Edwin Lisowski, Co-Fundador e Diretor de Crescimento da Addepto – Série de Entrevistas

Edwin Lisowski, Co-Fundador e Diretor de Crescimento da Addepto, supervisiona o crescimento estratégico, desenvolvimento de negócios e marketing da empresa. Ele traz experiência extensa em arquitetura de dados, estratégia impulsionada por IA e consultoria de análise, combinando expertise técnica com um forte foco em escalonar a adoção de IA e iniciativas de transformação de negócios para clientes globais.

Addepto é uma empresa de consultoria com sede em Varsóvia, especializada em inteligência artificial, aprendizado de máquina, engenharia de dados e soluções de inteligência de negócios para clientes empresariais. A empresa ajuda as organizações a transformar dados brutos em insights ações através de estratégia de IA de ponta a ponta, desenvolvimento de conceito e implementação de modelos de produção. Trabalhando em setores como finanças, logística, manufatura e seguros, a Addepto enfatiza soluções personalizadas e parcerias de longo prazo para ajudar os clientes a aproveitar a IA para impacto de negócios mensurável.

O que o inspirou a co-fundar a Addepto em 2018, e qual foi a lacuna no mercado que vocês tentaram preencher?

Em 2018, víamos dois extremos: grandes fornecedores vendendo “tamanho único” de IA e, do outro lado, equipes internas presas após alguns conceitos de prova porque falta musculatura de engenharia de dados e MLOps. Construímos a Addepto para ser a equipe que conecta estratégia → tubulação de dados → modelos → produção, especialmente para indústrias intensivas em dados. Essa abordagem de pilha completa ainda é nosso DNA.

Qual das áreas de serviço da Addepto — visão computacional, PNL, aprendizado de máquina ou engenharia de dados — viu a adoção mais rápida nas empresas, e por quê?

Nos últimos 18-24 meses, a PNL/GenAI se moveu mais rápido nas empresas (busca, assistentes, processamento de documentos) porque mapeia diretamente o ROI do trabalho do conhecimento e pode começar a partir de modelos de fundação. Pesquisas de indústria mostram um grande aumento no uso de IA em 2024, com casos de uso liderados por GenAI escalonando em funções.

Muitas empresas lutam para mudar de conceito de prova de IA para sistemas de produção. Como a Addepto ajuda a preencher essa lacuna?

Tratamos a produção como uma disciplina, não uma fase: oficinas de descoberta, contratos de dados, arquiteturas de referência, CI/CD para modelos, observabilidade e “dia 2” de operações (deriva, custo, guardrails). Concretamente, padronizamos MLOps e reestruturamos conceitos de prova em pontos de extremidade de microserviços que se encaixam na pilha do cliente (Databricks/Spark, Kubernetes, BI existente). É assim que consistentemente enviamos além de demonstrações.

A IA geradora agora é central para as ofertas da Addepto. Como você decide quando aplicar modelos de fundação versus desenvolvimento de modelo personalizado?

Nossa árvore de decisão é pragmática:

• Inicie com modelos de fundação quando o valor do tempo, tarefas de linguagem ampla e variabilidade dominam.
• Mova para ajuste fino ou adaptadores quando a precisão de terminologia de domínio ou tom é crítica.
• Construa modelos personalizados quando a latência/custo/controle de IP importa, os dados são proprietários/estruturados ou restrições de borda se aplicam.
  Isso espelha para onde as empresas estão indo: menos “experimentos”, mais arquiteturas de propósito.

Em 2024, você lançou o ContextClue como uma plataforma de gerenciamento de conhecimento dedicada. Qual dor de cabeça o convenceu de que era o momento certo para um produto separado?

Os clientes de engenharia continuavam perguntando a mesma coisa: “Nossos CAD, PLM, ERP e documentos não conversam, você pode fazer com que eles pensem juntos?” Nós resolvemos isso repetidamente em projetos, então produtoizamos o padrão. 2024 foi o momento certo porque a GenAI tornou a recuperação e a autoria usáveis para engenheiros (não apenas equipes de dados). Nós anunciamos e começamos a lançá-lo nesse período.

O ContextClue integra CAD, ERP, PLM e documentos técnicos. Qual dessas fontes de dados é mais difícil de unificar, e como você resolve isso?

CAD é o mais difícil: formatos binários/proprietários, versionamento, conjuntos e contexto espacial. Nós normalizamos CAD ao lado de metadados PLM/ERP, então mapeamos tudo em um gráfico de conhecimento para que peças, sistemas, especificações e procedimentos se resolvam para as mesmas entidades. Essa é a espinha dorsal do pipeline de ingestão do ContextClue.

A plataforma suporta busca semântica e geração de documentos. Como você garante a precisão e confiabilidade nesses resultados para equipes de engenharia?

Três camadas:

• Recuperação fundamentada (RAG esquema-consciente sobre o gráfico de conhecimento) com citações para os artefatos de origem.
• Política + teste (suítes de avaliação em CI, prompts de equipe vermelha, testes de regressão).
• Humano no loop para resultados críticos (SOPs, documentos de conformidade). Nós até abrimos partes de nossa ferramenta de avaliação e cadeia de extração de gráficos para torná-la auditável.

O que torna o ContextClue distinto de outras ferramentas de gerenciamento de conhecimento em ecossistemas de indústria pesada e engenharia?

É nativo de engenharia: não apenas “procura arquivos”, mas entende conjuntos, dependências e impacto de alterações, ligando CAD/PLM/ERP e histórico de manutenção em um gráfico ação. Ferramentas de KM concorrentes frequentemente param no índice; ContextClue unifica estrutura + semântica e produz tanto documentos legíveis por humanos quanto modelos legíveis por máquina (para gêmeos digitais, planejamento).

Como você vê o ContextClue evoluindo com o surgimento da IA multimodal, especialmente na combinação de texto, esquemas e modelos 3D?

Duas direções já estão em movimento:

• Visão sobre CAD e esquemas: extrair topologia, chamadas e links de BOM para fundamentar respostas em desenhos.
• Alinhamento 3D: ligar nós de conhecimento a coordenadas 3D/visualizações do Omniverse para que consultas de manutenção ou planejamento se resolvam para o local correto no modelo. Espere agentes mais ricos que naveguem partes, versões e procedimentos em modos.

Olhando para o futuro, como você vê a Addepto e o ContextClue moldando o crescimento um do outro, e onde você imagina o impacto combinado deles na indústria nos próximos dez anos?

A Addepto continuará impulsionando a fronteira, produzindo sistemas multimodais/agênticos de forma responsável, enquanto o ContextClue transforma essa P&D em valor repetível para equipes de engenharia. Juntos, visamos cortar “desperdício de conhecimento” (tempo perdido procurando/recriando) em escala, medindo resultados como tempo de ciclo de engenharia, taxas de retrabalho e tempo de preparação para auditoria em plantas e programas. O mercado está mudando de “muitos pilotos” para “menos lançamentos de maior valor”, e planejamos ser o parceiro e a plataforma que entregam essas vitórias consistentemente.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Addepto.