Molham Aref, RelationalAI의 CEO 및 설립자

Molham은 RelationalAI의 최고 경영자입니다. 그는 다양한 산업에서 고가치의 기계 학습 및 인공 지능 솔루션을 개발하고 구현하는 조직을 이끄는 데 30년 이상의 경험을 가지고 있습니다. RelationalAI에 합류하기 전에 그는 LogicBlox와 Predictix(현재 Infor)의 CEO였으며, Optimi(현재 Ericsson (ERIC ))의 CEO와 Brickstream(현재 FLIR)의 공동 설립자였습니다. 또한 HNC Software(현재 FICO)와 Retek(현재 Oracle (ORCL ))에서 고위 지도자직을 맡았습니다.

RelationalAI는 산업, 기술, 제품 개발에서 수십 년의 경험을 결합하여 첫 번째이자 유일한 실제 클라우드 네이티브 지식 그래프 데이터 관리 시스템을 개발하여 다음 세대의 지능형 데이터 애플리케이션을 구동합니다.

RelationalAI의 설립자이자 CEO로서, 초기에 회사를 창립하게 된 비전은 무엇이었으며, 지난 7년 동안 어떻게 진화해 왔나요?

초기 비전은 지식과 의미론이 인공 지능의 성공적인 배포에 미치는 영향에 대한 이해를 중심으로 형성되었습니다. 우리는 인공 지능에 도달하기 전에 많은 노력을 기계 학습(ML)에 투자하여 데이터를 분석하여 행동을 설명하는 모델을 생성했습니다. 그러나 인공 지능을 효과적으로 배포하려면 지식을 인공 지능이 접근할 수 있고 복잡한 시스템을 단순화할 수 있는 방식으로 표현할 필요가 있었습니다.

이 비전은 깊은 학습 혁신과 최근 언어 모델 및 생성 인공 지능의 등장으로 진화했습니다. 이러한 발전은 우리 회사의 활동을 변경하지 않았지만 접근성과 실용성을 높여 기업에서 인공 지능을 사용하기 더 쉽게 만들었습니다.

최근 PwC 보고서에 따르면, 인공 지능은 2030년까지全球 경제에 최대 15.7조 달러의 기여를 할 수 있다고 추정합니다. 귀하의 경험에 비추어 볼 때, 이러한 막대한 경제적 영향을 미치는 주요 요인은 무엇이며, 기업은 이러한 기회를 활용하기 위해 어떻게 준비해야 합니까?

인공 지능의 영향은 이미 상당하며 앞으로도 계속 증가할 것입니다. 이러한 경제적 영향을 미치는 주요 요인 중 하나는 지적 노동의 자동화입니다.

문서를 읽고, 요약하고, 분석하는 작업과 같은 높은 급여를 받는 전문가들이 수행하는 작업은 이제 대부분 자동화될 수 있으므로 이러한 서비스는 더 저렴하고 접근성이 높아졌습니다.

이러한 기회를 활용하기 위해 기업은 인공 지능 워크로드를 실행하는 데 필요한 데이터 및 컴퓨팅 요구를 지원할 수 있는 플랫폼에 투자해야 합니다. 비용 효율적으로 확장 및 축소할 수 있는 플랫폼을 제공하는 것이 중요하며, 또한 직원이 이러한 모델을 효과적으로 사용하고 효율적으로 사용할 수 있도록 인공 지능 문해력을 투자해야 합니다.

인공 지능이 다양한 산업에 통합됨에 따라, 기업은 인공 지능을 효과적으로 채택하는 데 직면하는 가장 큰 도전은 무엇이며, 데이터는 이러한 도전을 극복하는 데 어떻게 역할을 하나요?

기업이 직면하는 가장 큰 도전 중 하나는 산업별 지식이 인공 지능에 접근할 수 있는지 확인하는 것입니다. 현재 많은 기업은 데이터베이스, 문서, 스프레드시트 및 코드에 걸쳐 지식을 분산하고 있습니다. 이 지식은 인공 지능 모델에 불투명하며 조직이 얻을 수 있는 가치를 최대화하는 데 방해가 됩니다.

산업은이 지식을 관리하고 통일하여 인공 지능 시스템에 접근할 수 있도록 해야 합니다. 이를 통해 인공 지능은 더 정확하고 효율적으로 작동할 수 있습니다.

귀하는 생성 인공 지능의 채택에 Retrieval-Augmented Generation(RAG) 및 에이전트 아키텍처와 같은 기술의 조합이 필요하다고 언급했습니다. 이러한 접근 방식이 필요한 이유와 제공하는ประโยชน에 대해 설명해 주시겠습니까?

인공 지능 시스템을 더 정확하고 복잡한 정보 검색 및 처리 작업을 처리할 수 있도록 만들기 위해서는 GraphRAG 및 에이전트 아키텍처와 같은 다양한 기술이 필요합니다.

에이전트 아키텍처에서는 여러 에이전트가 복잡한 문제를 해결하는 데 도움을 주며, 각 에이전트는 다른 능력을 가지고 있습니다. 이 기술은 문제를 작은 조각으로 나누어 에이전트가 결과를 얻을 수 있도록 합니다.

또한 언어 모델을 사용하여 정보를 추출하는 데 도움이 되는 RAG가 있습니다. RAG를 처음 사용했을 때, 우리는 문서의 한 부분에 있는 답변을 찾을 수 있는 질문에 답변할 수 있었습니다. 그러나 언어 모델은 특히 긴 문서와 여러 문서에 걸쳐 있는 정보를 가진 더 어려운 질문에 답변하는 데 어려움을 겪는다는 것을 곧发现했습니다. 이것이 GraphRAG가 필요한 이유입니다. 언어 모델을 사용하여 지식 그래프 표현을 생성하여 필요한 정보에 접근하고 오류나 환각의 가능성을 줄일 수 있습니다.

데이터 통일은 조직 내에서 인공 지능의 가치를 구현하는 데 중요한 주제입니다. 데이터 통일이 인공 지능에 왜 중요한지 그리고 어떻게하면 의사 결정 과정을 변革할 수 있는지 설명해 주시겠습니까?

통일된 데이터는 기업이 소유한 모든 지식(문서, 스프레드시트, 코드, 데이터베이스 등)이 인공 지능 시스템에 접근할 수 있도록 합니다. 이 통일은 인공 지능이 산업, 하위 산업 또는 단일 기업에 고유한 지식을 효과적으로 활용하여 더 관련性과 정확성을 갖출 수 있도록 합니다.

데이터 통일 없이 인공 지능 시스템은 지식의 단편적인 조각만을 운영할 수 있으며, 이는 불완전하거나 부정확한 통찰력을 초래할 수 있습니다. 데이터를 통일함으로써 인공 지능은 완전하고 일관된 그림을 갖게 되며, 이는 의사 결정 과정을 변革하고 조직 내에서 실제 가치를 구현하는 데 결정적입니다.

RelationalAI의 데이터 중심 접근 방식, 특히 관계형 지식 그래프 시스템은 어떻게 기업이 더 나은 의사 결정 결과를 달성하도록 도와줄 수 있나요?

RelationalAI의 데이터 중심 아키텍처, 특히 관계형 지식 그래프 시스템은 지식과 데이터를 직접 통합하여 선언적이고 관계형으로 만듭니다. 이는 전통적인 아키텍처와 대조되며, 지식이 코드에 내장되어 비기술적인 사용자에게 접근 및 이해가 어려워집니다.

현재의 경쟁적인 비즈니스 환경에서 빠르고 정보에 기반한 의사 결정은 필수적입니다. 그러나 많은 조직은 데이터가 필요한 맥락을缺하고 있기 때문에 어려움을 겪습니다. 관계형 지식 그래프 시스템은 데이터와 지식을 통일하여 인간과 인공 지능이 더 정확한 의사 결정할 수 있도록 합니다.

RelationalAI는 지능형 애플리케이션을 구축하기 위한 데이터 중심 접근 방식을 강조합니다. 귀하의 고객이 이 접근 방식을 통해 효율성과 비용 절감을 달성한 예를 들어 주시겠습니까?

우리의 데이터 중심 접근 방식은 비즈니스 논리를 코드에 내장하여 관리 및 확장하기 어렵게 만드는 전통적인 애플리케이션 중심 모델과 대조됩니다. 데이터 자체에 지식을 통합하여 선언적이고 관계형으로 만듦으로써, 우리는 고객이 시스템의 복잡성을 크게 줄이고 오류를 줄이며 비용을 절감할 수 있도록 도왔습니다.

예를 들어, Blue Yonder는 Snowflake 내에서 지식 그래프 코프로세서로 우리의 기술을 사용하여 예측 가능한 중단과 예방 조치를 취할 수 있도록했습니다. 이 접근 방식은 레거시 코드를 80% 이상 줄이고 확장 가능하며 확장 가능한 솔루션을 제공할 수 있었습니다.

또한 EY Financial Services는 레거시 코드를 90% 줄이고 처리 시간을 1개월 이상에서 몇 시간으로 단축하는 등劇적인 개선을 경험했습니다. 이러한 결과는 우리의 접근 방식이 비즈니스로 하여금 시장 상황의 변화에 더 민감하고 반응성이 뛰어나게 만들어주며, 특정 기술 또는 벤더에 대한 의존도를 줄일 수 있음을 보여줍니다.

인공 지능을 주도하는 회사에서 경험을積んだ 귀하의 관점에서, 조직에서 인공 지능을 대규모로 성공적으로 구현하는 데 가장 중요한 요소는 무엇이라고 생각하십니까?

私の 경험에 따르면, 대규모로 인공 지능을 성공적으로 구현하는 데 가장 중요한 요소는 강력한 데이터 및 지식의 기초를 갖추고, 특히 경험이 풍부한 직원이 인공 지능 도구를 배우고 편안해지도록 하는 것입니다.

또한 새로운 인공 지능 기술에 대한 과도한 반응 – 과도한 호재 또는 깊은 회의주의 – 에 빠지지 않도록 주의해야 합니다. 대신, 점진적인 개선에 초점을 맞추고 일관된 접근 방식을 통해 인공 지능을 채택하고 통합하는 것이 좋습니다.

이번 인터뷰에 감사드립니다. 더 많은 정보를 원하는 독자는 RelationalAI를 방문하시기 바랍니다.