Chris Mahl, President en CEO bij Pryon – Interviewreeks

Chris Mahl is President en Chief Executive Officer bij Pryon. Met meer dan twee decennia ervaring bij enkele van ‘s werelds meest bekende ondernemingssoftwarebedrijven, is Chris gespecialiseerd in het opschalen van go-to-market- en operationele strategieën voor technologiebedrijven in alle groeifases.

Pryon biedt een betrouwbare, veilige en bewezen weg om generatieve AI in ondernemingen te implementeren. Pryon’s beste ingangs- en ophaaltechnologie kan worden gecombineerd met generatieve LLM’s om ophaalversterkte generatie te implementeren en nauwkeurige, directe en verifieerbare antwoorden op ondernemingsniveau te bieden.

Met behulp van de toonaangevende ophaaltechnologie kan Pryon RAG Suite veilig antwoorden uit alle soorten inhoud extraheren, waaronder audio, afbeeldingen, tekst en video, die zijn opgeslagen in een veelheid van bronnen. Pryon’s producten zijn intuïtief te gebruiken, toegankelijk via API vanuit elk systeem en kunnen in een paar weken in de cloud of on-premises worden geïmplementeerd.

Pryon richt zich op Retrieval-Augmented Generation (RAG). Kun je uitleggen hoe jullie aanpak van ophalen zich onderscheidt van andere AI-gebaseerde zoek- en kennisbeheersystemen?

Pryon’s aanpak van ophalen onderscheidt zich doordat onze Ophaal Engine in realtime toegang heeft tot inhoud vanuit diverse bronnen zoals PDF’s, afbeeldingen, webpagina’s en video’s, terwijl hij data-privacy zonder externe afhankelijkheden behoudt. We hebben semantische zoekopdrachten gecombineerd met granulaire data-attributie om een ophaalaccuratie van meer dan 90% te bereiken. In tegenstelling tot veel systemen, schaalt het onze effectief voor grote ondernemingen, waardoor teams snelle, precieze beslissingen kunnen nemen op basis van hun bestaande kennisbasis.

De Pryon Ingestion Engine is ontworpen om grote hoeveelheden multimodale inhoud te structureren. Wat maakt jullie innameproces uniek en hoe verhoogt het de ophaalaccuratie?

Pryon’s inname kan multimodale inhoud aan, zoals het extraheren van antwoorden uit audio, afbeeldingen, tekst en video vanuit diverse bronnen. Dit lost het fundamentele probleem van losse data in ondernemingen op. Met ongestructureerde data die jaarlijks met meer dan 50% groeit, transformeert onze inname-engine verspreide informatie in gestructureerde, actiegerichte kennis. Het proces is ontworpen voor beveiliging en privacy, waardoor gevoelige ondernemingsdata beschermd blijft, terwijl het direct bruikbaar wordt gemaakt.

Jullie Ophaal Engine belooft directe, nauwkeurige en verifieerbare antwoorden. Hoe zorgt Pryon ervoor dat de antwoorden nauwkeurig zijn en hallucinaties tot een minimum worden beperkt bij het extraheren van informatie?

Pryon zorgt ervoor dat de antwoorden nauwkeurig zijn en hallucinaties tot een minimum worden beperkt door middel van verschillende mechanismen. Onze technologie combineert semantische zoekopdrachten met granulaire data-attributie, waardoor antwoorden kunnen worden teruggespoord naar hun specifieke bronnen. Deze attributie is essentieel voor verificatie. Het systeem heeft toegang tot inhoud in realtime vanuit de oorspronkelijke bronnen, in plaats van te vertrouwen op mogelijk verouderde of onvolledige kennisbases. Deze directe verbinding met de bronmateriaal, in combinatie met onze hoge ophaalaccuratie (meer dan 90%), vermindert aanzienlijk het risico op hallucinaties die veel generatieve AI-systemen teisteren.

Hoe handelt Pryon real-time updates van informatie af, vooral in dynamische omgevingen zoals de overheid, energie en gezondheidszorg?

Pryon zorgt ervoor dat gebruikers toegang hebben tot de meest actuele informatie door middel van flexibele, on-demand inhoudsynchronisatie. Gebruikers kunnen inhoudssynchronisaties triggeren wanneer nodig via onze Admin-portal of automatiseren met onze Sync-API op een geplande basis – of het nu wekelijks, dagelijks of zelfs uurlijks is, afhankelijk van operationele behoeften. Ons delta-controleproces optimaliseert efficiency door alleen gewijzigde inhoud bij te werken, waardoor snelle, nauwkeurige en resource-efficiënte kennisopname in kritieke omgevingen zoals de overheid, energie en gezondheidszorg mogelijk wordt.

Pryon werkt samen met overheids- en defensie-agentschappen. Hoewel details vaak geheim zijn, kun je een use case bespreken waarin jullie AI de besluitvorming of operationele efficiëntie aanzienlijk verbeterde?

Pryon werkt samen met een reeks defensie- en inlichtingendiensten, waaronder het Air Force Research Laboratory (AFRL) en het Chief Digital and Artificial Intelligence Office (CDAO), om operaties te stroomlijnen en snellere, meer geïnformeerde besluitvorming mogelijk te maken.

Een krachtig voorbeeld is onze samenwerking met het Digital Transformation Office (DAF DTO) van het Amerikaanse ministerie van Defensie. Dit team ondersteunt aankoop- en onderhoudspersoneel dat vaak kritieke informatie moet vinden die verspreid is over honderdduizenden webpagina’s en documenten. Samen lanceerden we DTO Wingman, een AI-gebaseerde assistent die nauwkeurige, real-time antwoorden op complexe vragen levert – compleet met bronattributie.

In plaats van handmatig te zoeken naar beleidsdocumenten of regelgeving, kunnen gebruikers eenvoudig vragen stellen zoals “Wat mag ik kopen met mijn reiskostenkaart?” of “Wat is de Digitale Bouwcode en hoe heeft deze betrekking op aankopen?” De AI levert precieze antwoorden en helpt zelfs bij het genereren van rapporten en presentatiemateriaal.

Door het Amerikaanse luchtmacht- en ruimtevaartpersoneel direct toegang te geven tot betrouwbare antwoorden, helpt DTO Wingman teams om efficiënter te werken en betrouwbare, tijdige richtlijnen te bieden aan senior personeel en beslissers.

Jullie werk in de life sciences noemt AI-ondersteund onderzoek. Hoe helpt Pryon’s systeem onderzoekers om grote datasets zoals PubMed of privé-onderzoeksrepositories te navigeren?

Pryon’s systeem helpt onderzoekers om grote datasets zoals PubMed of privé-onderzoeksrepositories te navigeren door middel van verschillende sleutelfunctionaliteiten.

Verbeterde onderzoeksquality:

• Vermindering van menselijke fouten: Systematische ophaling van actuele gegevens zorgt voor minder gemiste artikelen of over het hoofd gezien bewijs.
• Ondersteund door bewijs: Elk antwoord is gebaseerd op de oorspronkelijke literatuur, waardoor datagebaseerde conclusies mogelijk worden, met bronnen die teruggespoord kunnen worden naar de zin waaruit ze afkomstig zijn.

Bescherming van zeer gevoelige inhoud:

• Vertrouwelijkheid: Strikte toegangscontrole en data-encryptie, essentieel voor propriëtaire of patiëntgerelateerde datasets.
• Naleving: Onderzoekers kunnen erop vertrouwen dat gevoelige informatie beschermd is, met data die wordt beheerd onder reguleringen zoals HIPAA of GDPR.

Voor klantenservice en verkoop, hoe vergelijkt Pryon’s AI zich met traditionele chatbot- en CRM-oplossingen in termen van het verhogen van efficiëntie en het verlagen van de ondersteuningslast?

Klantenservice-/verkoopinteracties moeten meestal een balans vinden tussen nauwkeurigheid en flexibiliteit van hun chatbot-/CRM-oplossingen. Aangezien het geven van een onjuist antwoord aan een klant onaanvaardbaar is en juridische gevolgen kan hebben, kiezen veel chatbot-leveranciers en traditionele conversational AI-oplossingen ervoor om de flexibiliteit van de oplossing te beperken met harde deterministische ‘FAQ-only’-style interacties.

Dit is een probleem voor de leverancier, die specifieke antwoorden op veelgestelde vragen handmatig moet coderen, en biedt een slechte ervaring voor de klant, die de interface van een chatbot heeft, maar een volledig inflexibele ervaring die nauwelijks verschilt van het lezen van een FAQ. Andere leveranciers proberen een meer flexibele generatieve ervaring te bieden met minder beperkingen op de LLM, maar vanwege een gebrek aan precieze ophaling, houdt dit in dat hele productcatalogi of webpagina’s in het contextvenster van de LLM worden gestopt, waardoor de nauwkeurigheid van de uitvoer afneemt, mogelijk met rampzalige gevolgen.

De kunst en wetenschap van RAG gaat over het maximaliseren van signaal (waarheid) en het minimaliseren van ruis (niet-relevante context die de LLM vaak verwarrend maakt). De precisie van Pryon’s ophaling – in staat om een specifiek antwoord op zin-niveau over alle documenten te bronnen – betekent dat klantenservice en verkoop geen compromis meer hoeven te sluiten tussen nauwkeurigheid en flexibiliteit.

Wat zie je als de grootste uitdagingen in de adoptie van ondernemings-AI vandaag, vooral met RAG-gebaseerde systemen?

Terwijl dit zeker iets is dat we in onze eigen interacties met de markt tegenkomen, wordt het ook steeds meer erkend dat ‘AI-klaar data’ (of het ontbreken daarvan) het enige grootste punt van falen is voor AI-implementaties.

• 91% van de executives in een Harvard Business Review-enquête zei dat een betrouwbare data-fundament essentieel is voor een succesvolle AI-implementatie.
• McKinsey vond dat 70% van de GenAI-initiatieven problemen ondervindt met betrekking tot data, met slechts 1% van de belangrijke data van een onderneming weerspiegeld in de huidige modellen.
• The Wall Street Journal noemde betrouwbaarheid als de nummer één zorg voor AI-agentadoptie – een kwestie die nauw verbonden is met datakwaliteit en -toegankelijkheid.
• Gartner identificeerde het ontbreken van GenAI-klaar data als de belangrijkste reden voor mislukte implementaties.

AI-klaar data gaat verder dan alleen het vectoriseren van uw woorddocumenten – het gaat over het unificeren van uw gesiloede bronnen, werken met complexe formaten zoals multimodale invoer, het schoonmaken van uw data, het verbeteren van uw data, het in een formaat brengen dat LLM’s kunnen gebruiken, het opdelen op het juiste niveau van granulariteit om optimale nauwkeurigheid te behouden en kosten te verlagen, intelligent indexeren en verbinden met een performante ophaalsysteem, enz.

Dit zijn grote uitdagingen die specifieke competenties en tools vereisen – in een enquête van RAG-bouwers die oplossingen ontwikkelen binnen grote ondernemingen die Pryon uitvoerde, werd data-voorbereiding gerangschikt als het nummer één meest dure, tijdrovende en technisch uitdagende deel van de bouw, gevolgd door informatie-opname.

Hoe onderscheidt Pryon’s RAG Suite zich van ondernemingsoplossingen aangeboden door Microsoft, Google of OpenAI?

Specifieke differentiatie varieert van speler tot speler, maar op hoog niveau zijn de grote technologiebedrijven gefocust op het zijn van de ‘interface’ naar AI op het werk. Pryon richt zich op een fundamenteler niveau van de stack – de kennislaag. Pryon lost diepe problemen van data-voorbereiding en -ophaling op, terwijl de grote technologiebedrijven gefocust zijn op het bieden van brede AI-oplossingen die enkele eenvoudige RAG-gevallen kunnen bedienen, maar vaak falen als de echte levenscomplexiteiten van ondernemings- en overheidsgevallen optreden. Pryon kan ook complementair zijn met deze systemen, met de inhoud gegenereerd door Copilot, Gemini of GPT die in de Pryon Knowledge Layer wordt geplaatst om te worden georganiseerd en klaar te worden gemaakt voor gebruik door downstream-toepassingen en -agenten.

Met de evolutie van AI-reguleringen, zoals de EU AI-wet en de Amerikaanse AI-richtlijnen, hoe benadert Pryon compliance en ethisch AI-gebruik?

Terwijl AI-reguleringen wereldwijd evolueren, blijft Pryon toegewijd aan compliance en ethische AI-implementatie. Onze aanpak is in overeenstemming met kaders zoals de EU AI-wet, de Amerikaanse AI-richtlijnen en de Department of Defense’s Responsible AI (RAI)-principes, waardoor onze AI-oplossingen betrouwbaar, transparant en beheersbaar zijn. Door strikte evaluatie, traceerbaarheid en continue monitoring te integreren in de AI-levenscyclus, prioriteren we beveiliging, eerlijkheid en prestaties. Door deze best practices in onze implementatiemethode te embedden, empoweren we ondernemingen om AI verantwoordelijk te gebruiken, terwijl we tegelijkertijd aan de hoogste regulatoire en ethische standaarden voldoen.

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