Darren Kimura, CEO og President i AI Squared – Intervju-serie

Darren Kimura er en erfaren entrepreneur, oppfinner og investor, som for tiden er President og CEO i AI Squared. Med over 25 års ledelseserfaring fra teknologi- og ren energisektoren, har han ledet selskaper som Energy Industries Corporation, Sopogy og LiveAction, og var med å etablere venturefirmaet Enerdigm Ventures. Kimura er kjent for å ha oppfunnet MicroCSP-solteknologi, og har spilt en nøkkelrolle i å skalle opp selskaper som fokuserer på edge computing, AI og SaaS-baserte løsninger.

AI Squared er en lavkodeplattform designet for å hjelpe bedrifter integrere AI-insikt direkte i verktøyene de allerede bruker – som Salesforce (CRM ), Slack, Google Sheets og ServiceNow. Ved å forenkle AI-utvikling og ermögne realtidsbeslutning, gir plattformen teamene over hele verden mulighet til å låse opp målbare forretningsverdier. AI Squared betjener kunder i finans, leverandørkjede og offentlig sektor, og akselerer bedrifts- AI-adoptsjon ved å gjøre det sammenhengende, kontekstuell og handlebart.

Hva inspirerte deg til å bli med og til slutt lede AI Squared?

Jeg har alltid vært tiltrukket av å løse vanskelige, virkelige problemer som krever dypt teknologisk forståelse og feilfri utførelse. Jeg startet min karriere i energi-effektivitet og fornybar energi, og fanget maskindata i stor skala og hjalp mennesker til å forstå og handle på det. Over tid utviklet dette seg til å flytte dataprosessering nærmere der arbeidet skjer, fra kanten, i sikre systemer eller innenfor bedriftsprosesser.

Når jeg først møtte AI Squared, så jeg umiddelbart at de tok tak i en svært virkelig og svært presserende utfordring: hvordan man flytter AI fra laboratoriet ut i hverdagsbruk. De fleste selskaper er fortsatt fokusert på å bygge modeller. AI Squared var fokusert på utvikling.

Hva ga meg enda mer overbevisning var deres fundament. Selskapet startet innen NSA og har brukt de siste seks årene på å tjene tillit over hele Forsvaret, Intelligenssamfunnet, Romfartssamfunnet og med noen av de største bedriftene på Fortune 500-listen gjennom virkelige prosjekter og meningsfulle resultater som fortsetter å vokse år for år. Det sa meg to ting: først, de var alvorlige om sikkerhet, samsvar og innvirkning. Og andre, de var et team jeg kunne stole på.

Hvordan har din erfaring med å skalle opp ZEDEDA og å arbeide i venturekapital forma din tilnærming til AI-utvikling på bedriftsnivå?

Vi arbeidet på den ytterste kanten som et operativsystem innen åpen kildekode-samfunnet. Det tvang meg til å forstå de virkelige verdensbegrensningene våre kunder møtte med digital transformasjon. Der hadde vi et verdensklasse-engineeringteam fra Cisco, Sun Microsystems, Juniper, Arista, men det lærte meg også hvor viktig det er å pare teknisk eksellens med en sterk bedrifts-markedsføringsbevegelse.

Fra venture-siden fikk jeg en annen type innsikt. Jeg så hvordan dyp teknologi-selskaper skalerer, langsommere til å begynne med, men raskere når du bygger på en sterk fundament. Det lærte meg å tenke i systemer: markedstid, produktberedskap, kundemodning og kapitalstrategi må alle være på plass. Det er linser jeg tok med meg inn i AI-utvikling på AI Squared. Det handler ikke om å levere modeller, det handler om å levere resultater som bedrifter kan stole på, måle og skale.

AI Squared betoner innbygging av AI i systemer mennesker allerede bruker. Hva betyr det å løse den “siste milen” av AI i praksis?

87% av AI-prosjekter når aldri produksjon fordi integrering er langsom, kompleks og frakoblet fra sluttbrukere. AI Squared løser dette ved å lage en nasjonal sikkerhetsgradert dataintegrasjonsrørledning som kobler AI/ML-modeller med datakilder som Databricks eller Snowflake og systemer disse selskapene allerede bruker, som CRMs, ERPs og tilpassede apper.

Hvordan hjelper din plattform med å brygge gapet mellom data-vitenskapelige team og forretningsbrukere?

AI Squared forenkler overføringen fra modellutvikling til produksjon. Data-vitenskapelige team kan deployere modeller trygt gjennom vår plattform, mens forretningsbrukere mottar innsikt innen verktøyene de allerede bruker, som Salesforce, Teams, Slack eller andre systemer for registrering av applikasjoner.

Du arbeider med NSA, U.S. Navy og andre føderale byråer. Hvordan prioriterer du slike ting som samsvar, transparens og etisk bruk i AI Squareds produktvei?

Etikk, samsvar og transparens er de øverste overveielser på vår vei. Vi vet fra å arbeide med føderale byråer at vi må prioritere sporing, granskning og forklarbarhet. Vi bygger med null-tillit-prinsipper, støtte for sikre utviklingsmiljøer og klare styremodeller.

Hva mener du er rollen til diskriminerende AI i å forbedre beslutningstaking for føderale byråer?

Diskriminerende AI er presis, tolkbar og effektiv. Det er ideelt for høyrisk-miljøer hvor du trenger klare svar, ja eller nei, trussel eller ikke trussel. I føderale byråer muliggjør dette raskere triage, risikodeteksjon og prioritering. Det komplementerer generative modeller ved å tilby strukturerte, validerte utdata som støtter kritiske beslutninger.

Når det gjelder nasjonal sikkerhet, hvor ser du den største risikoen – og muligheten – for AI-adoptsjon?

Den største risikoen er ustyrt autonomi, deployering av AI-systemer uten transparens, tilsyn eller sikkerhetsforanstaltninger. Muligheten ligger i å akselerere situasjonsbevissthet og beslutningshastighet. AI kan gå gjennom store mengder data i sanntid for å avdekke mønster som mennesker kan overse. Men for å realisere denne verdien, må det være tillit, sporing og integrert med mennesker-i-løkken systemer.

Hva er noen av de vanligste feilene selskaper gjør når de deployer GenAI?

Den største feilen er å fokusere på nyskaping fremfor nødvendighet. For mange selskaper deployer GenAI uten en klar bruksfall, en styreplan eller en suksessmetrik. Dette fører til pilotutmattelse, uskalerbare prototyper og tillitsproblemer. GenAI er kraftig, men som alle teknologier, må det være tilpasset problemet, brukeren og arbeidsflyten.

Kan du dele et eksempel hvor AI Squared hjalp en bedrift med å unngå “shiny object syndrome” og i stedet levere målbare resultater?

En bedrift kom inn og ønsket å bygge en tilpasset LLM for å klassifisere kundeservicebilletter. Vi viste dem hvordan en enkel, innbygd klassifiserer deployert gjennom vår plattform kunne levere 90% nøyaktighet i deres CRM på mindre enn to uker. Ingen nye grensesnitt, ingen tilpasset trening. Dette er kraften til å løse det riktige problemet med det riktige verktøyet.

Hva er de fremvoksende trendene du er mest begeistret for i bedrifts-AI de neste 3-5 årene?

Tre står frem:

1. LLM-er som er sannt multi-modale og fokusert på spesifikke oppgaver
2. Agens- AI-systemer som tar handling, ikke bare genererer innhold
3. Standardisert styring som muliggjør AI-adoptsjon i regulerte industrier

Disse trendene driver AI mot å bli mer brukbar, tillitlig og innbygd i dag-til-dag-operasjoner.

Hvordan utvikler AI Squared plattformen for å holde tritt med raskt fremadskridende LLM-er og modell-økosystemer?

Vi er modell-agnostiske ved design. Uansett om det er en åpen kildekode-modell, en kommersiell LLM eller en proprietær diskriminerende modell, tillater vår plattform organisasjonene å deployere og håndtere det trygt innen eksisterende arbeidsflyter. Vi fokuserer på orkestrering, versjonskontroll og styring, så modellstaben kan utvikle seg uten å forstyrre brukeropplevelsen.

Hva betyr suksess for AI Squared i den neste kapitlet under ditt lederskap?

Suksess betyr å bli den standard måten bedrifter og føderale byråer operationaliserer AI. Det betyr å redusere tid-til-verdi fra måneder til dager, og å gjøre AI-deployering like enkelt og sikker som å lansere en ny funksjon. Under mitt lederskap, fokuserer vi på skala, tillit og virkelige resultater, ikke bare innovasjon for sin egen skyld, men innvirkning der det betyr mest.

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