l’autre côté, des équipes internes bloquées après quelques preuves de concept parce qu’elles manquaient de compétences en ingénierie de données et en MLOps. Nous avons construit Addepto pour être l’équipe qui relie la stratégie → la plomberie des données → les modèles → la production, en particulier pour les industries à forte intensité de données. Cette approche complète est toujours notre ADN.

Lequel des domaines de service d’Addepto — vision par ordinateur, NLP, apprentissage automatique ou ingénierie de données — a connu l’adoption la plus rapide dans l’entreprise, et pourquoi ?

Au cours des 18-24 derniers mois, la NLP/GenAI a progressé le plus rapidement dans l’entreprise (recherche, assistants, traitement de documents) car elle correspond directement au ROI du travail de connaissance et peut démarrer à partir de modèles de base. Les enquêtes sectorielles montrent une augmentation significative de l’utilisation de l’IA en 2024, avec des cas d’utilisation de GenAI à l’échelle des fonctions.

De nombreuses entreprises ont du mal à passer d’une preuve de concept d’IA à des systèmes de production. Comment Addepto les aide-t-elle à combler cet écart ?

Nous traitons la production comme une discipline, et non comme une phase : ateliers de découverte, contrats de données, architectures de référence, CI/CD pour les modèles, observabilité et « opérations du jour 2 » (dérive, coût, garde-fous). Concrètement, nous normalisons les MLOps et refactorisons les preuves de concept en points de terminaison de microservices qui s’intègrent dans la pile du client (Databricks/Spark, Kubernetes, BI existant). C’est ainsi que nous expédions régulièrement au-delà des démos.

L’IA générative est maintenant centrale dans vos offres. Comment décidez-vous quand appliquer des modèles de base par rapport au développement de modèles personnalisés ?

Notre arbre de décision est pragmatique :

• Commencez avec des modèles de base lorsque la valeur temps, les tâches linguistiques générales et la variabilité dominent.
• Passez à l’ajustement fin ou aux adaptateurs lorsque la terminologie de domaine ou la précision du ton est critique.
• Construisez des modèles personnalisés lorsque la latence, le coût, le contrôle IP ou les contraintes de bordure sont importants.
  Ceci reflète où les entreprises vont : moins d’« expériences », plus d’architectures adaptées à un usage spécifique.

En 2024, vous avez lancé ContextClue en tant que plate-forme de gestion des connaissances dédiée. Quel point de douleur vous a convaincu que le moment était venu pour un produit distinct ?

Nos clients d’ingénierie nous ont posé la même question : « Nos CAD, PLM, ERP et documents ne communiquent pas, pouvez-vous les faire réfléchir ensemble ? » Nous avions résolu ce problème à plusieurs reprises dans des projets, nous avons donc produitalisé le modèle. 2024 était le bon moment car la GenAI a rendu la récupération et la création utilisables pour les ingénieurs (et non seulement les équipes de données). Nous avons annoncé et commencé à déployer cette fonctionnalité à cette époque.

ContextClue s’intègre à CAD, ERP, PLM et documents techniques. Laquelle de ces sources de données est la plus difficile à unifier, et comment résolvez-vous ce problème ?

CAD est le plus difficile : formats binaires/propriétaires, versionnage, assemblages et contexte spatial. Nous normalisons CAD avec les métadonnées PLM/ERP, puis cartographions tout dans un graphique de connaissances pour que les pièces, les systèmes, les spécifications et les procédures soient résolus aux mêmes entités. C’est la colonne vertébrale du pipeline d’ingestion de ContextClue.

La plate-forme prend en charge la recherche sémantique et la génération de documents. Comment assurez-vous l’exactitude et la confiance dans ces sorties pour les équipes d’ingénierie ?

Trois couches :

• Récupération ancrée (RAG conscient du schéma sur le graphique de connaissances) avec des citations aux artefacts source.
• Politique + test (ensembles d’évaluation en CI, invites de l’équipe rouge, tests de régression).
• Humain dans la boucle pour les sorties critiques (SOP, documents de conformité). Nous avons même open-source des parties de notre chaîne d’outils d’évaluation et d’extraction de graphiques pour que cela soit auditable.

Qu’est-ce qui distingue ContextClue des autres outils de gestion des connaissances dans les écosystèmes d’ingénierie et d’industrie lourde ?

C’est natif pour l’ingénierie : il ne « recherche » pas seulement des fichiers, mais comprend les assemblages, les dépendances et l’impact des modifications, en reliant CAD/PLM/ERP et l’historique de maintenance à un graphique actionnable. Les outils KM concurrents s’arrêtent souvent à l’indexation ; ContextClue unifie la structure + la sémantique et produit à la fois des documents lisibles par l’homme et des modèles lisibles par la machine (pour les jumeaux numériques, la planification).

Comment voyez-vous ContextClue évoluer avec l’essor de l’IA multimodale, en particulier dans la combinaison de texte, de schémas et de modèles 3D ?

Deux directions sont déjà en mouvement :

• Vision sur CAD et schémas : extraction de la topologie, des appels et des liens de liste de pièces pour ancrer les réponses dans les dessins.
• Alignement 3D : liaison des nœuds de connaissances aux coordonnées 3D/vues Omniverse pour que les requêtes de maintenance ou de planification se résolvent à l’emplacement correct du modèle. Attendez-vous à des agents plus riches qui naviguent dans les pièces, les versions et les procédures à travers les modalités.

En regardant vers l’avenir, comment voyez-vous Addepto et ContextClue se modelant mutuellement pour leur croissance, et où voyez-vous leur impact combiné sur l’industrie au cours de la prochaine décennie ?

Addepto continuera à pousser la frontière, en mettant en production des systèmes multimodaux/agents de manière responsable, tandis que ContextClue transformera cette R&D en valeur répétitive pour les équipes d’ingénierie. Ensemble, nous visons à réduire les « déchets de connaissances » (temps perdu à la recherche/re-création) à grande échelle, en mesurant les résultats comme le temps de cycle d’ingénierie, les taux de reprise et le temps de préparation des audits à travers les usines et les programmes. Le marché passe de « nombreux pilotes » à « moins de déploiements à plus forte valeur », et nous prévoyons être le partenaire et la plate-forme qui livrent régulièrement ces victoires.

Merci pour cette excellente interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Addepto.