Mohammad Abu Sheikh, Założyciel i Dyrektor Generalny CNTXT AI – Seria Wywiadów

Mohammad Abu Sheikh przekształca krajobraz sztucznej inteligencji na Bliskim Wschodzie, przyczyniając się do przejścia od biernego korzystania z technologii do suwerennego innowowania. Jako dyrektor generalny CNTXT AI i założyciel funduszu AI o wartości 10 milionów dolarów, doprowadził do trzech udanych wyjść i zabezpieczył ponad miliard dolarów w finansowaniu. Jego praca stanowi podstawę dla ekosystemu sztucznej inteligencji opartego na języku, kulturze i suwerenności danych.

CNTXT AI to firma transformacji cyfrowej, która dostarcza infrastrukturę chmurową, oprogramowanie przemysłowe i rozwiązania robotyczne, aby pomóc organizacjom zmodernizować swoje operacje i odblokować dane napędzane przez dane na Bliskim Wschodzie i w Afryce Północnej.

Czym skłoniło Cię do założenia CNTXT AI, a jak Twoja wizja suwerennej sztucznej inteligencji w świecie arabskojęzycznym się zaczęła?

Widzieliśmy obfitość niewykorzystanych danych w tej części świata. Wiele problemów ze skalowaniem sztucznej inteligencji wynikało z braku gotowości danych — co ostatecznie oznaczało brak gotowości sztucznej inteligencji. Dlatego założyliśmy CNTXT AI.

Początkowo rozwiązywaliśmy te same problemy, z którymi się zmagaliśmy, budując LocAI… Widzieliśmy te wyzwania na własne oczy, pracując z AI71, TII i G42 (IIAI). Gdy pomagaliśmy tym podmiotom rozwiązywać te problemy, wizja stawała się coraz bardziej klarowna, a biznes po prostu rosł.

Odgrywałeś kluczową rolę w budowaniu największej arabskiej biblioteki cyfrowej do szkolenia sztucznej inteligencji. Jakie były największe wyzwania w tym procesie, a jak je pokonaliście?

Jakość była jednym z największych wyzwań. Innym było ograniczona dostępność wysokiej jakości danych arabskich w sieci: język arabski jest bardzo niedoreprezentowany. Tylko niewielka część treści w języku arabskim została zdigitalizowana, a zaledwie 3–5% wszystkich treści online jest w języku arabskim. To prawie nic. Pokonaliśmy ten problem, wdrożając etykietowanie danych, anotatorów i naukowców danych, aby zdigitalizować, stworzyć i opracować dane sami.

CNTXT AI działa na przecięciu kultury i obliczeń. Jak balansujesz innowacje sztucznej inteligencji z celem budowania rozwiązań kulturowo istotnych dla regionu MENA?

Budujemy modele zakorzenione w kulturze od podstaw. Od infrastruktury do końcowego produktu, kultura jest wbudowana od samego początku — nie jest czymś, co dodajemy później. Projektujemy, innowujemy i budujemy z myślą o konkretnych kulturach, dialektach i potrzebach od samego początku. Język arabski to jeden język, ale niesie ze sobą wiele dialektów i kontekstów kulturowych w regionie, więc budujemy produkty lokalne dla lokalnych krajów. I robimy to, pracując z lokalnymi anotatorami, ludźmi na miejscu, w ich własnych krajach.

Także założyłeś LocAI i kierujesz funduszem SMPL AI. Jak te przedsięwzięcia uzupełniają misję CNTXT AI?

LocAI to warstwa aplikacji — część, z którą ludzie naprawdę wchodzą w interakcję. Siedzi bezpośrednio na górze danych i infrastruktury zbudowanej przez CNTXT AI. To sprawiło, że było to udane: przekształca podstawy sztucznej inteligencji dostarczane przez CNTXT AI w rozwiązania świata rzeczywistego, których ludzie mogą używać.

SMPL AI, z drugiej strony, dotyczy oddawania czegoś społeczności. Koncentruje się na inwestowaniu w startupy we wczesnej fazie i pomocy w budowaniu regionalnego ekosystemu sztucznej inteligencji. Udostępniamy narzędzia i lekcje, które nauczyliśmy się, budując sztuczną inteligencję, aby założyciele mogli rozwijać się szybciej i unikać powszechnych pułapek.

Munsit został nazwany najdokładniejszym modelem rozpoznawania mowy arabskiej na świecie. Co skłoniło do rozwoju tego modelu, a dlaczego teraz?

To, co skłoniło do rozwoju tego modelu, było proste: potrzeba.

Zawsze budujemy z potrzeby. Spójrzeliśmy na rynek i zobaczyliśmy, że krajobraz jest dojrzały — agencje rządowe i klienci prywatni wszyscy prosili o rozwiązanie takie jak to.

Istniejące modele po prostu nie były w stanie sprostać zadaniu. Większość z nich została zbudowana na technologiach angielskich, a następnie dostosowana. Nie zostały one zaprojektowane dla języka arabskiego od podstaw, a na pewno nie dla konkretnych problemów, które rozwiązujemy.

Postanowiliśmy więc zbudować własne. To arabski model od samego początku — dzięki projektowi.

Badania nad Munsit wprowadzają podejście słabo nadzorowanego uczenia. Czy możesz wyjaśnić, co to oznacza i dlaczego było to niezbędne do szkolenia arabskiego rozpoznawania mowy w skali?

Etykietowanie jest drogie. Musieliśmy więc wyjść poza tradycyjne metody, które opierają się na dużej ilości ręcznego transkrybowania. Słabo nadzorowane uczenie pomogło nam skalować bez konieczności ręcznego etykietowania każdego pliku audio — co jest szczególnie ważne dla języka arabskiego, który ma ograniczone dane i wiele różnych dialektów.

Zamiast używać profesjonalnie transkrybowanych nagrań, zaczęliśmy od 30 000 godzin nieoznaczonych mówionych w języku arabskim. Zbudowaliśmy potok anotacji, który generuje, filtruje i czysci najlepsze przy użyciu zautomatyzowanych kontroli. To dało nam wysokiej jakości zestaw danych o objętości 15 000 godzin — wszystko to bez konieczności ręcznego transkrybowania.

To podejście umożliwiło nam przeszkolenie naszego modelu od podstaw, uchwycenie bogactwa mówionego języka arabskiego w różnych sytuacjach życiowych, szybko i tanio. Bez tego podejścia budowanie systemu rozpoznawania mowy arabskiej w tej skali zajęłoby lata i miliony dolarów w wysiłku ręcznym.

Munsit przewyższył modele od OpenAI, Microsoftu i Meta w wielu benchmarkach. Co to osiągnięcie mówi o przyszłości innowacji sztucznej inteligencji w języku arabskim?

Przyszłość sztucznej inteligencji w języku arabskim leży w naszych rękach; i to właśnie udowadnia to osiągnięcie. Nie możemy już dłużej polegać na technologiach, których nie posiadamy, ani uzależniać się od stron trzecich, które nie priorytetowo traktują naszego regionu.

Munsit pokazuje, że możemy budować światowej klasy sztuczną inteligencję, z regionu, dla regionu — używając lokalnego talentu do rozwiązywania lokalnych problemów. To wyraźny sygnał, że następna fala innowacji sztucznej inteligencji w języku arabskim przyjdzie z wnętrza.

Jak widzisz ewolucję Munsit w przyszłych wersjach, a co są następne granice dla arabskiego rozpoznawania mowy w CNTXT?

Będziesz musiał poczekać i zobaczyć. Mogę powiedzieć, że mamy nowy zestaw arabskich rozwiązań sztucznej inteligencji, napędzanych przez Munsit i inne modele, które obecnie budujemy w CNTXT AI. To dopiero początek.

Często mówisz o ważności „suwerennej sztucznej inteligencji”. Co to pojęcie znaczy dla Ciebie, a dlaczego jest tak kluczowe dla Zatoki i szerszego regionu MENA?

Dla mnie suwerenna sztuczna inteligencja oznacza posiadanie pełnej własności i kontroli nad danymi, infrastrukturą i modelami, które kształtują naszą przyszłość. Jest to kluczowe, ponieważ musimy władać własnym losem, a zaczyna się to od danych.

Suwerenność danych jest wszystkim. Dane są cenne, a musimy się upewnić, że pozostaną w naszych rękach.

Nie możemy pozwolić, aby ktoś inny zbudował technologię dla nas i usiadł biernie, podczas gdy my będziemy czekać. Przyszłość sztucznej inteligencji w tym regionie przyjdzie z tego regionu. To właśnie do tego dążymy.

Jak widzisz CNTXT AI kształtujące ekosystem sztucznej inteligencji na Bliskim Wschodzie w ciągu najbliższych pięciu lat?

Poprzez umożliwienie prawdziwej gotowości sztucznej inteligencji. Wchodzimy, rozumiemy, czego potrzebują firmy i rządy, budujemy strategie danych i sztucznej inteligencji, a następnie pomagamy im budować, testować, wdrażać i skalować.

Jeśli dane to nowa ropa, to niewydajne dane są ropą nierafinowaną — pełną potencjału, ale bezużyteczną, dopóki nie zostaną przetworzone. Dlatego zbudowaliśmy CNTXT AI, aby pomóc organizacjom oczyszczać, strukturyzować i aktywować swoje dane. Bo to właśnie tam zaczyna się prawdziwa transformacja sztucznej inteligencji.

Ze swojej perspektywy jako przedsiębiorcy i inwestora, jakie rady byś dał innym założycielom budującym startupy sztucznej inteligencji na rynkach wschodzących?

Zacznij teraz. Poruszaj się szybko. Awaryjnie szybko, ucz się szybciej i kontynuuj iterację.

Najważniejsze jest budowanie rozwiązań dla prawdziwych problemów. Zostań blisko ziemi — słuchaj użytkowników, a nie tylko szumu. Na rynkach wschodzących istotne są istotność i adaptacyjność.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić CNTXT AI.