Molham Aref, CEO i założyciel RelationalAI

Molham jest dyrektorem generalnym RelationalAI. Ma ponad 30 lat doświadczenia w kierowaniu organizacjami, które rozwijają i wdrażają rozwiązania związane z uczeniem maszynowym i sztuczną inteligencją w różnych branżach. Przed RelationalAI był dyrektorem generalnym LogicBlox i Predictix (obecnie Infor), dyrektorem generalnym Optimi (obecnie Ericsson (ERIC )) oraz współzałożycielem Brickstream (obecnie FLIR). Molham pełnił również stanowiska kierownicze w HNC Software (obecnie FICO) i Retek (obecnie Oracle (ORCL )).

RelationalAI łączy dziesięciolecia doświadczenia w branży, technologii i rozwoju produktów, aby przyspieszyć rozwój pierwszego i jedynego prawdziwego chmurowego systemu zarządzania danymi wiedzy, który napędza następną generację inteligentnych aplikacji danych.

Jako założyciel i dyrektor generalny RelationalAI, jaka była początkowa wizja, która skłoniła Cię do założenia firmy, i jak ta wizja ewoluowała przez ostatnie siedem lat?

Początkowa wizja koncentrowała się na zrozumieniu wpływu wiedzy i semantyki na pomyślne wdrożenie sztucznej inteligencji. Przed tym, jak dotarliśmy do miejsca, w którym jesteśmy dzisiaj z AI, większość uwagi skupiona była na uczeniu maszynowym (ML), które polegało na analizie ogromnych ilości danych w celu stworzenia zwięzłych modeli, które opisywały zachowania, takie jak wykrywanie oszustw lub wzorce zakupowe konsumentów. Z czasem stało się jasne, że aby skutecznie wdrożyć AI, konieczne jest reprezentowanie wiedzy w sposób, który byłby zarówno dostępny dla AI, jak i zdolny do uproszczenia złożonych systemów.

Ta wizja ewoluowała wraz z innowacjami w głębokim uczeniu i ostatnio językowymi modelami oraz generatywną sztuczną inteligencją. Te postępy nie zmieniły tego, co nasza firma robi, ale zwiększyły istotność i znaczenie ich podejścia, zwłaszcza w zakresie uczynienia AI bardziej dostępnym i praktycznym dla użycia w przedsiębiorstwach.

Niedawny raport PwC szacuje, że AI może przyczynić się do wzrostu gospodarki światowej o nawet 15,7 bln dolarów do 2030 roku. Twoim doświadczeniem, jakie są główne czynniki, które będą napędzać ten znaczący wpływ gospodarczy, i jak przedsiębiorstwa powinny się przygotować, aby skorzystać z tych możliwości?

Wpływ AI jest już znaczący i z pewnością będzie się zwiększał. Jednym z kluczowych czynników, które napędzają ten wpływ gospodarczy, jest automatyzacja intelektualnej pracy.

Zadania takie jak czytanie, podsumowywanie i analiza dokumentów – zadania często wykonywane przez wysoko opłacanych specjalistów – mogą teraz być (w większości) zautomatyzowane, co sprawia, że te usługi stają się znacznie bardziej przystępne i dostępne.

Aby skorzystać z tych możliwości, przedsiębiorstwa muszą inwestować w platformy, które mogą obsłużyć wymagania danych i obliczeń dla uruchamiania obciążeń AI. Ważne jest, aby mogły one skalować się w górę i w dół w sposób ekonomiczny na danej platformie, a także inwestować w umiejętności związane z AI wśród pracowników, aby mogli oni zrozumieć, jak używać tych modeli w sposób skuteczny i efektywny.

Jak AI kontynuuje integrację z różnymi branżami, jakie największe wyzwania stoją przed przedsiębiorstwami w skutecznym wdrożeniu AI? Jaką rolę odgrywa dane w pokonywaniu tych wyzwań?

Jednym z największych wyzwań, jakie widzę, jest zapewnienie, że wiedza branżowa jest dostępna dla AI. To, co obserwujemy dzisiaj, to fakt, że wiele przedsiębiorstw ma wiedzę rozproszoną w bazach danych, dokumentach, arkuszach kalkulacyjnych i kodzie. Ta wiedza jest często nieprzezroczysta dla modeli AI i nie pozwala organizacjom na maksymalne wykorzystanie wartości, którą mogliby uzyskać.

Znaczącym wyzwaniem, które branża musi pokonać, jest zarządzanie i ujednolicenie tej wiedzy, czasem określanej jako semantyka, aby uczynić ją dostępną dla systemów AI. Dzięki temu AI może być bardziej skuteczne w określonych branżach i wewnątrz przedsiębiorstw, ponieważ mogą one wykorzystywać swoją unikalną bazę wiedzy.

Wspomniałeś, że przyszłość wdrożenia generatywnej AI będzie wymagać połączenia technik, takich jak Retrieval-Augmented Generation (RAG) i architektury agentywne. Czy możesz wyjaśnić, dlaczego te połączone podejścia są konieczne i jakie korzyści przynoszą?

Będzie to wymagało różnych technik, takich jak GraphRAG i architektury agentywne, aby stworzyć systemy napędzane przez AI, które nie tylko są bardziej dokładne, ale także zdolne do obsługi złożonych zadań pobierania informacji i przetwarzania.

Wiele osób zaczyna rozumieć, że będziemy potrzebować więcej niż jednej techniki, aby kontynuować ewolucję z AI, ale raczej wykorzystywać kombinację modeli i narzędzi. Jedną z nich są architektury agentywne, w których mamy agenty z różnymi możliwościami, które pomagają rozwiązać złożone problemy. Ta technika rozdziela je na części, które można wydzielić do różnych agentów, aby osiągnąć pożądane wyniki.

Istnieje również retrieval augmented generation (RAG), która pomaga nam wydobywać informacje podczas korzystania z modeli językowych. Kiedy po raz pierwszy zaczęliśmy pracować z RAG, byliśmy w stanie odpowiedzieć na pytania, których odpowiedzi można było znaleźć w jednej części dokumentu. Jednak szybko odkryliśmy, że modele językowe mają trudności z odpowiadaniem na trudniejsze pytania, zwłaszcza gdy informacje są rozproszone w różnych miejscach w długich dokumentach i na całych dokumentach. Dlatego GraphRAG wchodzi w grę. Wykorzystując modele językowe do tworzenia reprezentacji grafu wiedzy informacji, może on następnie uzyskać dostęp do informacji, których potrzebujemy, aby osiągnąć wyniki, których potrzebujemy, i zmniejszyć szanse na błędy lub halucynacje.

Ujednolicenie danych jest krytycznym tematem w napędzaniu wartości AI w organizacjach. Czy możesz wyjaśnić, dlaczego ujednolicone dane są tak ważne dla AI, i jak mogą one przekształcić procesy podejmowania decyzji?

Ujednolicone dane zapewniają, że cała wiedza, którą posiada przedsiębiorstwo – niezależnie od tego, czy jest w dokumentach, arkuszach kalkulacyjnych, kodzie czy bazach danych – jest dostępna dla systemów AI. To ujednolicenie oznacza, że AI może skutecznie wykorzystywać wiedzę specyficzną dla danej branży, podbranży lub nawet pojedynczego przedsiębiorstwa, czyniąc AI bardziej istotnym i dokładnym w swoich danych wyjściowych.

Bez ujednolicenia danych systemy AI mogą działać tylko na fragmentach wiedzy, prowadząc do niepełnych lub niedokładnych spostrzeżeń. Ujednolicając dane, upewniamy się, że AI ma pełen i spójny obraz, co jest kluczowe dla przekształcenia procesów podejmowania decyzji i napędzania prawdziwej wartości w organizacjach.

Jak podejście RelationalAI do danych, a zwłaszcza jego relacyjny system grafu wiedzy, pomaga przedsiębiorstwom osiągać lepsze wyniki decyzyjne?

Podejście RelationalAI do architektury danych, a zwłaszcza nasz relacyjny system grafu wiedzy, bezpośrednio integruje wiedzę z danymi, czyniąc ją deklaratywną i relacyjną. To podejście różni się od tradycyjnych architektur, w których wiedza jest osadzona w kodzie, utrudniając dostęp i zrozumienie dla osób niebędących specjalistami technicznymi.

W dzisiejszym konkurencyjnym środowisku biznesowym szybkie i poinformowane podejmowanie decyzji jest niezbędne. Niemniej jednak wiele organizacji boryka się z tym, ponieważ ich dane nie posiadają niezbędnego kontekstu. Nasz relacyjny system grafu wiedzy ujednolica dane i wiedzę, zapewniając kompleksowy widok, który pozwala ludziom i AI na podejmowanie bardziej dokładnych decyzji.

Na przykład, rozważmy firmę finansową zarządzającą portfelem inwestycyjnym. Firma musi analizować trendy rynkowe, profile ryzyka klientów, zmiany regulacyjne i wskaźniki ekonomiczne. Nasz system grafu wiedzy może szybko syntetyzować te złożone, wzajemnie powiązane czynniki, umożliwiając firmie podejmowanie terminowych i poinformowanych decyzji inwestycyjnych, które maksymalizują zwroty, jednocześnie zarządzając ryzykiem.

To podejście również redukuje złożoność, poprawia przenośność i minimalizuje zależność od konkretnych dostawców technologii, zapewniając długoterminową elastyczność strategiczną w podejmowaniu decyzji.

Jak rola Chief Data Officer (CDO) ewoluuje wraz ze wzrostem znaczenia AI, i jakie kluczowe umiejętności będą niezbędne dla nich w przyszłości?

Rola CDO ewoluuje szybko, zwłaszcza wraz ze wzrostem znaczenia AI. Tradycyjnie odpowiedzialność, która teraz spada na CDO, była zarządzana przez CIO lub CTO, koncentrując się głównie na operacjach technologicznych lub technologii wytwarzanej przez firmę. Jednakże, ponieważ dane stały się jednym z najcenniejszych aktywów dla nowoczesnych przedsiębiorstw, rola CDO stała się odrębna i kluczowa.

CDO jest odpowiedzialny za zapewnienie prywatności, dostępności i monetyzacji danych w całej organizacji. Wraz ze wzrostem integracji AI z operacjami biznesowymi, CDO będzie odgrywał kluczową rolę w zarządzaniu danymi, które napędzają modele AI, zapewniając, że te dane są czyste, dostępne i używane w sposób etyczny.

Kluczowe umiejętności dla CDO w przyszłości będą obejmować głębokie zrozumienie zarządzania danymi, technologii AI i strategii biznesowej. Będą musieli oni pracować ściśle z innymi departamentami, umożliwiając zespołom, które tradycyjnie nie miały bezpośredniego dostępu do danych, takim jak finanse, marketing i HR, wykorzystywanie danych do uzyskania spostrzeżeń. Ta zdolność do demokratyzacji danych w całej organizacji będzie kluczowa dla napędzania innowacji i utrzymania przewagi konkurencyjnej.

Jaką rolę odgrywa RelationalAI w wspieraniu CDO i ich zespołów w zarządzaniu rosnącą złożonością danych i integracji AI w organizacjach?

RelationalAI odgrywa fundamentalną rolę w wspieraniu CDO, dostarczając narzędzi i ram niezbędnych do skutecznego zarządzania złożonością danych i integracją AI. Wraz ze wzrostem AI, CDO są odpowiedzialni za zapewnienie, że dane nie tylko są dostępne i bezpieczne, ale także są wykorzystywane w pełni w całej organizacji.

Pomagamy CDO, oferując podejście ukierunkowane na dane, które przywozi wiedzę bezpośrednio do danych, czyniąc ją dostępną i zrozumiałą dla osób niebędących specjalistami technicznymi. Jest to szczególnie ważne, gdy CDO pracują nad udostępnieniem danych tym, którzy tradycyjnie nie mieli do nich dostępu, takim jak marketing, finanse i nawet zespoły administracyjne. Ujednolicając dane i upraszczając ich zarządzanie, RelationalAI umożliwia CDO zasilanie ich zespołów, napędzanie innowacji i zapewnianie, że ich organizacje mogą w pełni skorzystać z możliwości oferowanych przez AI.

RelationalAI podkreśla data-centriczne podejście do budowy inteligentnych aplikacji. Czy możesz podać przykłady, jak to podejście doprowadziło do znaczących wydajności i oszczędności dla Twoich klientów?

Nasze data-centriczne podejście różni się od tradycyjnego modelu ukierunkowanego na aplikację, w którym logika biznesowa jest często osadzona w kodzie, utrudniając zarządzanie i skalowanie. Przez scentralizowanie wiedzy w samych danych i uczynienie jej deklaratywną i relacyjną, pomogliśmy klientom znacznie zredukować złożoność ich systemów, prowadząc do większej wydajności, mniej błędów i ostatecznie znaczących oszczędności kosztów.

Na przykład, Blue Yonder wykorzystał naszą technologię jako Knowledge Graph Coprocessor wewnątrz Snowflake, co zapewniło możliwości semantycznego zrozumienia i wnioskowania niezbędne do przewidywania zakłóceń i proaktywnego napędzania działań mitigacyjnych. To podejście pozwoliło im zredukować kod dziedzictwa o ponad 80%, oferując skalowalne i rozszerzalne rozwiązanie.

Podobnie, EY Financial Services doświadczył dramatycznej poprawy, obcinając kod dziedzictwa o 90% i redukując czasy przetwarzania z ponad miesiąca do zaledwie kilku godzin. Te wyniki podkreślają, jak nasze podejście pozwala firmom być bardziej elastycznymi i reagującymi na zmieniające się warunki rynkowe, unikając przy tym pułapek związanych z zablokowaniem w określonych technologiach lub dostawcach.

Biorąc pod uwagę Twoje doświadczenie w prowadzeniu firm napędzanych przez AI, co uważasz za najbardziej krytyczne czynniki dla pomyślnego wdrożenia AI w skali przedsiębiorstwa?

Według mojego doświadczenia, najważniejszymi czynnikami dla pomyślnego wdrożenia AI w skali są zapewnienie, że posiadasz silną bazę danych i wiedzy, oraz że Twoi pracownicy, zwłaszcza ci bardziej doświadczeni, poświęcają czas na naukę i stają się komfortowi z narzędziami AI.

Jest również ważne, aby nie popaść w pułapkę skrajnych reakcji emocjonalnych – ani nadmiernego optymizmu, ani głębokiego cynizmu – wokół nowych technologii AI. Zamiast tego, zalecam podejście stabilne i konsekwentne w przyjmowaniu i integrowaniu AI, koncentrując się na stopniowych ulepszeniach, zamiast oczekiwania na srebrną kulę.

Dziękuję za wspaniałe wywiady, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić RelationalAI.