Igor Jablokov, VD och grundare av Pryon – Intervjuserie

Igor Jablokov är VD och grundare av Pryon. Utnämnd till “branschikone” av Speech Technology Magazine, var han tidigare grundare av branschpionjären Yap, världens första högprecisions-, fullt automatiserade molnplattform för röstigenkänning. Efter att deras produkter hade distribuerats av dussintals företag, förvärvades företaget av Amazons första AI-relaterade förvärv. Företagets uppfinningar tjänade sedan som kärnan för efterföljande produkter som Alexa, Echo och Fire TV. Som programdirektör på IBM ledde Igor teamet som designade föregångaren till Watson och utvecklade världens första multimodala webbläsare.

Igor tilldelades Eisenhower och Truman nationella säkerhetsstipendier för att utforska och utöka rollen för entreprenörskap och riskkapital i att hantera geopolitiska problem. Som innovatör inom mänskliga språkteknologier tror han på att främja karriär- och utbildningsmöjligheter för andra som går in i STEM-områden. Som sådan fungerar han som mentor i TechStars Alexa Accelerator, var Blackstone NC Entrepreneur-In-Residence (EIR) och grundade ett kapitel av Global Shapers, ett program av World Economic Forum.

Igor har en kandidatexamen i datorteknik från The Pennsylvania State University, där han utnämndes till en utmärkt ingenjörsalumn, och en MBA från University of North Carolina.

Er resa inom AI började med den första molnbaserade taligenkänningsmotorn på Yap, som senare förvärvades av Amazon (AMZN ). Hur formade den upplevelsen er vision för AI och påverkade er nuvarande arbete på Pryon?

Jag börjar lite tidigare i min karriär, eftersom Yap inte var vår första upplevelse av att hantera naturliga språkinteraktioner.

Min första föray in i naturliga språkinteraktioner började på IBM, där jag startade som praktikant i början av 90-talet och så småningom blev programdirektör för multimodal forskning. Där hade jag ett team som upptäckte vad man kan betrakta som en baby-Watson. Det var långt före sin tid, men IBM godkände aldrig det. Till slut blev jag frustrerad över beslutet och lämnade.

Ungefär samtidigt (2006) rekryterade jag toppingenjörer och forskare från Broadcom (AVGO ), IBM, Intel (INTC ), Microsoft (MSFT ), Nuance, NVIDIA (NVDA ) och mer för att starta det första AI-molnbolaget, Yap. Vi förvärvade snabbt dussintals företags- och operatörskunder, inklusive Sprint och Microsoft, och nästan 50 000 000 användare på plattformen.

Eftersom vi hade före detta iPod-ingenjörer i teamet kunde vi bakkanalisera in i Apple (AAPL ) inom ett år efter att företaget startades. De tog med oss för att prototypa en version av Siri – detta var innan iPhone släpptes. En halv decade senare förvärvades vi i hemlighet av Amazon för att utveckla Alexa åt dem.

Kan du förklara konceptet “kunskapsfriktion” som Pryon syftar till att lösa och varför det är avgörande för moderna företag?

Kunskapsfriktion kommer från det faktum att organisationer historiskt sett inte har haft en enda, enhetlig instans av kunskap. Medan vi har haft sådana lagringsplatser på våra universitetscampus och i våra samhällen i form av bibliotek, har det inte funnits någon enhetlig instans av data och kunskap på företagssidan på grund av de många leverantörer de använt.

Som ett resultat upplever alla i praktiskt taget alla organisationer friktion när de letar efter den information de behöver för att utföra sina jobb och arbetsflöden. Här såg vi möjligheten för Pryon. Vi trodde att det fanns en möjlighet för ett nytt lager ovanför företagsprogramvarustacken som, med hjälp av naturliga språkprompt, kunde traversera system för post och hämta olika objekttyper – text, bilder, videor, strukturerad och ostrukturerad data – och dra allt samman i en undersekunds svarstid.

Det var födelsen av Pryon, världens första AI-förbättrade kunskapsmoln.

Pryons plattform integrerar avancerade AI-teknologier som datorseende och stora språkmodeller. Kan du förklara hur dessa komponenter fungerar tillsammans för att förbättra kunskapsförvaltning?

Pryon utvecklade en AIP, en artificiell intelligensplattform, som omvandlar innehåll från dess grundläggande statiska enheter till interaktiv kunskap. Det uppnår detta genom att integrera en inkapslingspipeline, en hämtningspipeline och en generativ pipeline i en enda upplevelse. Plattformen kopplar till dina befintliga system för post, som kan inkludera en mängd olika innehållstyper, såsom Confluence, Documentum, SAP, ServiceNow , Salesforce , SharePoint och många fler. Detta innehåll kan vara i form av ljud, video, bilder, text, PowerPoint, PDF, Word-dokument och webbsidor.

AIP omvandlar dessa objekt till ett kunskapsmoln, som sedan kan publicera och prenumerera på alla interaktiva eller sensoriska upplevelser du kan behöva. Oavsett om människor behöver interagera med denna kunskap eller om det finns maskin-till-maskin-transaktioner som kräver föreningen av all denna disparata kunskap, ser plattformen till att det finns konsekvens och tillgänglighet. I princip utför den ETL (Extract, Transform, Load) på vänster sida, som driver upplevelser via API:er på höger sida.

Vilka är några av de viktigaste utmaningarna Pryon står inför när det gäller att utveckla AI-lösningar för företagsbruk, och hur hanterar ni dem?

Eftersom vi är vertikalt integrerade får vi toppbetyg i noggrannhet, skala, säkerhet och hastighet. Ett av problemen med dekonstruerade tillvägagångssätten, där du behöver flera olika leverantörer och sammanfoga dem för att uppnå samma arbetsflöde vi gör, är att du slutar med något som är mindre presterande. Du kan inte matcha modeller, och du har inte säkerhetssignaler som flödar genom lika bra.

Det är som iPhones: det finns en anledning till att Apple bygger sin egen chip, enhet, operativsystem och applikationer. Genom att göra det uppnår de den högsta prestandan med den lägsta energiförbrukningen. I kontrast tenderar andra leverantörer som integrerar från flera olika källor att vara en generation eller två efter dem hela tiden.

Hur ser Pryon till att dess AI-lösningar är precisa, skalbara, säkra och snabba, särskilt i stora företagsmiljöer?

Stödd av en robust Retrieval-Augmented Generation (RAG)-ram, var Pryon utformat för att möta de stränga kraven från företag. Med hjälp av bästa klassens informationshämtningsteknologi levererar Pryon säkert exakta, tidiga svar – som ger företag möjlighet att övervinna kunskapsfriktion.

• Noggrannhet: Pryon excellerar i noggrannhet genom att exakt inkassera och förstå innehåll som lagras i olika format, inklusive text, bilder, ljud och video. Med hjälp av avancerad, anpassad utvecklingsteknik hämtar Pryon kritiska kunskaper med över 90% noggrannhet och levererar svar med tydlig attribut till källhandlingar. Detta säkerställer att den information som tillhandahålls är både tillförlitlig och verifierbar.
• Företagsskala: Pryon är byggt för att hantera stora företagsmiljöer. Det skalar till miljontals sidor med innehåll och stöder tusentals samtidiga användare. Pryon innehåller också färdiga anslutningar till stora plattformar som SharePoint, ServiceNow, Amazon S3, Box och mer, vilket gör det enkelt att integrera i befintliga arbetsflöden och system.
• Säkerhet: Säkerhet är en topprioritet för Pryon. Det skyddar mot dataläckor genom dokumentbaserad åtkomstkontroll och ser till att AI-modellerna inte tränas på kunddata. Dessutom kan Pryon implementeras i lokala miljöer, vilket erbjuder ytterligare lager av säkerhet och kontroll för känslig information.
• Hastighet: Pryon erbjuder snabb distribution, med möjlighet till implementering på så lite som två veckor. Plattformen har ett gränssnitt utan kod för att uppdatera innehåll, vilket möjliggör snabba och enkla ändringar. Dessutom erbjuder Pryon flexibiliteten att välja en offentlig, anpassad eller Pryon-utvecklad stor språkmodell (LLM), vilket gör implementeringsprocessen sömlös och högt anpassningsbar.

Det är därför akademiska institutioner, Fortune 500-företag, myndigheter och icke-statliga organisationer i kritiska sektorer som försvar, energi, finansiella tjänster och halvledare använder oss.

Pryon betonar ansvarsfull AI med initiativ som att respektera upphovsrätt och etisk källa för utbildningsdata. Hur implementerar ni dessa principer i er dagliga verksamhet?

Våra kunder och partners kontrollerar vad som kommer in i deras instans av Pryon. Detta inkluderar allmän information från pålitliga akademiska institutioner och myndigheter, publicerad information som de har licensierat korrekt för sina organisationer, proprietär information som utgör kärnan i deras affärs-IP och personligt innehåll för personligt bruk. Pryon syntetiserar dessa fyra källtyper till ett enhetligt kunskapsmoln, helt under kontroll av den sponsrande organisationen. Denna förmåga att säkert hantera olika innehållstyper är varför vi är betrodda i robusta miljöer, inklusive kritisk infrastruktur.

Med Pryon som nyligen har säkrat 100 miljoner dollar i Series B-finansiering, vad är era topprioriteringar för företagets tillväxt och innovation under de kommande åren?

Efter Series B är vi i tidig tillväxtfas. En del av denna fas är att industrialisera den produktmarknadsanpassning vi har etablerat för att stödja molnmiljöer och servertyper som våra kunder och partners sannolikt kommer att möta.

Det första fokuset är att se till att vår produkt kan hantera dessa krav samtidigt som vi erbjuder dem modulärt tillgång till våra funktioner för att stödja deras arbetsflöden.

Det andra stora området är att utveckla skalningspartners som kan bygga praxis runt vårt arbete med våra verktyg och hantera den nödvändiga förändringen när organisationer omvandlas för att stödja den nya eran av digital intelligens. Det tredje fokuset är fortsatt FoU för att ligga före kurvan och definiera tillståndet för konsten i detta område.

Som någon som har varit i framkanten av AI-innovation, hur ser du på den nuvarande tillståndet för AI-reglering, och vilken roll tror du att Pryon kan spela i att forma dessa diskussioner?

Jag tror att vi alla undrar hur världen skulle ha blivit om vi hade kunnat reglera vissa teknologier närmare deras födelse, som sociala medier, ett exempel. Vi förstod inte hur mycket det skulle påverka våra samhällen. Olika nationer har olika perspektiv på reglering. Européerna har ett ganska begränsat perspektiv som matchar deras värderingar med EU:s AI-lag.

På andra sidan är vissa miljöer helt obegränsade. I USA letar vi efter en balans mellan att tillåta innovation att blomstra, särskilt i kommersiella aktiviteter, och skydda känsliga användningsfall för att undvika bias och andra risker, såsom vid godkännande av låneansökningar.

De flesta regleringar tenderar att rikta sig mot de känsligaste användningsfallen, särskilt i konsumenttillämpningar och offentliga sektorer eller regeringsanvändningar. Personligen är det därför jag sitter i styrelsen för With Honor, en bipartisk koalition av veteraner, politiker och lagstiftare. Vi har sett konvergens, oavsett politiska övertygelser, om bekymmer kring introduktionen av AI-teknologier i alla aspekter av våra liv. En del av vår roll är att påverka utvecklingen av reglering, ge feedback för att hitta rätt balans vi alla ville ha för andra teknologiområden.

Vad råd skulle du ge andra AI-entreprenörer som vill bygga effektiva och ansvarsfulla AI-lösningar?

Just nu kommer det att vara både en vild väst och en fantastisk miljö för att utveckla nya former av AI-applikationer. Om du inte har omfattande erfarenhet av AI – säg 10, 20 eller 30 år – skulle jag inte rekommendera att utveckla en AI-plattform från scratch. Istället, hitta ett tillämpningsområde där teknologin möter din ämneskompetens.

Oavsett om du är konstnär, advokat, ingenjör, linjearbetare, läkare eller i ett annat område, kommer

Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Pryon.