Molham Aref, CEO & Founder of RelationalAI

Molham adalah Chief Executive Officer dari RelationalAI. Ia memiliki lebih dari 30 tahun pengalaman dalam memimpin organisasi yang mengembangkan dan menerapkan solusi machine learning dan kecerdasan buatan yang bernilai tinggi di berbagai industri. Sebelum RelationalAI, ia adalah CEO dari LogicBlox dan Predictix (sekarang Infor), CEO dari Optimi (sekarang Ericsson (ERIC )), dan co-founder dari Brickstream (sekarang FLIR). Molham juga pernah menjabat posisi kepemimpinan senior di HNC Software (sekarang FICO) dan Retek (sekarang Oracle (ORCL )).

RelationalAI menggabungkan dekade pengalaman di industri, teknologi, dan pengembangan produk untuk memajukan sistem manajemen data grafik pengetahuan cloud-native pertama dan satu-satunya untuk memperkuat generasi berikutnya dari aplikasi data cerdas.

Sebagai pendiri dan CEO dari RelationalAI, apa visi awal yang mendorong Anda untuk membuat perusahaan ini, dan bagaimana visi tersebut berkembang selama tujuh tahun terakhir?

Visi awal kami berfokus pada pemahaman dampak pengetahuan dan semantik pada penerapan kecerdasan buatan yang sukses. Sebelum kami mencapai titik di mana kami berada hari ini dengan kecerdasan buatan, sebagian besar fokus kami adalah pada machine learning (ML), yang melibatkan analisis jumlah data yang besar untuk membuat model yang ringkas yang menjelaskan perilaku, seperti deteksi penipuan atau pola belanja konsumen. Dengan waktu, menjadi jelas bahwa untuk menerapkan kecerdasan buatan secara efektif, ada kebutuhan untuk merepresentasikan pengetahuan dengan cara yang dapat diakses oleh kecerdasan buatan dan memungkinkan untuk menyederhanakan sistem yang kompleks.

Visi ini telah berkembang dengan inovasi pembelajaran dalam dan lebih baru-baru ini, model bahasa dan kecerdasan buatan generatif muncul. Kemajuan ini tidak mengubah apa yang perusahaan kami lakukan, tetapi meningkatkan relevansi dan pentingnya pendekatan kami, terutama dalam membuat kecerdasan buatan lebih mudah diakses dan praktis untuk penggunaan perusahaan.

Laporan PwC baru-baru ini memperkirakan bahwa kecerdasan buatan dapat memberikan kontribusi hingga $15,7 triliun untuk perekonomian global pada tahun 2030. Dalam pengalaman Anda, apa faktor-faktor utama yang akan mendorong dampak ekonomi yang substansial ini, dan bagaimana bisnis harus mempersiapkan diri untuk memanfaatkan kesempatan-kesempatan ini?

Dampak kecerdasan buatan sudah signifikan dan akan terus melambung. Salah satu faktor kunci yang mendorong dampak ekonomi ini adalah otomatisasi tenaga kerja intelektual.

Tugas seperti membaca, meringkas, dan menganalisis dokumen – tugas yang sering dilakukan oleh profesional yang dibayar tinggi – sekarang dapat diotomatisasi, membuat layanan ini lebih terjangkau dan mudah diakses.

Untuk memanfaatkan kesempatan-kesempatan ini, bisnis perlu berinvestasi pada platform yang dapat mendukung kebutuhan data dan komputasi untuk menjalankan beban kerja kecerdasan buatan. Penting bahwa mereka dapat meningkatkan skala dan menurunkan biaya secara efektif pada platform yang diberikan, sambil juga berinvestasi pada literasi kecerdasan buatan di antara karyawan sehingga mereka dapat memahami cara menggunakan model ini secara efektif dan efisien.

Seiring kecerdasan buatan terus terintegrasi ke dalam berbagai industri, apa yang Anda lihat sebagai tantangan terbesar yang dihadapi perusahaan dalam mengadopsi kecerdasan buatan secara efektif? Bagaimana data memainkan peran dalam mengatasi tantangan-tantangan ini?

Salah satu tantangan terbesar yang saya lihat adalah memastikan bahwa pengetahuan khusus industri dapat diakses oleh kecerdasan buatan. Apa yang kita lihat hari ini adalah bahwa banyak perusahaan memiliki pengetahuan yang tersebar di seluruh database, dokumen, spreadsheet, dan kode. Pengetahuan ini seringkali tidak transparan bagi model kecerdasan buatan dan tidak memungkinkan organisasi untuk memaksimalkan nilai yang mereka dapatkan.

Tantangan signifikan yang perlu diatasi industri adalah mengelola dan mempersatukan pengetahuan ini, kadang-kadang disebut sebagai semantik, untuk membuatnya dapat diakses oleh sistem kecerdasan buatan. Dengan melakukan ini, kecerdasan buatan dapat lebih efektif dalam industri tertentu dan dalam perusahaan karena mereka dapat memanfaatkan basis pengetahuan unik mereka.

Anda telah menyebutkan bahwa masa depan adopsi kecerdasan buatan generatif akan memerlukan kombinasi teknik seperti Retrieval-Augmented Generation (RAG) dan arsitektur agen. Bisakah Anda menjelaskan mengapa pendekatan gabungan ini diperlukan dan apa manfaat yang mereka berikan?

Akan membutuhkan teknik yang berbeda seperti GraphRAG dan arsitektur agen untuk menciptakan sistem yang didorong oleh kecerdasan buatan yang tidak hanya lebih akurat tetapi juga dapat menangani tugas pengambilan dan pemrosesan informasi yang kompleks.

Banyak orang akhirnya menyadari bahwa kita akan membutuhkan lebih dari satu teknik saat kita terus berkembang dengan kecerdasan buatan, tetapi lebih pada pemanfaatan kombinasi model dan alat. Salah satunya adalah arsitektur agen, di mana Anda memiliki agen dengan kemampuan yang berbeda yang membantu menyelesaikan masalah yang kompleks. Teknik ini memecahnya menjadi potongan-potongan yang dapat didelegasikan kepada agen yang berbeda untuk mencapai hasil yang diinginkan.

Ada juga retrieval augmented generation (RAG) yang membantu kita mengekstrak informasi saat menggunakan model bahasa. Ketika kami pertama kali bekerja dengan RAG, kami dapat menjawab pertanyaan yang jawabannya dapat ditemukan di satu bagian dokumen. Namun, kami segera menyadari bahwa model bahasa memiliki kesulitan menjawab pertanyaan yang lebih sulit, terutama ketika informasi tersebar di berbagai lokasi dalam dokumen panjang dan di seluruh dokumen. Jadi, ini adalah tempat GraphRAG berperan. Dengan menggunakan model bahasa untuk membuat representasi grafik pengetahuan dari informasi, itu dapat mengakses informasi yang kita butuhkan untuk mencapai hasil yang kita inginkan dan mengurangi kemungkinan kesalahan atau halusinasi.

Penyatuan data adalah topik kritis dalam mengarahkan nilai kecerdasan buatan dalam organisasi. Bisakah Anda menjelaskan mengapa data yang disatukan sangat penting untuk kecerdasan buatan, dan bagaimana itu dapat mengubah proses pengambilan keputusan?

Data yang disatukan memastikan bahwa semua pengetahuan yang dimiliki perusahaan – baik itu dalam dokumen, spreadsheet, kode, atau database – dapat diakses oleh sistem kecerdasan buatan. Penyatuan ini berarti bahwa kecerdasan buatan dapat secara efektif memanfaatkan pengetahuan khusus yang unik untuk suatu industri, sub-industri, atau bahkan perusahaan tunggal, membuat kecerdasan buatan lebih relevan dan akurat dalam outputnya.

Tanpa penyatuan data, sistem kecerdasan buatan hanya dapat beroperasi pada potongan-potongan pengetahuan yang terfragmentasi, menghasilkan wawasan yang tidak lengkap atau tidak akurat. Dengan menyatukan data, kita memastikan bahwa kecerdasan buatan memiliki gambaran yang lengkap dan konsisten, yang sangat penting untuk mengubah proses pengambilan keputusan dan mengarahkan nilai nyata dalam organisasi.

Bagaimana pendekatan RelationalAI terhadap data, terutama dengan sistem grafik pengetahuan relasionalnya, membantu perusahaan mencapai hasil pengambilan keputusan yang lebih baik?

Arsitektur data-sentris RelationalAI, terutama sistem grafik pengetahuan relasional kami, mengintegrasikan pengetahuan secara langsung dengan data, membuatnya deklaratif dan relasional. Pendekatan ini berbeda dengan arsitektur tradisional di mana logika bisnis sering tersemat dalam kode, mempersulit akses dan pemahaman bagi pengguna non-teknis.

Di lingkungan bisnis yang kompetitif saat ini, pengambilan keputusan yang cepat dan tepat sangat penting. Namun, banyak organisasi mengalami kesulitan karena data mereka kekurangan konteks yang diperlukan. Sistem grafik pengetahuan relasional kami menyatukan data dan pengetahuan, memberikan gambaran yang komprehensif yang memungkinkan manusia dan kecerdasan buatan untuk membuat keputusan yang lebih akurat.

Misalnya, pertimbangkan sebuah perusahaan jasa keuangan yang mengelola portofolio investasi. Perusahaan tersebut perlu menganalisis tren pasar, profil risiko klien, perubahan regulasi, dan indikator ekonomi. Sistem grafik pengetahuan kami dapat mensintesis faktor-faktor kompleks dan terkait ini dengan cepat, memungkinkan perusahaan untuk membuat keputusan investasi yang tepat waktu dan tepat yang memaksimalkan pengembalian sambil mengelola risiko.

Pendekatan ini juga mengurangi kompleksitas, meningkatkan portabilitas, dan meminimalkan ketergantungan pada vendor teknologi tertentu, memberikan fleksibilitas strategis jangka panjang dalam pengambilan keputusan.

Peran Chief Data Officer (CDO) semakin penting. Bagaimana Anda melihat tanggung jawab CDO berkembang dengan munculnya kecerdasan buatan, dan apa keterampilan kunci yang akan penting bagi mereka ke depan?

Peran CDO berkembang pesat, terutama dengan munculnya kecerdasan buatan. Secara tradisional, tanggung jawab yang sekarang jatuh di bawah CDO dikelola oleh CIO atau CTO, yang fokus utamanya pada operasi teknologi atau teknologi yang dihasilkan oleh perusahaan. Namun, karena data telah menjadi salah satu aset paling berharga bagi perusahaan modern, peran CDO telah menjadi unik dan kritis.

CDO bertanggung jawab untuk memastikan privasi, aksesibilitas, dan moneterisasi data di seluruh organisasi. Saat kecerdasan buatan terus terintegrasi ke dalam operasi bisnis, CDO akan memainkan peran penting dalam mengelola data yang mengisi model kecerdasan buatan, memastikan bahwa data ini bersih, dapat diakses, dan digunakan secara etis.

Keterampilan kunci untuk CDO ke depan akan termasuk pemahaman yang mendalam tentang tata kelola data, teknologi kecerdasan buatan, dan strategi bisnis. Mereka akan perlu bekerja sama dengan departemen lain, memberdayakan tim yang tradisional mungkin tidak memiliki akses langsung ke data, seperti keuangan, pemasaran, dan SDM, untuk memanfaatkan wawasan yang didorong oleh data. Kemampuan untuk mendemokratisasi data di seluruh organisasi akan sangat penting untuk mengarahkan inovasi dan mempertahankan keunggulan kompetitif.

Apa peran RelationalAI dalam mendukung CDO dan tim mereka dalam mengelola kompleksitas data dan integrasi kecerdasan buatan dalam organisasi?

RelationalAI memainkan peran mendasar dalam mendukung CDO dengan menyediakan alat dan kerangka kerja yang diperlukan untuk mengelola kompleksitas data dan integrasi kecerdasan buatan secara efektif. Dengan munculnya kecerdasan buatan, CDO ditugaskan untuk memastikan bahwa data tidak hanya dapat diakses dan aman tetapi juga dimanfaatkan sepenuhnya di seluruh organisasi.

Kami membantu CDO dengan menawarkan pendekatan yang berfokus pada data yang membawa pengetahuan langsung ke data, membuatnya dapat diakses dan dipahami oleh pemangku kepentingan non-teknis. Ini sangat penting karena CDO bekerja untuk meletakkan data di tangan mereka yang mungkin tidak tradisional memiliki akses, seperti pemasaran, keuangan, dan bahkan tim administratif. Dengan menyatukan data dan mempermudah pengelolaannya, RelationalAI memungkinkan CDO untuk memberdayakan tim mereka, mengarahkan inovasi, dan memastikan bahwa organisasi mereka dapat sepenuhnya memanfaatkan kesempatan yang ditawarkan oleh kecerdasan buatan.

RelationalAI menekankan fondasi data-sentris untuk membangun aplikasi cerdas. Bisakah Anda memberikan contoh bagaimana pendekatan ini telah menghasilkan efisiensi dan penghematan yang signifikan bagi klien Anda?

Pendekatan data-sentris kami berbeda dengan model aplikasi-sentris tradisional, di mana logika bisnis sering tersemat dalam kode, membuatnya sulit untuk dikelola dan diskalakan. Dengan mengintegrasikan pengetahuan secara langsung ke dalam data itu sendiri dan membuatnya deklaratif dan relasional, kami telah membantu klien secara signifikan mengurangi kompleksitas sistem mereka, menghasilkan efisiensi yang lebih besar, kesalahan yang lebih sedikit, dan pada akhirnya, penghematan biaya yang substansial.

Misalnya, Blue Yonder menggunakan teknologi kami sebagai Knowledge Graph Coprocessor di dalam Snowflake, yang memberikan kemampuan pemahaman semantik dan penalaran yang diperlukan untuk memprediksi gangguan dan mengambil tindakan mitigasi proaktif. Pendekatan ini memungkinkan mereka untuk mengurangi kode warisan mereka lebih dari 80% sambil menawarkan solusi yang skalabel dan dapat diperluas.

Serupa, EY Financial Services mengalami perbaikan dramatis dengan mengurangi kode warisan mereka sebesar 90% dan mengurangi waktu pemrosesan dari lebih dari sebulan menjadi hanya beberapa jam. Hasil ini menyoroti bagaimana pendekatan kami memungkinkan bisnis untuk lebih gesit dan responsif terhadap kondisi pasar yang berubah, semua tanpa terjebak dalam teknologi atau vendor tertentu.

Dengan pengalaman Anda dalam memimpin perusahaan yang didorong oleh kecerdasan buatan, apa yang Anda percaya sebagai faktor-faktor kritis untuk mengimplementasikan kecerdasan buatan secara sukses di skala organisasi?

Dari pengalaman saya, faktor-faktor paling signifikan untuk mengimplementasikan kecerdasan buatan secara sukses di skala besar adalah memastikan Anda memiliki fondasi data dan pengetahuan yang kuat dan bahwa karyawan Anda, terutama mereka yang lebih berpengalaman, mengambil waktu untuk belajar dan menjadi nyaman dengan alat kecerdasan buatan.

Juga penting untuk tidak terjebak dalam reaksi emosional yang ekstrem – baik histeria berlebihan atau sinisme mendalam – seputar teknologi kecerdasan buatan baru. Sebaliknya, saya sarankan untuk memiliki pendekatan yang stabil dan konsisten dalam mengadopsi dan mengintegrasikan kecerdasan buatan, fokus pada perbaikan inkremental daripada mengharapkan solusi ajaib.

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