Babak Hodjat, Chief AI Officer i Cognizant – Intervju-serie

Babak Hodjat, Chief AI Officer leder AI Research Labs, et team av utviklere og forskere som driver fremover utviklingen av kunstig intelligens, bygger forskjellige AI-funksjoner i Cognizants tilbud og leder selskapets AI-til gode initiativer.

Babak er tidligere medgründer og CEO av Sentient, ansvarlig for den teknologien som ligger bak verdens største distribuerte AI-system. Babak var også gründeren av verdens første AI-drevne hedgefond, Sentient Investment Management.

Babak er en serial entrepreneur, som har startet flere selskaper i Silicon Valley som hovedoppfinner og teknolog. Før han startet Sentient, var Babak senior director of engineering i Sybase iAnywhere, der han ledet mobile løsninger. Før Sybase var Babak medgründer, CTO og styremedlem i Dejima Inc. Babak er hovedoppfinneren av Dejimas patenterte, agent-orienterte teknologi som brukes i intelligente grensesnitt for mobile og bedriftsdatamaskiner – teknologien bak Apples Siri.

Babak har publisert over 50 artikler i feltene kunstig liv, agent-orientert programvareutvikling og distribuert kunstig intelligens, og har 39 patenterte US-patent i hans navn. Han er en ekspert i flere felt innen AI, inkludert naturlig språkbehandling, maskinlæring, evolusjonære algoritmer og distribuert AI.

Cognizant er et globalt selskap som tilbyr profesjonelle tjenester og IT-konsulenttjenester som hjelper organisasjoner å modernisere sin digitale infrastruktur, implementere nye teknologier som AI, sky, data og automatisering, og omstrukturere forretningsprosesser for å drive agility og vekst.

Du har grunnlagt flere AI-selskaper, skrevet to bøker og hjulpet å bane vei for teknologi som har påvirket Siri. Ser du tilbake, hva var de personlige erfaringene eller vendingpunktene som mest har formet din tro på AI som et verktøy for å ha en reell innvirkning?

Min fascinasjon for AI begynte tidlig i mine akademiske år og har bare blitt sterkere siden da. Noen nøkkelmomenter inkluderte å lage noen av de første agent-baserte systemene på Dejima for programmering av forbrukervarer som din VCR, arbeidet vi gjorde på Sentient Technologies, å bruke AI til komplekse problemer som finansiell handel. Den naturlige språkteknologien jeg utviklet for Siri, som også var agent-basert, var et annet vendingpunkt.

Disse praktiske anvendelsene viste meg at AI kunne gå utenfor teoretiske konsepter og levere konkrete forretningsverdier. Vi er nå på vei inn i en eksplosiv periode for kommersialisering av AI-teknologier, spesielt med multi-agent-systemer som vil fullstendig forandre hvordan bedrifter opererer, og muliggjøre automatisering av mange komplekse oppgaver.

La oss snakke om ditt siste prosjekt – dette AI-drevne systemet for arealplanlegging utviklet med University of Texas. Hva inspirerte utviklingen av dette verktøyet, og hvordan representerer det en skifte fra teoretisk AI til reell politisk innvirkning?

AI-systemet for arealplanlegging vi utviklet i samarbeid med University of Texas at Austin var inspirert av behovet for å håndtere komplekse miljø- og økonomiske avveininger i global arealbruk. Den maskinlærings-drevne rammen bruker teknologien bak Cognizant Neuro AI Decisioning og er bygget på Project Resilience-plattformen.

Vårt felles forskningsteam hadde som mål å hjelpe å realisere FNs bærekraftsmål ved å lage et verktøy som kunne optimalisere arealbruk for å maksimere karbonlagring, minimere økonomiske forstyrrelser og bevare matforsyning og habitater. Tradisjonelle tilnærminger overser ofte nuanserte avveininger, som lokale effekter av å konvertere dyrket mark eller gressland til skog. Vi tok en annen vei som utnyttet evolusjonær AI, en beregningsmetode inspirert av naturlig seleksjon. Den var designet for å utforske tusenvis av politiske scenarioer, iterativt forbedre og balansere konkurrerende mål for mer effektive, kontekst-sensitive arealstrategier.

Systemet markerer en betydelig skifte fra teoretiske AI-konsepter til reell politisk innvirkning. Det integrerer historisk arealdata som går tilbake til århundrer og karbondata med sofistikerte evolusjonære algoritmer for å gi handlebare, optimerte anbefalinger i stedet for abstrakte forutsigelser.

Separat har vi også laget et interaktivt verktøy som genererer og vurderer klimapolitiske scenarioer ved hjelp av En-ROADS-simulatoren, som hjelper beslutningstakere å sammenligne og tilpasse handlingsplaner. Systemet lar lovgivere og beslutningstakere simulere politiske incitamenter og direkte forstå avveininger, og hjelper dem å velge målrettede, effektive intervensjoner. Systemets integrasjon med plattformer som Climate Interactives En-ROADS-simulator muliggjør skaling av AI-drevet klimapolitisk optimalisering til bredere publikum, og understreker AI som en praktisk partner i å håndtere reelle bærekraftsutfordringer.

Kan du gå gjennom hvordan verktøyet fungerer fra en brukers perspektiv? Hvilke slags beslutninger kan det støtte, og hvordan leverer det tilpassede anbefalinger for ulike regioner?

Fra en brukers synspunkt fungerer AI-drevne verktøyet som en interaktiv beslutningsstøttesystem i en dynamisk, data-drevet miljø som hjelper deg å ta bedre beslutninger som fungerer for klimamål.

Lovgivere, lovgivere og andre interessenter kan utforske ulike arealstrategier og deres miljø- og økonomiske konsekvenser. Brukere kan simulere incitamenter – skattelettelser for jordeiere, for eksempel – og observere hvordan de kan påvirke arealendringer for å redusere karbon.

Det støtter en rekke beslutninger tilpasset ulike regioner. For eksempel kan det hjelpe deg å bestemme hvor å gjøre arealendringer for beste resultater, hvor mye areal å konvertere (som å gå fra dyrket mark til skog), og hva for- og ulemper er med ulike arealpolitikk. For å gi tilpasset råd, ser det på global arealbrukshistorikk og karbondata for å foreslå ulike tilnærminger for ulike områder. Det kan ta hensyn til regionsspesifikke karakteristika, som breddegrad og arealtype.

En-ROADS-simulatoren, drevet av Neuro AI, kan hjelpe lovgivere og lovgivere å eksperimentere med ulike avveininger for å nå ulike klimamål.

Evolusjonær AI har blitt beskrevet som “hemmeligheten” bak dette prosjektet. Hvordan fungerer denne tilnærmingen i praksis, og hvorfor er den så effektiv for å løse komplekse miljø- og politiske utfordringer?

Idéen bak evolusjonær AI er inspirert av naturlig seleksjon i biologi. Som en beregningsmetode i sammenheng med arealplanlegging, i praksis, etterligner den naturlig evolusjon for å finne kreative løsninger for komplekse miljøproblemer som tradisjonelle metoder sliter med.

I stedet for å prøve å programmere perfekte arealpolitikk på forhånd, skaper evolusjonær AI-drevne tilnærmingen ulike politiske modeller og tester hver enkelt i simuleringsmiljøer med virkelig klima- og arealdata. Den beholder de best fungerende politikkene og “avler” dem sammen, legger til mutasjoner for å oppdage uventede løsninger. Den gjentar denne prosessen over mange generasjoner, vinnes dårlige performere og beholder de beste over hundrevis eller tusenvis av scenarioer.

Dette fungerer godt for miljøutfordringer fordi det ikke blir overveldet av multiple variabler som jordtyper, klimaforhold og økonomiske faktorer.

Arealpolitikk ofte involverer konkurrerende mål – økonomisk vekst, karbonreduksjon, mattrygghet. Hvordan håndterer ditt system disse avveininger, og hva slags uventede innsikter har det avdekket så langt?

Vårt AI-system var bygget spesielt for å håndtere konkurrerende mål som økonomisk vekst, karbonreduksjon og mattrygghet. Det genererer Pareto-fronter (et ingeniørkonsept brukt i multi-objektive optimalisering) som avveier karbonpåvirkning og arealendring for ulike lokasjoner.

Forskningsgruppen oppdaget flere uventede innsikter. For eksempel, mens konvensjonell visdom anerkjenner skoger som gode til å lagre karbon, anbefalte AI-en ikke å maksimere skogdekket overalt. I stedet avdekket den viktige distinksjoner: å erstatte beiteområder som ørken og gressland med skog, var ikke like effektivt som å erstatte dyrket mark med skog. Geografisk lokasjon viste seg også å være avgjørende. Identiske arealendringer produserte ulike resultater avhengig av breddegrad.

Prioritering var en av AI-ens mest praktiske innsikter. I stedet for å spre anstrengelsene jevnt, foreslo den å konsentrere store arealendringer i strategiske lokasjoner der de ville ha størst innvirkning.

Project Resilience har som mål å skalle denne typen AI-nytte til å håndtere bærekraftsmål utover klima – som energi, helse og til og med pandemirespons. Hva er det som mest spenner deg om muligheten til å utvide denne plattformen over domener?

Det som spenner meg mest om muligheten til å utvide denne plattformen, er at vi viser at bygging av AI på en måte som er samarbeidende, tilgjengelig og tilpassbar, kan lede til kraftfulle løsninger for å håndtere store globale utfordringer. Project Resilience-plattformen er et godt eksempel på å sette disse tre prinsippene i handling. Beslutningstakere, dataeksperter og allmennheten kan delta for å utvikle AI-verktøy og ta bedre beslutninger for betydelig innvirkning. Vi inviterer våre lesere til å være bidragsytere her.

AI Lab i Cognizant er nå en stor driver for innovasjon, med dusinvis av patenter og en milliarddollars investeringsstrategi. Hvordan passer initiativer som dette inn i din bredere veikart for anvendt AI i stor skala?

Areal-AI-initiativet passer perfekt inn i vår tilnærming til anvendt AI i Cognizant, som fokuserer på å løse høy-impakt, komplekse, virkelige problemer i stedet for ren akademisk øvelse. Evolusjonær AI kan håndtere de ofte komplekse avveininger funnet i forretnings- og politiske beslutninger. Å håndtere klimautfordringer gjennom en tilnærming som balanserer økonomiske, sosiale og miljømessige faktorer, demonstrerer hvordan AI kan levere praktisk verdi samtidig som den håndterer konkurrerende prioriteringer.

Arbeidet reflekterer også vår visjon for å utvikle AI som supplere menneskelig beslutning i stedet for å erstatte den.

Du har ledet AI-anstrengelser over startups og bedrifter. Hva er nøkkel til å sikre at teknologier som evolusjonær AI forblir forklarbare og handlebare – ikke bare kraftfulle – for regjeringer og industrielle interessenter?

En av de største styrkene med evolusjonær AI er at den ikke bare forsøker å bestemme optimale løsninger, men kan avsløre strategiske alternativer som utvider interessenters forståelse av hva som er mulig.

AI og data må tjene beslutning, ikke bare generere rapporter. Beslutningstakere drukner i analyser mens de står overfor økende komplekse valg. Vi må skifte fokus fra å bare gi innsikt og forutsigelser til å lage interaktive beslutningsstøttesystemer som tilbyr prescriptive løsninger basert på tilgjengelige data. Denne tilnærmingen muliggjør å navigere kompleksitet og ta bedre beslutninger som utvikler seg når omstendighetene endrer seg.

Ser fremover, hvor ser du de største mulighetene for evolusjonær AI å drive innvirkning utenfor arealbruk – enten i smittekontroll, fornybar energiplanlegging eller noe helt annet?

Smittekontroll, fornybar energiplanlegging og mattrygghet er alle verdige områder hvor evolusjonær AI kan drive innvirkning. En COVID-19-æra-initiativ vi arbeidet på, viser potensialet. Gjennom Project Resilience, bygde vi systemer som kunne optimalisere for pandemikontroll og økonomisk stabilitet samtidig, og hjalp regjeringer som Island å ta datadrevne beslutninger om åpning av skoler.

Med evolusjonær AI, håndterer vi endelig de mest presserende globale utfordringene på en fundamentalt annen måte, en som kan anbefale konkrete politikker som balanserer konkurrerende prioriteringer i stedet for å produsere en-size-fits-all-løsninger.

Kraften i evolusjonær AI er at den kan simulere tusenvis av politiske kombinasjoner, beholde det som fungerer og forkaste det som ikke gjør det. Og det er ikke bare teoretisk. Vi bygger interaktive verktøy som setter denne kapasiteten i hendene på virkelige beslutningstakere.

Etter årtier i AI-feltet, har du sett hype-sykluser komme og gå. Hva gir deg tillit til at den nåværende bølgen – spesielt verktøy som dette – endelig leverer på AI-ens lange stående løfte om å forbedre samfunnet?

Sann fremgang mot AI-ens løfte om å forbedre samfunnet skjer når vi går utenfor hype-syklusen og bygger systemer som forbedrer menneskelig beslutning i områder som teller, inkludert bærekraft. Det er den virkelige testen på om AI endelig leverer på sitt løfte.

Det jeg konsekvent har observert, er at teknologi fremmer gjennom forutsigbare mønster av optimalisering og demokratisering, i stedet for enkelt over-hyped øyeblikk. Se på datamaskinhistorien. Vi gikk fra rom-størrelse datamaskiner til kraftfulle klokker gjennom kontinuerlig forbedring, ikke ett dramatisk sprang.

Jeg tror vi er på et vendepunkt hvor teknologien kan virkelig forbedre samfunnet. Veien fremover er gjennom praktiske anvendelser som løser virkelige menneskelige problemer, som vårt arealbruk-arbeid som balanserer karbonreduksjon med andre mål. Det er hvordan AI innfrir sitt løfte: gjennom målbart innvirkning på våre mest utfordrende problemer.

Cognizant har nylig satt en Guinness World Record med verdens største vibe-koding-arrangement – engasjerte over 53 000 ansatte over 40 land og produserte over 30 000 prototyper. Fra din perspektiv, hva sier dette om rollen til vibe-koding i å demokratisere AI-fluens i store organisasjoner?

Skalene og innvirkningen av vårt vibe-koding-arrangement sier mye om hvor transformasjonelt denne tilnærmingen kan være i å demokratisere AI-fluens. Over 40% av deltakerne var ikke-kodere, og 20% hadde aldri skrevet en linje med kode før. Dette sier at vibe-koding ikke er om å senke standarden, men om å åpne døren til en utviklingsarbeidsstyrke med AI. Vi brukte også et multi-agent AI-system til å vurdere de 30 000 prototype-innleggene på bare en dag, noe som ville ha tatt en menneskelig gruppe et helt år.

I stedet for å kreve dyp programmeringsekspertise, lar vibe-koding noen med en idé å uttrykke den i naturlig språk og samarbeide med AI for å bringe den til live. For erfarne utviklere, lar dette dem automatisere mer av den mundane kodingsprosessen, og frigjøre dem til å fokusere mer på høyverdi-arbeid som driver forretningsverdi. Personlig var jeg overrasket over hvor raskt jeg kunne oversette et komplekst algoritme fra pseudokode til en fungerende applikasjon, og frigjøre meg til å fokusere fullstendig på de kreative og strategiske aspektene.

Ved å senke barrierene og muliggjøre hånd-til-hånd-eksperimentering med generativ AI, flytter vi AI-fluens fra en spesialisert ferdighet til en delt organisatorisk evne på en utenforliggende skala.

Utenom den imponerende skalaen, hva var noen av de mest betydningsfulle resultater av denne vibe-koding-initiativet? Ser du på dette som en mal for hvordan bedrifter kan kultivere innovasjon og anvendt AI-ferdigheter på en global skala?

Den virkelige innvirkningen av vårt Vibe Coding-initiativ var entusiasmen vi så over hele organisasjonen, med ansatte fra HR, salg, ingeniører, finanse, juridiske, markedsføring og mer som omfattet AI og deltok. Deres ideer, grundet i dyp domenekunnskap og praktisk forretningsinnsikt, ledet til tusenvis av prototyper som ellers ikke ville ha kommet til overflaten.

Med over 30 000 unike prosjekter som resultat av denne innsatsen, setter vi tempoet for AI-økonomien, hvor alle har verktøyene til å innovere med AI. Samtidig låser vi kreativitet på skala og muliggjør arbeidsstyrken – både internt i Cognizant og for våre kunder over industrien vi betjener – til å bli mer AI-kyndige.

Vi ser absolutt på dette initiativet som en mal andre organisasjoner kan replikere. Ved å kombinere tilgjengelige AI-drevne verktøy, en åpen og samarbeidende kultur, og skalerbar AI-aktiverende vurdering, kan vi bedre betjene våre kunder for å låse opp utilgjengelig kreativitet og akselerere utviklingen av AI-ferdigheter over hele arbeidsstyrken.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, kan besøke Cognizant.