Molham Aref, CEO e Fundador da RelationalAI

Molham é o Diretor Executivo da RelationalAI. Ele tem mais de 30 anos de experiência em liderar organizações que desenvolvem e implementam soluções de aprendizado de máquina e inteligência artificial de alto valor em várias indústrias. Antes da RelationalAI, ele foi CEO da LogicBlox e da Predictix (agora Infor), CEO da Optimi (agora Ericsson (ERIC )) e co-fundador da Brickstream (agora FLIR). Molham também ocupou cargos de liderança sênior na HNC Software (agora FICO) e na Retek (agora Oracle (ORCL )).

RelationalAI reúne décadas de experiência em indústria, tecnologia e desenvolvimento de produtos para avançar com o primeiro e único sistema de gerenciamento de dados de grafos de conhecimento nativo em nuvem para alimentar a próxima geração de aplicações de dados inteligentes.

Como fundador e CEO da RelationalAI, qual era a visão inicial que o levou a criar a empresa, e como essa visão evoluiu nos últimos sete anos?

A visão inicial estava centrada em entender o impacto do conhecimento e da semântica no sucesso da implantação da IA. Antes de chegarmos aonde estamos hoje com a IA, muito do foco estava na aprendizagem de máquina (ML), que envolvia analisar vastas quantidades de dados para criar modelos concisos que descreviam comportamentos, como detecção de fraude ou padrões de compras de consumidores. Com o tempo, ficou claro que, para implantar a IA com eficácia, era necessário representar o conhecimento de uma maneira que fosse acessível à IA e capaz de simplificar sistemas complexos.

Essa visão evoluiu com inovações em aprendizado profundo e, mais recentemente, modelos de linguagem e IA gerativa. Esses avanços não alteraram o que a empresa está fazendo, mas aumentaram a relevância e a importância da abordagem, particularmente em tornar a IA mais acessível e prática para uso empresarial.

Um relatório recente da PwC estima que a IA pode contribuir até $15,7 trilhões para a economia global até 2030. Em sua experiência, quais são os principais fatores que impulsionarão esse impacto econômico substancial, e como as empresas devem se preparar para capitalizar essas oportunidades?

O impacto da IA já foi significativo e, sem dúvida, continuará a crescer. Um dos principais fatores que impulsionam esse impacto econômico é a automação do trabalho intelectual.

Tarefas como ler, resumir e analisar documentos – tarefas frequentemente realizadas por profissionais altamente remunerados – agora podem ser (em grande parte) automatizadas, tornando esses serviços muito mais acessíveis e baratos.

Para capitalizar essas oportunidades, as empresas precisam investir em plataformas que possam suportar os requisitos de dados e computação para executar cargas de trabalho de IA. É importante que elas possam escalar de forma eficaz em termos de custo em uma plataforma dada, enquanto também investem em alfabetização em IA entre os funcionários, para que eles possam entender como usar esses modelos de forma eficaz e eficiente.

À medida que a IA continua a se integrar a várias indústrias, quais são os maiores desafios que as empresas enfrentam na adoção eficaz da IA? Como os dados desempenham um papel na superação desses desafios?

Um dos maiores desafios que vejo é garantir que o conhecimento específico de uma indústria esteja acessível à IA. O que estamos vendo hoje é que muitas empresas têm conhecimento disperso em bancos de dados, documentos, planilhas e código. Esse conhecimento é frequentemente opaco para os modelos de IA e não permite que as organizações maximizem o valor que poderiam obter.

Um desafio significativo que a indústria precisa superar é gerenciar e unificar esse conhecimento, às vezes referido como semântica, para torná-lo acessível aos sistemas de IA. Ao fazer isso, a IA pode ser mais eficaz em indústrias específicas e dentro da empresa, pois elas podem então aproveitar sua base de conhecimento única.

Você mencionou que o futuro da adoção da IA gerativa exigirá uma combinação de técnicas, como Geração Aumentada por Recuperação (RAG) e arquiteturas agênticas. Pode explicar por que essas abordagens combinadas são necessárias e quais benefícios elas trazem?

Vai levar diferentes técnicas, como GraphRAG e arquiteturas agênticas, para criar sistemas impulsionados por IA que não apenas sejam mais precisos, mas também capazes de lidar com tarefas complexas de recuperação e processamento de informações.

Muitos estão finalmente começando a perceber que precisaremos de mais de uma técnica à medida que continuamos a evoluir com a IA, mas em vez disso, aproveitando uma combinação de modelos e ferramentas. Uma delas é a arquitetura agêntica, onde você tem agentes com diferentes capacidades que estão ajudando a resolver um problema complexo. Essa técnica divide o problema em peças que você distribui para diferentes agentes para alcançar os resultados desejados.

Existe também a geração aumentada por recuperação (RAG) que nos ajuda a extrair informações ao usar modelos de linguagem. Quando começamos a trabalhar com RAG, éramos capazes de responder a perguntas cujas respostas podiam ser encontradas em uma parte de um documento. No entanto, logo descobrimos que os modelos de linguagem têm dificuldade em responder a perguntas mais difíceis, especialmente quando a informação está espalhada em vários locais em documentos longos e em todo o documento. É aqui que o GraphRAG entra em jogo. Ao aproveitar modelos de linguagem para criar representações de grafos de conhecimento de informações, podemos acessar a informação necessária para alcançar os resultados necessários e reduzir as chances de erros ou alucinações.

A unificação de dados é um tópico crítico para impulsionar o valor da IA dentro das organizações. Pode explicar por que os dados unificados são tão importantes para a IA e como eles podem transformar os processos de tomada de decisão?

Dados unificados garantem que todo o conhecimento que uma empresa possui – seja em documentos, planilhas, código ou bancos de dados – esteja acessível aos sistemas de IA. Essa unificação significa que a IA pode efetivamente aproveitar o conhecimento específico de uma indústria, subindústria ou até mesmo de uma única empresa, tornando a IA mais relevante e precisa em suas saídas.

Sem a unificação de dados, os sistemas de IA só podem operar em pedaços fragmentados de conhecimento, levando a insights incompletos ou imprecisos. Ao unificar os dados, garantimos que a IA tenha uma visão completa e coerente, o que é fundamental para transformar os processos de tomada de decisão e impulsionar valor real dentro das organizações.

Como a abordagem da RelationalAI em relação aos dados, particularmente com seu sistema de grafos de conhecimento relacionais, ajuda as empresas a alcançar melhores resultados de tomada de decisão?

A arquitetura centrada em dados da RelationalAI, particularmente nosso sistema de grafos de conhecimento relacionais, integra conhecimento diretamente com dados, tornando-o declarativo e relacional. Essa abordagem contrasta com as arquiteturas tradicionais, onde o conhecimento é incorporado ao código, complicando o acesso e a compreensão para usuários não técnicos.

No ambiente de negócios competitivo de hoje, a tomada de decisão rápida e informada é imperativa. No entanto, muitas organizações lutam porque seus dados carecem do contexto necessário. Nosso sistema de grafos de conhecimento relacionais unifica dados e conhecimento, fornecendo uma visão abrangente que permite que humanos e IA tomem decisões mais precisas.

Por exemplo, considere uma empresa de serviços financeiros que gerencia carteiras de investimentos. A empresa precisa analisar tendências do mercado, perfis de risco dos clientes, mudanças regulamentares e indicadores econômicos. Nosso sistema de grafos de conhecimento pode sintetizar rapidamente esses fatores complexos e inter-relacionados, permitindo que a empresa tome decisões de investimento informadas e oportunas que maximizam os retornos enquanto gerenciam o risco.

Essa abordagem também reduz a complexidade, melhora a portabilidade e minimiza a dependência de fornecedores de tecnologia específicos, fornecendo flexibilidade estratégica a longo prazo na tomada de decisão.

O papel do Diretor de Dados (CDO) está crescendo em importância. Como você vê as responsabilidades dos CDOs evoluindo com o aumento da IA, e quais habilidades serão essenciais para eles no futuro?

O papel do CDO está evoluindo rapidamente, especialmente com o aumento da IA. Tradicionalmente, as responsabilidades que agora caem sob o CDO eram gerenciadas pelo CIO ou CTO, focando principalmente em operações de tecnologia ou tecnologia produzida pela empresa. No entanto, à medida que os dados se tornaram um dos ativos mais valiosos para as empresas modernas, o papel do CDO se tornou distinto e crucial.

O CDO é responsável por garantir a privacidade, acessibilidade e monetização dos dados em toda a organização. À medida que a IA continua a se integrar às operações comerciais, o CDO desempenhará um papel fundamental no gerenciamento dos dados que alimentam os modelos de IA, garantindo que esses dados sejam limpos, acessíveis e usados de forma ética.

As habilidades-chave para os CDOs no futuro incluirão uma compreensão profunda da governança de dados, tecnologias de IA e estratégia de negócios. Eles precisarão trabalhar em estreita colaboração com outros departamentos, capacitando equipes que tradicionalmente podem não ter tido acesso direto aos dados, como finanças, marketing e RH, para aproveitar insights baseados em dados. Essa capacidade de democratizar os dados em toda a organização será crítica para impulsionar a inovação e manter uma vantagem competitiva.

Qual papel a RelationalAI desempenha no apoio aos CDOs e às suas equipes no gerenciamento da complexidade crescente dos dados e da integração da IA dentro das organizações?

A RelationalAI desempenha um papel fundamental no apoio aos CDOs, fornecendo as ferramentas e estruturas necessárias para gerenciar a complexidade dos dados e da integração da IA de forma eficaz. Com o aumento da IA, os CDOs são encarregados de garantir que os dados não apenas sejam acessíveis e seguros, mas também que sejam aproveitados ao máximo em toda a organização.

Nós ajudamos os CDOs oferecendo uma abordagem centrada em dados que traz o conhecimento diretamente para os dados, tornando-o acessível e compreensível para partes interessadas não técnicas. Isso é particularmente importante à medida que os CDOs trabalham para colocar os dados nas mãos daqueles na organização que podem não ter tido acesso tradicionalmente, como marketing, finanças e até mesmo equipes administrativas. Ao unificar os dados e simplificar seu gerenciamento, a RelationalAI permite que os CDOs capacitem suas equipes, impulsionem a inovação e garantam que suas organizações possam aproveitar ao máximo as oportunidades apresentadas pela IA.

A RelationalAI enfatiza uma fundação centrada em dados para a construção de aplicações inteligentes. Pode fornecer exemplos de como essa abordagem levou a significativas eficiências e economias para seus clientes?

Nossa abordagem centrada em dados contrasta com o modelo tradicional centrado em aplicativos, onde a lógica de negócios é frequentemente incorporada ao código, dificultando o acesso e a compreensão para usuários não técnicos. Ao centralizar o conhecimento dentro dos próprios dados e torná-lo declarativo e relacional, ajudamos os clientes a reduzir significativamente a complexidade de seus sistemas, levando a maiores eficiências, menos erros e, em última análise, substanciais economias de custos.

Por exemplo, a Blue Yonder aproveitou nossa tecnologia como um coprocessador de grafos de conhecimento dentro do Snowflake, o que forneceu as capacidades de compreensão semântica e raciocínio necessárias para prever interrupções e impulsionar ações de mitigação de forma proativa. Essa abordagem permitiu que eles reduzissem o código legado em mais de 80% enquanto ofereciam uma solução escalável e extensível.

Da mesma forma, a EY Financial Services experimentou uma melhoria dramática, reduzindo o código legado em 90% e reduzindo os tempos de processamento de mais de um mês para apenas algumas horas. Esses resultados destacam como nossa abordagem permite que as empresas sejam mais ágeis e responsivas às condições de mercado em constante mudança, evitando as armadilhas de serem travadas em tecnologias ou fornecedores específicos.

Considerando sua experiência em liderar empresas impulsionadas por IA, quais são os fatores mais críticos para a implementação bem-sucedida da IA em escala em uma organização?

Em minha experiência, os fatores mais significativos para a implementação bem-sucedida da IA em escala são garantir que você tenha uma base sólida de dados e conhecimento e que seus funcionários, particularmente aqueles mais experientes, levem o tempo para aprender e se tornar confortáveis com as ferramentas de IA.

É importante não cair na armadilha de reações emocionais extremas – seja excesso de entusiasmo ou ceticismo profundo – em torno de novas tecnologias de IA. Em vez disso, recomendo uma abordagem estável e consistente para a adoção e integração da IA, focando em melhorias incrementais em vez de esperar por uma solução de bala de prata.

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