Chris Mahl, Presiden dan CEO di Pryon – Seri Wawancara

Chris Mahl adalah Presiden dan Chief Executive Officer di Pryon. Dengan lebih dari dua dekade pengalaman di beberapa perusahaan perangkat lunak enterprise terkenal di dunia, Chris mengkhususkan diri dalam mengembangkan strategi go-to-market dan operasional untuk perusahaan teknologi pada semua tahap pertumbuhan.

Pryon menyediakan jalur yang dipercaya, aman, dan terbukti untuk mengimplementasikan generative AI di perusahaan. Mesin pengambilan dan pengambilan data kelas dunia Pryon dapat dipasangkan dengan generative LLM untuk mengimplementasikan retrieval-augmented generation dan menyediakan jawaban yang akurat, instan, dan dapat diverifikasi pada skala perusahaan.

Pryon fokus pada Retrieval-Augmented Generation (RAG). Bisakah Anda menjelaskan bagaimana pendekatan Anda terhadap pengambilan data berbeda dari sistem pencarian dan manajemen pengetahuan AI lainnya?

Pendekatan Pryon terhadap pengambilan data menonjol karena Mesin Pengambilan kami dapat mengakses konten secara real-time dari sumber yang beragam seperti PDF, gambar, halaman web, dan video sambil mempertahankan privasi data tanpa ketergantungan eksternal. Kami telah menggabungkan pencarian semantik dengan atribusi data granular untuk mencapai akurasi pengambilan lebih dari 90%. Tidak seperti banyak sistem, milik kami berskala efektif untuk organisasi besar, memungkinkan tim membuat keputusan cepat dan akurat berdasarkan basis pengetahuan yang ada.

Mesin Pengambilan Pryon dirancang untuk mengatur jumlah konten multimodal yang besar. Apa yang membuat proses pengambilan Anda unik, dan bagaimana itu meningkatkan akurasi pengambilan?

Pengambilan Pryon dapat menangani konten multimodal—mengambil jawaban dari audio, gambar, teks, dan video dari berbagai sumber. Ini menangani masalah dasar data yang terputus di perusahaan. Dengan data tidak terstruktur yang tumbuh lebih dari 50% setiap tahun, mesin pengambilan kami mengubah informasi yang terpencar menjadi pengetahuan yang terstruktur dan dapat digunakan. Proses ini dirancang untuk keamanan dan privasi, menjaga data perusahaan yang sensitif tetap dilindungi sambil membuatnya langsung berguna.

Bagaimana Pryon memastikan akurasi dan meminimalkan halusinasi saat mengekstrak informasi?

Pryon memastikan akurasi dan meminimalkan halusinasi melalui beberapa mekanisme. Teknologi kami menggabungkan pencarian semantik dengan atribusi data granular, yang berarti jawaban dapat dilacak kembali ke sumber spesifiknya. Atribusi ini sangat penting untuk verifikasi. Sistem kami mengakses konten secara real-time dari sumber asli daripada mengandalkan basis pengetahuan yang mungkin sudah ketinggalan zaman atau tidak lengkap. Koneksi langsung ke bahan sumber, dipasangkan dengan akurasi pengambilan yang tinggi (lebih dari 90%), secara signifikan mengurangi risiko halusinasi yang sering mengganggu banyak sistem AI generatif.

Bagaimana Pryon menangani pembaruan waktu nyata terhadap informasi, terutama di lingkungan dinamis seperti pemerintah, energi, dan perawatan kesehatan?

Pryon memastikan akses waktu nyata ke informasi terbaru melalui sinkronisasi konten on-demand yang fleksibel. Pengguna dapat memicu sinkronisasi konten sesuai kebutuhan melalui portal Admin kami atau mengotomatisasi pembaruan menggunakan Sync-API pada jadwal tertentu—baik mingguan, harian, atau bahkan setiap jam, tergantung pada kebutuhan operasional. Proses pengecekan delta kami mengoptimalkan efisiensi dengan memperbarui hanya konten yang berubah, memastikan pengambilan pengetahuan yang cepat, akurat, dan efisien sumber daya di pengaturan misi-kritis seperti pemerintah, energi, dan perawatan kesehatan.

Pryon bekerja dengan lembaga pemerintah dan pertahanan. Meskipun detailnya sering diklasifikasikan, bisakah Anda membahas studi kasus di mana AI Anda secara signifikan meningkatkan pengambilan keputusan atau efisiensi operasional?

Pryon bekerja dengan berbagai lembaga pertahanan dan intelijen, termasuk Laboratorium Penelitian Angkatan Udara (AFRL) dan Kantor Digital dan Kecerdasan Buatan (CDAO), untuk membantu memperlancar operasi dan memungkinkan pengambilan keputusan yang lebih cepat dan lebih informasi.

Salah satu contoh kuat adalah kolaborasi kami dengan Kantor Transformasi Digital Angkatan Udara AS (DAF DTO). Tim ini mendukung personil akuisisi dan pemeliharaan yang sering perlu menemukan informasi kritis yang terkubur di ratusan ribu halaman web dan dokumen. Bersama, kami meluncurkan DTO Wingman, asisten AI yang menyediakan jawaban akurat dan waktu nyata untuk pertanyaan kompleks—lengkap dengan atribusi sumber.

Alih-alih mencari dokumen kebijakan atau peraturan secara manual, pengguna dapat langsung mengajukan pertanyaan seperti, “Apa yang saya izinkan untuk dibeli dengan kartu perjalanan saya?” atau “Apa itu Kode Bangunan Digital dan bagaimana hubungannya dengan akuisisi?” AI mengembalikan respons yang tepat dan bahkan membantu menghasilkan laporan dan bahan presentasi dengan cepat.

Dengan memberikan personil Angkatan Udara dan Angkatan Luar Angkasa akses langsung ke jawaban yang dipercaya, DTO Wingman membantu tim bekerja lebih efisien dan memberikan bimbingan yang dapat diandalkan dan tepat waktu kepada personil senior dan pengambil keputusan.

Pekerjaan Anda di bidang ilmu kehidupan menyebutkan penelitian yang dibantu AI. Bagaimana sistem Pryon membantu peneliti menavigasi dataset yang luas seperti PubMed atau repositori penelitian pribadi?

Sistem Pryon membantu peneliti menavigasi dataset yang luas seperti PubMed atau repositori penelitian pribadi melalui beberapa kemampuan kunci.

Kualitas penelitian yang ditingkatkan:

• Mengurangi Kesalahan Manusia: Pengambilan data yang sistematis dan mutakhir memastikan lebih sedikit artikel yang terlewat atau bukti yang diabaikan.
• Didukung oleh Bukti: Setiap jawaban didasarkan pada literatur asli, mendorong kesimpulan yang didorong oleh data, bersumber kembali ke kalimat asalnya.

Perlindungan atas konten yang sangat sensitif:

• Kerahasiaan: Mempertahankan kontrol akses yang ketat dan enkripsi data, penting untuk dataset yang bersifat propietary atau terkait pasien.
• Kepatuhan: Dengan data yang diperintahkan oleh peraturan seperti HIPAA atau GDPR, peneliti dapat yakin bahwa informasi sensitif dilindungi.

Untuk layanan pelanggan dan penjualan, bagaimana AI Pryon dibandingkan dengan solusi chatbot dan CRM tradisional dalam hal meningkatkan efisiensi dan mengurangi beban dukungan?

Interaksi layanan pelanggan/penjualan biasanya harus menyeimbangkan akurasi dan fleksibilitas solusi chatbot/CRM. Karena memberikan jawaban yang salah kepada pelanggan tidak dapat diterima dan dapat memiliki implikasi hukum, banyak penyedia chatbot dan solusi AI konvensional memilih untuk membatasi fleksibilitas solusi dengan interaksi ‘FAQ hanya’ yang deterministik.

Ini merupakan kesulitan bagi vendor, yang memerlukan pengkodean manual jawaban spesifik untuk pertanyaan umum, dan memberikan pengalaman yang buruk bagi pelanggan, yang memiliki antarmuka chatbot—tapi pengalaman yang tidak fleksibel yang hampir tidak berbeda dari membaca FAQ. Vendor lain memilih untuk mencoba menggunakan pengalaman generatif yang lebih fleksibel dengan batasan yang lebih sedikit pada LLM, namun karena kurangnya pengambilan yang presisi, ini melibatkan memasukkan seluruh katalog produk atau halaman web ke jendela konteks LLM, mengurangi akurasi output, potensialnya secara bencana.

Seni dan ilmu RAG adalah tentang memaksimalkan sinyal (kebenaran) dan meminimalkan noise (konteks yang tidak relevan yang sering membingungkan LLM). Presisi pengambilan Pryon—mampu menyediakan jawaban spesifik pada level kalimat di seluruh dokumen—berarti layanan pelanggan dan penjualan tidak perlu lagi mengorbankan akurasi untuk fleksibilitas.

Apa yang Anda lihat sebagai tantangan terbesar dalam adopsi AI perusahaan saat ini, terutama dengan sistem berbasis RAG?

Meskipun ini sesuatu yang kami temukan dalam interaksi kami dengan pasar, juga semakin dikenal bahwa ‘data yang siap AI’ (atau kekurangannya) adalah titik kegagalan terbesar untuk penerapan AI.

• 91% eksekutif dalam survei Harvard Business Review mengatakan bahwa fondasi data yang dapat diandalkan sangat penting untuk penerapan AI yang sukses.
• McKinsey menemukan bahwa 70% inisiatif GenAI menghadapi tantangan terkait data, dengan hanya 1% data penting perusahaan yang tercermin dalam model saat ini.
• The Wall Street Journal menyebutkan keandalan sebagai kekhawatiran utama untuk adopsi agen AI—masalah yang erat terkait dengan kualitas dan aksesibilitas data.
• Gartner mengidentifikasi kurangnya data yang siap GenAI sebagai alasan utama untuk penerapan yang gagal.

Data yang siap AI melampaui sekadar vektorisasi dokumen kata—ini tentang menyatukan sumber yang terisolasi, bekerja dengan format yang kompleks seperti input multimodal, membersihkan data, meningkatkan data, mengubahnya menjadi format yang dapat bekerja dengan LLM, memotongnya pada tingkat granularitas yang optimal untuk mempertahankan akurasi dan biaya, mengindeksnya dengan cerdas, dan menghubungkannya ke sistem pengambilan yang performant, dll.

Ini adalah tantangan besar yang memerlukan kompetensi dan alat yang didedikasikan—dalam survei yang dilakukan Pryon terhadap pengembang RAG yang mengembangkan solusi di dalam perusahaan besar, persiapan data menduduki peringkat sebagai bagian yang paling mahal, memakan waktu, dan menantang secara teknis dari proses pembangunan, diikuti erat oleh pengambilan informasi.

Bagaimana Anda membedakan Pryon RAG Suite dari solusi perusahaan yang ditawarkan oleh Microsoft , Google (GOOGL ), atau OpenAI?

Perbedaan spesifik bervariasi dari pemain ke pemain, tetapi pada tingkat yang lebih tinggi, pemain teknologi besar fokus pada menjadi ‘antarmuka’ AI di tempat kerja. Pryon fokus pada tingkat yang lebih mendasar dari tumpukan—lapisan pengetahuan. Pryon memecahkan masalah data yang mendalam dan pengambilan, sedangkan pemain teknologi besar fokus pada menyediakan solusi AI yang luas yang dapat melayani beberapa kasus penggunaan RAG sederhana tetapi sering runtuh ketika dihadapkan pada kompleksitas kehidupan nyata dari kasus penggunaan perusahaan dan pemerintah. Pryon juga dapat melengkapi sistem ini, dengan konten yang dihasilkan oleh Copilot, Gemini, atau GPT yang terhubung ke Lapisan Pengetahuan Pryon untuk disiapkan dan digunakan oleh aplikasi dan agen hilir.

Dengan regulasi AI yang berkembang, seperti Undang-Undang AI UE dan pedoman AI AS, bagaimana Pryon mendekati kepatuhan dan penggunaan AI yang etis?

Seiring regulasi AI berkembang secara global, Pryon tetap berkomitmen pada kepatuhan dan penerapan AI yang bertanggung jawab. Pendekatan kami selaras dengan kerangka seperti Undang-Undang AI UE, pedoman AI AS, dan prinsip AI yang Bertanggung Jawab (RAI) Departemen Pertahanan, memastikan solusi AI kami dapat dipercaya, transparan, dan dapat diatur. Melalui kepatuhan terhadap kerangka RAI SHIELD, kami mengintegrasikan evaluasi yang ketat, jejak, dan pemantauan terus-menerus di seluruh siklus hidup AI—prioritizing keamanan, kesetaraan, dan kinerja. Dengan mengintegrasikan praktik terbaik ini ke dalam metodologi penerapan kami, Pryon memberdayakan organisasi untuk memanfaatkan AI secara bertanggung jawab sambil memenuhi standar regulasi dan etika tertinggi.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Pryon.