Эдвин Лисовски, сооснователь и главный директор по росту Addepto – Серия интервью

Эдвин Лисовски, сооснователь и главный директор по росту Addepto, курирует стратегический рост, развитие бизнеса и маркетинг компании. Он обладает обширным опытом в области архитектуры данных, стратегии, основанной на ИИ, и консалтинга в области аналитики, сочетая техническую экспертизу с сильным акцентом на масштабировании принятия решений на основе ИИ и инициатив по трансформации бизнеса для глобальных клиентов.

Addepto – это варшавская консалтинговая фирма, специализирующаяся на искусственном интеллекте, машинном обучении, инженерии данных и бизнес-интеллекте для корпоративных клиентов. Компания помогает организациям превратить сырые данные в действенные идеи посредством комплексной стратегии ИИ, разработки концепции и внедрения готовых к производству моделей. Работая в таких секторах, как финансы, логистика, производство и страхование, Addepto подчеркивает индивидуальные решения и долгосрочные партнерства, чтобы помочь клиентам использовать ИИ для измеримого бизнес-воздействия.

Что вдохновило вас на создание Addepto в 2018 году, и какую нишу на рынке вы стремились заполнить?

В 2018 году мы постоянно видели две крайности: большие поставщики, продающие “один размер для всех” ИИ, и, с другой стороны, внутренние команды, застрявшие после нескольких концепций, потому что им не хватало инженерии данных и MLOps-мышцы. Мы построили Addepto, чтобы быть командой, которая соединяет стратегию → инженерную работу с данными → модели → производство, особенно для отраслей с большим объемом данных. Этот полноценный подход остается нашей ДНК.

Какой из сервисных направлений Addepto — компьютерное зрение, NLP, машинное обучение или инженерия данных — показал самый быстрый рост принятия в корпоративном секторе, и почему?

За последние 18-24 месяца NLP/GenAI развивался быстрее всего в корпоративном секторе (поиск, помощники, обработка документов), потому что он напрямую связан с ROI, основанным на знаниях, и может начинаться с фундаментальных моделей. Опросы отрасли показывают значительный рост использования ИИ в 2024 году, с GenAI-ориентированными кейсами, масштабируемыми по функциям.

Многие компании испытывают трудности при переходе от концепции ИИ к производственным системам. Как Addepto помогает им преодолеть этот разрыв?

Мы относимся к производству как к дисциплине, а не к фазе: семинары по открытию, контракты на данные, эталонные архитектуры, CI/CD для моделей, наблюдаемость и “день-2”-операции (дрейф, стоимость, ограничители). Конкретно, мы стандартизируем MLOps и перерабатываем концепции в микросервисные конечные точки, которые подходят для стека клиента (Databricks/Spark, Kubernetes, существующий BI). Таким образом мы последовательно доставляем больше, чем просто демонстрации.

Генеративный ИИ теперь является центральным в ваших предложениях. Как вы решаете, когда использовать фундаментальные модели, а когда разработать индивидуальные модели?

Наше решение основано на практике:

• Начинайте с фундаментальных моделей, когда доминируют время до получения ценности, широкие языковые задачи и изменчивость.
• Переходите к тонкой настройке или адаптерам, когда критична точность терминологии или тона.
• Разрабатывайте индивидуальные модели, когда имеют значение задержка/стоимость/контроль ИП, данные являются собственными/структурированными или применяются ограничения на краю.
  Это отражает, куда движется отрасль: меньше “экспериментов”, больше архитектур, подходящих для конкретной задачи.

В 2024 году вы запустили ContextClue как платформу управления знаниями. Какая больная точка убедила вас, что время для отдельного продукта пришло?

Клиенты-инженеры постоянно задавали один и тот же вопрос: “Наша CAD, PLM, ERP и документы не общаются, можете ли вы сделать так, чтобы они думали вместе?” Мы решили эту проблему неоднократно в проектах, поэтому мы превратили этот шаблон в продукт. 2024 год был подходящим моментом, потому что GenAI сделал поиск и создание контента доступными для инженеров (не только для команд данных). Мы объявили и начали развертывать его в тот период.

ContextClue интегрируется с CAD, ERP, PLM и техническими документами. Какой из этих источников данных наиболее трудно унифицировать, и как вы решаете эту проблему?

CAD является наиболее сложным: бинарные/проприетарные форматы, версионирование, сборки и пространственный контекст. Мы нормализуем CAD вместе с метаданными PLM/ERP, затем отображаем все в граф знаний, чтобы детали, системы, спецификации и процедуры сводились к одним и тем же сущностям. Это является основой ингест-пайплайна ContextClue.

Платформа поддерживает семантический поиск и генерацию документов. Как вы обеспечиваете точность и доверие к этим выводам для инженерных команд?

Три слоя:

• Обоснованный поиск (schema-осведомленный RAG над графом знаний) с цитатами на исходные артефакты.
• Политика + тестирование (комплексные тесты в CI, красные команды-пrompt, регрессионные тесты).
• Человек в цикле для критических выводов (SOP, документы по соблюдению). Мы даже открыли исходный код части нашей оценочной и графо-экстракторной цепочки инструментов, чтобы сделать это аудиторским.

Что отличает ContextClue от других инструментов управления знаниями в тяжелой промышленности и инженерных экосистемах?

Это родное для инженеров: оно не просто “ищет файлы”, а понимает сборки, зависимости и воздействие изменений, связывая CAD/PLM/ERP и историю обслуживания в действенный граф. Конкурирующие инструменты управления знаниями часто останавливаются на индексировании; ContextClue объединяет структуру + семантику и выводит как человеко-читаемые документы, так и машинно-читаемые модели (для цифровых двойников, планирования).

Как вы видите эволюцию ContextClue с ростом многомодального ИИ, особенно в объединении текста, схем и 3D-моделей?

Два направления уже в движении:

• Видение над CAD и схемами: извлечение топологии, вызовов и ссылок на BOM, чтобы основать ответы в чертежах.
• Выравнивание 3D: связывание узлов знаний с 3D-координатами/просмотрами Omniverse, чтобы запросы на обслуживание или планирование сводились к правильной точке в модели. Ожидайте более богатых агентов, которые ориентируются в деталях, версиях и процедурах через модальности.

Оглядываясь в будущее, как вы видите рост Addepto и ContextClue, влияние друг на друга, и где вы представляете их совокупное воздействие на отрасль в течение следующего десятилетия?

Addepto будет продолжать расширять границы, производя многомодальные/агентные системы ответственно, в то время как ContextClue превратит эту научно-исследовательскую работу в повторяющуюся ценность для инженерных команд. Вместе мы стремимся сократить “потери знаний” (время, потерянное на поиск/пересоздание) в масштабе, измеряя результаты, такие как время цикла инженерии, показатели переделки и время подготовки к аудиту по заводам и программам. Рынок движется от “многих пилотов” к “меньшему количеству, но более ценным запускам”, и мы планируем быть партнером и платформой, которая последовательно будет доставлять эти победы.

Благодарим за отличное интервью, читатели, которые хотят узнать больше, должны посетить Addepto.