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

Edwin Lisowski, Co-Fondatore e Chief Growth Officer di Addepto, sovraintende alla crescita strategica, allo sviluppo aziendale e al marketing dell’azienda. Egli porta una vasta esperienza nell’architettura dei dati, nella strategia guidata dall’intelligenza artificiale e nella consulenza analitica, combinando competenze tecniche con una forte attenzione alla scalabilità dell’adozione dell’AI 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. L’azienda aiuta le organizzazioni a trasformare i dati grezzi in informazioni azionabili attraverso strategie di AI complete, sviluppo di proof-of-concept e implementazione di modelli pronti per la produzione. 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’AI per un impatto aziendale misurabile.

cosa ti ha ispirato a co-fondare Addepto nel 2018 e quale lacuna nel mercato stavate cercando di colmare?

Nel 2018, continuavamo a vedere due estremi: grandi vendor che vendevano “una soluzione per tutti” di AI e, dall’altra parte, team interni bloccati dopo pochi proof-of-concept perché mancavano di capacità di ingegneria dei dati e MLOps. Abbiamo costruito Addepto per essere il team che collega la strategia → la gestione dei dati → i modelli → la produzione, specialmente per settori con elevate quantità 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 si è mosso più velocemente 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 ampio aumento dell’uso dell’AI nel 2024, con casi d’uso guidati da GenAI che si espandono in tutte le funzioni.

Molte aziende lottano per passare dal proof-of-concept di AI ai 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, limiti). 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.

Generative AI è ora centrale nelle vostre offerte. Come decidete quando applicare modelli fondamentali rispetto allo sviluppo di modelli personalizzati?

Il nostro albero decisionale è pragmatico:

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

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

I clienti di ingegneria continuavano a chiedere la stessa cosa: “I nostri CAD, PLM, ERP e documenti non comunicano, potete farli pensare insieme?” Avevamo risolto il problema ripetutamente in progetti, quindi abbiamo prodotto il modello. Il 2024 era il momento giusto perché GenAI ha reso 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 di tempo.

ContextClue integra CAD, ERP, PLM e documenti tecnici. Quale di queste fonti di dati è più difficile da unificare e come risolvete il problema?

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

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

Tre livelli:

• Ricerca basata su retrieval (schema-aware RAG sul grafico della conoscenza) con citazioni alla fonte degli artifact.
• 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 grafico per renderlo verificabile.

Cosa rende ContextClue distinto da altre piattaforme di gestione della conoscenza in settori pesanti e ambienti di ingegneria?

È nativo per l’ingegneria: non si limita a “cercare file”, ma comprende assembly, dipendenze e impatto dei cambiamenti, collegando CAD/PLM/ERP e la storia di manutenzione in un grafico 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 vedete ContextClue evolversi con la crescita dell’AI multimodale, specialmente nella combinazione di testo, schemi e modelli 3D?

Due direzioni sono già in movimento:

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

Guardando al futuro, come vedete Addepto e ContextClue influenzare la crescita reciproca e quale impatto combinato avrete sull’industria nei prossimi dieci anni?

Addepto continuerà a spingere i confini, producendo sistemi multimodali/agendi in modo responsabile, mentre ContextClue trasformerà quella R&D in valore ripetibile per i team di ingegneria. Insieme, miriamo a ridurre “l’ spreco di conoscenza” (tempo perso nella ricerca/ricreazione) su larga scala, misurando risultati come il tempo di ciclo di ingegneria, tassi di rilavorazione e tempo di preparazione per audit in tutta la pianta e i programmi. Il mercato si sta muovendo da “molti piloti” a “pochi, più valorosi roll-out”, e pianifichiamo di essere il partner e la piattaforma che consegnano regolarmente quelle vittorie.

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