Babak Hodjat, Chief AI Officer bij Cognizant – Interviewreeks

Babak Hodjat, Chief AI Officer leidt AI Research Labs, een team van ontwikkelaars en onderzoekers dat de staat van de kunst in AI bevordert, verschillende AI-functies in de aanbod van Cognizant bouwt en de AI voor goede doelen van het bedrijf leidt.

Babak is de voormalige medeoprichter en CEO van Sentient, verantwoordelijk voor de kern technologie achter het grootste gedistribueerde AI-systeem ter wereld. Babak was ook de oprichter van de werelds eerste AI-gedreven hedge fund, Sentient Investment Management.

Babak is een serie-ondernemer, die verschillende Silicon Valley-bedrijven is begonnen als hoofdontwerper en technoloog. Voordat hij Sentient medeoprichtte, was Babak senior director of engineering bij Sybase iAnywhere, waar hij mobiele oplossingen voor engineering leidde. Voordat hij bij Sybase werkte, was Babak medeoprichter, CTO en bestuurslid van Dejima Inc. Babak is de primaire uitvinder van Dejima’s gepatenteerde, agent-georiënteerde technologie die wordt toegepast op intelligente interfaces voor mobiele en enterprise computing – de technologie achter Apple’s Siri.

Babak heeft meer dan 50 papers gepubliceerd in de gebieden van kunstmatig leven, agent-georiënteerde software engineering en gedistribueerde kunstmatige intelligentie, en heeft 39 uitgegeven US-octrooien op zijn naam. Hij is een expert in verschillende gebieden van AI, waaronder natuurlijke taalverwerking, machine learning, evolutionaire algoritmen en gedistribueerde AI.

Cognizant is een wereldwijd professioneel dienstverlenend en IT-consultancy bedrijf dat organisaties helpt bij het moderniseren van hun digitale infrastructuur, het implementeren van opkomende technologieën zoals AI, cloud, data en automatisering, en het herstructureren van bedrijfsprocessen om agiliteit en groei te stimuleren.

U hebt meerdere AI-bedrijven opgericht, twee boeken geschreven en geholpen bij het pionieren van technologie die invloed had op Siri. Kijkend terug, welke persoonlijke ervaringen of keerpunten hebben uw geloof in AI als een instrument voor reële impact het meest gevormd?

Mijn fascinatie met AI begon vroeg in mijn academische jaren en is sindsdien alleen maar versterkt. Een paar sleutelkeerpunten waren het creëren van enkele van de eerste agent-gebaseerde systemen bij Dejima voor het programmeren van consumentengoederen zoals uw VCR, het werk dat we deden bij Sentient Technologies, waarbij AI werd toegepast op complexe problemen zoals financiële handel. De natuurlijke taaltechnologie die ik ontwikkelde voor Siri, die ook agent-gebaseerd was, was een ander keerpunt.

Deze reële toepassingen toonden aan dat AI verder kon gaan dan theoretische constructies en tastbare bedrijfswaarde kon leveren. We gaan nu een explosieve periode in voor de commercialisering van AI-technologieën, met name met multi-agent systemen die de manier waarop ondernemingen opereren volledig zullen veranderen, waardoor de automatisering van veel complexe taken mogelijk wordt.

Laten we het hebben over uw laatste project – dit AI-gepowered systeem voor landgebruiksplanning dat is ontwikkeld met de Universiteit van Texas. Wat inspireerde de ontwikkeling van dit instrument, en hoe vertegenwoordigt het een verschuiving van theoretische AI naar reële beleidsimpact?

Het AI-systeem voor landgebruiksplanning dat we in samenwerking met de Universiteit van Texas hebben ontwikkeld, was geïnspireerd door de noodzaak om complexe milieueconomische afwegingen in het mondiale landgebruik aan te pakken. Het machine learning-gedreven kader maakt gebruik van de technologie achter Cognizant Neuro AI Decisioning en is gebouwd op de Project Resilience-platform.

Ons gezamenlijke onderzoeksteam streefde ernaar om de duurzame ontwikkelingsdoelen van de Verenigde Naties te helpen verwezenlijken door een instrument te creëren dat landgebruik kon optimaliseren voor het maximaliseren van koolstofopslag, het minimaliseren van economische verstoringen en het behoud van voedselvoorziening en habitats. Traditionele benaderingen negeren vaak subtiele afwegingen, zoals locatiespecifieke effecten van het omzetten van akkerland of grasland in bossen. We volgden een andere route die evolutionaire AI gebruikte, een computationele benadering geïnspireerd door natuurlijke selectie. Het was ontworpen om duizenden beleidsscenario’s te onderzoeken, iteratief te verbeteren en concurrerende doelen te balanceren voor meer effectieve, contextgevoelige landgebruiksstrategieën.

Het systeem markeert een significante verschuiving van theoretische AI-concepten naar reële beleidsimpact. Het integreert historische landgebruiksgegevens die teruggaan tot eeuwen en koolstofgegevens met geavanceerde evolutionaire algoritmen om actiegerichte, geoptimaliseerde aanbevelingen te bieden in plaats van abstracte voorspellingen.

Afzonderlijk hebben we ook een interactief instrument ontwikkeld dat klimaatbeleidsscenario’s genereert en evalueert met behulp van de En-ROADS simulator, waardoor besluitvormers actieplannen kunnen vergelijken en aanpassen. Het systeem laat wetgevers en besluitvormers toe om beleidsstimulansen te simuleren en rechtstreeks de afwegingen te begrijpen, waardoor ze gerichte, efficiënte interventies kunnen selecteren. De integratie van het systeem met platforms zoals de En-ROADS simulator van Climate Interactive maakt het mogelijk om AI-gedreven klimaatbeleidsoptimalisatie te schalen naar bredere doelgroepen, waarbij AI wordt benadrukt als een praktische partner bij het aanpakken van reële duurzaamheidsuitdagingen.

Kunt u ons door het instrument leiden vanuit het perspectief van een gebruiker? Welke soort beslissingen kan het ondersteunen, en hoe levert het aangepaste aanbevelingen voor verschillende regio’s?

Vanuit het perspectief van een gebruiker functioneert het AI-gepowered instrument als een interactief beslissingsondersteuningsplatform in een dynamische, gegevensgestuurde omgeving dat u helpt bij het nemen van slimme beslissingen die werken voor klimaatdoelen.

Beleidsmakers, wetgevers en andere belanghebbenden kunnen verschillende landgebruiksstrategieën en hun milieueconomische gevolgen onderzoeken. Gebruikers kunnen stimulansen simuleren – bijvoorbeeld belastingkredieten voor landeigenaren – en observeren hoe deze landgebruikswijzigingen kunnen beïnvloeden om koolstof te reduceren.

Het ondersteunt een reeks beslissingen aangepast aan verschillende regio’s. Bijvoorbeeld, het kan helpen bepalen waar landveranderingen het beste kunnen worden gemaakt voor de beste resultaten, hoeveel land moet worden omgezet (zoals het omzetten van landbouwgrond in bos), en wat de voor- en nadelen zijn van verschillende landbeleidsmaatregelen. Om aangepaste adviezen te geven, kijkt het naar de wereldwijde landgebruiksgeschiedenis en koolstofgegevens om verschillende benaderingen voor verschillende gebieden voor te stellen. Het kan rekening houden met regiospecifieke kenmerken, zoals breedtegraad en landtype.

De En-ROADS simulator, aangedreven door Neuro AI, kan beleidsmakers en wetgevers helpen om verschillende afwegingen te experimenteren voor het bereiken van verschillende klimaatdoelen.

Evolutionaire AI is beschreven als de “geheime saus” achter dit project. Hoe werkt deze benadering in de praktijk, en waarom is het zo effectief voor het oplossen van complexe milieueconomische en beleidsuitdagingen?

Het idee achter evolutionaire AI is geïnspireerd door natuurlijke selectie in biologie. Als computationele benadering in de context van landgebruiksplanning, imiteert het in de praktijk de natuurlijke evolutie om slimme oplossingen te vinden voor complexe milieuproblemen die traditionele methoden moeilijk aankunnen.

In plaats van te proberen perfecte landgebruiksbeleid van tevoren te programmeren, creëert de evolutionaire AI-benadering verschillende beleidsmodellen en test elk model in gesimuleerde omgevingen met echte klimaat- en landgegevens. Het houdt de best presterende beleidsmaatregelen aan en “fokt” ze samen, met mutaties om onverwachte oplossingen te ontdekken. Het herhaalt dit proces over vele generaties, waarbij slecht presterende beleidsmaatregelen worden geëlimineerd en de beste over vele scenario’s worden aangehouden.

Dit werkt goed voor milieuchallenges omdat het niet wordt overweldigd door meerdere variabelen zoals bodemtypes, klimaatcondities en economische factoren.

Landgebruiksbeleid houdt vaak concurrerende doelen in – economische groei, koolstofreductie, voedselzekerheid. Hoe handelt uw systeem deze afwegingen af, en welke onverwachte inzichten heeft het tot nu toe opgeleverd?

Ons AI-systeem is specifiek ontworpen om concurrerende doelen zoals economische groei, koolstofreductie en voedselzekerheid af te handelen. Het genereert Pareto-fronten (een ingenieursconcept gebruikt in multi-objective optimalisatie) die koolstofimpact en landgebruikswijzigingen voor verschillende locaties afwegen.

Het onderzoeksteam ontdekte verschillende onverwachte inzichten. Bijvoorbeeld, terwijl conventionele wijsheid erkent dat bossen goed zijn in het opslaan van koolstof, heeft de AI niet standaard aanbevolen om bosdekking te maximaliseren overal. In plaats daarvan onthulde het belangrijke onderscheiden: het vervangen van weidegronden zoals woestijnen en graslanden door bos was niet zo effectief als het vervangen van akkerland door bos. Geografische locatie bleek ook cruciaal. Identieke landgebruikswijzigingen produceerden verschillende resultaten afhankelijk van de breedtegraad.

Prioriteit was een van de meest praktische inzichten van de AI. In plaats van inspanningen gelijkmatig te verdelen, suggereerde het het concentreren van grote landgebruikswijzigingen in strategische locaties waar ze het grootste effect zouden hebben.

Project Resilience heeft als doel om deze soort AI-nuttigheid te schalen om duurzame ontwikkelingsdoelen aan te pakken die verder gaan dan klimaat – zoals energie, gezondheid en zelfs pandemische respons. Wat maakt u het meest enthousiast over het potentieel om dit platform uit te breiden naar verschillende domeinen?

Wat mij het meest enthousiast maakt over het potentieel van dit platform, is dat we laten zien dat het bouwen van AI op een manier die collaboratief, toegankelijk en aanpasbaar is, kan leiden tot krachtige oplossingen voor het aanpakken van grote mondiale uitdagingen. Het Project Resilience-platform is een goed voorbeeld van het in praktijk brengen van deze drie principes. Besluitvormers, datawetenschappers en het publiek kunnen deelnemen aan de ontwikkeling van AI-instrumenten en meer geïnformeerde beslissingen nemen voor significante impact. We nodigen uw lezers uit om bijdragers te worden hier.

De AI Lab bij Cognizant is nu een belangrijke drijvende kracht achter innovatie, met tientallen octrooien en een investeringsstrategie van miljarden dollars. Hoe passen initiatieven zoals deze in uw bredere roadmap voor toegepaste AI op grote schaal?

Het landgebruiks-AI-initiatief past perfect in onze aanpak van toegepaste AI bij Cognizant, die zich richt op het oplossen van complexe, reële problemen in plaats van puur academische oefeningen. Evolutionaire AI kan de vaak complexe afwegingen aan die in bedrijfs- en beleidsbeslissingen worden aangetroffen, aan. Het aanpakken van klimaatuitdagingen via een benadering die economische, sociale en milieufactoren in evenwicht brengt, toont aan hoe AI praktische waarde kan leveren bij het beheersen van concurrerende prioriteiten.

Het werk weerspiegelt ook onze visie op het ontwikkelen van AI die menselijke besluitvorming aanvult in plaats van vervangt.

U hebt AI-inspanningen geleid bij zowel startups als ondernemingen. Wat is de sleutel tot het waarborgen dat technologieën zoals evolutionaire AI blijven werken en toegankelijk zijn – niet alleen krachtig – voor overheden en industrieën?

Een van de grootste sterktes van evolutionaire AI is dat het niet alleen probeert om optimale oplossingen te bepalen, maar ook strategische alternatieven kan onthullen die de kennis van belanghebbenden over wat mogelijk is, uitbreiden.

AI en gegevens moeten dienen om besluitvorming te ondersteunen, niet alleen om analyses en voorspellingen te genereren. Besluitvormers verdrinken in analyses en worden geconfronteerd met steeds complexere keuzes. We moeten onze focus verleggen van het bieden van inzichten en voorspellingen naar het creëren van interactieve beslissingsondersteuningsystemen die prescriptieve oplossingen bieden op basis van beschikbare gegevens. Deze benadering stelt u in staat om complexiteit te navigeren en betere beslissingen te nemen die evolueren naarmate omstandigheden veranderen.

Kijkend naar de toekomst, waar ziet u de grootste kansen voor evolutionaire AI om impact te hebben buiten landgebruik – of het nu gaat om infectieziektebestrijding, hernieuwbare energiestrategie of iets heel anders?

Infectieziekten, hernieuwbare energiestrategie en voedselonzekerheid zijn allemaal waardige gebieden waar evolutionaire AI impact kan hebben. Een COVID-19-initiatief waar we aan werkten, toont het potentieel. Via Project Resilience hebben we systemen gebouwd die pandemische controle en economische stabiliteit konden optimaliseren, waardoor overheden zoals IJsland gegevensgestuurde beslissingen konden nemen over het openen van scholen.

Met evolutionaire AI lossen we eindelijk de meest dringende mondiale uitdagingen op in een fundamenteel andere manier, een die concrete beleidsmaatregelen kan aanbevelen die concurrerende prioriteiten in evenwicht brengen, in plaats van een-op-één-oplossingen te produceren.

De kracht van evolutionaire AI is dat het duizenden beleidscombinaties kan simuleren, waarbij het werkt en wat niet werkt wordt bewaard en verworpen. En het is niet alleen theoretisch. We bouwen interactieve instrumenten die deze mogelijkheid in handen van echte besluitvormers leggen.

Na decennia in het AI-veld, hebt u hype-cycli zien komen en gaan. Wat geeft u vertrouwen dat de huidige golf – vooral instrumenten zoals deze – eindelijk de belofte van AI inhoudt om de samenleving te verbeteren?

Ware vooruitgang in de belofte van AI om de samenleving te verbeteren gebeurt wanneer we verder gaan dan de hype-cyclus en systemen bouwen die menselijke besluitvorming in gebieden die ertoe doen versterken, waaronder duurzaamheid. Dat is de echte test of AI eindelijk zijn belofte inhoudt.

Wat ik consistent heb waargenomen, is dat technologie vordert via voorspelbare patronen van optimalisatie en democratisering, in plaats van enkele over-hyped momenten. Kijk naar de geschiedenis van computing. We gingen van kamergrote computers naar krachtige horloges via voortdurende verfijning, in plaats van één dramatische sprong.

Ik geloof echt dat we op een keerpunt zitten waar de technologie echt de samenleving kan verbeteren. De weg vooruit ligt via praktische toepassingen die reële menselijke problemen oplossen, zoals ons landgebruikswerk dat koolstofreductie in evenwicht brengt met andere doelen. Dat is hoe AI zijn belofte inhoudt: via meetbare impact op onze meest uitdagende problemen.

Cognizant heeft onlangs een Guinness World Record gevestigd met de grootste vibe-coding-evenement – meer dan 53.000 medewerkers in 40 landen, met meer dan 30.000 prototypes. Vanuit uw perspectief, wat zegt dit over de rol van vibe-coding bij het democratiseren van AI-vaardigheden in grote organisaties?

De omvang en impact van ons vibe-coding-evenement spreekt boekdelen over hoe transformatief deze benadering kan zijn bij het democratiseren van AI-vaardigheden. Meer dan 40% van de deelnemers waren niet-coders, en 20% hadden nog nooit eerder een regel code geschreven. Dit zegt dat vibe-coding niet gaat over het verlagen van de lat, maar over het openen van deuren voor een evoluerende workforce met AI. We gebruikten zelfs een multi-agent AI-systeem om de 30.000 prototype-inschrijvingen in één dag te beoordelen, wat een menselijk team een heel jaar zou kosten.

In plaats van diepe programmeerkennis te vereisen, stelt vibe-coding iedereen met een idee in staat om het uit te drukken in natuurlijke taal en samen te werken met AI om het tot leven te brengen. Voor ervaren ontwikkelaars stelt dit hen in staat om meer van het saaie codingsproces te automatiseren, waardoor ze zich kunnen concentreren op hogere-waarde-werk dat bedrijfswaarde drijft. Persoonlijk was ik verbaasd over hoe snel ik een complex algoritme van pseudo-code kon vertalen naar een werkende toepassing, waardoor ik me kon concentreren op de creatieve en strategische aspecten.

Door de barrières te verlagen en handen-van-experimenten met generatieve AI mogelijk te maken, verplaatsen we AI-vaardigheden van een gespecialiseerde vaardigheid naar een gedeelde organisatorische capaciteit. Voor organisaties helpt vibe-coding om creativiteit te versnellen, barrières te verwijderen en de collectieve intelligentie van een hele workforce op een ongekende schaal te ontgrendelen.

Behalve de indrukwekkende omvang, wat waren enkele van de meest betekenisvolle resultaten van deze vibe-coding-initiatief? Ziet u dit als een sjabloon voor hoe ondernemingen innovatie en toegepaste AI-vaardigheden op mondiaal niveau kunnen cultiveren?

De echte impact van onze Vibe Coding-initiatief was de enthousiasme die we zagen in onze organisatie, met medewerkers van HR, sales, engineering, finance, juridische zaken, marketing en meer die AI omarmden en deelnamen. Hun ideeën, geworteld in diepe domeinkennis en praktische zakelijke inzichten, leidden tot duizenden prototypes die anders nooit zouden zijn opgedoken.

Met meer dan 30.000 unieke projecten die uit deze inspanning voortkwamen, zetten we de toon voor de AI-economie, waar iedereen de instrumenten heeft om te innoveren met AI. Tegelijkertijd ontgrendelen we creativiteit op grote schaal en empoweren we de workforce – zowel binnen Cognizant als voor onze klanten in de industrieën die we bedienen – om meer AI-geletterd te worden.

We zien dit initiatief absoluut als een sjabloon dat andere organisaties kunnen repliceren. Door toegankelijke AI-gedreven instrumenten, een collaboratieve en open cultuur, en schaalbare AI-geactiveerde evaluatie te combineren, kunnen we onze klanten beter dienen om ongebruikte creativiteit te ontgrendelen en de ontwikkeling van AI-vaardigheden in hun workforce te versnellen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen bezoeken Cognizant.