Molham Aref, CEO & Founder van RelationalAI

Molham is de Chief Executive Officer van RelationalAI. Hij heeft meer dan 30 jaar ervaring in het leiden van organisaties die high-value machine learning en artificial intelligence-oplossingen ontwikkelen en implementeren in verschillende industrieën. Voordat hij bij RelationalAI kwam, was hij CEO van LogicBlox en Predictix (nu Infor), CEO van Optimi (nu Ericsson (ERIC )), en mede-oprichter van Brickstream (nu FLIR). Molham bekleedde ook senior leiderschapsfuncties bij HNC Software (nu FICO) en Retek (nu Oracle (ORCL )).

RelationalAI brengt decennia van ervaring in de industrie, technologie en productontwikkeling samen om de eerste en enige echte cloud-native kennisgraafgegevensbeheersysteem te ontwikkelen om de volgende generatie intelligente gegevensapplicaties te laten draaien.

Als oprichter en CEO van RelationalAI, wat was de initiële visie die u ertoe bracht het bedrijf op te richten, en hoe is die visie in de afgelopen zeven jaar geëvolueerd?

De initiële visie was gericht op het begrijpen van de impact van kennis en semantiek op de succesvolle implementatie van AI. Voordat we waar we nu zijn met AI, lag de focus voornamelijk op machine learning (ML), wat het analyseren van grote hoeveelheden gegevens ompte om conciese modellen te creëren die gedragingen beschreven, zoals fraudeopsporing of consumenteninkooppatronen. Na verloop van tijd werd het duidelijk dat om AI effectief te implementeren, er een behoefte was om kennis op een manier te representeren die zowel toegankelijk was voor AI als in staat was om complexe systemen te vereenvoudigen.

Deze visie is sindsdien geëvolueerd met deep learning-innovaties en meer recent, taalmodellen en generatieve AI. Deze vooruitgang heeft niet veranderd wat ons bedrijf doet, maar heeft de relevantie en het belang van hun aanpak verhoogd, met name om AI meer toegankelijk en praktisch te maken voor bedrijfsgebruik.

Volgens een recent PwC-rapport kan AI tegen 2030 tot $15,7 biljoen bijdragen aan de wereldwijde economie. Wat zijn volgens u de belangrijkste factoren die deze aanzienlijke economische impact zullen drijven, en hoe moeten bedrijven zich voorbereiden om van deze kansen te profiteren?

De impact van AI is al aanzienlijk en zal ongetwijfeld blijven stijgen. Een van de belangrijkste factoren die deze economische impact drijven, is de automatisering van intellectuele arbeid.

Taken zoals het lezen, samenvatten en analyseren van documenten – taken die vaak door hoogbetaalde professionals worden uitgevoerd – kunnen nu grotendeels geautomatiseerd worden, waardoor deze diensten veel goedkoper en toegankelijker worden.

Om van deze kansen te profiteren, moeten bedrijven investeren in platforms die de gegevens- en compute-eisen van het uitvoeren van AI-workloads kunnen ondersteunen. Het is belangrijk dat ze kosteneffectief kunnen schalen en dat ze investeren in AI-geletterdheid onder werknemers, zodat ze weten hoe ze deze modellen effectief en efficiënt kunnen gebruiken.

Terwijl AI zich blijft integreren in verschillende industrieën, wat zijn de grootste uitdagingen waar bedrijven mee te maken krijgen bij het effectief implementeren van AI? Hoe speelt gegevens een rol bij het overwinnen van deze uitdagingen?

Een van de grootste uitdagingen die ik zie, is het zorgen dat industrie-specifieke kennis toegankelijk is voor AI. Wat we vandaag zien, is dat veel bedrijven kennis hebben verspreid over databases, documenten, spreadsheets en code. Deze kennis is vaak ondoorzichtig voor AI-modellen en laat organisaties niet toe om het maximale waarde uit te halen.

Een significante uitdaging die de industrie moet overwinnen, is het beheren en unificeren van deze kennis, soms aangeduid als semantiek, om het toegankelijk te maken voor AI-systemen. Door dit te doen, kan AI effectiever zijn in specifieke industrieën en binnen het bedrijf, omdat ze dan hun unieke kennisbasis kunnen benutten.

U hebt vermeld dat de toekomst van generatieve AI-adoptie een combinatie van technieken zoals Retrieval-Augmented Generation (RAG) en agentic architectures zal vereisen. Kunt u uitleggen waarom deze gecombineerde benaderingen noodzakelijk zijn en wat de voordelen zijn?

Het zal verschillende technieken zoals GraphRAG en agentic architectures vergen om AI-gestuurde systemen te creëren die niet alleen nauwkeuriger zijn, maar ook in staat zijn om complexe informatie-opzoek- en verwerkingstaken aan te pakken.

Veel mensen beginnen nu te realiseren dat we meer dan één techniek nodig zullen hebben om AI verder te ontwikkelen, maar in plaats daarvan een combinatie van modellen en tools zullen gebruiken. Een van die technieken is agentic architectures, waarbij u agents met verschillende capaciteiten heeft die helpen om een complex probleem aan te pakken. Deze techniek breekt het op in stukken die u uitbesteedt aan verschillende agents om de resultaten te behalen die u wilt.

Er is ook retrieval augmented generation (RAG) die ons helpt om informatie te extraheren wanneer we taalmodellen gebruiken. Toen we voor het eerst met RAG werkten, konden we vragen beantwoorden waarvan de antwoorden in één deel van een document konden worden gevonden. Maar we ontdekten al snel dat taalmodellen moeite hebben om vragen te beantwoorden, vooral wanneer u informatie heeft die verspreid is over verschillende locaties in lange documenten en over documenten heen. Dus dit is waar GraphRAG om de hoek komt kijken. Door taalmodellen te gebruiken om kennisgraafrepresentaties van informatie te creëren, kan het dan toegang krijgen tot de informatie die we nodig hebben om de resultaten te behalen die we nodig hebben en de kans op fouten of hallucinaties te verminderen.

Gegevensunificatie is een kritisch onderwerp bij het stimuleren van AI-waarde binnen organisaties. Kunt u uitleggen waarom geünificeerde gegevens zo belangrijk zijn voor AI en hoe ze beslissingsprocessen kunnen transformeren?

Geünificeerde gegevens zorgen ervoor dat alle kennis die een onderneming heeft – of het nu in documenten, spreadsheets, code of databases zit – toegankelijk is voor AI-systemen. Deze unificatie betekent dat AI effectief de specifieke kennis kan benutten die uniek is voor een industrie, subindustrie of zelfs een enkele onderneming, waardoor AI meer relevant en nauwkeurig is in zijn uitvoer.

Zonder gegevensunificatie kunnen AI-systemen alleen werken met gefragmenteerde stukjes kennis, wat leidt tot onvolledige of onnauwkeurige inzichten. Door gegevens te unificeren, zorgen we ervoor dat AI een complete en samenhangende afbeelding heeft, wat essentieel is voor het transformeren van beslissingsprocessen en het stimuleren van echte waarde binnen organisaties.

Hoe helpt RelationalAI’s aanpak van gegevens, met name met zijn relationele kennisgraafsystem, ondernemingen om betere beslissingsresultaten te behalen?

RelationalAI’s data-centrische architectuur, met name ons relationele kennisgraafsystem, integreert kennis rechtstreeks met gegevens, waardoor het zowel declaratief als relationeel is. Deze aanpak contrasteert met traditionele architecturen waarin kennis in code is ingebed, waardoor toegang en begrip voor niet-technische gebruikers worden bemoeilijkt.

In de huidige concurrerende zakelijke omgeving is snelle en geïnformeerde besluitvorming essentieel. Maar veel organisaties worstelen omdat hun gegevens de noodzakelijke context ontbreken. Ons relationele kennisgraafsystem unificeert gegevens en kennis, waardoor een alomvattende visie ontstaat die zowel mensen als AI in staat stelt om nauwkeurigere beslissingen te nemen.

Neem bijvoorbeeld een financiële dienstverlener die beleggingsportefeuilles beheert. Het bedrijf moet markttrends, klantprofielen, regelgevingswijzigingen en economische indicatoren analyseren. Ons kennisgraafsystem kan deze complexe, onderling verbonden factoren snel synthetiseren, waardoor het bedrijf tijdig en geïnformeerde beleggingsbeslissingen kan nemen die rendementen maximaliseren en risico’s beheersen.

Deze aanpak vermindert ook complexiteit, verbetert portabiliteit en minimaliseert afhankelijkheid van specifieke technologieleveranciers, waardoor langdurige strategische flexibiliteit in besluitvorming ontstaat.

Wat is de rol van de Chief Data Officer (CDO) in de toekomst, en welke vaardigheden zullen essentieel zijn voor hen?

De rol van de CDO evolueert snel, vooral met de opkomst van AI. Traditioneel vielen de verantwoordelijkheden die nu onder de CDO vallen onder de CIO of CTO, met een focus op technologieoperaties of de technologie die door het bedrijf werd geproduceerd. Maar aangezien gegevens een van de meest waardevolle activa zijn geworden voor moderne ondernemingen, is de rol van de CDO distinct en cruciaal geworden.

De CDO is verantwoordelijk voor het waarborgen van de privacy, toegankelijkheid en monetaire waarde van gegevens binnen de organisatie. Aangezien AI zich verder integreert in bedrijfsoperaties, zal de CDO een cruciale rol spelen bij het beheren van de gegevens die AI-modellen voeden, ervoor zorgend dat deze gegevens schoon, toegankelijk en ethisch worden gebruikt.

Essentiële vaardigheden voor CDO’s in de toekomst zullen een diep begrip van gegevensgovernance, AI-technologieën en bedrijfsstrategie omvatten. Zij zullen moeten samenwerken met andere afdelingen, teams empoweren die traditioneel geen directe toegang tot gegevens hadden, zoals financiën, marketing en HR, om gegevensgedreven inzichten te benutten. Deze capaciteit om gegevens te democratiseren binnen de organisatie zal essentieel zijn voor innovatie en het behouden van een concurrerend voordeel.

Hoe ondersteunt RelationalAI CDO’s en hun teams bij het beheren van de toenemende complexiteit van gegevens en AI-integratie binnen organisaties?

RelationalAI speelt een fundamentele rol bij het ondersteunen van CDO’s door de tools en frameworks te bieden die nodig zijn om de complexiteit van gegevens en AI-integratie effectief te beheren. Met de opkomst van AI zijn CDO’s verantwoordelijk voor het waarborgen dat gegevens niet alleen toegankelijk en veilig zijn, maar ook dat ze maximaal worden benut binnen de organisatie.

We helpen CDO’s door een data-centrische aanpak te bieden die kennis rechtstreeks naar de gegevens brengt, waardoor het toegankelijk en begrijpelijk wordt voor niet-technische stakeholders. Dit is vooral belangrijk aangezien CDO’s werken aan het in handen stellen van gegevens van diegenen in de organisatie die traditioneel geen toegang hadden, zoals marketing, financiën en zelfs administratieve teams. Door gegevens te unificeren en het beheer te vereenvoudigen, stelt RelationalAI CDO’s in staat om hun teams te empoweren, innovatie te stimuleren en ervoor te zorgen dat hun organisaties maximaal kunnen profiteren van de kansen die door AI worden geboden.

RelationalAI benadrukt een data-centrische basis voor het bouwen van intelligente applicaties. Kunt u voorbeelden geven van hoe deze aanpak heeft geleid tot significante efficiëntie en besparingen voor uw klanten?

Onze data-centrische aanpak contrasteert met het traditionele applicatie-centrische model, waarin bedrijfslogica vaak in code is ingebed, waardoor toegang en begrip voor niet-technische gebruikers worden bemoeilijkt. Door kennis centraal te stellen binnen de gegevens zelf en het declaratief en relationeel te maken, hebben we klanten geholpen om de complexiteit van hun systemen aanzienlijk te verminderen, wat heeft geleid tot grotere efficiëntie, minder fouten en uiteindelijk aanzienlijke kostenbesparingen.

Bijvoorbeeld heeft Blue Yonder onze technologie gebruikt als een Knowledge Graph Coprocessor binnen Snowflake, waardoor de semantische begrip en redeneercapaciteiten nodig waren om verstoringen te voorspellen en proactief mitigatieacties te nemen. Deze aanpak stelde hen in staat om hun legacy-code met meer dan 80% te reduceren en een schaalbaar en uitbreidbaar oplossing te bieden.

Evenzo heeft EY Financial Services een dramatische verbetering ervaren door hun legacy-code met 90% te reduceren en de verwerkingstijden van meer dan een maand tot slechts enkele uren te verkorten. Deze resultaten laten zien hoe onze aanpak bedrijven in staat stelt om flexibeler en responsiever te zijn op veranderende marktomstandigheden, zonder in de valkuil van vendor-lock-in te trappen.

Gegeven uw ervaring met het leiden van AI-gedreven bedrijven, wat zijn de meest kritische factoren voor het succesvol implementeren van AI op grote schaal binnen een organisatie?

Uit mijn ervaring zijn de meest significante factoren voor het succesvol implementeren van AI op grote schaal het hebben van een sterke basis van gegevens en kennis, en dat uw werknemers, met name die met meer ervaring, de tijd nemen om te leren en zich comfortabel te voelen met AI-hulpmiddelen.

Het is ook belangrijk om niet in de valkuil van extreme emotionele reacties te trappen – ofwel overmatige hype of diepe cynisme – rondom nieuwe AI-technologieën. In plaats daarvan beveel ik een gestage, consistente aanpak aan voor het adopteren en integreren van AI, met een focus op incrementele verbeteringen in plaats van een zilveren kogel-oplossing te verwachten.

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