Edwin Lisowski, Współzałożyciel i Dyrektor ds. Rozwoju Addepto – Seria Wywiadów

Edwin Lisowski, Współzałożyciel i Dyrektor ds. Rozwoju Addepto, nadzoruje strategiczny rozwój, rozwój biznesu i marketing firmy. Przynosi on obszerną wiedzę w zakresie architektury danych, strategii opartej na sztucznej inteligencji i konsultingu analitycznego, łącząc umiejętności techniczne z silnym naciskiem na skalowanie przyjęcia sztucznej inteligencji i inicjatyw transformacji biznesu dla klientów na całym świecie.

Addepto to warszawska firma konsultingowa specjalizująca się w sztucznej inteligencji, uczeniu maszynowym, inżynierii danych i rozwiązaniach business intelligence dla klientów korporacyjnych. Firma pomaga organizacjom przekształcić surowe dane w działania poprzez kompleksową strategię sztucznej inteligencji, rozwój proof-of-concept i wdrożenie modeli gotowych do produkcji. Pracując w różnych sektorach, takich jak finanse, logistyka, produkcja i ubezpieczenia, Addepto kładzie nacisk na dostosowane rozwiązania i długoterminowe partnerstwa, aby pomóc klientom wykorzystać sztuczną inteligencję do uzyskania wymiernych efektów biznesowych.

Czym skłoniło Cię do współzałożenia Addepto w 2018 roku, a jaki był luk na rynku, który chcieliście wypełnić?

W 2018 roku widzieliśmy dwie skrajności: duże firmy sprzedające „rozwiązanie pasujące do wszystkiego” i z drugiej strony wewnętrzne zespoły, które utknęły po kilku proof-of-concept, ponieważ brakowało im umiejętności inżynierii danych i MLOps. Zbudowaliśmy Addepto, aby być zespołem, który łączy strategię → inżynierię danych → modele → produkcję, szczególnie dla branż, w których dane odgrywają kluczową rolę. Ten pełny zestaw umiejętności wciąż jest naszym DNA.

Która z obszarów usług Addepto — computer vision, NLP, machine learning czy inżynieria danych — doświadczyła najszybszego przyjęcia w przedsiębiorstwach, i dlaczego?

W ciągu ostatnich 18-24 miesięcy NLP/GenAI rozwinęło się najszybciej w przedsiębiorstwach (wyszukiwanie, asystenci, przetwarzanie dokumentów), ponieważ bezpośrednio wpływa na ROI pracy związanej z wiedzą i może rozpocząć się od modeli podstawowych. Badania rynkowe pokazują znaczny wzrost wykorzystania sztucznej inteligencji w 2024 roku, z przypadkami użycia GenAI skalującymi się w różnych funkcjach.

Wiele firm ma trudności z przejściem od proof-of-concept sztucznej inteligencji do systemów produkcyjnych. Jak Addepto pomaga im przekroczyć tę lukę?

Zachowujemy produkcję jako dyscyplinę, a nie fazę: warsztaty odkrywcze, umowy dotyczące danych, architektury referencyjne, CI/CD dla modeli, obserwowalność i „dzienne operacje” (dryft, koszt, ograniczenia). Konkretne rozwiązania obejmują standaryzowanie MLOps i refactorowanie proof-of-concept w mikrousługowe punkty końcowe, które pasują do stosu klienta (Databricks/Spark, Kubernetes, istniejące BI). To pozwala nam na ciągłe dostarczanie poza demo.

Sztuczna inteligencja generatywna jest teraz centralnym elementem Twoich ofert. Jak decydujesz, kiedy stosować modele podstawowe, a kiedy rozwijać modele niestandardowe?

Nasze drzewo decyzyjne jest pragmatyczne:

• Rozpocznij od modeli podstawowych, gdy dominuje czas potrzebny do osiągnięcia efektu, zadania językowe i zmienność.
• Przejdź do dokształcania lub adapterów, gdy istotna jest precyzja terminologii branżowej lub tonu.
• Zbuduj modele niestandardowe, gdy mają znaczenie opóźnienia/kontrola kosztów/IP, dane są własnościowe/ustrukturyzowane lub istnieją ograniczenia krawędzi.
  To odzwierciedla, dokąd idą przedsiębiorstwa: mniej „eksperymentów”, więcej architektur dopasowanych do potrzeb.

W 2024 roku uruchomiliście ContextClue jako dedykowaną platformę zarządzania wiedzą. Jaki ból głowy skłonił Was do stwierdzenia, że nadszedł odpowiedni moment na oddzielną platformę?

Klienci z branży inżynierskiej pytali nas o to samo: „Nasze CAD, PLM, ERP i dokumenty nie komunikują się, czy możecie sprawić, by myślały razem?” Rozwiązaliśmy to wielokrotnie w projektach, więc seryjnie wyprodukowaliśmy ten wzorzec. 2024 rok był odpowiednim momentem, ponieważ sztuczna inteligencja generatywna uczyniła możliwym wykorzystanie i tworzenie dla inżynierów (a nie tylko zespołów danych). Ogłosiliśmy i rozpoczęliśmy wdrożenie w tym czasie.

ContextClue integruje się z CAD, ERP, PLM i dokumentami technicznymi. Które z tych źródeł danych jest najtrudniejsze do ujednolicenia, i jak to rozwiązujecie?

CAD jest najtrudniejsze: binarne/niestandardowe formaty, wersjonowanie, zestawy i kontekst przestrzenny. Normalizujemy CAD wraz z metadanymi PLM/ERP, a następnie mapujemy wszystko na graf wiedzy, aby części, systemy, specyfikacje i procedury odnosiły się do tych samych jednostek. To jest podstawą potoku ingestowania ContextClue.

Platforma obsługuje wyszukiwanie semantyczne i generowanie dokumentów. Jak zapewniasz dokładność i zaufanie w tych danych wyjściowych dla zespołów inżynierskich?

Trzy warstwy:

• Ugruntowane pobieranie (schema-aware RAG nad grafem wiedzy) z cytowaniami do oryginalnych artefaktów.
• Polityka + testowanie (zestawy oceny w CI, wyzwania red-team, testy regresji).
• Ludzie w pętli dla krytycznych danych wyjściowych (SOP, dokumenty zgodności). Opublikowaliśmy nawet części naszego łańcucha narzędzi do oceny i ekstrakcji grafu, aby to było audytowalne.

Co sprawia, że ContextClue wyróżnia się spośród innych narzędzi zarządzania wiedzą w branży inżynierskiej i ekosystemach przemysłowych?

Jest to rodzime dla inżynierii: nie tylko „wyszukuje pliki”, ale rozumie zestawy, zależności i wpływ zmian, łącząc CAD/PLM/ERP i historię konserwacji w graf działania. Konkurencyjne narzędzia KM często kończą się na indeksowaniu; ContextClue ujednolica strukturę + semantykę i wytwarza zarówno dokumenty czytelne dla ludzi, jak i modele czytelne dla maszyn (dla cyfrowych bliźniaków, planowania).

Jak widzisz ewolucję ContextClue wraz ze wzrostem sztucznej inteligencji multimodalnej, szczególnie w łączeniu tekstu, schematów i modeli 3D?

Dwa kierunki są już w ruchu:

• Wizja nad CAD i schematami: ekstrakcja topologii, wywołań i linków BOM, aby uzasadnić odpowiedzi w rysunkach.
• Wyrównanie 3D: łączenie węzłów wiedzy z koordynatami 3D/Omniverse, aby zapytania konserwacyjne lub planistyczne rozwiązywały się w odpowiedniej lokalizacji modelu. Oczekuj bogatszych agentów, które nawigują części, wersje i procedury w różnych modalnościach.

Spójrzając w przyszłość, jak widzisz Addepto i ContextClue kształtujące wzajemny wzrost, i gdzie widzisz ich łączny wpływ na branżę w ciągu najbliższej dekady?

Addepto będzie nadal poszerzał granice, produkując systemy multimodalne/agenty w sposób odpowiedzialny, podczas gdy ContextClue przekształci tę działalność badawczo-rozwojową w powtarzalną wartość dla zespołów inżynierskich. Razem celujemy w zmniejszenie „marnowania wiedzy” (czasu straconego na wyszukiwanie/ponowne tworzenie) w skali, mierząc wyniki, takie jak czas cyklu inżynierskiego, wskaźniki ponownych prac i czas przygotowania do audytu w zakładach i programach. Rynek przechodzi od „wielu pilotów” do „mniej, lepiej wartych wdrożeń”, i planujemy być partnerem i platformą, która konsekwentnie dostarcza te zwycięstwa.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Addepto.