Molham Aref, PDG et fondateur de RelationalAI

Molham est le directeur général de RelationalAI. Il dispose de plus de 30 ans d’expérience dans la direction d’organisations qui développent et mettent en œuvre des solutions d’apprentissage automatique et d’intelligence artificielle à haute valeur dans diverses industries. Avant RelationalAI, il était PDG de LogicBlox et Predictix (maintenant Infor), PDG d’Optimi (maintenant Ericsson (ERIC )), et co-fondateur de Brickstream (maintenant FLIR). Molham a également occupé des postes de direction chez HNC Software (maintenant FICO) et Retek (maintenant Oracle (ORCL )).

RelationalAI rassemble des décennies d’expérience dans l’industrie, la technologie et le développement de produits pour faire progresser le premier et seul système de gestion de données de graphique de connaissances natif du cloud pour alimenter la prochaine génération d’applications de données intelligentes.

En tant que fondateur et PDG de RelationalAI, quelle était la vision initiale qui vous a poussé à créer l’entreprise, et comment cette vision a-t-elle évolué au cours des sept dernières années ?

La vision initiale était centrée sur la compréhension de l’impact des connaissances et de la sémantique sur le déploiement réussi de l’IA. Avant que nous n’arrivions où nous sommes aujourd’hui avec l’IA, une grande partie de l’attention portait sur l’apprentissage automatique (ML), qui consistait à analyser de vastes quantités de données pour créer des modèles succincts qui décrivaient des comportements, tels que la détection de la fraude ou les modèles d’achat des consommateurs. Au fil du temps, il est devenu clair que pour déployer l’IA de manière efficace, il fallait représenter les connaissances d’une manière qui soit à la fois accessible à l’IA et capable de simplifier des systèmes complexes.

Cette vision a depuis évolué avec les innovations de l’apprentissage profond et, plus récemment, les modèles de langage et l’IA générative. Ces progrès n’ont pas changé ce que notre entreprise fait, mais ont accru la pertinence et l’importance de leur approche, en particulier pour rendre l’IA plus accessible et pratique pour une utilisation d’entreprise.

Un récent rapport de PwC estime que l’IA pourrait contribuer jusqu’à 15 700 milliards de dollars à l’économie mondiale d’ici 2030. Selon votre expérience, quels sont les facteurs principaux qui entraîneront cet impact économique considérable, et comment les entreprises doivent-elles se préparer pour tirer parti de ces opportunités ?

L’impact de l’IA a déjà été important et continuera sans aucun doute à exploser. L’un des facteurs clés qui entraînent cet impact économique est l’automatisation du travail intellectuel.

Des tâches comme la lecture, la synthèse et l’analyse de documents – des tâches souvent effectuées par des professionnels hautement payés – peuvent maintenant être (en grande partie) automatisées, rendant ces services beaucoup plus abordables et accessibles.

Pour tirer parti de ces opportunités, les entreprises doivent investir dans des plateformes qui peuvent prendre en charge les exigences de données et de calcul pour exécuter des charges de travail d’IA. Il est important qu’elles puissent augmenter ou réduire la puissance de calcul de manière efficace sur une plateforme donnée, tout en investissant dans l’alphabétisation de l’IA parmi les employés afin qu’ils puissent comprendre comment utiliser ces modèles de manière efficace et efficiente.

Alors que l’IA continue de s’intégrer dans diverses industries, quels sont les plus grands défis que les entreprises rencontrent pour adopter l’IA de manière efficace ? Comment les données jouent-elles un rôle pour surmonter ces défis ?

L’un des plus grands défis que je vois est de garantir que les connaissances spécifiques à une industrie soient accessibles à l’IA. Ce que nous voyons aujourd’hui, c’est que de nombreuses entreprises ont des connaissances dispersées dans des bases de données, des documents, des tableurs et du code. Ces connaissances sont souvent opaques aux modèles d’IA et ne permettent pas aux organisations de maximiser la valeur qu’elles pourraient obtenir.

Un défi important que l’industrie doit surmonter est de gérer et d’unifier ces connaissances, parfois appelées sémantique, pour les rendre accessibles aux systèmes d’IA. En faisant cela, l’IA peut être plus efficace dans des industries spécifiques et au sein de l’entreprise, car elles peuvent alors exploiter leur base de connaissances unique.

Vous avez mentionné que l’avenir de l’adoption de l’IA générative nécessitera une combinaison de techniques telles que Retrieval-Augmented Generation (RAG) et des architectures agissantes. Pouvez-vous élaborer sur pourquoi ces approches combinées sont nécessaires et quels avantages elles apportent ?

Il faudra différentes techniques comme GraphRAG et des architectures agissantes pour créer des systèmes d’IA qui ne sont pas seulement plus précis mais également capables de gérer des tâches de récupération et de traitement d’informations complexes.

Beaucoup réalisent enfin qu’il faudra plus d’une technique à mesure que nous continuons d’évoluer avec l’IA, mais plutôt en exploitant une combinaison de modèles et d’outils. L’un de ceux-ci est les architectures agissantes, où vous avez des agents avec différentes capacités qui aident à résoudre un problème complexe. Cette technique le divise en pièces que vous confiez à différents agents pour obtenir les résultats souhaités.

Il y a également la génération assistée par récupération (RAG) qui nous aide à extraire des informations lors de l’utilisation de modèles de langage. Lorsque nous avons commencé à travailler avec RAG, nous pouvions répondre à des questions dont les réponses pouvaient être trouvées dans une partie d’un document. Cependant, nous avons rapidement constaté que les modèles de langage ont des difficultés à répondre à des questions plus difficiles, en particulier lorsque les informations sont réparties dans divers endroits de documents longs et entre documents. C’est là que GraphRAG entre en jeu. En exploitant les modèles de langage pour créer des représentations de graphique de connaissances d’informations, il peut ensuite accéder aux informations dont nous avons besoin pour obtenir les résultats souhaités et réduire les chances d’erreurs ou de hallucinations.

L’unification des données est un sujet critique pour stimuler la valeur de l’IA au sein des organisations. Pouvez-vous expliquer pourquoi les données unifiées sont si importantes pour l’IA et comment elles peuvent transformer les processus de prise de décision ?

Les données unifiées garantissent que toutes les connaissances dont dispose une entreprise – qu’elles soient dans des documents, des tableurs, du code ou des bases de données – soient accessibles aux systèmes d’IA. Cette unification signifie que l’IA peut exploiter efficacement les connaissances spécifiques à une industrie, une sous-industrie ou même une entreprise, rendant l’IA plus pertinente et précise dans ses sorties.

Sans unification des données, les systèmes d’IA ne peuvent opérer que sur des fragments de connaissances, conduisant à des insights incomplets ou inexacts. En unifiant les données, nous nous assurons que l’IA a une image complète et cohérente, qui est cruciale pour transformer les processus de prise de décision et stimuler la valeur réelle au sein des organisations.

Comment l’approche de RelationalAI en matière de données, en particulier avec son système de graphique de connaissances relationnel, aide les entreprises à obtenir de meilleurs résultats en matière de prise de décision ?

L’architecture centrée sur les données de RelationalAI, en particulier notre système de graphique de connaissances relationnel, intègre directement les connaissances avec les données, les rendant à la fois déclaratives et relationnelles. Cette approche contraste avec les architectures traditionnelles où les connaissances sont intégrées dans le code, compliquant l’accès et la compréhension pour les utilisateurs non techniques.

Dans l’environnement commercial concurrentiel d’aujourd’hui, une prise de décision rapide et éclairée est impérative. Cependant, de nombreuses organisations luttent parce que leurs données manquent du contexte nécessaire. Notre système de graphique de connaissances relationnel unifie les données et les connaissances, offrant une vue complète qui permet aux humains et à l’IA de prendre des décisions plus précises.

Par exemple, considérons une société de services financiers qui gère des portefeuilles d’investissement. La société doit analyser les tendances du marché, les profils de risque des clients, les changements réglementaires et les indicateurs économiques. Notre système de graphique de connaissances peut rapidement synthétiser ces facteurs complexes et interconnectés, permettant à la société de prendre des décisions d’investissement éclairées et opportunes qui maximisent les rendements tout en gérant les risques.

Cette approche réduit également la complexité, améliore la portabilité et minimise la dépendance à l’égard de fournisseurs de technologie spécifiques, offrant une flexibilité stratégique à long terme dans la prise de décision.

Le rôle du directeur des données (CDO) est de plus en plus important. Comment voyez-vous les responsabilités des CDO évoluer avec la montée en puissance de l’IA, et quels sont les compétences clés qui seront essentielles pour eux à l’avenir ?

Le rôle du CDO évolue rapidement, en particulier avec la montée en puissance de l’IA. Traditionnellement, les responsabilités qui relèvent maintenant du CDO étaient gérées par le CIO ou le CTO, se concentrant principalement sur les opérations technologiques ou la technologie produite par l’entreprise. Cependant, à mesure que les données sont devenues l’un des actifs les plus précieux pour les entreprises modernes, le rôle du CDO est devenu distinct et crucial.

Le CDO est responsable de garantir la confidentialité, l’accessibilité et la monétisation des données dans l’ensemble de l’organisation. À mesure que l’IA continue de s’intégrer dans les opérations commerciales, le CDO jouera un rôle essentiel dans la gestion des données qui alimentent les modèles d’IA, en veillant à ce que ces données soient propres, accessibles et utilisées de manière éthique.

Les compétences clés pour les CDO à l’avenir incluront une compréhension approfondie de la gouvernance des données, des technologies d’IA et de la stratégie commerciale. Ils devront travailler en étroite collaboration avec d’autres départements, en habilitant les équipes qui n’avaient traditionnellement pas un accès direct aux données, telles que les finances, le marketing et les ressources humaines, à exploiter les insights basés sur les données. Cette capacité à démocratiser les données au sein de l’organisation sera cruciale pour stimuler l’innovation et maintenir un avantage concurrentiel.

Quel rôle RelationalAI joue-t-il pour soutenir les CDO et leurs équipes dans la gestion de la complexité croissante des données et de l’intégration de l’IA au sein des organisations ?

RelationalAI joue un rôle fondamental pour soutenir les CDO en fournissant les outils et les cadres nécessaires pour gérer efficacement la complexité des données et de l’intégration de l’IA. Avec la montée en puissance de l’IA, les CDO sont chargés de garantir que les données ne sont pas seulement accessibles et sécurisées, mais également exploitées à leur plein potentiel dans l’ensemble de l’organisation.

Nous aidons les CDO en offrant une approche centrée sur les données qui amène les connaissances directement aux données, les rendant accessibles et compréhensibles pour les parties prenantes non techniques. C’est particulièrement important à mesure que les CDO travaillent pour mettre les données à la disposition de ceux dans l’organisation qui n’auraient traditionnellement pas eu accès, tels que le marketing, les finances et même les équipes administratives. En unifiant les données et en simplifiant leur gestion, RelationalAI permet aux CDO de habiliter leurs équipes, de stimuler l’innovation et de garantir que leurs organisations puissent pleinement tirer parti des opportunités offertes par l’IA.

RelationalAI met l’accent sur une fondation centrée sur les données pour la construction d’applications intelligentes. Pouvez-vous fournir des exemples de la manière dont cette approche a conduit à des efficacités et à des économies significatives pour vos clients ?

<p Notre approche centrée sur les données contraste avec le modèle traditionnel centré sur l'application, où la logique métier est souvent intégrée dans le code, rendant difficile l'accès et la compréhension pour les utilisateurs non techniques. En centralisant les connaissances au sein des données elles-mêmes et en les rendant déclaratives et relationnelles, nous avons aidé les clients à réduire considérablement la complexité de leurs systèmes, conduisant à une plus grande efficacité, à moins d'erreurs et, en fin de compte, à des économies de coûts considérables.

Par exemple, Blue Yonder a exploité notre technologie en tant que coprocesseur de graphique de connaissances au sein de Snowflake, qui a fourni les capacités de compréhension et de raisonnement sémantiques nécessaires pour prédire les perturbations et déclencher des actions de mitigation. Cette approche a permis à Blue Yonder de réduire son code hérité de plus de 80 % tout en offrant une solution évolutivaire et extensible.

De même, EY Financial Services a connu une amélioration spectaculaire en réduisant son code hérité de 90 % et en réduisant les temps de traitement de plus d’un mois à seulement quelques heures. Ces résultats mettent en évidence la manière dont notre approche permet aux entreprises d’être plus agiles et réactives aux conditions de marché changeantes, tout en évitant les pièges de l’enfermement dans des technologies ou des fournisseurs spécifiques.

Étant donné votre expérience dans la direction d’entreprises axées sur l’IA, quels sont les facteurs les plus critiques pour une mise en œuvre réussie de l’IA à grande échelle au sein d’une organisation ?

D’après mon expérience, les facteurs les plus importants pour une mise en œuvre réussie de l’IA à grande échelle sont de s’assurer d’avoir une solide fondation de données et de connaissances, et que les employés, en particulier ceux qui sont plus expérimentés, prennent le temps d’apprendre et de devenir à l’aise avec les outils d’IA.

Il est également important de ne pas tomber dans le piège de réactions émotionnelles extrêmes – soit une hype excessive, soit un cynisme profond – autour des nouvelles technologies d’IA. Au lieu de cela, je recommande une approche stable et cohérente pour adopter et intégrer l’IA, en se concentrant sur des améliorations incrémentielles plutôt que d’attendre une solution miracle.

Je vous remercie pour cette grande interview. Les lecteurs qui souhaitent en savoir plus peuvent visiter RelationalAI.