Мольхам Ареф, генеральный директор и основатель RelationalAI

Мольхам является генеральным директором RelationalAI. Он имеет более 30 лет опыта руководства организациями, которые разрабатывают и реализуют высокоэффективные решения в области машинного обучения и искусственного интеллекта в различных отраслях. До RelationalAI он был генеральным директором LogicBlox и Predictix (ныне Infor), генеральным директором Optimi (ныне Ericsson (ERIC )), и сооснователем Brickstream (ныне FLIR). Мольхам также занимал руководящие должности в HNC Software (ныне FICO) и Retek (ныне Oracle (ORCL )).

RelationalAI объединяет десятилетия опыта в отрасли, технологиях и разработке продуктов, чтобы продвинуть первый и единственный реальный облачный граф управления знаниями для питания следующего поколения интеллектуальных данных.

Как основатель и генеральный директор RelationalAI, какова была первоначальная концепция, которая заставила вас создать компанию, и как эта концепция эволюционировала за последние семь лет?

Первоначальная концепция была сосредоточена на понимании влияния знаний и семантики на успешное развертывание ИИ. До того, как мы пришли к тому, где мы находимся сегодня с ИИ, большая часть внимания была сосредоточена на машинном обучении (МО), которое включало анализ огромных объемов данных для создания кратких моделей, описывающих поведение, такое как обнаружение мошенничества или модели покупательского поведения потребителей. Со временем стало ясно, что для эффективного развертывания ИИ необходимо представить знания таким образом, чтобы они были доступны ИИ и способствовали упрощению сложных систем.

Эта концепция с тех пор эволюционировала с появлением инноваций глубокого обучения и, более недавно, языковых моделей и генеративного ИИ. Эти достижения не изменили того, что наша компания делает, но увеличили актуальность и важность их подхода, особенно в том, чтобы сделать ИИ более доступным и практичным для корпоративного использования.

Согласно недавнему отчету PwC, ИИ может внести вклад до 15,7 триллионов долларов в глобальную экономику к 2030 году. На основе вашего опыта, какие основные факторы будут стимулировать этот значительный экономический эффект, и как бизнесу следует подготовиться к использованию этих возможностей?

Влияние ИИ уже было значительным и, безусловно, продолжит расти. Одним из ключевых факторов, стимулирующих этот экономический эффект, является автоматизация интеллектуального труда.

Задачи, такие как чтение, суммирование и анализ документов – задачи, часто выполняемые высокооплачиваемыми специалистами – теперь могут быть (в основном) автоматизированы, что делает эти услуги намного более доступными и доступными.

Чтобы воспользоваться этими возможностями, бизнесу необходимо инвестировать в платформы, которые могут поддерживать требования данных и вычислений для запуска рабочих нагрузок ИИ. Важно, чтобы они могли масштабироваться вверх и вниз экономически эффективно на данной платформе, а также инвестировать в грамотность ИИ среди сотрудников, чтобы они могли понять, как использовать эти модели эффективно и эффективно.

Поскольку ИИ продолжает интегрироваться в различные отрасли, какие, по вашему мнению, являются самыми большими проблемами, с которыми сталкиваются корпорации при эффективном внедрении ИИ? Какую роль играют данные в преодолении этих проблем?

Одной из самых больших проблем, которую я вижу, является обеспечение того, чтобы отраслевые знания были доступны ИИ. То, что мы видим сегодня, – это то, что многие корпорации имеют знания, разбросанные по базам данных, документам, электронным таблицам и коду. Эти знания часто непрозрачны для моделей ИИ и не позволяют организациям максимизировать ценность, которую они могли бы получить.

Значительной проблемой, которую необходимо решить отрасли, является управление и унификация этих знаний, иногда называемых семантикой, чтобы сделать их доступными для систем ИИ. Таким образом, ИИ может быть более эффективным в конкретных отраслях и внутри корпораций, поскольку они могут использовать свою уникальную базу знаний.

Вы упоминали, что будущее внедрения генеративного ИИ потребует комбинации методов, таких как Retrieval-Augmented Generation (RAG) и агентные архитектуры. Можете ли вы подробнее рассказать, почему эти комбинированные подходы необходимы и какие преимущества они предоставляют?

Для создания систем, управляемых ИИ, которые не только более точны, но и способны обрабатывать сложные задачи извлечения и обработки информации, потребуется использование различных методов, таких как GraphRAG и агентные архитектуры.

Многие только начинают осознавать, что нам понадобится не один метод, когда мы продолжаем развиваться с ИИ, а скорее сочетание моделей и инструментов. Одним из них являются агентные архитектуры, где у вас есть агенты с разными возможностями, которые помогают решить сложную проблему. Этот метод разбивает ее на части, которые вы можете передать разным агентам, чтобы получить желаемый результат.

Также есть Retrieval-Augmented Generation (RAG), который помогает нам извлечь информацию при использовании языковых моделей. Когда мы впервые начали работать с RAG, мы смогли ответить на вопросы, ответы на которые можно было найти в одной части документа. Однако мы быстро обнаружили, что языковые модели испытывают трудности при ответах на более сложные вопросы, особенно когда информация разбросана по различным местам в длинных документах и по документам. Именно здесь на сцену выходит GraphRAG. Используя языковые модели для создания графических представлений знаний, он может затем получить доступ к информации, необходимой для достижения желаемого результата и уменьшить вероятность ошибок или галлюцинаций.

Унификация данных является критической темой в стимулировании ценности ИИ внутри организаций. Можете ли вы объяснить, почему унифицированные данные так важны для ИИ, и как они могут преобразовать процессы принятия решений?

Унифицированные данные гарантируют, что все знания, которыми обладает корпорация – будь то в документах, электронных таблицах, коде или базах данных – доступны системам ИИ. Эта унификация означает, что ИИ может эффективно использовать конкретные знания, уникальные для отрасли, подотрасли или даже отдельной корпорации, что делает ИИ более актуальным и точным в своих выводах.

Без унификации данных системы ИИ могут работать только с фрагментированными частями знаний, что приводит к неполному или неточному пониманию. Унифицируя данные, мы гарантируем, что ИИ имеет полную и связную картину, которая является важной для преобразования процессов принятия решений и стимулирования реальной ценности внутри организаций.

Как подход RelationalAI к данным, в частности, с его реляционной системой графического представления знаний, помогает корпорациям достигать лучших результатов в принятии решений?

Датационная архитектура RelationalAI, в частности, наша реляционная система графического представления знаний, напрямую интегрирует знания с данными, делая их декларативными и реляционными. Этот подход контрастирует с традиционными архитектурами, где знания встроены в код, что усложняет доступ и понимание для непрофессионалов.

В сегодняшней конкурентной деловой среде быстрое и обоснованное принятие решений имеет решающее значение. Однако многие организации сталкиваются с трудностями, поскольку их данные лишены необходимого контекста. Наша реляционная система графического представления знаний унифицирует данные и знания, обеспечивая всесторонний обзор, который позволяет людям и ИИ принимать более точные решения.

Например, рассмотрим финансовую службу, которая управляет инвестиционными портфелями. Компания должна проанализировать рыночные тенденции, профили риска клиентов, изменения в регулировании и экономические показатели. Наша система графического представления знаний может быстро синтезировать эти сложные, взаимосвязанные факторы, позволяя компании принимать своевременные и обоснованные инвестиционные решения, которые максимизируют доходы, минимизируя при этом риск.

Этот подход также снижает сложность, повышает портативность и минимизирует зависимость от конкретных технологических поставщиков, обеспечивая долгосрочную стратегическую гибкость в принятии решений.

Какова эволюция роли главного офицера по данным (CDO) с ростом ИИ, и какие ключевые навыки будут необходимы для них в будущем?

Роль CDO быстро эволюционирует, особенно с ростом ИИ. Традиционно обязанности, которые теперь подчиняются CDO, управлялись CIO или CTO, сосредотачиваясь в основном на технологических операциях или технологиях, производимых компанией. Однако, поскольку данные стали одним из наиболее ценных активов для современных корпораций, роль CDO стала отдельной и важной.

CDO отвечает за обеспечение конфиденциальности, доступности и монетизации данных по всей организации. По мере того, как ИИ продолжает интегрироваться в бизнес-операции, CDO будет играть решающую роль в управлении данными, которые питает модели ИИ, гарантируя, что эти данные чисты, доступны и используются этично.

Ключевые навыки для CDO в будущем будут включать глубокое понимание управления данными, технологий ИИ и бизнес-стратегии. Им необходимо будет работать в тесном сотрудничестве с другими отделами, наделяя командами, которые традиционно не имели прямого доступа к данным, такими как финансы, маркетинг и HR, возможностью использовать данные, основанные на выводах. Эта способность демократизировать данные по всей организации будет важна для стимулирования инноваций и поддержания конкурентного преимущества.

Какую роль играет RelationalAI в поддержке CDO и их команд в управлении растущей сложностью данных и интеграции ИИ внутри организаций?

RelationalAI играет фундаментальную роль в поддержке CDO, предоставляя им инструменты и рамки, необходимые для эффективного управления сложностью данных и интеграции ИИ. С ростом ИИ CDO сталкиваются с задачей обеспечения того, чтобы данные не только были доступны и безопасны, но и использовались на полную мощность по всей организации.

Мы помогаем CDO, предлагая датационный подход, который приносит знания непосредственно к данным, делая их доступными и понятными для непрофессиональных заинтересованных сторон. Это особенно важно, поскольку CDO работают над тем, чтобы данные попали в руки тех, кто в организации может не иметь к ним традиционного доступа, таких как маркетинг, финансы и даже административные команды. Унифицируя данные и упрощая их управление, RelationalAI позволяет CDO наделять свои команды, стимулировать инновации и обеспечивать, чтобы их организации могли полностью использовать возможности, представленные ИИ.

RelationalAI подчеркивает датационный подход к построению интеллектуальных приложений. Можете ли вы предоставить примеры того, как этот подход привел к значительной эффективности и экономии для ваших клиентов?

Наш датационный подход контрастирует с традиционной приложение-ориентированной моделью, где бизнес-логика часто встроена в код, что затрудняет доступ и понимание для непрофессионалов. Централизируя знания внутри самих данных и делая их декларативными и реляционными, мы помогли клиентам значительно сократить сложность своих систем, что привело к большей эффективности, меньшему количеству ошибок и, в конечном итоге, значительной экономии.

Например, Blue Yonder использовала нашу технологию в качестве графического сопроцессора внутри Snowflake, который предоставил семантическое понимание и возможности рассуждения, необходимые для прогнозирования сбоев и активного принятия мер по их предотвращению. Этот подход позволил им сократить код наследия более чем на 80%, обеспечив масштабируемое и расширяемое решение.

Аналогично, EY Financial Services пережила значительное улучшение, сократив код наследия на 90% и сократив время обработки с более чем месяца до нескольких часов. Эти результаты подчеркивают, как наш подход позволяет бизнесу быть более гибкими и отзывчивыми к меняющимся рыночным условиям, избегая при этом ловушек, связанных с привязкой к конкретным технологиям или поставщикам.

Учитывая ваш опыт руководства компаниями, ориентированными на ИИ, какие, по вашему мнению, являются наиболее важными факторами для успешной реализации ИИ в масштабе в организации?

Из моего опыта наиболее важными факторами для успешной реализации ИИ в масштабе являются обеспечение прочной основы данных и знаний и то, что сотрудники, особенно те, кто более опытен, тратят время на изучение и становление комфортными с инструментами ИИ.

Также важно не попадать в ловушку крайних эмоциональных реакций – либо чрезмерного ажиотажа, либо глубокого цинизма – вокруг новых технологий ИИ. Вместо этого я рекомендую стабильный, последовательный подход к внедрению и интеграции ИИ, сосредотачиваясь на постепенных улучшениях, а не ожидая серебряной пули.

Спасибо за отличное интервью. Читателям, желающим узнать больше, рекомендуется посетить RelationalAI.