Molham Aref, CEO og grunnlegger av RelationalAI

Molham er administrerende direktør i RelationalAI. Han har mer enn 30 års erfaring med å lede organisasjoner som utvikler og implementerer høyverdiige maskinlærings- og kunstig intelligensløsninger over ulike bransjer. Før RelationalAI var han administrerende direktør i LogicBlox og Predictix (nå Infor), administrerende direktør i Optimi (nå Ericsson (ERIC )), og medgrunnlegger av Brickstream (nå FLIR). Molham har også hatt ledende stillinger i HNC Software (nå FICO) og Retek (nå Oracle (ORCL )).

RelationalAI samler flere tiår med erfaring fra industri, teknologi og produktutvikling for å fremme den første og eneste sanntidige sky-baserte kunnskapsgrafdatamanagementsystemet for å drive neste generasjon av intelligente dataapplikasjoner.

Som grunnlegger og administrerende direktør i RelationalAI, hva var den opprinnelige visjonen som drev deg til å opprette selskapet, og hvordan har denne visjonen utviklet seg over de siste syv årene?

Den opprinnelige visjonen var sentrert rundt å forstå effekten av kunnskap og semantikk på den vellykkede implementeringen av kunstig intelligens. Før vi kom til hvor vi er i dag med kunstig intelligens, var mye av fokuset på maskinlæring (ML), som innebar å analysere store mengder data for å skape konsise modeller som beskrev atferd, som for eksempel svindeloppdaging eller forbrukerhandlemønster. Over tid ble det klart at for å implementere kunstig intelligens effektivt, var det nødvendig å representere kunnskap på en måte som var både tilgjengelig for kunstig intelligens og i stand til å forenkle komplekse systemer.

Denne visjonen har siden utviklet seg med dyplæringinnovasjoner og mer nylig, språkmodeller og generativ kunstig intelligens. Disse fremgangene har ikke endret hva vårt selskap gjør, men har økt relevansen og viktigheten av deres tilnærming, særlig i å gjøre kunstig intelligens mer tilgjengelig og praktisk for bedriftsbruk.

En nylig PwC-rapport estimerer at kunstig intelligens kan bidra med opptil 15,7 billioner dollar til den globale økonomien innen 2030. Ifølge din erfaring, hva er de primære faktorene som vil drive denne betydelige økonomiske effekten, og hvordan bør bedrifter forberede seg på å utnytte disse mulighetene?

Effekten av kunstig intelligens har allerede vært betydelig og vil uten tvil fortsette å øke. En av de viktigste faktorene som driver denne økonomiske effekten, er automatiseringen av intellektuelt arbeid.

Oppgaver som å lese, summerere og analysere dokumenter – oppgaver som ofte utføres av høyt betalte fagfolk – kan nå (for det meste) automatiseres, og gjør disse tjenestene mye mer tilgjengelige og rimelige.

For å utnytte disse mulighetene, må bedrifter investere i plattformer som kan støtte data- og beregningskravene for å kjøre kunstig intelligens-arbeidsbelastninger. Det er viktig at de kan skaleres opp og ned kostnadseffektivt på en gitt plattform, samt investere i kunstig intelligens-litteratur blant ansatte, slik at de kan forstå hvordan de kan bruke disse modellene effektivt og effisient.

Som kunstig intelligens fortsetter å integreres i ulike bransjer, hva ser du som de største utfordringene bedrifter møter i å implementere kunstig intelligens effektivt? Hvor spiller data en rolle i å overvinne disse utfordringene?

En av de største utfordringene jeg ser, er å sikre at bransjespesifikk kunnskap er tilgjengelig for kunstig intelligens. Det vi ser i dag er at mange bedrifter har kunnskap spredt over databaser, dokumenter, regneark og kode. Denne kunnskapen er ofte ugjennomsiktig for kunstig intelligens-modeller og tillater ikke at organisasjonene maksimerer verdien de kunne få.

En betydelig utfordring industrien må overvinne, er å håndtere og samordne denne kunnskapen, noen ganger referert til som semantikk, for å gjøre den tilgjengelig for kunstig intelligens-systemer. Ved å gjøre dette, kan kunstig intelligens være mer effektiv i spesifikke bransjer og innenfor bedriftene, da de kan utnytte sin unike kunnskapsbase.

Du har nevnt at fremtiden for generativ kunstig intelligens-adoptsjon vil kreve en kombinasjon av teknikker som Retrieval-Augmented Generation (RAG) og agens-arkitekturer. Kan du forklare hvorfor disse kombinasjons-tilnærmingene er nødvendige og hva fordeler de bringer?

Det vil ta forskjellige teknikker som GraphRAG og agens-arkitekturer for å skape kunstig intelligens-drevne systemer som ikke bare er mer nøyaktige, men også i stand til å håndtere komplekse informasjonsinnsamling- og prosesseringsoppgaver.

Mange begynner nå å forstå at vi kommer til å trenge mer enn en teknikk når vi fortsetter å utvikle kunstig intelligens, men heller utnytte en kombinasjon av modeller og verktøy. En av disse er agens-arkitekturer, der du har agenter med forskjellige evner som hjelper med å løse komplekse problemer. Denne teknikken bryter det ned i deler som du kan utdele til forskjellige agenter for å oppnå resultatene du ønsker.

Det er også Retrieval-Augmented Generation (RAG) som hjelper oss å trekke ut informasjon når vi bruker språkmodeller. Når vi først begynte å arbeide med RAG, kunne vi svare på spørsmål hvis svar kunne finnes i en del av et dokument. Men vi fant raskt ut at språkmodellene har vanskelig for å svare på vanskeligere spørsmål, særlig når informasjonen er spredt over flere steder i lange dokumenter og over dokumenter. Så dette er der GraphRAG kommer inn i bildet. Ved å utnytte språkmodeller til å skape kunnskapsgraf-representasjoner av informasjon, kan det så aksessere informasjonen vi trenger for å oppnå resultatene vi trenger og redusere sjansen for feil eller hallusinasjoner.

Data-samordning er et kritisk tema i å drive kunstig intelligens-verdi innen organisasjoner. Kan du forklare hvorfor samordnet data er så viktig for kunstig intelligens, og hvordan det kan transformere beslutningsprosesser?

Samordnet data sikrer at all kunnskap en bedrift har – enten det er i dokumenter, regneark, kode eller databaser – er tilgjengelig for kunstig intelligens-systemer. Denne samordningen betyr at kunstig intelligens kan effektivt utnytte den spesifikke kunnskapen som er unik for en bransje, underbransje eller selv en enkelt bedrift, og gjør kunstig intelligens mer relevant og nøyaktig i sine utdata.

Uten data-samordning kan kunstig intelligens-systemer bare operere på fragmenterte deler av kunnskap, noe som fører til ufullstendige eller uriktige innsikter. Ved å samordne data, sikrer vi at kunstig intelligens har en fullstendig og konsistent bilde, som er avgjørende for å transformere beslutningsprosesser og drive virkelig verdi innen organisasjoner.

Hvordan hjelper RelationalAI’s tilnærming til data, særlig med sin relasjonelle kunnskapsgrafsystem, bedrifter med å oppnå bedre beslutningsresultater?

RelationalAI’s data-sentrerte arkitektur, særlig vårt relasjonelle kunnskapsgrafsystem, integrerer direkte kunnskap med data, og gjør det både deklarativt og relasjonelt. Denne tilnærmingen kontrasterer med tradisjonelle arkitekturer hvor kunnskap er innbygget i kode, noe som kompliserer tilgang og forståelse for ikke-tekniske brukere.

I dagens konkurrerende forretningsmiljø er rask og informert beslutning avgjørende. Men mange organisasjoner sliter fordi deres data mangler den nødvendige konteksten. Vårt relasjonelle kunnskapsgrafsystem samordner data og kunnskap, og gir en omfattende oversikt som tillater både mennesker og kunstig intelligens å ta mer nøyaktige beslutninger.

For eksempel, hvis en finans-tjenestebedrift håndterer investeringsporteføljer, må de analysere markedstrender, kunde-risikoprofiler, regulatoriske endringer og økonomiske indikatorer. Vårt kunnskapsgrafsystem kan raskt syntetisere disse komplekse, sammenhengende faktorene, og muliggjør at bedriften kan ta informerte og riktige investeringsbeslutninger som maksimerer avkastning samtidig som de håndterer risiko.

Denne tilnærmingen reduserer også kompleksitet, forbedrer portabilitet og minimerer avhengighet av spesifikke teknologileverandører, og gir langvarig strategisk fleksibilitet i beslutningstaking.

Rollen til Chief Data Officer (CDO) vokser i betydning. Hvordan ser du på utviklingen av CDO-ansvaret med fremveksten av kunstig intelligens, og hva er de viktigste ferdighetene som vil være avgjørende for dem fremover?

Rollen til CDO utvikler seg raskt, særlig med fremveksten av kunstig intelligens. Tradisjonelt var ansvaret som nå faller under CDO, håndtert av CIO eller CTO, og fokuserte primært på teknologi-operasjoner eller teknologien produsert av selskapet. Men siden data har blitt en av de mest verdifulle aktivene for moderne bedrifter, har CDO-rollen blitt distinkt og kritisk.

CDO er ansvarlig for å sikre at data er privat, tilgjengelig og moneterbar over hele organisasjonen. Etterhvert som kunstig intelligens integreres i bedriftsoperasjoner, vil CDO spille en avgjørende rolle i å håndtere data som driver kunstig intelligens-modeller, og sikre at denne data er ren, tilgjengelig og brukes etisk.

De viktigste ferdighetene for CDO-er fremover vil inkludere en dypt forståelse av data-styring, kunstig intelligens-teknologier og forretningsstrategi. De må arbeide tett med andre avdelinger, og muliggjøre at team som tradisjonelt ikke har hatt direkte tilgang til data, som finans, markedsføring og HR, kan utnytte data-drevne innsikter. Evnen til å demokratisere data over hele organisasjonen vil være avgjørende for å drive innovasjon og opprettholde en konkurransefordel.

Hva rolle spiller RelationalAI i å støtte CDO-er og deres team i å håndtere den økende kompleksiteten av data og kunstig intelligens-integrasjon innen organisasjoner?

RelationalAI spiller en grunnleggende rolle i å støtte CDO-er ved å tilby verktøyene og rammeverkene nødvendige for å håndtere kompleksiteten av data og kunstig intelligens-integrasjon effektivt. Med fremveksten av kunstig intelligens, er CDO-er oppnevnt til å sikre at data ikke bare er tilgjengelig og sikret, men også at det utnyttes til sin fulle potensiale over hele organisasjonen.

Vi hjelper CDO-er ved å tilby en data-sentrert tilnærming som bringer kunnskap direkte til data, og gjør det tilgjengelig og forståelig for ikke-tekniske interessenter. Dette er særlig viktig når CDO-er arbeider for å sette data i hendene på de i organisasjonen som kanskje ikke tradisjonelt har hatt tilgang, som markedsføring, finans og selv administrative team. Ved å samordne data og forenkle dens håndtering, muliggjør RelationalAI at CDO-er kan empowerment sine team, drive innovasjon og sikre at organisasjonene kan fullt utnytte mulighetene som tilbys av kunstig intelligens.

RelationalAI betoner en data-sentrert grunnlag for å bygge intelligente applikasjoner. Kan du gi eksempler på hvordan denne tilnærmingen har ført til betydelige effisienser og besparelser for dine kunder?

Vår data-sentrerte tilnærming kontrasterer med den tradisjonelle applikasjons-senterte modellen, hvor forretningslogikk ofte er innbygget i kode, og gjør det vanskelig å håndtere og forstå for ikke-tekniske brukere. Ved å sentralisere kunnskap innenfor data selv og gjøre det deklarativt og relasjonelt, har vi hjulpet kunder med å betydelig redusere kompleksiteten av deres systemer, noe som har ført til større effisienser, færre feil og ultimate betydelige kostnadsbesparelser.

For eksempel, har Blue Yonder utnyttet vår teknologi som en Knowledge Graph Coprocessor innenfor Snowflake, som ga den semantiske forståelse og resonemangs-kapasiteten nødvendig for å forutsi forstyrrelser og proaktivt drive forebyggende tiltak. Denne tilnærmingen tillot dem å redusere deres legacy-kode med over 80% samtidig som de tilbød en skalerbar og utvidbar løsning.

Liknende, har EY Financial Services opplevd en dramatisk forbedring ved å kutte deres legacy-kode med 90% og redusere prosesseringstider fra over en måned til bare noen timer. Disse resultater fremhever hvordan vår tilnærming muliggjør at bedrifter kan være mer agile og responsiv til skiftende markedstrender, samtidig som de unngår feller av å være låst til spesifikke teknologier eller leverandører.

Gitt din erfaring med å lede kunstig intelligens-drevne selskaper, hva tror du er de mest kritiske faktorene for å implementere kunstig intelligens på en skalerbar måte i en organisasjon?

Basert på min erfaring, er de viktigste faktorene for å implementere kunstig intelligens på en skalerbar måte, å sikre at du har en sterk grunnlag av data og kunnskap, og at dine ansatte, særlig de med mer erfaring, tar tiden til å lære og bli komfortable med kunstig intelligens-verktøy.

Det er også viktig å ikke falle i fellen av ekstreme emosjonelle reaksjoner – enten overveldende hype eller dyp kynisme – rundt nye kunstig intelligens-teknologier. I stedet anbefaler jeg en stabil og konsistent tilnærming til å adoptere og integrere kunstig intelligens, med fokus på inkrementelle forbedringer fremfor å forvente en sølvkule-løsning.

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