Wawancara

Edwin Lisowski, Co-Founder dan Chief Growth Officer Addepto – Seri Wawancara

mm
Published
Updated

Edwin Lisowski, Co-Founder dan Chief Growth Officer Addepto, mengawasi pertumbuhan strategis perusahaan, pengembangan bisnis, dan pemasaran. Ia membawa pengalaman luas dalam arsitektur data, strategi yang didorong oleh AI, dan konsultasi analitik, menggabungkan keahlian teknis dengan fokus kuat pada penskalaan adopsi AI dan inisiatif transformasi bisnis untuk klien global.

Addepto adalah perusahaan konsultasi yang berbasis di Warsawa, yang mengkhususkan diri dalam kecerdasan buatan, pembelajaran mesin, rekayasa data, dan solusi intelijen bisnis untuk klien perusahaan. Perusahaan ini membantu organisasi mengubah data mentah menjadi wawasan yang dapat ditindaklanjuti melalui strategi AI ujung ke ujung, pengembangan konsep, dan implementasi model produksi yang siap. Bekerja di berbagai sektor seperti keuangan, logistik, manufaktur, dan asuransi, Addepto menekankan solusi yang disesuaikan dan kemitraan jangka panjang untuk membantu klien memanfaatkan AI untuk dampak bisnis yang terukur.

Apa yang menginspirasi Anda untuk mendirikan Addepto pada tahun 2018, dan apa celah di pasar yang Anda coba isi?

Pada tahun 2018, kami terus melihat dua ekstrem: vendor besar yang menjual “satu-ukuran-untuk-semua” AI dan, di sisi lain, tim internal yang terjebak setelah beberapa konsep karena mereka kekurangan rekayasa data dan MLOps. Kami membangun Addepto untuk menjadi tim yang menghubungkan strategi → pipa data → model → produksi, terutama untuk industri yang padat data. Pendekatan full-stack itu masih merupakan DNA kami.

Mana dari area layanan Addepto — visi komputer, NLP, pembelajaran mesin, atau rekayasa data — yang telah melihat adopsi perusahaan tercepat, dan mengapa?

Selama 18-24 bulan terakhir, NLP/GenAI telah bergerak paling cepat di perusahaan (pencarian, asisten, pemrosesan dokumen) karena itu memetakan langsung ke ROI pekerjaan pengetahuan dan dapat dimulai dari model dasar. Survei industri menunjukkan langkah besar dalam penggunaan AI pada 2024, dengan kasus penggunaan GenAI yang dipimpin berskala di seluruh fungsi.

Banyak perusahaan kesulitan berpindah dari konsep AI ke sistem produksi. Bagaimana Addepto membantu mereka menjembatani kesenjangan itu?

Kami memperlakukan produksi sebagai disiplin, bukan fase: bengkel penemuan, kontrak data, arsitektur referensi, CI/CD untuk model, keterlihatan, dan “hari-2” operasi (drift, biaya, guardrails). Secara konkret, kami memstandarisasi MLOps dan mengubah konsep menjadi titik akhir mikrolayanan yang sesuai dengan tumpukan klien (Databricks/Spark, Kubernetes, BI yang ada). Itulah bagaimana kami konsisten mengirimkan lebih dari demo.

AI generatif sekarang menjadi pusat dari penawaran Anda. Bagaimana Anda memutuskan kapan untuk menerapkan model dasar versus pengembangan model kustom?

Pohon keputusan kami adalah pragmatis:

  • Mulai dengan model dasar ketika waktu-ke-nilai, tugas bahasa yang luas, dan variabilitas mendominasi.
  • Pindah ke penyetelan atau adaptor ketika istilah domain atau presisi nada kritis.
  • Bangun model kustom ketika latensi/biaya/kontrol IP penting, data adalah milik perusahaan/terstruktur, atau batasan tepi berlaku.
    Ini mencerminkan di mana perusahaan menuju: lebih sedikit “eksperimen”, lebih banyak arsitektur yang sesuai dengan tujuan.

Pada 2024, Anda meluncurkan ContextClue sebagai platform manajemen pengetahuan yang didedikasikan. Apa poin nyeri yang meyakinkan Anda bahwa saatnya tepat untuk produk terpisah?

Klien teknik terus bertanya hal yang sama: “CAD, PLM, ERP, dan dokumen kami tidak berbicara, apakah Anda bisa membuat mereka berpikir bersama?” Kami telah menyelesaikannya berulang kali dalam proyek, jadi kami memproduksinya. 2024 adalah saat yang tepat karena GenAI membuat pengambilan dan penulisan dapat digunakan untuk insinyur (bukan hanya tim data). Kami mengumumkan dan mulai menggelarnya pada waktu itu.

ContextClue mengintegrasikan dengan CAD, ERP, PLM, dan dokumen teknis. Mana dari sumber data tersebut yang paling sulit untuk disatukan, dan bagaimana Anda menyelesaikannya?

CAD adalah yang paling sulit: format biner/milik, pengversian, perakitan, dan konteks spasial. Kami menormalkan CAD bersama dengan metadata PLM/ERP, lalu memetakan semuanya ke dalam grafik pengetahuan sehingga bagian, sistem, spesifikasi, dan prosedur diselesaikan ke entitas yang sama. Itulah tulang punggung pipa ingest ContextClue.

Platform ini mendukung pencarian semantik dan generasi dokumen. Bagaimana Anda memastikan akurasi dan kepercayaan dalam output tersebut untuk tim teknik?

Tiga lapisan:

  • Pengambilan yang ditanahkan (schema-aware RAG di atas grafik pengetahuan) dengan kutipan ke artefak sumber.
  • Kebijakan + pengujian (suite evaluasi di CI, prompt tim merah, pengujian regresi).
  • Manusia-dalam-layanan untuk output kritis (SOP, dokumen kepatuhan). Kami bahkan membuka sumber bagian dari alat bantu evaluasi dan grafik-ekstraksi kami untuk membuat ini dapat diaudit.

Apa yang membuat ContextClue berbeda dari alat manajemen pengetahuan lainnya di industri berat dan ekosistem teknik?

Ini adalah asli teknik: itu tidak hanya “mencari file”, itu memahami perakitan, ketergantungan, dan dampak perubahan, menghubungkan CAD/PLM/ERP dan riwayat pemeliharaan ke dalam grafik yang dapat ditindaklanjuti. Alat KM yang bersaing sering berhenti pada pengindeksan; ContextClue menyatukan struktur + semantik dan mengeluarkan dokumen yang dapat dibaca manusia dan model yang dapat dibaca mesin (untuk digital kembar, perencanaan).

Bagaimana Anda melihat ContextClue berkembang dengan munculnya AI multimodal, terutama dalam menggabungkan teks, skema, dan model 3D?

Dua arah sudah dalam gerakan:

  • Vision-over-CAD & skema: mengekstrak topologi, panggilan, dan tautan BOM untuk menanahkan jawaban dalam gambar.
  • Pemosisian 3D: menghubungkan node pengetahuan ke koordinat 3D/tampilan Omniverse sehingga kueri perawatan atau perencanaan diselesaikan ke tempat yang tepat dalam model. Harapkan agen yang lebih kaya yang menavigasi bagian, versi, dan prosedur di seluruh modalitas.

Menatap ke masa depan, bagaimana Anda melihat Addepto dan ContextClue membentuk pertumbuhan satu sama lain, dan di mana Anda membayangkan dampak gabungan mereka terhadap industri dalam dekade berikutnya?

Addepto akan terus mendorong batas, memproduksikan sistem multimodal/agentic secara bertanggung jawab, sementara ContextClue mengubah R&D itu menjadi nilai yang dapat diulang untuk tim teknik. Bersama, kami bertujuan untuk mengurangi “pemborosan pengetahuan” (waktu yang hilang dalam pencarian/membuat kembali) dalam skala, mengukur hasil seperti siklus waktu teknik, tingkat perkerjaan ulang, dan waktu persiapan audit di seluruh pabrik dan program. Pasar bergerak dari “banyak pilot” ke “lebih sedikit, rollout yang lebih berharga”, dan kami berencana untuk menjadi mitra dan platform yang secara konsisten memberikan kemenangan tersebut.

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

mm

Antoine adalah seorang pemimpin visioner dan mitra pendiri Unite.AI, didorong oleh semangat yang tak tergoyahkan untuk membentuk dan mempromosikan masa depan AI dan robotika. Seorang wirausaha serial, ia percaya bahwa AI akan sama-sama mengganggu masyarakat seperti listrik, dan sering tertangkap berbicara tentang potensi teknologi mengganggu dan AGI.

As a futurist, ia berdedikasi untuk mengeksplorasi bagaimana inovasi ini akan membentuk dunia kita. Selain itu, ia adalah pendiri Securities.io, sebuah platform yang fokus pada investasi di teknologi-teknologi canggih yang mendefinisikan kembali masa depan dan membentuk kembali seluruh sektor.