Edwin Lisowski, Co-Fondatore e Chief Growth Officer di Addepto – Serie di Interviste

Edwin Lisowski, Co-Fondatore e Chief Growth Officer di Addepto, sovrintende alla crescita strategica, allo sviluppo aziendale e al marketing della società. Porta con sé un’esperienza estensiva in architettura dei dati, strategia guidata dall’intelligenza artificiale e consulenza analitica, combinando competenze tecniche con una forte attenzione alla scalabilità dell’adozione dell’intelligenza artificiale e alle iniziative di trasformazione aziendale per clienti globali.

Addepto è una società di consulenza con sede a Varsavia specializzata in intelligenza artificiale, apprendimento automatico, ingegneria dei dati e soluzioni di business intelligence per clienti aziendali. La società aiuta le organizzazioni a trasformare i dati grezzi in informazioni azionabili attraverso strategie di intelligenza artificiale complete, sviluppo di proof-of-concept e implementazione di modelli di produzione pronti. Lavorando in settori come finanza, logistica, produzione e assicurazioni, Addepto enfatizza soluzioni personalizzate e partnership a lungo termine per aiutare i clienti a sfruttare l’intelligenza artificiale per un impatto aziendale misurabile.

Cosa ti ha ispirato a co-fondare Addepto nel 2018 e quale lacuna nel mercato cercavi di colmare?

Nel 2018, continuavamo a vedere due estremi: grandi vendor che vendevano “una soluzione per tutti” e, dall’altra parte, team interni bloccati dopo alcuni proof-of-concept perché mancavano di competenze in ingegneria dei dati e MLOps. Abbiamo costruito Addepto per essere il team che collega la strategia → l’ingegneria dei dati → i modelli → la produzione, specialmente per settori con elevate esigenze di dati. Quell’approccio full-stack è ancora il nostro DNA.

Quale delle aree di servizio di Addepto — visione computerizzata, NLP, apprendimento automatico o ingegneria dei dati — ha visto l’adozione più rapida da parte delle aziende e perché?

Negli ultimi 18-24 mesi, NLP/GenAI ha avuto la crescita più rapida nel settore aziendale (ricerca, assistenti, elaborazione di documenti) perché si collega direttamente al ROI del lavoro della conoscenza e può partire da modelli fondamentali. Le indagini di settore mostrano un aumento significativo nell’uso dell’intelligenza artificiale nel 2024, con casi d’uso guidati da GenAI che si espandono attraverso funzioni.

Molte aziende lottano per passare da proof-of-concept di intelligenza artificiale a sistemi di produzione. Come Addepto aiuta a colmare questo divario?

Trattiamo la produzione come una disciplina, non una fase: workshop di scoperta, contratti di dati, architetture di riferimento, CI/CD per modelli, osservabilità e operazioni “day-2” (deriva, costo, guardrail). Concretamente, standardizziamo MLOps e ristrutturiamo i proof-of-concept in endpoint di microservizi che si adattano allo stack del cliente (Databricks/Spark, Kubernetes, BI esistente). È così che consegniamo regolarmente oltre le demo.

L’intelligenza artificiale generativa è ora centrale nelle tue offerte. Come decidi quando applicare modelli fondamentali rispetto allo sviluppo di modelli personalizzati?

Il nostro albero decisionale è pragmatico:

• Parti con modelli fondamentali quando il tempo di valore, i compiti linguistici ampi e la variabilità dominano.
• Passa al fine-tuning o agli adattatori quando la precisione della terminologia di dominio o del tono è critica.
• Crea modelli personalizzati quando la latenza/il costo/il controllo IP sono importanti, i dati sono proprietari/strutturati o si applicano vincoli edge.
  Ciò riflette dove le aziende stanno andando: meno “esperimenti”, più architetture adatte allo scopo.

Nel 2024, hai lanciato ContextClue come piattaforma di gestione della conoscenza dedicata. Quale punto dolente ti ha convinto che era il momento giusto per un prodotto separato?

I clienti ingegneristici continuavano a chiedere la stessa cosa: “I nostri CAD, PLM, ERP e documenti non comunicano, puoi farli pensare insieme?” Avevamo risolto il problema più volte nei progetti, quindi abbiamo prodotto il pattern. Il 2024 era il momento giusto perché GenAI rese la ricerca e la stesura utilizzabili per gli ingegneri (non solo per i team di dati). Abbiamo annunciato e iniziato a distribuirlo in quel periodo.

ContextClue si integra con CAD, ERP, PLM e documenti tecnici. Quale di queste fonti di dati è più difficile da unificare e come lo risolvi?

CAD è il più difficile: formati binari/proprietari, versioning, assemblee e contesto spaziale. Normalizziamo CAD insieme ai metadati PLM/ERP, poi mappiamo tutto in un grafo della conoscenza in modo che parti, sistemi, specifiche e procedure si risolvano negli stessi elementi. Questo è il fondamento del pipeline di ingestione di ContextClue.

La piattaforma supporta la ricerca semantica e la generazione di documenti. Come garantisci l’accuratezza e la fiducia in quelle uscite per i team di ingegneria?

Tre livelli:

• Ricerca basata su schema (RAG consapevole dello schema sul grafo della conoscenza) con citazioni degli artifact sorgente.
• Politica + testing (suite di valutazione in CI, prompt di red team, test di regressione).
• Uomo-nel-ciclo per output critici (SOP, documenti di conformità). Abbiamo anche open-source parti della nostra catena di strumenti di valutazione e di estrazione del grafo per renderlo verificabile.

Cosa rende ContextClue distinto da altri strumenti di gestione della conoscenza in settori industriali e ambienti di ingegneria?

È nativo per l’ingegneria: non si limita a “cercare file”, ma comprende assemblee, dipendenze e impatto delle modifiche, collegando CAD/PLM/ERP e storia di manutenzione in un grafo azionabile. Gli strumenti di gestione della conoscenza concorrenti spesso si fermano all’indicizzazione; ContextClue unifica struttura + semantica e produce sia documenti leggibili dall’uomo che modelli leggibili dalle macchine (per gemelli digitali, pianificazione).

Come vedi evolversi ContextClue con l’aumento dell’intelligenza artificiale multimodale, specialmente nella combinazione di testo, schemi e modelli 3D?

Due direzioni sono già in movimento:

• Visione su CAD e schemi: estrarre topologia, richiami e collegamenti BOM per fondare le risposte nei disegni.
• Allineamento 3D: collegare nodi della conoscenza a coordinate 3D/viste Omniverse in modo che le query di manutenzione o pianificazione si risolvano nel punto giusto del modello. Aspettati agenti più ricchi che navigano parti, versioni e procedure attraverso modalità.

Guardando al futuro, come vedi Addepto e ContextClue influenzare la crescita reciproca e dove immagini il loro impatto combinato sull’industria nel prossimo decennio?

Addepto continuerà a spingere i confini, producendo responsabilmente sistemi multimodali/agentic, mentre ContextClue trasformerà quella R&D in valore ripetibile per i team di ingegneria. Insieme, miriamo a ridurre lo “spreco di conoscenza” (tempo perso nella ricerca/ricreazione) su larga scala, misurando risultati come il tempo di ciclo di ingegneria, i tassi di ri-lavorazione e il tempo di preparazione per l’audit attraverso impianti e programmi. Il mercato sta passando da “molti piloti” a “pochi, più valorizzati roll-out”, e pianifichiamo di essere il partner e la piattaforma che consegna regolarmente quelle vittorie.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Addepto.