Molham Aref, Amministratore Delegato e Fondatore di RelationalAI

Molham è l’Amministratore Delegato di RelationalAI. Ha più di 30 anni di esperienza nella guida di organizzazioni che sviluppano e implementano soluzioni di apprendimento automatico e intelligenza artificiale ad alto valore in vari settori. Prima di RelationalAI, è stato Amministratore Delegato di LogicBlox e Predictix (ora Infor), Amministratore Delegato di Optimi (ora Ericsson (ERIC )) e co-fondatore di Brickstream (ora FLIR). Molham ha anche ricoperto posizioni di leadership senior in HNC Software (ora FICO) e Retek (ora Oracle (ORCL )).

RelationalAI unisce decenni di esperienza nel settore, nella tecnologia e nello sviluppo di prodotti per avanzare il primo e unico sistema di gestione dei dati del grafo della conoscenza nativo del cloud per alimentare la prossima generazione di applicazioni di dati intelligenti.

Come fondatore e Amministratore Delegato di RelationalAI, qual era la visione iniziale che ti ha spinto a creare l’azienda e come quella visione è evoluta nel corso degli ultimi sette anni?

La visione iniziale si concentra sull’importanza della conoscenza e della semantica per il successo della distribuzione dell’intelligenza artificiale. Prima di arrivare a dove siamo oggi con l’intelligenza artificiale, gran parte dell’attenzione era sull’apprendimento automatico (ML), che comportava l’analisi di grandi quantità di dati per creare modelli concisi che descrivessero comportamenti, come la rilevazione delle frodi o i modelli di acquisto dei consumatori. Nel tempo, è diventato chiaro che per distribuire l’intelligenza artificiale in modo efficace, c’era bisogno di rappresentare la conoscenza in un modo che fosse accessibile all’intelligenza artificiale e in grado di semplificare sistemi complessi.

Questa visione è poi evoluta con le innovazioni dell’apprendimento profondo e, più recentemente, con i modelli linguistici e l’intelligenza artificiale generativa. Questi progressi non hanno cambiato ciò che la nostra azienda sta facendo, ma hanno aumentato la rilevanza e l’importanza del nostro approccio, in particolare nel rendere l’intelligenza artificiale più accessibile e pratica per l’uso aziendale.

Un recente rapporto di PwC stima che l’intelligenza artificiale potrebbe contribuire fino a 15.700 miliardi di dollari all’economia globale entro il 2030. Nella tua esperienza, quali sono i fattori principali che guideranno questo sostanziale impatto economico e come le aziende dovrebbero prepararsi per sfruttare queste opportunità?

L’impatto dell’intelligenza artificiale è già stato significativo e continuerà sicuramente a schizzare verso l’alto. Uno dei fattori chiave che guidano questo impatto economico è l’automazione del lavoro intellettuale.

Compiti come la lettura, la sintesi e l’analisi di documenti – compiti spesso eseguiti da professionisti altamente pagati – possono ora essere (per lo più) automatizzati, rendendo questi servizi molto più accessibili e convenienti.

Per sfruttare queste opportunità, le aziende devono investire in piattaforme che possano supportare i requisiti di dati e calcolo per l’esecuzione di carichi di lavoro di intelligenza artificiale. È importante che possano scalare in modo efficiente in termini di costo su una determinata piattaforma, investendo anche nella letteratura sull’intelligenza artificiale tra i dipendenti in modo che possano capire come utilizzare questi modelli in modo efficace ed efficiente.

Man mano che l’intelligenza artificiale si integra in vari settori, quali sono le sfide più grandi che le aziende affrontano nell’adozione efficace dell’intelligenza artificiale? Come i dati giocano un ruolo nel superare queste sfide?

Una delle sfide più grandi che vedo è assicurarsi che la conoscenza specifica di un settore sia accessibile all’intelligenza artificiale. Ciò che stiamo vedendo oggi è che molte aziende hanno conoscenze disperse in database, documenti, fogli di calcolo e codice. Questa conoscenza è spesso opaca ai modelli di intelligenza artificiale e non consente alle organizzazioni di massimizzare il valore che potrebbero ottenere.

Una sfida significativa che l’industria deve superare è gestire e unificare questa conoscenza, a volte chiamata semantica, per renderla accessibile ai sistemi di intelligenza artificiale. Facendo ciò, l’intelligenza artificiale può essere più efficace in settori specifici e all’interno dell’azienda, poiché possono sfruttare la loro base di conoscenza unica.

Hai menzionato che il futuro dell’adozione dell’intelligenza artificiale generativa richiederà una combinazione di tecniche come la Generazione aumentata da recupero (RAG) e le architetture agentiche. Puoi spiegare perché queste approcci combinati sono necessari e quali vantaggi offrono?

Sarà necessario utilizzare diverse tecniche come GraphRAG e architetture agentiche per creare sistemi guidati dall’intelligenza artificiale che non solo siano più precisi, ma anche in grado di gestire compiti di recupero e elaborazione di informazioni complessi.

Molti stanno finalmente iniziando a rendersi conto che avremo bisogno di più di una tecnica man mano che continuiamo a evolvere con l’intelligenza artificiale, ma piuttosto sfruttare una combinazione di modelli e strumenti. Uno di questi è l’architettura agente, in cui si hanno agenti con diverse capacità che aiutano a risolvere un problema complesso. Questa tecnica lo divide in pezzi che si possono affidare a diversi agenti per ottenere i risultati desiderati.

C’è anche la generazione aumentata da recupero (RAG) che ci aiuta a estrarre informazioni quando si utilizzano modelli linguistici. Quando abbiamo iniziato a lavorare con RAG, eravamo in grado di rispondere a domande le cui risposte potevano essere trovate in una parte di un documento. Tuttavia, abbiamo presto scoperto che i modelli linguistici hanno difficoltà a rispondere a domande più difficili, specialmente quando le informazioni sono sparse in varie posizioni in documenti lunghi e attraverso documenti. Quindi è qui che entra in gioco GraphRAG. Sfruttando i modelli linguistici per creare rappresentazioni del grafo della conoscenza delle informazioni, può poi accedere alle informazioni di cui abbiamo bisogno per ottenere i risultati desiderati e ridurre le possibilità di errori o allucinazioni.

L’unificazione dei dati è un argomento critico per guidare il valore dell’intelligenza artificiale all’interno delle organizzazioni. Puoi spiegare perché i dati unificati sono così importanti per l’intelligenza artificiale e come possono trasformare i processi decisionali?

I dati unificati assicurano che tutta la conoscenza di un’azienda – sia che si trovi in documenti, fogli di calcolo, codice o database – sia accessibile ai sistemi di intelligenza artificiale. Questa unificazione significa che l’intelligenza artificiale può effettivamente sfruttare la conoscenza specifica di un settore, rendendola più rilevante e precisa nelle sue uscite.

Senza l’unificazione dei dati, i sistemi di intelligenza artificiale possono operare solo su pezzi frammentati di conoscenza, portando a insight incompleti o inaccurati. Unificando i dati, ci assicuriamo che l’intelligenza artificiale abbia un’immagine completa e coerente, che è fondamentale per trasformare i processi decisionali e guidare un valore reale all’interno delle organizzazioni.

Come l’approccio di RelationalAI ai dati, in particolare con il suo sistema di grafo della conoscenza relazionale, aiuta le aziende a ottenere risultati decisionali migliori?

L’architettura dati-centrica di RelationalAI, in particolare il nostro sistema di grafo della conoscenza relazionale, integra direttamente la conoscenza con i dati, rendendola sia dichiarativa che relazionale. Questo approccio si contrappone alle architetture tradizionali in cui la conoscenza è incorporata nel codice, complicando l’accesso e la comprensione per gli utenti non tecnici.

Nell’attuale ambiente aziendale competitivo, la presa di decisioni rapida e informata è imperativa. Tuttavia, molte organizzazioni lottano perché i loro dati mancano del contesto necessario. Il nostro sistema di grafo della conoscenza relazionale unifica i dati e la conoscenza, fornendo una visione globale che consente agli esseri umani e all’intelligenza artificiale di prendere decisioni più accurate.

Ad esempio, considera una società di servizi finanziari che gestisce portafogli di investimenti. La società deve analizzare le tendenze del mercato, i profili di rischio dei clienti, i cambiamenti normativi e gli indicatori economici. Il nostro sistema di grafo della conoscenza può sintetizzare rapidamente questi fattori complessi e interconnessi, consentendo alla società di prendere decisioni di investimento tempestive e informate che massimizzano i rendimenti e gestiscono il rischio.

Questo approccio riduce anche la complessità, migliora la portabilità e minimizza la dipendenza da specifici fornitori di tecnologia, fornendo flessibilità strategica a lungo termine nella presa di decisioni.

Il ruolo del Chief Data Officer (CDO) sta crescendo in importanza. Come vedi evolversi le responsabilità dei CDO con l’aumento dell’intelligenza artificiale e quali competenze saranno essenziali per loro in futuro?

Il ruolo del CDO sta evolvendo rapidamente, specialmente con l’aumento dell’intelligenza artificiale. Tradizionalmente, le responsabilità che ora ricadono sotto il CDO erano gestite dal CIO o dal CTO, concentrandosi principalmente sulle operazioni tecnologiche o sulla tecnologia prodotta dall’azienda. Tuttavia, poiché i dati sono diventati uno degli asset più preziosi per le moderne imprese, il ruolo del CDO è diventato distinto e cruciale.

Il CDO è responsabile di garantire la privacy, l’accessibilità e la monetizzazione dei dati in tutta l’organizzazione. Man mano che l’intelligenza artificiale si integra nelle operazioni aziendali, il CDO svolgerà un ruolo fondamentale nella gestione dei dati che alimentano i modelli di intelligenza artificiale, assicurandosi che questi dati siano puliti, accessibili e utilizzati in modo etico.

Le competenze chiave per i CDO in futuro includeranno una profonda comprensione della governance dei dati, delle tecnologie di intelligenza artificiale e della strategia aziendale. Dovranno lavorare a stretto contatto con altri dipartimenti, abilitando team che tradizionalmente non avevano accesso diretto ai dati, come finanza, marketing e risorse umane, per sfruttare insight basati sui dati. Questa capacità di democratizzare i dati in tutta l’organizzazione sarà critica per guidare l’innovazione e mantenere un vantaggio competitivo.

Qual è il ruolo di RelationalAI nel sostenere i CDO e i loro team nella gestione della crescente complessità dei dati e dell’integrazione dell’intelligenza artificiale all’interno delle organizzazioni?

RelationalAI svolge un ruolo fondamentale nel sostenere i CDO fornendo gli strumenti e le strutture necessarie per gestire la complessità dei dati e dell’integrazione dell’intelligenza artificiale in modo efficace. Con l’aumento dell’intelligenza artificiale, i CDO sono incaricati di assicurarsi che i dati non solo siano accessibili e sicuri, ma anche che siano sfruttati al massimo delle loro potenzialità in tutta l’organizzazione.

Aiutiamo i CDO offrendo un approccio dati-centrico che porta la conoscenza direttamente ai dati, rendendola accessibile e comprensibile per gli stakeholder non tecnici. Ciò è particolarmente importante poiché i CDO lavorano per mettere i dati nelle mani di coloro che nell’organizzazione potrebbero non averli tradizionalmente avuti accesso, come marketing, finanza e anche team amministrativi. Unificando i dati e semplificandone la gestione, RelationalAI consente ai CDO di abilitare i loro team, guidare l’innovazione e assicurarsi che le loro organizzazioni possano pienamente capitalizzare le opportunità presentate dall’intelligenza artificiale.

RelationalAI enfatizza un fondamento dati-centrico per la costruzione di applicazioni intelligenti. Puoi fornire esempi di come questo approccio abbia portato a significative efficienze e risparmi per i tuoi clienti?

Il nostro approccio dati-centrico si contrappone al modello tradizionale applicativo-centrico, in cui la logica aziendale è spesso incorporata nel codice, rendendola difficile da gestire e scalare. Centralizzando la conoscenza all’interno dei dati stessi e rendendola dichiarativa e relazionale, abbiamo aiutato i clienti a ridurre significativamente la complessità dei loro sistemi, portando a maggiori efficienze, meno errori e, in definitiva, sostanziali risparmi di costo.

Ad esempio, Blue Yonder ha sfruttato la nostra tecnologia come coprocessore del grafo della conoscenza all’interno di Snowflake, fornendo le capacità di comprensione e ragionamento semantico necessarie per prevedere interruzioni e azioni di mitigazione proattive. Questo approccio ha consentito loro di ridurre il codice legacy dell’80% e offrire una soluzione scalabile e estensibile.

Allo stesso modo, EY Financial Services ha sperimentato un miglioramento drammatico, riducendo il codice legacy del 90% e riducendo i tempi di elaborazione da oltre un mese a solo poche ore. Questi risultati evidenziano come il nostro approccio consenta alle aziende di essere più agili e reattive alle condizioni di mercato in evoluzione, evitando al contempo le insidie di essere bloccate in tecnologie o fornitori specifici.

Considerata la tua esperienza nella guida di aziende guidate dall’intelligenza artificiale, quali credi siano i fattori più critici per implementare con successo l’intelligenza artificiale su larga scala all’interno di un’organizzazione?

Dalla mia esperienza, i fattori più significativi per implementare con successo l’intelligenza artificiale su larga scala sono assicurarsi di avere una solida base di dati e conoscenza e che i dipendenti, in particolare quelli più esperti, prendano il tempo per imparare e diventare confortevoli con gli strumenti di intelligenza artificiale.

È anche importante non cadere nella trappola di reazioni emotive estreme – sia eccessivo entusiasmo che profondo cinismo – intorno alle nuove tecnologie di intelligenza artificiale. Invece, consiglio un approccio costante e coerente all’adozione e all’integrazione dell’intelligenza artificiale, concentrandosi su miglioramenti incrementali piuttosto che aspettarsi una soluzione a colpo sicuro.

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