Edwin Lisowski, medgrundare och Chief Growth Officer på Addepto – Intervjuserie

Edwin Lisowski, medgrundare och Chief Growth Officer på Addepto, ansvarar för företagets strategiska tillväxt, affärsutveckling och marknadsföring. Han har omfattande erfarenhet av dataarkitektur, AI-driven strategi och analytisk rådgivning, och kombinerar teknisk expertis med ett starkt fokus på att skala upp AI-antagande och affärstransformationsinitiativ för globala kunder.

Addepto är ett konsultföretag med säte i Warszawa, som specialiserar sig på artificiell intelligens, maskinlärning, dataingenjörskap och affärsintelligenslösningar för företagskunder. Företaget hjälper organisationer att omvandla rådata till handlingsbara insikter genom en helhetsstrategi för AI, utveckling av bevis för koncept och implementering av produktionsklara modeller. Genom att arbeta inom sektorer som finans, logistik, tillverkning och försäkring, betonar Addepto skräddarsydda lösningar och långsiktiga partnerskap för att hjälpa kunderna att utnyttja AI för mätbara affärseffekter.

Vad inspirerade dig att medgrundade Addepto 2018, och vilket gap i marknaden försökte ni fylla?

2018 såg vi två extremer: stora leverantörer som sålde “en storlek som passar alla” AI, och internteam som fastnade efter några bevis för koncept eftersom de saknade dataingenjörskap och MLOps-muskel. Vi byggde Addepto för att vara det team som kopplar strategi → data-plumbing → modeller → produktion, särskilt för data-tunga branscher. Den fullständiga strategin är fortfarande vår DNA.

Vilket av Addeptos tjänsteområden — datorseende, NLP, maskinlärning eller dataingenjörskap — har sett den snabbaste företagsantagandet, och varför?

Under de senaste 18-24 månaderna har NLP/GenAI flyttat snabbast i företaget (sök, assistenter, dokumentbearbetning) eftersom det kartlägger direkt på kunskapsarbete ROI och kan börja från grundmodeller. Branschundersökningar visar ett stort steg i AI-användning 2024, med GenAI-ledda användningsfall som skalas över funktioner.

Många företag kämpar för att flytta från bevis för AI-koncept till produktionsystem. Hur hjälper Addepto dem att överbrygga den klyftan?

Vi behandlar produktion som en disciplin, inte en fas: upptäcktsworkshop, datakontrakt, referensarkitektur, CI/CD för modeller, observerbarhet och “dag-2”-åtgärder (drift, kostnad, skydd). Konkret standardiserar vi MLOps och omstrukturerar bevis för koncept till mikrotjänstslutpunkter som passar kundens stack (Databricks/Spark, Kubernetes, befintlig BI). Det är så vi konsekvent levererar mer än bara demonstrationer.

Generativ AI är nu central för er erbjudanden. Hur bestämmer ni när ni ska tillämpa grundmodeller versus anpassad modellutveckling?

Vår beslutsprocess är pragmatisk:

• Börja med grundmodeller när tid-till-värde, breda språkliga uppgifter och variabilitet dominerar.
• Flytta till finjustering eller adaptrar när domänterminologi eller tonprecision är kritisk.
• Bygg anpassade modeller när latens/kostnad/IP-kontroll är viktigt, data är proprietärt/strukturerat eller kantbegränsningar gäller.
  Detta speglar var företagen är på väg: färre “experiment”, mer anpassade arkitekturer.

2024 lanserade ni ContextClue som en dedikerad kunskapsförvaltningsplattform. Vilken smärt punkt övertygade er om att det var rätt tid för en separat produkt?

Vi fick frågan av ingenjörskunder om och om igen: “Våra CAD, PLM, ERP och dokument pratar inte, kan ni få dem att tänka tillsammans?” Vi hade löst det upprepade gånger i projekt, så vi produktiserade mönstret. 2024 var rätt ögonblick eftersom GenAI gjorde återvinning och författande användbart för ingenjörer (inte bara data-team). Vi tillkännagav och började rulla ut det under den tiden.

ContextClue integrerar med CAD, ERP, PLM och tekniska dokument. Vilken av dessa datakällor är svårast att förena, och hur löser ni det?

CAD är den tuffaste: binära/proprietära format, versionshantering, samlingar och rumslig kontext. Vi normaliserar CAD tillsammans med PLM/ERP-metadata, sedan kartlägger vi allt till en kunskapsgraf så att delar, system, specifikationer och procedurer löses till samma entiteter. Det är ryggraden i ContextClues inmatningspipeline.

Plattformen stöder semantisk sökning och dokumentgenerering. Hur säkerställer ni noggrannhet och förtroende i dessa utdata för ingenjörsteam?

Tre lager:

• Grundad återvinning (schema-medveten RAG över kunskapsgrafen) med citat till källartefakter.
• Policy + testning (utvärderingssviter i CI, röda team-prompt, regressions-tester).
• Människa-i-loopen för kritiska utdata (SOP, efterlevnadsdokument). Vi har till och med öppen källkod delar av vår utvärderings- och grafextraktionsverktygskedja för att göra detta granskningsbart.

Vad gör ContextClue distinkt från andra kunskapsförvaltningsverktyg i tung industri och ingenjörsekosystem?

Det är ingenjörs-nativt: det förstår inte bara “söker filer”, utan förstår också samlingar, beroenden och förändringspåverkan, och länkar CAD/PLM/ERP och underhållshistoria till en handlingsbar graf. Konkurrerande KM-verktyg slutar ofta vid indexering; ContextClue förenar struktur + semantik och producerar både läsbara dokument och maskinläsbara modeller (för digitala tvillingar, planering).

Hur ser ni att ContextClue utvecklas med den ökande multimodala AI, särskilt i kombinationen av text, scheman och 3D-modeller?

Två riktningar är redan i rörelse:

• Vision-över-CAD & scheman: extraherar topologi, utropsord och BOM-länkar för att förankra svar i ritningar.
• 3D-justering: länkar kunskapsnoder till 3D-koordinater/Omniverse-vyer så att underhålls- eller planeringsfrågor löses till rätt plats i modellen. Förvänta er rikare agenter som navigerar delar, versioner och procedurer över modaliteter.

Med blicken mot framtiden, hur ser ni att Addepto och ContextClue formar varandras tillväxt, och var ser ni deras kombinerade påverkan på industrin under de kommande decennierna?

Addepto kommer att fortsätta driva gränsen, producera multimodala/agiska system på ett ansvarsfullt sätt, medan ContextClue omvandlar den forskningen till återanvändbara värden för ingenjörsteam. Tillsammans syftar vi till att minska “kunskapsavfall” (tid som förloras på att söka/återskapa) i stor skala, och mäta resultat som ingenjörscykel tid, ombyggnadsfrekvens och revisionsförberedelsetid över anläggningar och program. Marknaden rör sig från “många piloter” till “färre, högvärdesutrullningar”, och vi planerar att vara den partner och plattform som konsekvent levererar dessa vinster.

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