Alon Eirew, CTO (AI) van MCE Systems – Interviewreeks

Alon Eirew, CTO (AI) van MCE Systems, leidt het bedrijfsbrede AI-strategie en de end-to-end technologie-stack, waaronder architectuur, modelontwikkeling, infrastructuur, productintegratie en de bredere adoptie van AI binnen interne operaties. Hij werkte eerder meer dan negen jaar bij Intel (INTC ) , waar hij van senior software-engineer en software-architect naar Lead Natural Language Processing (NLP) Research Scientist evolueerde, waar hij kennis-extractieonderzoek leidde, financiering voor meerdere jaren behaalde, artikelen publiceerde op belangrijke NLP-conferenties en start-ups begeleidde via Intel Ignite. Eerder in zijn carrière hielp Eirew bij de ontwikkeling van persoonlijk-assistentietechnologie bij Telmap, die later deel werd van Intel, en hij heeft sindsdien vroegrijpe AI-bedrijven geadviseerd terwijl hij informatica, object-georiënteerd programmeren, data mining en informatie-opzoekonderwijs gaf aan verschillende Israëlische universiteiten.

MCE Systems ontwikkelt een AI-native ervaringslaag voor telecomaanbieders, waarmee legacy-systemen, real-time data en intelligente workflows worden verbonden om klantinteracties te ondersteunen via meerdere touchpoints. Het bedrijf werd in 2005 opgericht en bouwde zijn bedrijf rond digitale apparaatlevenscyclusbeheer, met technologie die apparaatdiagnose en -zorg, handelsprogramma’s, afstandsapparaatbeoordeling en retourzendingen omvat. MCE past steeds vaker generatieve en agente AI toe op deze workflows, waardoor operators apparaatproblemen kunnen detecteren, klanten door mogelijke oplossingen kunnen leiden en complexe service-reizen kunnen coördineren via digitale en ondersteunde kanalen.

U hebt bijna een decennium bij Intel gewerkt aan NLP, kennis-extractie, informatie-opzoek en zelfs vroege persoonlijk-assistentietechnologieën die oorspronkelijk bij Telmap ontwikkeld werden voordat ze deel werden van Intel. Als u terugkijkt, welke ideeën uit die vroege AI-systemen bleken vooruitstrevend te zijn en welke aannamen had de industrie volledig verkeerd?

Een idee dat duidelijk vooruitstrevend was, was de persoonlijk assistent waar we aan werkten voordat de LLM-tijdperk begon. Deze waren systemen die intentie begrepen, context verbonden over taken en gebruikers hielpen om doelen op een natuurlijke manier te bereiken. Deze hadden dezelfde ambities als de huidige agenten. Het verschil was de onderliggende benadering: in plaats van taalmodellen, vertrouwden we op een combinatie van machine learning en algoritmen om gebruikersintentie af te leiden. Deze methode bleek echter moeilijk toe te passen op grote schaal, gezien de verschillende manieren waarop gebruikers dezelfde aanvraag formuleren.

Stel uzelf voor dat u een servicemedewerker inhuurt om duizenden klantvragen te behandelen, maar hij kan alleen vragen behandelen die met een specifieke zinsstructuur zijn geformuleerd. Zoals u zich kunt voorstellen, zou dit alleen een klein bereik van gebruikscases dekken en zou het moeilijk zijn om veel klantproblemen aan te pakken. LLM’s hebben alles veranderd. Vandaag is het begrijpen van de gebruikersintentie grotendeels opgelost. Dus in onze analogie is de vertegenwoordiger nu flexibel en kan spreken met miljoenen klanten.

Terwijl ik niet zou beweren dat de industrie iets volledig verkeerd had, geloof ik dat velen onderschatten hoe centraal taalmodellen zouden worden. De grote sprong kwam toen de eerste taalmodellen zoals ELMo, BERT en RoBERTa werden geïntroduceerd. Op dat moment begrepen weinigen de omvang van de transformatie die op komst was. Deze waren de ruggengraatmodellen van de moderne LLM’s die we elke dag gebruiken en die we nu amper kunnen missen.

De meeste bedrijven zagen deze eerste modellen als nuttige componenten in smalle toepassingen, niet als de basis voor een geheel nieuwe computing-paradigma. In retrospect, misten veel van hen de kans om zichzelf te positioneren als belangrijke AI-spelers.

Tijdens uw onderzoeksloopbaan richtte u zich op multi-document kennis-extractie en evenementbegrip. Aangezien ondernemingen steeds meer afhankelijk zijn van grote taalmodellen, waarom denkt u dat gestructureerde kennis-extractie nog steeds zo’n kritieke uitdaging is?

LLM’s zijn krachtige instrumenten om een reeks onderwerpen aan te pakken, maar ondernemingen en eindgebruikers hebben expertise nodig om een specifiek probleem op te lossen, wat toegang tot kennis vereist. Deze contextuele propriëtaire kennis is niet typisch trainingsdata voor een model, dus het implementeren van een LLM in een onderneming betekent het verzamelen van begrip over potentieel miljoenen interne datapunten. Vandaag worstelen LLM’s nog steeds met dit, ontbrekend aan substantiële context vanwege technische en toegangsbeperkingen, en die kloof beperkt hun impact.

Bij MCE, bijvoorbeeld, bieden we een klantenzorg AI-agentoplossing. Een van zijn doelen is om telecomoperators te helpen hun klanten te helpen om technische mobiele apparaatproblemen op te lossen zonder menselijke tussenkomst. Zonder de AI-agent contextuele technische informatie over het apparaat te voeden, zou de AI-agent alleen maar generieke resultaten bieden die het probleem niet oplossen of irrelevant zijn en vervolgens de klant dwingen om menselijke hulp te zoeken. Dit is het soort kennis-extractieprobleem dat we moesten overwinnen om AI met onze klanten te implementeren en het is waar organisaties vaak falen in het behalen van de resultaten die ze willen.

Mijn eigen onderzoek dook in kennis-extractie en informatie-opzoek uit grote documentcollecties, waarbij de relatie tussen “evenementen” werd onderzocht, een term in de discipline van AI die wordt gebruikt om de onderliggende oorzakelijkheid en tijdsperiode van elke vorm van informatie-weergave te definiëren. We passen dit toe bij MCE binnen onze AI-oplossingen voor menselijke interactie door een structureel begrip op te bouwen dat LLM’s kan helpen om kennis beter samen te vatten, weer te geven en te zoeken om een klantprobleem op te lossen.

U hebt onderzoek gepubliceerd op top NLP-conferenties, waaronder ACL, EMNLP en NAACL. Welke doorbraken in de afgelopen vijf jaar hebben de grootste reële impact gehad en welke veelbesproken vooruitgang denkt u momenteel overbelicht te zijn?

Er zijn een paar doorbraken die voor mij opvallen en die plaatsvinden in een reeks als LLM’s ontwikkeld werden.

De eerste was rond instructieafstemming en prompt-engineering. Dit moest eerst worden opgelost voordat we veel bredere adoptie konden bereiken. We zijn allemaal daar geweest waar je een LLM vraagt om iets specifieks en het in cirkels gaat, dichtbij komt maar niet de reactie krijgt die je nodig hebt. Dus het uitzoeken van hoe modellen de prompt konden begrijpen en nauwkeurige resultaten konden leveren, was een eerste grote stap.

Als uitbreiding was de volgende doorbraak voor agenten, die LLM’s nodig hadden om verder te gaan dan alleen eenmalige opdrachten en daadwerkelijk een paar dingen te doen: plannen maken, interactie hebben met een eindgebruiker, tools gebruiken, geheugen gebruiken en toegang krijgen tot kennis. Dit was essentieel voor waar we nu zijn.

Maar de volgende doorbraak, die gedeeltelijk is opgelost maar nog in ontwikkeling is, is het volledig oplossen van het hallucinatieprobleem. Tot nu toe is er veel vooruitgang geboekt om LLM’s nog betrouwbaarder te maken. Maar er is nog werk te doen en dat is nog een reden waarom menselijke supervisie en beveiligingshekken essentieel blijven.

Wat overbelicht is, is de mate van autonomie die mensen claimen dat agenten zouden moeten hebben. Volledig autonome systemen die zonder menselijke supervisie in complexe bedrijfsomgevingen opereren, zijn nog steeds niet betrouwbaar genoeg naar mijn mening. Wat ik productiever vind, is het ontwerpen van AI om hoogwaardige taken uit te voeren, onzekerheid te escaleren en hun redenering uit te leggen, zonder menselijke controle over de algehele stroom op te geven. Dat is waar agente AI de meeste reële waarde in de korte termijn zal creëren.

U hebt als onderzoeker, software-architect, ingenieursleider, start-upadviseur, docent en nu Chief AI Officer gewerkt. Hoe is uw definitie van succesvolle AI veranderd gedurende die verschillende fasen van uw carrière?

Gedurende mijn carrière heb ik geleerd dat de definitie van succesvolle AI blijft evolueren en de verschillende kernwaarden zijn verspreid over disciplines. Toegepaste onderzoek en architectuur leerden me dat AI moet werken onder real-worldbeperkingen. Academisch onderzoek leerde me het belang van rigor en evaluatie. Ingenieursleiderschap toonde me aan dat uitvoering en operationele discipline net zo belangrijk zijn als het model zelf. Het adviseren van start-ups leerde me dat AI de grootste impact heeft als het een echt probleem oplost en een duidelijke adoptiepad heeft.

Vandaag, als AI-chef bij MCE, definiëer ik succes als AI die meetbare waarde creëert terwijl het vertrouwen van de eindgebruiker verdient. Het moet de resultaten voor klanten, medewerkers en het bedrijf verbeteren, betrouwbaar genoeg zijn voor productie, transparant genoeg zijn om te worden bestuurd en nuttig genoeg zijn dat mensen het daadwerkelijk adopteren. In die zin is mijn definitie geëvolueerd van “Werkt de technologie?” naar “Creëert het verantwoordelijk, herhaaldelijk en op grote schaal waarde?”

Dit is ook de overgang die we bij MCE hebben gemaakt, een die twee jaar geleden begon en nu hier is. De laatste waarde is hoe we nu over AI denken voor interne use-cases en voor onze klanten in de telecommunicatie.

MCE Systems past AI toe voor telecom-klantervaring, klantenzorg en marketing. Wat zijn de meest overtuigende AI-use-cases die momenteel in de telecommunicatie-industrie naar voren komen?

Communicatiedienstverleners (CSP’s), of “carriers” zoals ze meestal worden genoemd, zitten in een moeilijke positie, waar ze een commodificatieprobleem tegenkomen. Prijs is echt de aantrekkingskracht om nieuwe klanten te trekken of te behouden, maar het is niet duurzaam. Als u kijkt naar andere reuzen die consumentenproducten of -diensten verkopen, zoals Apple (AAPL ) , Amazon (AMZN ) of Netflix (NFLX ) , hebben ze een geweldig product en een ervaring rond dat product gebouwd. Dit speelt duidelijk in de financiële sector, waar banken werden gedwongen door nieuwe agile spelers om te verhuizen van het houden van spaargeld en het aanbieden van beleggingsproducten naar het aanbieden van een volledige digitale ervaring rond dat product. Hetzelfde geldt voor telecoms.

Ons visie is om extra waarde te bieden aan CSP-klanten met een betere ervaring bovenop het geweldige connectiviteitsproduct dat ze al bieden. Dit betekent dat ze proactief en communicatief moeten zijn met klanten over hun algehele netwerk- en apparaatervaring. En voor ons is AI wat hen uiteindelijk in staat stelt om dit goed te doen.

In de industrie is het echter voornamelijk een defensief instrument geworden om callcenterarbeidskosten te verlagen of medewerkers productiever te maken. Maar voor ons is AI ook een offensief instrument om proactief te zijn met klantenzorg en diensten te personaliseren en aan te bieden aan klanten, allemaal op het mobiele apparaat van de klant.

Bijvoorbeeld, een apparaat- of connectiviteitsprobleem of batterijprobleem opvangen voordat de klant het merkt en hen helpen om het op te lossen. Dat soort ervaringen bouwt echte loyaliteit op. Wetende dat een klant situatie goed genoeg is om de juiste breedbandbundle, data-add-on of levensstijlproduct aan te bieden op het juiste moment, stimuleert een hogere conversie. En het samenvoegen van signalen over netwerkactiva, CRM en apparaatgegevens om churn nauwkeurig te voorspellen en vervolgens vroegtijdig te acteren, is misschien wel de meest krachtige use-case van allemaal. CSP’s die dit goed doen, zullen een significante voorsprong hebben.

Er is veel hype rond het worden van “AI-native” of “AI-ready”. Hoe benadert MCE deze paradigma en wat zijn de belangrijkste punten die organisaties missen in deze transformatie?

Wat veel mensen missen, is dat AI-transformatie niet alleen een technologie-implementatie is, maar ook een verandering in de manier van werken. De beste kansen liggen waar adoptie natuurlijk aanvoelt: de workflow bestaat al, de pijn is meetbaar en AI kan duidelijk verbetering brengen in snelheid, kwaliteit of besluitvorming. MCE benadert deze paradigma met een paar ideeën.

We begonnen met het vragen naar AI-hulpmiddelenrijpheid en het adopteren van AI op manieren die medewerkersproductiviteit vermenigvuldigen. We vroegen ons af hoe we onze teams konden opleiden, duidelijke gebruiksrichtlijnen konden definiëren en interne systemen konden verbinden met AI waar het echt een verschil kon maken in de dagelijkse praktijk.

Zodra we onze basis van hulpmiddelen hadden beoordeeld, keken we naar workflowautomatisering en identificeerden we waar agenten handmatige arbeid konden verminderen. Natuurlijk vonden we dat we de tijd tot ontwikkeling aanzienlijk konden terugbrengen. In een voorbeeld nam een zeer functionele, prototype-app slechts een paar dagen in beslag om te maken, terwijl het anders twee of drie weken zou hebben geduurd.

Wat vaak wordt onderschat voor interne productiviteit is datageïntegreerde democratisering. We werkten aan en blijven werken aan het beter gebruiken van onze interne data, zodat zowel mensen als AI-systemen betere beslissingen kunnen nemen. Dit omvat het begrijpen van klantbehoeften, het verbeteren van operaties en het bouwen van producten die leren van eerdere ervaringen. Het is nog steeds een werk in uitvoering, omdat het een iteratief en analytisch proces is om te evalueren wat werkt en wat niet.

Veel organisaties racen om AI-agenten te implementeren. Wat zijn de praktische lessen die u hebt geleerd over waar autonome AI echt waarde kan creëren versus waar menselijke supervisie essentieel blijft?

Het is gemakkelijk om opgevangen te worden in de automatiseringshype. Maar ik geloof in het methodisch benaderen van agenten. Ik zou adviseren om nooit te beginnen met een doelautorisatie; in plaats daarvan moet u workflows identificeren waar agenten waarde kunnen creëren, deze in kleinere stukken breken en vragen welke stukken volledig geautomatiseerd kunnen worden, welke semi-geautomatiseerd kunnen worden en waar menselijke oordeel nodig is.

In de praktijk vinden we dat agenten de meeste waarde creëren wanneer ze worden gebruikt in sterk gedefinieerde taken, die variëren van informatie verzamelen tot invoer analyseren, aanbevelingen genereren en uitvoer voorbereiden voor de volgende stap. Fijnafgestemde automatisering waar de taak eenvoudig genoeg is, werkt veel beter dan het proberen te automatiseren van een hele complexe procedure.

Waar mensen essentieel blijven, is in supervisie, uitzonderingsbehandeling, klantgevoelige beslissingen en, in het algemeen, situaties waar verantwoordelijkheid een rol speelt. Het doel is nooit om menselijke besluitvorming te vervangen, maar om agenten de delen te laten behandelen waar ze betrouwbaar waarde kunnen creëren, terwijl mensen de beslissingen behandelen die verantwoordelijkheid vereisen.

MCE heeft het over het gebruik van AI om meer gepersonaliseerde apparaatervaringen te bieden en operationele efficiëntie voor mobiele operators te verbeteren. Hoe balanceert u personalisatie met groeiende bezorgdheid over privacy, transparantie en gebruikersvertrouwen?

Omdat AI zo menselijk aanvoelt, interacteert de gebruiker er op manieren mee die meer onthullen dan ze soms zouden moeten. Dat legt een echte verantwoordelijkheid bij organisaties om waakzaam en transparant te zijn over de verzamelde gegevens. Een eenvoudig voorbeeld: wanneer een klant een screenshot indient als onderdeel van een probleemoplossingsproces, kan die afbeelding onopzettelijk persoonlijke informatie op het scherm vastleggen. Het is essentieel dat organisaties beveiligingshekken toepassen om de afbeelding te bijsnijden en overtollige zichtbare inhoud te verwijderen, de focus te leggen op precies wat de interactie over gaat en onnodige gegevensblootstelling te verminderen.

Voor mij moet elke gegevensverzameling duidelijk in het belang van de klant zijn. Het moet alleen worden verzameld wanneer het een specifiek doel dient, zoals het oplossen van de klantvraag of het bieden van een passend niveau van personalisatie. Tegelijkertijd moet de gegevensverwerking op een privacy-beschermende manier gebeuren, zonder onnodige koppeling aan de echte wereldidentiteit van de klant.

Met andere woorden, begrijp het specifieke profiel van de klant en zijn behoeften in relatie tot uw bedrijf. In ons geval, als een privacy-compliant organisatie, gaat het om het begrijpen van de staat van het mobiele apparaat en het gebruikersgedrag in relatie tot de provider, niet over de identiteit en ander gedrag van de klant.

Wat ook belangrijk is, is de interactie met de klant zelf. Beveiligingshekken zijn hier essentieel om binnen het doel, de merkstem en echt te blijven en te vermijden om af te dwalen van wat organisaties klaar zijn om te besturen. In de praktijk helpen beveiligingshekken om juridische of regelgevingsinbreuken en negatieve klantervaringen te vermijden. Soms zijn dit moeilijke processen, maar ze zijn essentieel.

U hebt onderwerpen gedoceerd die variëren van computerwetenschapsfundamenten tot informatie-opzoek en data mining. Als u een AI-curriculum voor studenten die de arbeidsmarkt betreden zou ontwerpen, welke onderwerpen zou u prioriteren en welke verouderde concepten zou u verwijderen?

Het curriculum moet op twee manieren veranderen. Onderwerpen die ooit beperkt waren tot graduate-programma’s, zoals neurale netwerken, transformatoren, grote taalmodellen, retrieval-versterkte generatie, evaluatie, alignering en verantwoorde AI, moeten nu kernonderwerpen voor undergraduate-studenten worden. Studenten die de arbeidsmarkt betreden, moeten begrijpen hoe deze systemen werken en hoe ze deze kritisch kunnen evalueren.

Studenten moeten ook leren hoe ze AI verantwoord kunnen gebruiken als een instrument voor leren en onderzoek. Dat betekent het in twijfel trekken van uitvoer, het verifiëren van bronnen, het begrijpen van beperkingen en het behandelen van AI als een denkpartner in plaats van een shortcut om huiswerk te doen.

Wat ik niet zou schrappen, is wiskunde en algoritme-fundamenten. Ik zou argumenteren dat ze nog steeds even belangrijk zijn. Wat ik zou reduceren, zijn opdrachten die mechanische implementatie belonen zonder kritisch denken te demonstreren. De focus moet verschuiven naar probleemformulering, evaluatie, systeemontwerp en verantwoord gebruik.

Als u verschillende start-ups heeft geadviseerd over AI-strategie, wat zijn de meest voorkomende fouten die oprichters maken bij het bouwen van AI-producten, en wat onderscheidt bedrijven die met succes van prototype naar productie gaan?

De meest voorkomende fout die ik zie, is verliefd worden op de technologie voordat ze echt het probleem, de klant of het adoptiepad begrijpen. Een tweede is niet goed genoeg weten wat de beperkingen van AI zijn, dus het dwingen in use-cases waar het nog niet rijp genoeg voor is.

Wat oprichters onderscheidt die succesvol naar productie gaan, is diepe domeinkennis en een onderzoeksmentaliteit. De beste AI-producten komen van oprichters die een specifieke verticale goed genoeg begrijpen om een echte technologiekloof te identificeren. Ze beginnen niet met “wat kunnen we met AI doen?” maar met “hier is een specifiek probleem, hier is waarom bestaande oplossingen op de markt tekortschieten en hier is waarom AI het nu duurzaam kan oplossen.”

Bovendien leren succesvolle oprichters constant van klanten, concurrenten, adviseurs en mislukte pogingen. Ze bestuderen hoe beslissingen worden genomen, hoe budgetten bewegen en wat vertrouwen creëert voor hun doelgroep. Uiteindelijk bouwen ze niet alleen een product, maar iets dat moet overleven in een echte omgeving en niet alleen voor zijn eigen bestaan.

Kijkend naar de komende vijf jaar, denkt u dat de grootste impact van AI zal komen van krachtigere foundation-modellen, agente systemen, multimodale AI, on-device intelligentie of een geheel andere trend die de industrie momenteel onderschat?

De grootste impact zal niet alleen komen van verbeteringen in foundation-modellen, maar van hoe modellen worden geïntegreerd in systemen die kunnen observeren en handelen in echte workflows, terwijl ze ook worden verbeterd. Die verschuiving van krachtig model naar capabel systeem is waar ik de meest betekenisvolle korte-termijnvooruitgang verwacht.

Dit zal vooral sterk worden als systemen volledig multimodaal worden, redeneren over tekst, spraak, afbeeldingen, video en andere contextuele werkelijkheidssignalen die nauw aansluiten bij hoe mensen de wereld begrijpen. Dit zal nieuwe mogelijkheden openen in klantondersteuning, gezondheidszorg, fabricage, enz.

Een andere opkomende technologie die ik geloof zal ontwrichten, zijn agenten die met de fysieke wereld interacteren. Bedrijven als Boston Dynamics tonen al aan wat mogelijk is en het potentieel wanneer perceptie, redenering, planning en fysieke actie samenkomen. Of het nu in humanoïde vorm is of gespecialiseerde robotische systemen, agenten met lichamen kunnen een van de meest tastbare en revolutionaire uitdrukkingen van AI blijken te zijn die we in de komende vijf jaar zien. Voor MCE creëert dit kansen in logistiek en operationele workflows, waar veel repetitieve, lage complexiteitstaken nog steeds fysieke menselijke interactie vereisen. Voorbeelden zijn het oppakken van een apparaat, knoppen indrukken, kabels aansluiten of apparaten tussen stations verplaatsen. Dit zijn ideale kandidaten voor automatisering door robotica en AI die systemen efficiënter, consistenter en in staat stellen om veel meer volume te verwerken.

Voor telecommunicatie is het kunnen voorspellen van klantverloop en actie nemen op basis van AI-modellen waar het geld zal zijn in de komende jaren. Als u een betrouwbaar model kunt bouwen dat gegevens van alle verschillende klantpunten combineert, klantverloop nauwkeurig kan beoordelen en vervolgens actie onderneemt, hebt u een stagnatieprobleem voor aanbieders opgelost.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten MCE Systems bezoeken.