Chris Mahl, President og CEO i Pryon – Intervju-serie

Chris Mahl er president og sjef i Pryon. Med mer enn to tiår med erfaring i noen av verdens mest kjente bedriftsprogramvare-selskaper, spesialiserer Chris seg på å skalerer markeds- og driftsstrategier for teknologiselskaper i alle stadier av vekst.

Pryon tilbyr en pålitelig, sikker og bevist måte å implementere generativ AI i bedrifter. Pryons beste innhenting- og gjenvinningssystemer kan kombineres med generative LLM-er for å implementere gjenvinning-forsterket generering og levere nøyaktige, øyeblikkelige og verifiserbare svar på bedriftsnivå.

Pryon fokuserer på Gjenvinning-Forsterket Generering (RAG). Kan du forklare hvordan din tilnærming til gjenvinning skiller seg fra andre AI-drevne søke- og kunnskapsforvaltningssystemer?

Pryons tilnærming til gjenvinning skiller seg ut fordi vårt Gjenvinningssystem kan nå frem til innhold i sanntid fra ulike kilder som PDF-er, bilder, nettsider og videoer, samtidig som det opprettholder datavern og unngår eksterne avhengigheter. Vi har kombinerer semantisk søk med granulert data-attribuering for å oppnå over 90% gjenvinningsnøyaktighet. I motsetning til mange systemer, skalerer vårt system effektivt for store organisasjoner, og lar teamene ta raske og presise beslutninger basert på deres eksisterende kunnskapsbase.

Pryons Innhentingssystem er designet for å strukturere store mengder multimodalt innhold. Hva gjør din innhentingsprosess unik, og hvordan forbedrer den gjenvinningsnøyaktigheten?

Pryons innhenting kan håndtere multimodalt innhold – trekke ut svar fra lyd, bilder, tekst og video fra ulike kilder. Dette løser det grunnleggende problemet med frakoblet data i bedrifter. Med ustukturert data som vokser over 50% årlig, transformerer vårt innhentingssystem spredt informasjon til strukturert, anvendelig kunnskap. Prosessen er designet for sikkerhet og vern, og holder følsomme bedriftsdata beskyttet samtidig som den gjør dem umiddelbart nyttige.

Ditt Gjenvinningssystem lover øyeblikkelige, nøyaktige og verifiserbare svar. Hvordan sikrer Pryon nøyaktighet og minimiserer hallucinasjoner når det trekker ut informasjon?

Pryon sikrer nøyaktighet og minimiserer hallucinasjoner gjennom flere mekanismer. Vår teknologi kombinerer semantisk søk med granulert data-attribuering, som betyr at svarene kan spores tilbake til deres spesifikke kilder. Denne attribueringen er kritisk for verifisering. Systemet nå frem til innhold i sanntid fra opprinnelige kilder, i stedet for å stole på potensielt utdaterte eller ufullstendige kunnskapsbasier. Denne direkte tilkoblingen til kilde-materialet, kombinert med vår høye gjenvinningsnøyaktighet (over 90%), reduserer betydelig risikoen for hallucinasjoner som plager mange generative AI-systemer.

Hvordan håndterer Pryon sanntidsoppdateringer av informasjon, spesielt i dynamiske miljøer som regjering, energi og helse?

Pryon sikrer sanntids-tilgang til den mest oppdaterte informasjonen gjennom fleksible, på-krav-innholdssynkroniseringer. Brukere kan utløse innholdssynkroniseringer når som helst via vår Admin-portal eller automatisere oppdateringer ved hjelp av vår Sync-API på en planlagt basis – enten ukentlig, daglig eller til og med timevis, avhengig av operasjonelle behov. Vår delta-sjekkeprosess optimaliserer effektiviteten ved å oppdatere bare endret innhold, og sikrer rask, nøyaktig og ressurs-effektiv kunnskaps-gjenvinning i kritiske områder som regjering, energi og helse.

Pryon samarbeider med regjerings- og forsvarsbyråer. Selv om detaljer ofte er klassifisert, kan du diskutere en brukssak hvor din AI betydelig forbedret beslutningstaking eller operasjonell effektivitet?

Pryon samarbeider med en rekke forsvars- og etterretningsbyråer, inkludert Air Force Research Laboratory (AFRL) og Chief Digital and Artificial Intelligence Office (CDAO), for å hjelpe med å strømlinjeforme operasjoner og muliggjøre raskere og mer informerte beslutninger.

Et kraftig eksempel er vårt samarbeid med U.S. Department of the Air Forces Digital Transformation Office (DAF DTO). Dette teamet støtter anskaffelses- og vedlikeholdspersonale som ofte må finne kritisk informasjon begravd over hundre tusen nettsider og dokumenter. Sammen lanserte vi DTO Wingman, en AI-drevet assistent som leverer nøyaktige, sanntids-svar på komplekse spørsmål – komplett med kilde-attribuering.

I stedet for å manuelt søke etter politidokumenter eller reguleringer, kan brukerne bare stille spørsmål som “Hva er jeg autorisert til å kjøpe med min reisekort?” eller “Hva er Digital Bygning-kode og hvordan relaterer det til anskaffelser?” AI-en returnerer presise svar og hjelper også med å generere rapporter og presentasjonsmateriell raskt.

<p Ved å gi Air Force- og Space Force-personell umiddelbar tilgang til pålitelige svar, hjelper DTO Wingman teamene med å arbeide mer effektivt og gi pålitelige, raske retningslinjer til seniorpersonell og beslutningstakere.

Ditt arbeid i life sciences nevner AI-assistert forskning. Hvordan hjelper Pryons system forskere med å navigere store datamengder som PubMed eller private forsknings-repositorier?

Pryons system hjelper forskere med å navigere store datamengder som PubMed eller private forsknings-repositorier gjennom flere nøkkel-kapasiteter.

Forbedret forskningskvalitet:

• Redusert menneskelig feil: Systematisk innhenting av oppdatert data sikrer færre manglende artikler eller oversette bevis.
• Bakket opp av bevis: Hvert svar er grunnlagt i den opprinnelige litteraturen, og fremmer data-drevne konklusjoner, kilde-attribuert tilbake til setningen det kom fra.

Beskyttelse over svært følsomt innhold:

• Fortrolighet: Opprettholder strenge tilgangskontroller og data-kryptering, essensielt for proprietære eller pasient-relaterte datamengder.
• Overholdelse: Med data styrt under reguleringer som HIPAA eller GDPR, kan forskerne stole på at følsom informasjon er beskyttet.

Hvordan sammenligner Pryons AI med tradisjonelle chatbot- og CRM-løsninger når det gjelder å øke effektivitet og redusere støttebelastning for kundeservice og salg?

Kundeservice/salg-interaksjoner må vanligvis balansere nøyaktighet og fleksibilitet i sine chatbot/CRM-løsninger. Siden å gi et feil svar til en kunde er uakseptabelt og kan ha juridiske implikasjoner, velger mange chatbot-leverandører og tradisjonelle konversasjons-AI-løsninger å begrense fleksibiliteten i løsningen med hardt deterministiske “FAQ-kun”-interaksjoner.

Dette er en plage for leverandøren, som krever manuell kodning av spesifikke svar på vanlige spørsmål, og gir en dårlig brukeropplevelse for kunden, som har grensesnittet til en chatbot – men en fullstendig inflexibel opplevelse som knapt skiller seg fra å lese en FAQ. Andre leverandører velger å prøve å bruke en mer fleksibel generativ opplevelse med færre grenser på LLM-en, men på grunn av manglende presis innhenting, innebærer dette å stupe hele produktkataloger eller nettsider inn i kontekst-vinduet til LLM-en, og reduserer nøyaktigheten av utgangen, potensielt katastrofalt.

Kunsten og vitenskapen om RAG handler om å maksimere signal (sannhet) og minimere støy (irrelevant kontekst som ofte forvirrer LLM-en). Presisjonen i Pryons innhenting – i stand til å trekke ut et spesifikt setningsnivå-svar over alle dokumenter – betyr at kundeservice og salg ikke lenger må gå på kompromiss mellom nøyaktighet og fleksibilitet.

Hva ser du som de største utfordringene i bedrifts-AI-adoptsjon i dag, spesielt med RAG-baserte systemer?

Selv om dette er noe vi finner i våre egne interaksjoner med markedet, er det også stadig mer anerkjent at “AI-klar data” (eller mangelen på det) er den største feilpunkt for AI-utplasseringer.

• 91% av eksklusive i en Harvard Business Review-undersøkelse sa at en pålitelig data-grunnlag er essensielt for suksessfull AI-utplassering.
• McKinsey fant at 70% av GenAI-initiativer møter utfordringer relatert til data, og bare 1% av en bedrifts viktige data reflekteres i dagens modeller.
• The Wall Street Journal siterte pålitelighet som den største bekymringen for AI-agent-adoptsjon – et problem nært knyttet til datakvalitet og tilgjengelighet.
• Gartner identifiserte mangelen på GenAI-klar data som den største grunnen til feilutplasseringer.

AI-klar data går langt utover å bare vektorisere dine ord-dokumenter – det handler om å samordne dine siloede kilder, arbeide med komplekse formater som multimodale inndata, rense dine data, forbedre dine data, få dem i et format LLM-er kan arbeide med, dele dem opp i riktige granularitetsnivå for å opprettholde optimal nøyaktighet og holde kostnadene nede, indeksere dem intelligent, og koble dem til et performant innhentings-system, osv.

Disse er store utfordringer som krever dedikerte kompetanser og verktøy – i en undersøkelse av RAG-byggere som utvikler løsninger innen store bedrifter som Pryon har kjørt, rangerte data-forberedelse som den mest kostbare, tidskrevende og teknisk utfordrende delen av byggingen, tett fulgt av informasjons-innhenting.

Hvordan differensierer du Pryons RAG-Suite fra bedriftsløsninger tilbudt av Microsoft , Google (GOOGL ) eller OpenAI?

Spesifik differensiering varierer fra spiller til spiller, men på et høyt nivå er de store teknologiselskapene fokusert på å være “grensesnittet” til AI på arbeidsplassen. Pryon fokuserer på et mer grunnleggende nivå av stakken – kunnskapslaget. Pryon løser de dyptgående problemene med data-forberedelse og innhenting, mens de store teknologiselskapene er fokusert på å tilby brede AI-løsninger som kan tjene noen enkle RAG-bruksområder, men ofte bryter sammen når det gjelder kompleksiteten i bedrifts- og regjerings-bruksområder. Pryon kan også være komplementær med disse systemene, med innhold generert av Copilot, Gemini eller GPT som kobles inn i Pryons Kunnskapslag for å bli organisert og gjort klar for bruk av nedstrøms-applikasjoner og agenter.

Med AI-reguleringer som utvikler seg, som EU AI-loven og USAs AI-retningslinjer, hvordan nærmer Pryon seg overholdelse og etisk AI-bruk?

Som AI-reguleringer utvikler seg globalt, forblir Pryon engasjert i å oppfylle og etisk AI-utplassering. Vår tilnærming er i samsvar med rammer som EU AI-loven, USAs AI-retningslinjer og Department of Defenses Responsible AI (RAI)-prinsipper, og sikrer at våre AI-løsninger er pålitelige, transparente og styrbare. Gjennom å følge RAI SHIELD-rammen, integrerer vi strenge evalueringer, sporing og kontinuerlig overvåking gjennom hele AI-livssyklusen – prioriterer sikkerhet, rettferdighet og ytelse. Ved å innarbeide disse beste praksisene i vår utplassningsmetodologi, gir Pryon bedrifter mulighet til å utnytte AI på en ansvarlig måte, samtidig som de møter de høyeste regulatoriske og etiske standardene.

Takk for det flotte intervjuet, lesere som ønsker å lære mer bør besøke Pryon.