Babak Hodjat, Chief AI Officer på Cognizant – Intervju-serie

Babak Hodjat, Chief AI Officer leder AI Research Labs, ett team av utvecklare och forskare som driver på utvecklingen av AI, bygger differentierade AI-funktioner i Cognizants erbjudanden och leder företagets AI för goda initiativ.

Babak är den tidigare medgrundare och VD för Sentient, ansvarig för den grundläggande tekniken bakom världens största distribuerade AI-system. Babak var också grundare av världens första AI-drivna hedgefond, Sentient Investment Management.

Babak är en serieentreprenör som har startat flera företag i Silicon Valley som huvudentreprenör och teknolog. Innan han co-founder Sentient var Babak senior director of engineering på Sybase iAnywhere, där han ledde mobil lösningar för utveckling. Innan Sybase var Babak medgrundare, CTO och styrelseledamot i Dejima Inc. Babak är den primära uppfinnaren av Dejimas patenterade, agent-orienterade teknologi som tillämpas på intelligenta gränssnitt för mobil och företagsdatorer – tekniken bakom Apples Siri.

Babak har publicerat mer än 50 artiklar inom områdena artificiell liv, agent-orienterad programvaruteknik och distribuerad artificiell intelligens, och har 39 utfärdade US-patent i sitt namn. Han är expert inom flera områden av AI, inklusive naturlig språkbehandling, maskinlärning, evolutionära algoritmer och distribuerad AI.

Cognizant är ett globalt företag som erbjuder professionella tjänster och IT-konsulttjänster som hjälper organisationer att modernisera sin digitala infrastruktur, implementera nya tekniker som AI, moln, data och automation, och omstrukturera affärsprocesser för att driva agility och tillväxt.

Du har grundat flera AI-företag, skrivit två böcker och hjälpt till att bana väg för teknologi som har påverkat Siri. Vad var de personliga upplevelserna eller vändpunkterna som mest formade din tro på AI som ett verktyg för verklig inverkan?

Min fascination för AI började tidigt i min akademiska karriär och har bara förstärkts sedan dess. Några viktiga vändpunkter inkluderade skapandet av några av de första agentbaserade systemen på Dejima för programmering av konsumentvaror som din VCR, arbetet vi gjorde på Sentient Technologies, tillämpning av AI på komplexa problem som finansiell handel. Den naturliga språkteknologi jag utvecklade för Siri, som också var agentbaserad, var en annan vändpunkt.

Dessa verkliga tillämpningar visade mig att AI kunde gå utöver teoretiska konstruktioner och leverera mätbara affärsvärden. Vi är nu på väg in i en explosiv period för kommersialiseringen av AI-tekniker, särskilt med multi-agent system som kommer att helt förändra hur företag opererar, och möjliggöra automatisering av många komplexa uppgifter.

Låt oss prata om ditt senaste projekt – det AI-drivna systemet för markanvändningsplanering som utvecklats med University of Texas. Vad inspirerade utvecklingen av det här verktyget, och hur representerar det en skiftning från teoretisk AI till verklig policyinverkan?

Det AI-system för markanvändningsplanering som vi utvecklade i samarbete med University of Texas at Austin inspirerades av behovet att hantera komplexa miljö- och ekonomiska avvägningar i global markanvändning. Den maskinlärningsdrivna ramen använder tekniken bakom Cognizant Neuro AI Decisioning och är byggd på Project Resilience-plattformen.

Vårt gemensamma forskningsteam syftade till att hjälpa till att förverkliga FN:s hållbarhetsmål genom att skapa ett verktyg som kunde optimera markanvändning för att maximera koldioxidlagring, minimera ekonomiska störningar och bevara livsmedelsförsörjning och habitat. Traditionella tillvägagångssätt överser ofta nyanserade avvägningar, såsom platspecifika effekter av att omvandla åkermark eller gräsmark till skog. Vi valde en annan väg som utnyttjade evolutionär AI, en beräkningsinspirerad metod som hämtar inspiration från naturligt urval. Den var utformad för att utforska tusentals policy-scenarier, iterativt förbättra och balansera konkurrerande mål för mer effektiva, kontextkänsliga markanvändningsstrategier.

Systemet markerar en betydande skiftning från teoretiska AI-koncept till verklig policyinverkan. Det integrerar historisk markanvändningsdata som sträcker sig tillbaka århundraden och koldioxiddata med sofistikerade evolutionära algoritmer för att ge handlingsbara, optimerade rekommendationer snarare än abstrakta förutsägelser.

Separat har vi också skapat ett interaktivt verktyg som genererar och utvärderar klimatpolitiska scenarier med En-ROADS-simulatoren, som hjälper beslutsfattare att jämföra och anpassa handlingsplaner. Systemet låter lagstiftare och beslutsfattare simulera policyincitament och direkt förstå avvägningar, vilket hjälper dem att välja riktade, effektiva ingripanden. Systemets integration med plattformar som Climate Interactives En-ROADS-simulator möjliggör skalning av AI-driven klimatpolitisk optimering till bredare målgrupper, vilket belyser AI som en praktisk partner i att hantera verkliga hållbarhetsutmaningar.

Kan du gå igenom hur verktyget fungerar från en användares perspektiv? Vilka beslut kan det stödja, och hur levererar det skräddarsydda rekommendationer för olika regioner?

Från en användares synvinkel fungerar det AI-drivna verktyget som en interaktiv beslutsstödsplattform i en dynamisk, data-driven miljö som hjälper dig att fatta smartare beslut som fungerar för klimatmål.

Beslutsfattare, lagstiftare och andra intressenter kan utforska olika markanvändningsstrategier och deras miljö- och ekonomiska konsekvenser. Användare kan simulera incitament – skattelättnader för markägare, till exempel – och observera hur de kan påverka markanvändningsförändringar för att minska koldioxid.

Det stöder ett spektrum av beslut som är anpassade till olika regioner. Till exempel kan det hjälpa dig att bestämma var du ska göra markförändringar för bästa resultat, hur mycket mark som ska omvandlas (som att omvandla jordbruksmark till skog) och vad fördelarna och nackdelarna är med olika markpolitik. För att ge skräddarsydd råd tittar det på global markanvändningshistoria och koldioxiddata för att föreslå olika tillvägagångssätt för olika områden. Det kan ta hänsyn till regionspecifika egenskaper, såsom latitud och marktyp.

En-ROADS-simulatoren, som drivs av Neuro AI, kan hjälpa beslutsfattare och lagstiftare att experimentera med olika avvägningar för att nå olika klimatmål.

Evolutionär AI har beskrivits som “hemligheten” bakom det här projektet. Hur fungerar den här metoden i praktiken, och varför är den så effektiv för att lösa komplexa miljö- och policyutmaningar?

Idén bakom evolutionär AI är inspirerad av naturligt urval i biologi. Som en beräkningsmetod i sammanhanget med markanvändningsplanering, i praktiken, imiterar den naturlig evolution för att hitta smarta lösningar för komplexa miljöproblem som traditionella metoder kämpar med.

Istället för att försöka programmera perfekta markanvändningspolitik från början, skapar den evolutionära AI-metoden olika policy-modeller och testar var och en i simulerade miljöer med riktiga klimat- och markdata. Den behåller de bäst presterande politikerna och “parar” dem tillsammans, lägger till mutationer för att upptäcka oväntade lösningar. Den upprepar den här processen över många generationer, gallrar bort dåliga presterare och behåller de bästa över hundratals eller tusentals scenarier.

Detta fungerar bra för miljöutmaningar eftersom det inte blir överväldigat av flera variabler som jordtyper, klimatförhållanden och ekonomiska faktorer.

Markanvändningspolitik omfattar ofta konkurrerande mål – ekonomisk tillväxt, koldioxidreduktion, livsmedelsstrygghet. Hur hanterar ditt system dessa avvägningar, och vilka oväntade insikter har det lett till hittills?

Vårt AI-system byggdes specifikt för att hantera konkurrerande mål som ekonomisk tillväxt, koldioxidreduktion och livsmedelsstrygghet. Det genererar Pareto-fronter (ett koncept inom multiobjektoptimering) som avväger koldioxidpåverkan och markanvändningsförändring för olika platser.

Forskningsgruppen upptäckte flera oväntade insikter. Till exempel, medan konventionell visdom erkänner skogar som bra på att lagra koldioxid, rekommenderade AI-systemet inte att maximera skogstäckning överallt. Istället avslöjade det viktiga skillnader: att ersätta betesmarker som öknar och gräsmarker med skog var inte lika effektivt som att ersätta åkermark med skog. Geografisk plats visade sig också vara avgörande. Identiska markanvändningsomvandlingar gav olika resultat beroende på latitud.

Prioritering var en av AI-systemets mest praktiska insikter. Istället för att sprida ansträngningar jämnt, föreslog det att koncentrera stora markanvändningsomvandlingar i strategiska platser där de skulle ha störst inverkan.

Project Resilience syftar till att skala upp den här typen av AI-nytta för att hantera hållbarhetsmål utöver klimat – som energi, hälsa och till och med pandemisvar. Vad är det som mest sporrar dig att expandera den här plattformen över domäner?

Det som mest sporrar mig att expandera den här plattformen är att vi visar att bygga AI på ett sätt som är samarbetsvilligt, tillgängligt och anpassningsbart kan leda till kraftfulla lösningar för att hantera stora globala utmaningar. Project Resilience-plattformen är ett lämpligt exempel på att sätta dessa tre principer i verket. Beslutsfattare, dataforskare och allmänheten kan delta för att utveckla AI-verktyg och fatta mer informerade beslut för betydande inverkan. Vi inbjuder er läsare att vara bidragsgivare här.

AI Lab på Cognizant är nu en stor drivkraft för innovation, med dussintals patenter och en miljarddollarinvesteringstrategi. Hur passar initiativ som det här in i er bredare vägkarta för tillämpad AI i stor skala?

Initiativet för markanvändnings-AI ligger perfekt i linje med vår tillvägagångssätt för tillämpad AI på Cognizant, som fokuserar på att lösa högpresterande, komplexa verkliga problem snarare än rent akademiska övningar. Evolutionär AI kan hantera de ofta komplexa avvägningar som finns i affärs- och policybeslut. Att tackla klimatutmaningar genom ett tillvägagångssätt som balanserar ekonomiska, sociala och miljömässiga faktorer visar hur AI kan leverera praktiskt värde samtidigt som det hanterar konkurrerande prioriteringar.

Arbetet speglar också vår vision för att utveckla AI som kompletterar mänskligt beslutsfattande snarare än ersätter det.

Du har lett AI-insatser över startups och företag. Vad är nyckeln till att se till att tekniker som evolutionär AI förblir förklarliga och handlingsbara – inte bara kraftfulla – för regeringar och industriintressenter?

En av de största styrkorna med evolutionär AI är att den inte bara syftar till att bestämma optimala lösningar utan också kan avslöja strategiska alternativ som utvidgar intressenters förståelse för vad som är möjligt.

AI och data måste tjäna beslutsfattandet, inte bara generera rapporter. Beslutsfattare drunknar i analyser samtidigt som de står inför alltmer komplexa val. Vi måste skifta fokus från att bara tillhandahålla insikter och förutsägelser till att skapa interaktiva beslutsstödssystem som erbjuder preskriptiva lösningar baserat på tillgängliga data. Detta gör att du kan navigera komplexitet och fatta bättre beslut som utvecklas allteftersom omständigheterna förändras.

Om vi ser framåt, var ser du de största möjligheterna för evolutionär AI att driva inverkan utanför markanvändning – antingen i smittsam sjukdomskontroll, förnybar energiplanering eller något annat?

Smittsamma sjukdomar, förnybar energiplanering och livsmedelsosäkerhet är alla områden där evolutionär AI kan driva inverkan. En COVID-19-era-initiativ vi arbetade med visar potentialen. Genom Project Resilience byggde vi system som kunde optimera pandemikontroll och ekonomisk stabilitet samtidigt, vilket hjälpte regeringar som Islands att fatta datadrivna beslut om skolöppningar.

Med evolutionär AI löser vi slutligen de mest pressande globala utmaningarna på ett fundamentalt annorlunda sätt, ett som kan rekommendera konkreta policys som balanserar konkurrerande prioriteringar snarare än att producera en-lösning-fits-alla-lösningar.

Kraften i evolutionär AI är att den kan simulera tusentals policykombinationer, behålla det som fungerar och kasta det som inte fungerar. Och det är inte bara teoretiskt. Vi bygger interaktiva verktyg som sätter den här kapaciteten i händerna på riktiga beslutsfattare.

Efter decennier i AI-branschen har du sett hype-cyklar komma och gå. Vad ger dig förtroende för att den nuvarande vågen – särskilt verktyg som det här – slutligen levererar på AI:s långvariga löfte att förbättra samhället?

Riktigt framsteg mot AI:s löfte att förbättra samhället sker när vi går utöver hype-cykeln och bygger system som förbättrar mänskligt beslutsfattande i områden som räknas, inklusive hållbarhet. Det är den riktiga testen på om AI slutligen levererar på sitt löfte.

Det jag konsekvent har observerat är att teknologi utvecklas genom förutsägbara mönster av optimering och demokratisering snarare än enskilda överhyped ögonblick. Titta på datormaskinens historia. Vi gick från rum-stora datorer till kraftfulla klockor genom kontinuerlig förbättring, inte ett enda dramatiskt språng.

Jag tror att vi är på en vändpunkt där tekniken verkligen kan förbättra samhället. Vägen framåt är genom praktiska tillämpningar som löser verkliga mänskliga problem, som vårt markanvändningsarbete som balanserar koldioxidreduktion med andra mål. Det är så AI uppfyller sitt löfte: genom mätbar inverkan på våra mest utmanande problem.

Cognizant satte nyligen ett Guinness World Record med världens största vibe-kodningsevenemang – engagerande över 53 000 anställda i 40 länder och producerande över 30 000 prototyper. Från din synvinkel, vad säger det om rollen av vibe-kodning i att demokratisera AI-fluens i stora organisationer?

Omfattningen och inverkan av vår vibe-kodningsevenemang talar för sig själv om hur transformativ den här metoden kan vara för att demokratisera AI-fluens. Över 40% av deltagarna var icke-utvecklare, och 20% hade aldrig skrivit en rad kod tidigare. Det säger att vibe-kodning inte handlar om att sänka ribban, utan om att öppna dörrarna till en utvecklande arbetskraft med AI. Vi använde till och med ett multi-agent AI-system för att bedöma de 30 000 prototype-inskickningarna på bara en dag, vilket skulle ha tagit en mänsklig grupp ett helt år.

Istället för att kräva djup programmeringskompetens tillåter vibe-kodning vem som helst med en idé att uttrycka den på naturligt språk och samarbeta med AI för att förverkliga den. För erfarna utvecklare låter det dem automatisera mer av den tråkiga kodningsprocessen, vilket frigör dem att fokusera mer på högvärdigt arbete som driver affärsnytta. Personligen var jag förvånad över hur snabbt jag kunde översätta en komplex algoritm från pseudokod till en fungerande applikation, vilket frigjorde mig att fokusera helt på de kreativa och strategiska aspekterna.

Genom att sänka barriärerna och möjliggöra hands-on-experiment med generativ AI flyttar vi AI-fluens från en specialiserad färdighet till en delad organisatorisk förmåga. För organisationer hjälper vibe-kodning att påskynda kreativitet, ta bort barriärer och låsa upp den kollektiva intelligensen i en hel arbetskraft i en aldrig tidigare skådad skala.

Utöver den imponerande omfattningen, vad var några av de mest meningsfulla resultaten av det här vibe-kodningsinitiativet? Ser du det som en mall för hur företag kan odla innovation och tillämpad AI-kompetens på en global nivå?

Det verkliga genomslaget för vårt Vibe Coding-initiativ var entusiasmen vi såg över hela organisationen, med anställda från HR, försäljning, teknik, ekonomi, juridik, marknadsföring och mer som omfamnade AI och deltog. Deras idéer, grundade i djup domänkunskap och praktisk affärsinsikt, ledde till tusentals prototyper som annars kanske aldrig skulle ha dykt upp.

Med över 30 000 unika projekt som resultat av den här insatsen sätter vi takten för AI-ekonomin, där alla har verktygen för att innovera med AI. Samtidigt låser vi upp kreativitet i skala och gör det möjligt för arbetskraften – både inom Cognizant och för våra kunder över de branscher vi betjänar – att bli mer AI-kompetent.

Vi ser absolut det här initiativet som en mall som andra organisationer kan replikera. Genom att kombinera tillgängliga AI-drivna verktyg, en samarbetsvillig och öppen kultur och skalbar AI-aktiverad utvärdering, kan vi bättre betjäna våra kunder för att låsa upp outnyttjad kreativitet och påskynda utvecklingen av AI-kompetens över hela deras arbetskraft.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Cognizant.