Erik Schwartz, Chief AI Officer (CAIO) Tricon Infotech – Intervju-serie

Erik Schwartz är Chief AI Officer (CAIO) på Tricon Infotech, ett ledande konsult- och programvaruföretag. Tricon Infotech levererar effektiva, automatiserade lösningar och fullständiga digitala transformationer genom anpassade produkter och företagsimplementeringar.

Erik Schwartz är en erfaren teknisk chef och entreprenör med över två decenniers erfarenhet inom tekniksektorn, specialiserad på gränsen mellan AI, informationsåtervinning och kunskapsupptäckt. Under sin karriär har Erik varit i framkant när det gäller att integrera storskaliga plattformar och integrera AI i sökteknologier, vilket har förbättrat användarupplevelsen och informationsåtkomsten avsevärt. Han har tidigare haft nyckelroller på Comcast (CMCSA ), Elsevier och Microsoft (MSFT ), där han ledde banbrytande AI-, sök- och LLM-initiativ.

Eriks professionella resa kännetecknas av hans engagemang för innovation och hans tro på kraften i samarbete. Han har konsekvent drivit team mot snabb leverans av banbrytande lösningar, och etablerat sig som en pålitlig ledare inom tekniksamhället. Hans arbete, senast på Scopus AI-projektet på Elsevier, understryker hans engagemang för att omdefiniera gränserna för hur vi engagerar oss i information och skapar en pålitlig relation med användare.

I sin roll som Chief AI Officer (CAIO) utnyttjar Erik sin omfattande erfarenhet för att utveckla och implementera omfattande AI-strategier för Tricon-kunder. Hans grundliga process avmystifierar inte bara AI, utan säkerställer också att dessa företag är utrustade för att lyckas och blomstra i den konkurrensutsatta AI-tekniklandskapet. Erik är passionerad för att främja tillväxt och innovation, och delar sin insikt för att inspirera och ge företag möjlighet att utnyttja den transformerande kraften i AI effektivt.

Kan du dela några höjdpunkter från din karriär som ledde till din nuvarande roll som Chief AI Officer på Tricon Infotech?

Jag har varit involverad i informationsåtervinningsdomänen under hela min karriär. Min resa började i början av 90-talet som webbmaster i början av internet. Under denna formativa period fokuserade jag på att bygga digitala bibliotek för myndigheter, universitet och medieföretag, vilket lade grunden för min expertis inom digitala informationssystem.

I 2000-talet gick jag över till att arbeta med sökmotorleverantörer, där jag finslipade mina färdigheter i sökteknologier. Denna fas av min karriär kännetecknades av betydande tillväxt och lärande genom olika förvärv, vilket till slut ledde mig till att gå med i Microsoft 2008. På Microsoft spelade jag en avgörande roll i att utveckla och förbättra kunskapsupptäcktsplattformar, och drev innovation och förbättrade informationsåtkomsten för användare.

Efter min tid på Microsoft ledde jag initiativ på stora företag som Comcast och Elsevier, där jag var ansvarig för att driva storskaliga kunskapsupptäcktsplattformar. Dessa erfarenheter har varit avgörande för att forma min approach till AI och informationsåtervinning, vilket kulminerade i min nuvarande roll som Chief AI Officer på Tricon Infotech. Här utnyttjar jag min omfattande erfarenhet för att driva AI-strategier och lösningar som ger våra kunder möjlighet att utnyttja full potentialen i sina data.

Hur har dina erfarenheter på företag som Comcast, Elsevier och Microsoft påverkat din approach till att integrera AI och sökteknologier?

Under hela min karriär har jag fokuserat på naturlig språkbehandling (NLP) och maskinlärande. Initialt baserades dessa teknologier på enkla regelbaserade system. Men när datamängder växte och beräkningskraft blev mer robust, började vi avsevärt förbättra användarupplevelsen genom att automatiskt skörda data och mata tillbaka den till algoritmerna för att förbättra deras prestanda.

På Microsoft, efter förvärvet av FAST, var jag produktchef på SharePoint-teamet. I denna roll var jag involverad i att integrera avancerade sökteknologier i företagsinnehållshanteringssystem, och förbättrade informationsåtervinning och samarbetsförmåga för företag.

På Comcast byggde jag en kunskapsupptäcktsplattform som drev hela deras videoverksamhet, och möjliggjorde för användare att söka och upptäcka innehåll över set-top-boxar, mobila enheter och webbenheter. Denna sökmotor skalade för att hantera över 1 miljard förfrågningar per dag, och förbättrade avsevärt användarupplevelsen genom att tillhandahålla snabba och precisa innehållsrekommendationer och sökresultat.

En av de mest transformerande erfarenheterna var på Elsevier, där vi lanserade en generativ AI-upplevelse för Scopus, ett av deras mest betrodda produkter. Detta initiativ använde en stor språkmodell (LLM) för att hjälpa användare att ställa bättre frågor och få mer exakta svar från det djupt tekniska innehållet i den vetenskapliga kommunikationsdatabasen. Denna LLM-drivna approach säkerställde fullständig exakthet och tillförlitlighet för över 90 miljoner artiklar i databasen, och visade kraften i AI för att förbättra akademisk forskning och kunskapsspridning.

Vad är det som exciterar dig mest om de nuvarande framstegen inom generativ AI och dess potentiella tillämpningar?

En av de största historiska utmaningarna inom informationsåtervinning har varit att upprätthålla sammanhang. För människor är detta en naturlig process, men för maskiner har informationsåtervinning traditionellt varit en mycket transaktionsbaserad upplevelse: ställ en fråga, få ett svar. Att dyka djupare in i ett ämne krävde att man ställde alltmer specifika frågor. Generativ AI revolutionerar denna approach genom att möjliggöra en mer konversationsbaserad och sammanhangsberoende interaktion, liknande en naturlig konversation med någon man just har träffat.

Dessutom inkorporerar generativ AI ytterligare tekniker som förbättrar djupare förståelse, som historiskt har varit svåra för traditionella sökmotorer. Till exempel kan stora språkmodeller (LLM) hantera aspekter som ton, sentimentanalys, semantisk förståelse och desambigueringsförmåga. Dessa förmågor gör det möjligt för LLM att greppa nyanserna i mänskligt språk och sammanhang utan ansträngning, och tillhandahåller mer exakta och meningsfulla svar direkt ur lådan. Denna utveckling exciterar mig mest, eftersom den öppnar upp en mängd möjligheter för att skapa mer intuitiva, responsiva och intelligenta applikationer inom olika områden.

Hur skiljer sig Tricon Infotechs approach till GenAI från andra företag inom branschen?

I generativ AI-utrymmet finns det två primära fokusområden. Det första, som får betydande uppmärksamhet från vissa av de största teknikleverantörerna, är utbildning och finjustering av AI-modeller. Det andra området, där generativ AI-utövare verkligen excellerar, är inferens – att använda generativ AI för att skapa värdefulla produkter och tjänster.

På Tricon Infotech fokuserar vi på det senare. Vår approach är distinkt eftersom vi betonar praktisk tillämpning och snabb distribution. Vi har utvecklat ett omfattande program som hjälper företagsledare att snabbt identifiera de mest effektiva användningsfallen för generativ AI. Vår process inkluderar en snabb prototyp-lösning som möjliggör för kunder att arbeta med sin egen data i en AI-sandlåda. Denna approach säkerställer att de kan se konkreta resultat och engagera sig i AI-drivna insikter tidigt i utvecklingscykeln.

Dessutom har vi ett radikalt fokus på tid till värde. Vårt mål är att hjälpa kunder att bygga och distribuera kundorienterade applikationer inom 90 dagar. Denna accelererade tidslinje driver inte bara snabbare innovation, utan säkerställer också att företag kan snabbt kapitalisera på fördelarna med generativ AI, skapa nya intäktsströmmar och förbättra kundnöjdheten.

Kan du diskutera några av de viktigaste utmaningarna när det gäller att implementera stora språkmodeller (LLM) och generativ AI i företagslösningar?

Att implementera stora språkmodeller (LLM) och generativ AI i företagslösningar presenterar flera framväxande utmaningar. Den första och främsta utmaningen är förtroende. Företag måste vara säkra på att AI-systemen inte kommer att kompromettera deras immateriella rättigheter eller känsliga företagsinformation. Att säkerställa datasäkerhet och få lämpliga garantier för att AI inte kommer att missbruka data är avgörande för att vinna förtroende.

Den andra utmaningen är hallucinationer. Generativ AI kan ibland producera självsäkra svar som är faktamässigt inkorrekta. Detta kan undergräva tillförlitligheten hos AI-system. Tekniker som finjustering av modeller och användning av Retrieval Augmented Generation (RAG) kan hjälpa till att mildra förekomsten av hallucinationer genom att säkerställa att AI-svar är grundade i korrekt data.

Den tredje betydande utmaningen är kostnad. Licensiering och skalning av LLM kan vara ganska dyrt. Även företagserbjudanden från stora leverantörer som Microsoft, Amazon (AMZN ) och Google (GOOGL ) kommer med höga inträdesavgifter och minimikrav. Därför är det avgörande för företag att noggrant övervaka och hantera avkastningen på investeringen (ROI) för att säkerställa att distributionen av AI-lösningar är ekonomiskt hållbar.

Kan du förklara den strukturerade approachen Tricon Infotech använder för att utveckla anpassade GenAI-företagslösningar?

Tricon Infotech är ett produktutvecklingsföretag som skiljer sig från andra genom att erbjuda hanterade tjänster via dedikerade, fullstack-produktteam snarare än traditionell personaluthyrning. Vår approach innebär att distribuera hela produktteam som kan hantera varje aspekt av produktutvecklingscykeln, inklusive användarundersökning, användargränssnittsdesign (UX), frontend- och backend-utveckling, testautomatisering, distribution, skalning och kontinuerliga operationer.

Denna omfattande hanterade tjänstmodell säkerställer att våra kunder kan fokusera direkt på att fånga värde från sin data utan komplexiteten och overheaden av att hantera separata resurser. Vår nyckeldrivare är tid till värde, vilket innebär att vi prioriterar att leverera mätbara fördelar snabbt och effektivt. Vår ambition är att bygga långsiktiga generativa relationer med våra kunder genom att kontinuerligt lägga till värde och iterera genom funktionutvecklingsprocessen.

Vår strukturerade approach är designad för att vara agil och responsiv, och möjliggör att vi kan anpassa oss snabbt till nya utmaningar och möjligheter i AI-landskapet. Genom att utnyttja de fulla förmågorna hos våra multidisciplinära team levererar vi högt anpassade generativa AI-lösningar som är skräddarsydda för de specifika behoven hos varje företag. Denna approach skiljer sig inte bara från traditionella personaluthyrningsföretag, utan säkerställer också att vi tillhandahåller holistiska, änd-till-änd-lösningar som driver betydande affärsinverkan.

Vilka är några exempel på verkliga problem som Tricons GenAI-lösningar har löst?

1. E-lärande – omvandling av traditionellt media och äldre utbildningsmaterial till interaktivt multimodalt innehåll. Detta möjliggör för våra kunder att återanvända befintligt innehåll för att anpassa sig till nya sätt att lära och nå lärande på olika plattformar där de redan är. Dessutom kan innehållet sedan återanvändas i hyperpersonliga lärprogram som kan anpassa sig automatiskt till lärares behov och lärstilar (ljud, visuellt, etc.)
2. Privat AI – Hjälp kunder att bygga företags AI-lösningar som förblir privata och respekterar kundens åtkomstregler, samtidigt som de håller nere kostnader och hjälper till att skala ut över olika företagsfunktioner för att hjälpa överbelastade proffs och delade tjänster att skala ut bättre till organisationen, samtidigt som de naturligt förstår de olika reglerna och begränsningarna i lokala och regionala policys som distribueras geografiskt. Dessa privata AI:er kommer inte bara att tjäna företaget, utan kommer också att generera nya intäktsströmmar för våra kunder.
3. Processautomatisering – Det finns fortfarande ett stort antal organisationer som förlitar sig på manuella processer och “swivel chair”-dataintegration. AI hjälper till att koppla samman de olika systemen genom att skapa intelligenta lager som inte bara kan validera data, utan också förstå de unika signaler som skapas av de unika datamängderna eller verktygen, och hjälper till att effektivt dirigera arbetsflöden runt och identifiera leveranskedjeproblem.

Vilken roll spelar kontinuerligt lärande och tillväxt för att ligga före i det snabbt utvecklande området AI?

En av de mest betydande utmaningarna inom AI-området är att öka kompetensen hos talangpoolen. Det finns en ny generation av arbetare som intuitivt förstår AI-verktyg och teknologier. Men det finns också en äldre generation som behöver förstå vad dessa verktyg kan och inte kan göra. Kontinuerligt lärande är avgörande för att överbrygga denna klyfta.

AI-verktyg har potentialen att dramatiskt förbättra produktiviteten, och möjliggör för företag att uppnå mycket mer med betydligt färre resurser, vilket minskar tidsramar och kostnader. För att dessa fördelar ska realiseras måste anställda vara öppna för att lära sig nya sätt att arbeta och integrera dessa verktyg i sina arbetsflöden.

Dessutom är det avgörande att hantera rädslan för jobbsäkerhet. Anställda måste förstå att de som omfamnar kontinuerligt lärande och tillväxt kommer att vara bättre utrustade för att integrera nya AI-verktyg i sina dagliga rutiner, vilket slutligen leder till större jobbsäkerhet. Verkligheten är att framgång i den AI-drivna framtiden kommer att gå till de som aktivt söker förstå och utnyttja dessa utvecklande teknologier.

Hur ser du på framtiden för AI som transformerar sökteknik och användarinteraktion under de kommande tio åren?

Vi ser redan en betydande förändring från traditionella sökmotorer till generativa AI-verktyg för initiala frågor. Denna förändring drivs av förmågan hos generativ AI att tillhandahålla direkt svar och lösningar, och eliminerar behovet av att navigera genom flera webbplatser eller resurser oberoende. I framtiden kommer det att bli vanligt att AI:er deltar i möten, utför åtgärder och hanterar rutinuppgifter, vilket leder till en betydande minskning av vissa funktioners roller inom företag.

En av de viktigaste utmaningarna som kvarstår är att lösa hur man kan kommersialisera generativ AI, eftersom den traditionella annonsmodellen kan möta betydande hinder i detta nya landskap. Min förutsägelse är att data kommer att bli alltmer värdefullt, och fungera som en valuta när vi navigerar i denna nya värld. Denna förändring kommer att kräva innovativa affärsmodeller som utnyttjar de unika förmågorna hos AI, samtidigt som de säkerställer att användare och företag kan dra nytta av sina interaktioner.

Sammanfattningsvis lovar framtiden för AI inom sökteknik och användarinteraktion att vara transformerande, och kommer att göra informationsåtervinning mer intuitiv och effektiv, samtidigt som den omdefinierar hur vi närmar oss digitala interaktioner och företagsfunktioner.

Vad är det praktiska råd du skulle ge till företag som vill utnyttja AI för att driva framgång och innovation?

Var inte rädd för tekniken. Börja med att göra AI-verktyg tillgängliga för dina anställda, och säkerställ att din data och immateriella rättigheter förblir säkra. Många anställda använder redan AI-verktyg, men utan ordentlig styrning finns det en risk för missbruk. Det är därför avgörande att utbilda din personal så att de förstår riskerna och hur man kan använda dessa verktyg på ett säkert och effektivt sätt.

Dessutom är det avgörande att fokusera på framgångsmåtten. AI-verktyg kan vara dyra, men kostnaderna förväntas minska över tid. Det är dock viktigt att hålla ett tydligt fokus på avkastningen på investeringen (ROI) för att hantera kostnader och förstå påverkan på ditt företag. Genom att göra detta kan du utnyttja AI för att driva innovation och framgång, samtidigt som du säkerställer att fördelarna överväger utgifterna.

Tack för det underbara samtalet. Läsare som vill lära sig mer kan besöka Tricon Infotech.