ראג’ שוקלה, CTO של SymphonyAI – סדרת ראיונות

ראג’ שוקלה מוביל את מפת הטכנולוגיה ואת הביצוע של SymphonyAI, והוא עומד בראש צוות ההנדסה שבונה את פלטפורמת ה-Gen AI של Eureka. עם כמעט 20 שנות ניסיון בהנדסה ומחקר של AI/ML, שוקלה גם מחזיק בניסיון רב בתחום AI SaaS של חברות, מתפקידי הנדסה שונים במיקרוסופט, שם היה לו קריירה מוצלחת של 14 שנים, כולל ניהול ארגונים גלובליים של מדע והנדסת AI ב-Azure, Dynamics 365, MSR ובחטיבות החיפוש והפרסום. ראג’ מחזיק בניסיון רב ב-AI/ML בתחומים של חיפוש, פרסום ו-AI של חברות, ובנה מוצרי AI SaaS מוצלחים רבים בתחומים של צרכנים ועסקים.

SymphonyAI היא חברת AI של חברות, המתמקדת בבניית יישומי AI ספציפיים לתעשיות, המספקים ערך עסקי מיידי. במקום מודלים גנריים, היא מספקת פתרונות אנכיים לקמעונאות, סחורות צרכניות, שירותים פיננסיים, ייצור, תקשורת ו-IT, ומתמודדת עם אתגרים כגון תחזית, מניעת הונאות, אופטימיזציה מבצעית וניתוחים. מוצריה מופעלים על ידי פלטפורמת ה-AI של Eureka, אשר משלבת יכולות ניבוי, יצירה וסוכנות לתוך זרימות עבודה המותאמות לכל תעשייה. החברה נוסדה ב-2017, וגדלה להיות מנהיגה גלובלית ב-AI אנכי, משרתת אלפי לקוחות עסקיים עם פתרונות מותאמים לתעשייה, בעלי יכולת התקנה.

עבדת בחזית החדשנות של AI במיקרוסופט, אורקל, ועכשיו SymphonyAI—מה הוביל אותך במקור לעולם של AI של חברות, וכיצד השתנתה התפיסה שלך לאורך השנים?

המסע שלי לעולם של AI של חברות התחיל עם אמונה בסיסית, שחברות צריכות ליישם AI שפותר בעיות עסקיות אמיתיות, ולא רק ליצור AI לשם AI. ראיתי שפתרונות AI גנריים ורחבים נדירים מספקים ערך משמעותי. ב-SymphonyAI, בנינו את האסטרטגיה והתרבות של החברה על פיתוח AI שמבין אתגרים ספציפיים של תעשיות, מגילוי פשעים פיננסיים ועד לאספקת מוצרים לקמעונאות. הכנה של חברות מוסיפה ממד נוסף – AI מוצלח של חברות דורש יותר מאשר טכנולוגיה טובה, הוא דורש ממשל נתונים וארכיטקטורה מעולה, שיתוף פעולה וזרימות עבודה מורכבות, ושקיפות ואימות מלאים.

מהם החסרונות הספציפיים שחברות פוגשות במודלים מוכנים גנריים, במיוחד בתחומים מוסדרים כגון פיננסים או בריאות? 

מודלים מוכנים גנריים אינם בנויים עבור סביבות פיננסים, בריאות או קמעונאות, שבהן המשחקים הם בעלי סיכונים גבוהים. מודלים גנריים ומוכנים פוגשים מחסומים קריטיים, כולל הצורך בידע תעשייתי חיוני כדי לטפל בניואנסים תעשייתיים ולעמוד בדרישות רגולטוריות וקומפליינס הדוקות, שונות ברחבי העולם. יותר מכך, הם לא יכולים לספק את הדיוק והעקיבות שחברות דורשות, שם טעויות יכולות לפגוע בצרכנים או לגרום להפרות רגולטוריות. בין אם מדובר בעמידה בתקנים נגד כספים או אפשרות לקמעונאות להסיר מוצרים מוחזרים ממרכזי הפצה ומדפים, טכנולוגיית ה-AI האנכית של SymphonyAI נבנית במיוחד עבור התעשיות בהן אנו פועלים, ומאומנת על אונטולוגיות של אותן תעשיות, מה שמאפשר להן לקבל החלטות או לאוטומט את ההחלטות, וליצור השפעה עסקית ישירה.

שילוב מודלים מוכנים עם לוגיקה תעשייתית עמוקה נתפס כמפתח לניעול ROI של חברות—מהם הרכיבים החיוניים, כגון ידע תעשייתי, התאמת KPI, ומעקב רגולטורי, שהופכים גישה זו ליעילה? 

שילוב מודלים מוכנים עם לוגיקה תעשייתית עמוקה מנעיל ערך על ידי יצירת מערכות AI שמבינות הקשר עסקי ודרישות מבצעיות. גישה זו מצליחה כאשר מודלים משופרים עם אונטולוגיות תעשייתיות, מתואמים עם KPI עסקיים כדי לוודא שתוצאות משרתות ישירות מטרות עסקיות מדידות, ומצוידים במעקב רגולטורי שמספק מסגרות קומפליינס ואימות. כאשר אלמנטים אלו עובדים ביחד, AI גנרי הופך לפתרונות עסקיים ביקורתיים שמניעים תוצאות מדידות, תוך שמירה על האמינות והקומפליינס שחברות דורשות.

IBM רכשה את Seek AI ופתחה את Watsonx Labs בניו יורק, מה שמצביע על שינוי אסטרטגי אפשרי בנוף AI—מה זה מרמז על העתיד של M&A ומגמות השקעה ב-AI של חברות? 

רכישת Seek AI על ידי IBM ופתיחת Watsonx Labs היא אישור של המהפך הבסיסי שאנו מצפים: נוף AI של חברות השתנה, ומצביע על כך שגל הבא של M&A יעדיף חברות עם מודלי AI אנכיים מוכנים, הבאים עם ידע תעשייתי עמוק, ממשל ומעקב רגולטורי, ו-KPI המותאמים לתוצאות. רוכשים אסטרטגיים כמו IBM מבינים כי סוכנים AI המתמקדים בנתוני חברות מספקים ROI מיידי כאשר הם מבינים זרימות עבודה תעשייתיות ספציפיות. השוק מתמזג סביב ההכרה כי אינטליגנציה כללית זקוקה להתמחות אנכית כדי להניע שינוי בחברות.

באיזו נקודה מודל יסוד מתפתח לסוכן ספציפי לתעשייה—מהם הציוני דרך האדריכליים שמסמנים את המעבר הזה? 

מודל יסוד לא מתפתח באופן טבעי לסוכן תעשייתי; הוא חייב להיות מהונדס לכך. אין מסלול ישיר שבו מודל כללי “מתבגר” והופך לחוקר בנק. המעבר הופך להיות אפשרי רק כאשר צוותי הנדסה פוסקים מלסמוך על האינטליגנציה הגולמית של המודל, ומתחילים לבנות ארכיטקטורה מושלטת סביבו—במיוחד על ידי הזרקת שכבת הקשר (כגון גרף ידע) ושכבת תזמון, כדי לאלץ את המודל לעקוב אחר תהליך עסקי ולא אחר הנטיות ההסתברותיות שלו.

מהם האתגרים העיקריים בבניית זרימות עבודה סוכניות שהן גם עמידות וגם ספציפיות לתעשייה, וכיצד SymphonyAI פותרת אותם? 

האתגרים העיקריים בבניית זרימות עבודה סוכניות עמידות וספציפיות לתעשייה הם שמירה על אמינות בתהליכים מורכבים ורב-שלביים. SymphonyAI פותרת אתגרים אלו דרך הארכיטקטורה הרב-שכבתית שלה, אשר שומרת ידע תעשייתי ישירות בתוך הסוכן, מיישמת טיפול בשגיאות עם החזרה משגיאות, ושומרת ניהול הקשר ברחבי תהליכים רב-מושביים של חברות. זה מאפשר לסוכנים שלנו לפעול באופן אמין בסביבות מוסדרות, שם עמידות משמעותה שמירה על דיוק, קומפליינס, ושלמות מבצעית.

SymphonyAI מדגישה יסודות נתונים חזקים, גרפים של ידע, ושכבות מטא-נתונים—מדוע יכולות אלו הן קריטיות עבור סוכנים AI אנכיים, ומדוע רבות מהחברות מתקשות ליישם אותן? 

יסודות נתונים חזקים וגרפים של ידע הם חיוניים עבור סוכנים AI אנכיים כדי להיות מקורות משמעותיים, לספק המלצות מקונטקסטואליות, ולהישאר מעודכנים עם שינויים בשוק, לקוחות, ותהליכים בכל רמות החברה. רוב החברות מתקשות ליישם יכולות אלו מכיוון שהן דורשות השקעה משמעותית מראש בארכיטקטורת נתונים, מומחיות אונטולוגית מיוחדת, ושינויים בסיסיים בפרקטיקות נתונים קיימות, שרבות מהארגונים מוצאות אותן מאתגרות מבחינה ארגונית וטכנית. זו היכן ששותף טכנולוגיה AI עם ניסיון וידע עמוק בתעשייה הרלוונטית הוא בעל ערך, כולל יכולתו לאמן מראש את ה-AI על כמויות עצומות של נתונים ומקורות בתעשייה.

בסצנריות העולם האמיתי—כגון גילוי פשעים פיננסיים או תחזית לקמעונאות—כיצד SymphonyAI משלבת AI ניבוי, יצירה, וסוכנות ל”מיומנויות” קוהרנטיות?

SymphonyAI משלבת AI ניבוי, יצירה, וסוכנות ל”מיומנויות” קוהרנטיות על ידי יצירת זרימות עבודה משולבות, שבהן כל מוצר AI פותר בעיה עסקית ספציפית. בגילוי פשעים פיננסיים, מודלים ניבויים שלנו מזהים דפוסים חשודים של עסקאות, ו-AI יצירתי מייצר דו”חות חקירה מפורטים והערכות סיכון. בו-זמנית, AI סוכנותי מתארגנת את כל הזרימה, מקדמת אוטומטית מקרים, מתאמת עם צוותי קומפליינס, ומותאמת אסטרטגיות חקירה על בסיס ממצאים בזמן אמת.

המפתח הוא שאלו אינם כלים AI נפרדים, אלא יכולות משולבות בתוך סוכנים תעשייתיים ספציפיים, שמבינים הקשר עסקי, שומרים מצב זרימת עבודה, ויכולים לעבור באופן חסר רף בין ניתוח ניבוי, יצירת תוכן, ופעולה אוטונומית, כדי לספק תוצאות עסקיות שלמות, במקום פלטי AI מקוטעים.

התראתך שרבים מסוכני AI של חברות עלולים להיתקל בבעיות בלעדיות—מהם המאפיינים המרכזיים של סוכן AI עסקי מהונדס היטב, עמיד? 

סוכני AI עסקיים מהונדסים היטב, הבנויים לביקורת, דורשים מספר מאפיינים קריטיים. אף על פי שרבות חברות משקיעות במהירות ב-AI ומפליגות אותו, הן לעיתים קרובות מוערכות בטעות את העבודה הדרושה להצלחה. מספר מאפיינים חיוניים שסוכנים מהונדסים היטב צריכים:

• סוכני AI של חברות פועלים על נתונים עסקיים, שלרוב מבודדים וחסרים גישה תכניתית תקינה, הרשאות, ובקרות גישה. סוכנים צריכים להיות מצוידים באותן הרשאות ואימות כמו עובדים.
• סוכנים גם צריכים להתאושש מכל סוגי כשלים של מערכות עסקיות, הפסקות רשת, וקצוות בלתי-יציבים. שכבת התזמון צריכה לאפשר זרימות עבודה ארוכות טווח, עמידות, ומעובדות כשלים, שרוב המארחים הפופולריים של LLM אינם תומכים.
• מודלים LLM יהיו לא-דטרמיניסטיים ויכשלו במשימות. גילוי והתאוששות משגיאות, ניסיונות מחדש, וגילוי מסלול אופטימלי צריכים להיות מאפיינים מרכזיים של מערכות סוכנות.

ל-CTO ששוקלים בניית פלטפורמות AI אנכיות באופן פנימי מול שיתוף פעולה עם ספקים נישתיים, מהו הייעוץ שתציע? 

בניית פתרונות AI עסקיים במספר תעשיות, כולל קמעונאות/CPG, תעשייה, שירותים פיננסיים ועוד, דורשת שליטה הן בטכנולוגיה AI החדישה והן בידע תעשייתי עמוק, כדי להשיג ערך אמיתי מפתרונות AI עסקיים. פלטפורמת ה-AI שלנו, Eureka, הוכיחה כיצד נתונים תעשייתיים ספציפיים, גרפים של ידע, מודלים ניבויים, וסוכנים צריכים להיות מותאמים לכל תעשייה, אך זה מייצג השקעה במחקר שנים והתלכדות עם לקוחות. לחברות ו-CTO המעוניינים להשקיע ב-AI, אני מייעץ להם לבחור בפתרונות שמספקים תוצאות אמיתיות מיום ראשון. פתרונות AI אנכיים מספקים את התוצאות האלו, ומספקים למשתמשים נתונים שהם יכולים להשתמש בהם כדי ליצור ערך עסקי.

בהסתכלות לעתיד, כיצד אתה רואה את הארכיטקטורות של AI עסקי—האם סוכנים אנכיים מאוחדים, הבנויים על מודלים יסוד משותפים, יהיו לנורמה?

לא נראה רק “סוכנים מאוחדים”; נראה ארכיטקטורות סוכנות מושלטות. בעוד שמודלים יסוד משותפים מספקים את המנוע המוחי, הם בעצם סחורות. ה”נורמה” עבור חברות מוצלחות תהיה פריסת סוכנים אנכיים מומחים, שלא רק “מדברים” זה עם זה, אלא מתואמים בקפידה דרך שכבת הקשר משותפת. אם אתה רק מחזיק בסוכנים “מאוחדים” הבנויים על מודלים יסוד, אתה מקבל מערכת רועשת, נוטה להזיות—מה שאנו קוראים ל”צינור מדולדל” של AI עסקי. כדי להפוך ארכיטקטורה זו להיות מותאמת לייצור, צריך שלוש שכבות ספציפיות שעוברות מעבר לאיחוד פשוט:

• הקשר (גרף הידע): סוכנים צריכים לשתף מקור אמת אחד, ולא רק לחלוק הסתברויות.
• תזמון: יש צורך ב”אדריכל ראשי” שמחליט מתי להשתמש בסוכן מומחה, ומתי לשמור אדם בלופ.
• ממשל: הפלט צריך להיות בטוח מבחינה משפטית ומבצעית לפני שהוא עוזב את המערכת.

תודה על הראיון המעניין, קוראים שרוצים ללמוד יותר צריכים לבקר בSymphonyAI.