Edwin Lisowski, Addepto의 공동 창립자 및 최고 성장 책임자 – 인터뷰 시리즈

Edwin Lisowski, Addepto의 공동 창립자 및 최고 성장 책임자, 회사의 전략적 성장, 비즈니스 개발, 마케팅을 담당합니다. 그는 데이터 아키텍처, AI 기반 전략, 분석 컨설팅에 대한 광범위한 경험을 가지고 있으며, 기술 전문 지식과 글로벌 클라이언트를 위한 AI 채택 및 비즈니스 변환과 관련된 이니셔티브에 대한 강한 초점을 결합합니다.

Addepto는 Warsaw에 기반을 둔 컨설팅 회사로, 기업 클라이언트를 위한 인공 지능, 기계 학습, 데이터 엔지니어링, 비즈니스 인텔리전스 솔루션을 전문으로 합니다. 이 회사는 조직이 원시 데이터를 행동 가능한 통찰력으로 변환하도록 도와주는 엔드 투 엔드 AI 전략, Proof-of-Concept 개발, 생산 준비 모델 구현을 제공합니다. 금융, 물류, 제조, 보험 등 다양한 부문에서 작업하며, Addepto는 맞춤형 솔루션과 장기적인 파트너십을 강조하여 고객이 비즈니스에 측정 가능한 영향을 미치는 AI를 활용하도록 도와줍니다.

2018년에 Addepto를 공동 창립한 것이 영감을 받은 것이 무엇이었으며, 시장에서 어떤 간격을 메우려고 했나요?

2018년에 우리는 두 가지 극단을 보았습니다: “모두에게 맞는” AI를 판매하는 큰 벤더와, 데이터 엔지니어링 및 MLOps 근육이 부족하여 몇 가지 PoC 이후에 고립된 내부 팀. 우리는 Addepto를 전략 → 데이터 플러밍 → 모델 → 생산을 연결하는 팀으로 구축했습니다. 특히 데이터가 많은 산업을 위해. 이러한 전면 접근 방식은 여전히 우리의 DNA입니다.

Addepto의 서비스 영역 중에서 컴퓨터 비전, NLP, 기계 학습, 데이터 엔지니어링 중에서 어느 것이 기업에서 가장 빠르게 채택되고 있으며, 이유는 무엇인가요?

過去 18-24 개월 동안, NLP/GenAI는 기업에서 가장 빠르게 채택되었습니다(검색, 어시스턴트, 문서 처리). 이는 지식 작업 ROI에 직접적으로 매핑되며, 기초 모델에서 시작할 수 있습니다. 산업 조사에 따르면 2024년에 AI 사용이 크게 증가했으며, GenAI 주도 사용 사례가 기능적으로 확대되고 있습니다.

많은 회사들이 Proof-of-Concept AI에서 생산 시스템으로 이동하는 데 어려움을 겪습니다. Addepto는 어떻게 그 간격을 메우는 데 도움을 주나요?

우리는 생산을 규율로 다루지 않고, 생산을 단계로 다룹니다: 발견 워크샵, 데이터 계약, 참조 아키텍처, CI/CD 모델, 관찰 가능성, “2일차” 운영(드리프트, 비용, 가드레일). 구체적으로, 우리는 MLOps를 표준화하고 PoC를 클라이언트의 스택(Databricks/Spark, Kubernetes, 기존 BI)에 맞는 마이크로 서비스 엔드포인트로 리팩터링합니다. 이것이 우리가 일관되게 데모를 넘어서 배포하는 방법입니다.

생성적 AI는 이제 귀하의 제공 서비스의 핵심입니다. 기초 모델을 적용할 때와 사용자 정의 모델 개발을 결정하는 기준은 무엇인가요?

우리의 의사 결정 트리는 실용적입니다:

• 시간 대 가치, 광범위한 언어 작업, 가변성이 지배하는 경우 기초 모델에서 시작합니다.
• 도메인 용어 또는 톤 정밀도가 중요할 때 미세 조정 또는 어댑터로 이동합니다.
• 지연/비용/IP 제어가 중요하거나, 데이터가 고유/구조화되거나, 에지 제약이 적용되는 경우 사용자 정의 모델을 구축합니다. 이것은 기업이 향후哪里로 향하는지와 일치합니다: 더少한 “실험”, 더 많은 맞춤형 아키텍처.

2024년에 ContextClue를 전용 지식 관리 플랫폼으로 출시했습니다. 어떤 고통 点이 ContextClue를 별도의 제품으로 출시하기에 적절한 시점임을 확信시켰나요?

엔지니어링 클라이언트가 계속해서 같은 것을 물었습니다: “우리의 CAD, PLM, ERP, 문서가 통하지 않습니다. 그것들을 함께 생각할 수 있게 해주세요.” 우리는 그것을 반복적으로 프로젝트에서 해결했으므로, 우리는 패턴을 제품화했습니다. 2024년은 적절한 시점이었습니다. 왜냐하면 생성적 AI가 엔지니어를 위한 검색 및 저작을 사용할 수 있게 했으며(데이터 팀만이 아니라), 우리는 그 시점에 그것을 발표하고 출시하기 시작했습니다.

ContextClue는 CAD, ERP, PLM, 기술 문서와 통합됩니다. 이러한 데이터 소스 중에서 가장 어려운 통합은 무엇이며, 어떻게 해결하나요?

CAD는 가장 어려운 것입니다: 이진/고유한 형식, 버전 관리, 어셈블리, 공간적 맥락. 우리는 CAD를 PLM/ERP 메타데이터와 함께 정규화하고, 모든 것을 지식 그래프에 매핑하여 부품, 시스템, 사양, 절차가 동일한 엔티티에 해결되도록 합니다. 이것이 ContextClue의摄取 파이프라인의 핵심입니다.

플랫폼은 의미 검색 및 문서 생성을 지원합니다. 엔지니어링 팀을 위한 이러한 출력의 정확성과 신뢰성을 어떻게 보장하나요?

세 가지 계층이 있습니다:

• 기반 검색(스키마 인식 RAG 오버 지식 그래프) 및 소스 아티팩트에 대한 인용.
• 정책 + 테스트(CI의 평가 스위트, 적색 팀 프롬프트, 회귀 테스트).
• 중요한 출력에 대한 인간의 개입(SOP, 규제 문서). 우리는 даже 그것의 평가 및 그래프 추출 도구 체인의 일부를 오픈 소스로 공개하여 이를 감사할 수 있도록 합니다.

중공업 및 엔지니어링 생태계에서 다른 지식 관리 도구와 비교하여 ContextClue는 무엇이 다르나요?

ContextClue는 엔지니어링 네이티브입니다: 단순히 “파일을 검색”하지 않고, 어셈블리, 종속성, 변경 영향 등을 이해하며, CAD/PLM/ERP 및 유지 보수 기록을 행동 가능한 그래프로 연결합니다. 경쟁하는 KM 도구는 종종 색인화에서 멈춥니다. ContextClue는 구조 + 의미를 통일하고, 인간이 읽을 수 있는 문서와 기계가 읽을 수 있는 모델(디지털 트윈, 계획)을 출력합니다.

다중 모달 AI의 부상과 함께 ContextClue가 어떻게 진화할 것이라고 생각하나요? 특히 텍스트, 도면, 3D 모델의 결합과 관련하여?

두 가지 방향이 이미 진행 중입니다:

• CAD 및 도면에 대한 비전: 상위 그래프, 호출 아웃, BOM 링크를 추출하여 도면에 기반한 답변을 제공합니다.
• 3D 정렬: 지식 노드를 3D 좌표/Omniverse 뷰에 연결하여 유지 보수 또는 계획 쿼리가 모델의 올바른 위치에 해결되도록 합니다. 모달리티를 넘나드는 에이전트가 부품, 버전, 절차를 탐색하는 것을 기대합니다.

미래를 내다보며, Addepto와 ContextClue가 서로의 성장을 어떻게 형성할 것이라고 생각하나요? 그리고, 10년 내에 산업에 미칠 합친 영향은 무엇일까요?

Addepto는 책임감 있게 멀티모달/에이전트 시스템을 생산화하는 앞선 경계를 계속 밀어갈 것입니다. ContextClue는 이러한 연구 개발을 엔지니어링 팀을 위한 반복 가능한 가치로 전환할 것입니다. 함께, 우리는 “지식 낭비”(검색/재창조에 소요되는 시간)를 대규모로 줄이고, 엔지니어링 사이클 시간, 리워크 비율, 감사 준비 시간을 측정하여 프로그램 및 플랜트 전체에서 결과를 측정하려고 합니다. 시장은 “많은 파일럿”에서 “더 적은, 더 높은 가치의 롤아웃”으로 이동하고 있으며, 우리는 일관된 승리를 제공하는 파트너 및 플랫폼이 되기를 계획합니다.

감사합니다. 더 많은 정보를 원하는 독자는 Addepto를 방문하십시오.