Babak Hodjat, CTO för AI på Cognizant – Intervju-serie

Babak Hodjat är CTO för AI på Cognizant och tidigare medgrundare och VD för Sentient. Han ansvarar för den grundläggande tekniken bakom världens största distribuerade artificiella intelligenssystem. Babak var också grundare av världens första AI-drivna hedgefond, Sentient Investment Management. Han är en serieentreprenör som har startat flera företag i Silicon Valley som huvuduppfinnare och teknolog.

Före att han co-founder Sentient var Babak senior director of engineering på Sybase iAnywhere, där han ledde mobil lösningar för ingenjörer. Han var också 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 – teknologin bakom Apples Siri.

Som publicerad forskare inom områdena artificiell liv, agent-orienterad programvaruteknik och distribuerad artificiell intelligens har Babak 31 beviljade eller väntande patent i sitt namn. Han är expert inom flera områden av AI, inklusive naturlig språkbehandling, maskinlärning, genetiska algoritmer och distribuerad AI och har grundat flera företag inom dessa områden. Babak har en doktorsexamen i maskinintelligens från Kyushu University i Fukuoka, Japan.

Om vi ser tillbaka på din karriär, från att ha grundat flera AI-drivna företag till att leda Cognizants AI-laboratorium, vad är de viktigaste lärdomarna du har lärt dig om innovation och ledarskap inom AI?

Innovation kräver tålamod, investeringar och omvårdnad, och den bör främjas och inte begränsas. Om du har byggt rätt team av innovatörer kan du lita på dem och ge dem full konstnärlig frihet att välja hur och vad de forskar. Resultaten kommer ofta att förvåna dig. Ur ett ledarperspektiv bör forskning och innovation inte vara något som är trevligt att ha eller en eftertanke. Jag har etablerat forskningsteam ganska tidigt när jag byggt start-ups och har alltid varit en stark förespråkare för forskningsinvesteringar, och det har gett utdelning. Under goda tider håller forskningen er före konkurrenterna, och under dåliga tider hjälper den er att diversifiera och överleva, så det finns ingen ursäkt för att underinvestera, begränsa eller överbelasta den med korta affärsmål.

Som en av de primära uppfinnarna av Apples Siri, hur har din erfarenhet av att utveckla intelligenta gränssnitt påverkat din tillvägagångssätt för att leda AI-initiativ på Cognizant?

Den naturliga språkteknologi jag ursprungligen utvecklade för Siri var agentbaserad, så jag har arbetat med konceptet under en lång tid. AI var inte så kraftfull på 90-talet, så jag använde ett multi-agent-system för att hantera förståelse och mappning av naturliga språkkommandon till åtgärder. Varje agent representerade en liten delmängd av diskursens domän, så AI i varje agent hade en enkel miljö att bemästra. Idag är AI-system kraftfulla, och en enda LLM kan göra många saker, men vi kan fortfarande dra nytta av att behandla den som en kunskapsarbetare i en låda, begränsa dess domän, ge den en jobbeskrivning och länka den till andra agenter med olika ansvarsområden. AI kan på så sätt förbättra och förstärka alla affärsflöden.

Som en del av min roll som CTO för AI på Cognizant driver jag vårt Advanced AI-laboratorium i San Francisco. Vår kärnprincip för forskning är agentbaserat beslutsfattande. Idag har vi 56 amerikanska patent på kärn-AI-teknologi baserat på den principen. Vi är alla in.

Kan du förklara den banbrytande forskningen och innovationerna som för närvarande utvecklas på Cognizants AI-laboratorium? Hur tillgodoser dessa utvecklingar de specifika behoven hos Fortune 500-företag?

Vi har flera AI-studior och innovationscenter. Vårt Advanced AI-laboratorium i San Francisco fokuserar på att utöka den senaste utvecklingen inom AI. Detta är en del av vårt åtagande som annonserades förra året att investera 1 miljard dollar i generativ AI under de kommande tre åren.

Mer specifikt fokuserar vi på att utveckla nya algoritmer och teknologier för att betjäna våra kunder. Förtroende, förklarbarhet och multi-objektiva beslut är bland de viktiga områdena vi följer som är avgörande för Fortune 500-företag.

Vi är intresserade av forskning och utveckling som fördjupar vår förståelse för när vi kan lita på AI:s beslutsfattande tillräckligt för att delegera till det, och när en människa bör delta. Vi har flera patent relaterade till den här typen av osäkerhetsmodellering. Likaså är neurala nätverk, generativ AI och LLM:er i sig opaca. Vi vill kunna utvärdera ett AI-beslut och ställa frågor om varför det rekommenderade något – i princip göra det förklarbart. Slutligen förstår vi att företag ibland vill kunna fatta beslut som har mer än ett resultatmål – kostnadsreduktion samtidigt som intäkterna ökar, balanserat med etiska överväganden, till exempel. AI kan hjälpa oss uppnå den bästa balansen mellan alla dessa resultat genom att optimera beslutsstrategier på ett multi-objekt-mässigt sätt. Detta är ett annat mycket viktigt område i vår AI-forskning.

De närmaste två åren anses vara avgörande för generativ AI. Vad tror du kommer att vara de viktigaste förändringarna under den här perioden, och hur bör företag förbereda sig?

Vi är på väg in i en explosiv period för kommersialiseringen av AI-teknologier. Idag används AI främst för att förbättra produktiviteten, skapa bättre naturligt språkdrivna användargränssnitt, sammanfatta data och hjälpa till med kodning. Under den här accelerationsperioden tror vi att organiseringen av den övergripande tekniken och AI-strategierna kring den grundläggande principen om multi-agent-system och beslutsfattande kommer att göra det möjligt för företag att lyckas. På Cognizant kommer vår fokus på innovation och tillämpad forskning att hjälpa våra kunder att utnyttja AI för att öka den strategiska fördelen när det blir mer integrerat i affärsprocesserna.

Hur kommer Generativ AI att omforma branscher, och vilka är de mest spännande användningsfallen som dyker upp från Cognizants AI-laboratorium?

Generativ AI har varit ett stort steg framåt för företag. Du har nu möjligheten att skapa en serie kunskapsarbetare som kan assistera människor i deras dagliga arbete. Antingen är det att strömlinjeforma kundtjänsten genom intelligenta chatbots eller hantera lagerlagerns lager genom ett naturligt språkgränssnitt, LLM:er är mycket bra på specialiserade uppgifter.

Men vad som kommer härnäst är vad som verkligen kommer att omforma branscher, när agenter får möjlighet att kommunicera med varandra. Framtiden kommer att handla om att företag har agenter i sina enheter och applikationer som kan hantera dina behov och interagera med andra agenter på din vägnar. De kommer att arbeta över hela företaget för att assistera människor i alla roller, från HR och ekonomi till marknadsföring och försäljning. I nära framtiden kommer företag att naturligt gravitera mot att bli agentbaserade.

Vi har redan en multi-agent-system som utvecklats i vårt laboratorium i form av Neuro AI, en AI-användningsfallsgenerator som tillåter kunder att snabbt bygga och testa AI-beslutsfattande för sina affärsbehov. Det ger redan några spännande resultat, och vi kommer att dela mer om detta snart.

Vilken roll kommer multi-agent-arkitekturer att spela i den nästa vågen av Gen AI-omvandling, särskilt i stora företagsmiljöer?

I vår forskning och samtal med företagsledare får vi allt fler frågor om hur de kan göra Generativ AI effektiv på stor skala. Vi tror att det transformerande löftet om multi-agent-artificiella intelligenssystem är centralt för att uppnå den effekten. Ett multi-agent-AI-system samlar AI-agenter byggda in i programvarusystem i olika områden över hela företaget. Tänk på det som ett system av system som tillåter LLM:er att interagera med varandra. Idag är utmaningen att, även om affärsmål, aktiviteter och mått är djupt sammanflätade, de programvarusystem som används av olika team inte är det, vilket skapar problem. Till exempel kan förseningar i leveranskedjan påverka bemanningen av distributionscenter. Att ansluta en ny leverantör kan påverka Scope 3-utsläpp. Kundernas omsättning kan indikera produktbrister. Siloade system betyder att åtgärder ofta baseras på insikter som bara hämtats från ett program och tillämpas på en funktion. Multi-agent-arkitekturer kommer att ge insikt och integrerad åtgärd över hela företaget. Det är den verkliga kraften som kan katalysera företagsomvandling.

På vilka sätt ser du att multi-agent-system (MAS) utvecklas under de närmaste åren, och hur kommer detta att påverka den bredare AI-landskapet?

Ett multi-agent-AI-system fungerar som en virtuell arbetsgrupp, analyserar begäranden och hämtar information från hela företaget för att producera en omfattande lösning, inte bara för den ursprungliga begäran, utan för andra team också. Om vi zoomar in och tittar på en specifik bransch kan detta revolutionera verksamheten inom områden som tillverkning, till exempel. En inköpsagent skulle analysera befintliga processer och rekommendera mer kostnadseffektiva alternativa komponenter baserat på säsonger och efterfrågan. Den här inköpsagenten skulle sedan ansluta till en hållbarhetsagent för att bestämma hur förändringen skulle påverka miljömål. Slutligen skulle en tillsynsagent övervaka efterlevnadsaktivitet, säkerställa att teamen lämnar in fullständiga och uppdaterade rapporter i tid.

Den goda nyheten är att många företag redan har börjat integrera LLM-drivna chatbots på ett organiskt sätt, men de behöver vara medvetna om hur de startar att ansluta dessa gränssnitt. Vård måste tas för att bestämma granulariteten hos agentiseringen, typerna av LLM:er som används och när och hur de ska finjusteras för att göra dem effektiva. Organisationer bör börja från toppen, överväga sina behov och mål och arbeta neråt för att bestämma vad som kan agentiseras.

Vilka är de största utmaningarna som hindrar företag från att fullt ut anta AI, och hur adresserar Cognizant dessa hinder?

Trots ledningens stöd och investeringar är många företag rädda för att hamna efter på AI. Enligt vår forskning finns det ett gap mellan ledarnas strategiska åtagande och förtroendet att utföra det väl. Kostnaden och tillgängligheten av talang och den upplevda omognaden hos nuvarande Gen AI-lösningar är två betydande hinder som hindrar företag från att fullt ut anta AI.

Cognizant spelar en integrerad roll i att hjälpa företag att navigera AI-produktivitet-till-tillväxt-resan. Faktum är att nyliga data från en studie vi genomförde med Oxford Economics pekar på behovet av extern expertis för att hjälpa till med AI-antagande, där 43% av företagen anger att de planerar att arbeta med externa konsulter för att utveckla en plan för generativ AI. Traditionellt har Cognizant ägt den sista milen med kunder – vi gjorde detta med datastorage och molnmigration, och agentisering kommer att vara annorlunda. Detta är arbete som måste vara högt anpassat. Det är inte en resa som passar alla. Vi är experterna som kan hjälpa till att identifiera affärsmålen och implementeringsplanen, och sedan ta in de rätta anpassade agenterna för att tillgodose affärsbehoven. Vi är, och har alltid varit, de personer man kan ringa.

Många företag kämpar för att se omedelbar avkastning från sina AI-investeringar. Vilka vanliga misstag gör de, och hur kan dessa undvikas?

Generativ AI är mycket mer effektiv när företag tar in den i sin egen datakontext – det vill säga, anpassar den på sin egen starka grund av företagsdata. Dessutom kommer företag förr eller senare att behöva ta det utmanande steget att ompröva sina grundläggande affärsprocesser. Idag använder många företag AI för att automatisera och förbättra befintliga processer. Större resultat kan uppstå när de börjar ställa frågor som: vad är beståndsdelarna i den här processen, hur kan jag ändra dem och förbereda för uppkomsten av något som inte finns ännu? Ja, detta kommer att kräva en kulturändring och att acceptera viss risk, men det verkar oundvikligt när man orkestrerar de många delarna av organisationen till en kraftfull helhet.

Vad är ditt råd till nya AI-ledare som vill göra en betydande inverkan inom området, särskilt inom stora företag?

Verksamhetsomvandling är komplex av naturen. Nya AI-ledare inom stora företag bör fokusera på att bryta ned processer, experimentera med förändringar och innovativa lösningar. Detta kräver en förändring av mindset och beräknade risker, men det kan skapa en mer kraftfull organisation.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Cognizant.