Mohammad Abu Sheikh, grundare och VD för CNTXT AI – Intervjuserie

Mohammad Abu Sheikh förvandlar AI-landskapet i MENA-regionen, driver en förändring från passiv konsumtion till suverän innovation. Som VD för CNTXT AI och grundare av en AI-fond på 10 miljoner dollar har han lett tre framgångsrika exit och säkrat över en miljard dollar i finansiering. Hans arbete lägger grunden för ett AI-ekosystem som är rotat i språk, kultur och datasuveränitet.

Vi såg överflödet av outnyttjad data i denna del av världen. Många problem med att skala AI kom från bristen på data-beredskap — vilket till slut innebar en brist på AI-beredskap. Det är därför vi startade CNTXT AI.

Initialt löste vi samma problem som vi stött på medan vi byggde LocAI…Vi såg dessa utmaningar på nära håll medan vi arbetade med AI71, TII och G42 (IIAI). När vi hjälpte dessa enheter att lösa dessa problem blev visionen tydligare och affären bara fortsatte att växa.

Du har spelat en nyckelroll i att bygga den största arabiska digitala biblioteket för AI-utbildning. Vilka var några av de största utmaningarna i att göra detta, och hur övervann du dem?

Kvalitet var en av de största utmaningarna. En annan var den begränsade tillgången på högkvalitativa arabiska data online: Arabiska är allvarligt underrepresenterat. Bara en liten del av arabiskt innehåll har digitaliserats, och bara 3–5% av allt online-innehåll är på arabiska. Det är nästan ingenting. Vi övervann det problemet genom att distribuera data-etiketterare, annotatorer och data-vetare för att digitalisera, skapa och kurera datat själva.

CNTXT AI verkar i skärningspunkten mellan kultur och beräkning. Hur balanserar du banbrytande AI-innovation med målet att bygga kulturellt relevanta lösningar för MENA-regionen?

Vi bygger kulturellt grundade modeller från grunden. Från infrastruktur till slutprodukt är kultur inbäddad från början — det är inte något vi lägger till senare. Vi utformar, innovativa och bygger med specifika kulturer, dialektala och behov i åtanke från dag ett. Arabiska är ett språk, men det bär många dialektala och kulturella sammanhang över hela regionen, så vi bygger lokala produkter för lokala länder. Och vi gör det genom att arbeta med lokala annotatorer, människor på marken, i sina egna länder.

Du har också medgrundat LocAI och leder SMPL AI-fonden. Hur kompletterar dessa företag CNTXT AI:s uppdrag?

LocAI är applikationslagret — den del som människor faktiskt interagerar med. Det sitter rakt ovanpå den data och infrastruktur som byggts av CNTXT AI. Det är det som gjorde det framgångsrikt: det omvandlar AI-grunder som tillhandahålls av CNTXT AI till verkliga lösningar som människor kan använda.

SMPL AI, å andra sidan, handlar om att ge tillbaka till samhället. Det fokuserar på att investera i tidiga startups och hjälpa till att bygga den regionala AI-ekosystemet. Vi delar de verktyg och lärdomar vi har lärt oss från att bygga AI själva, så att grundare kan växa snabbare och undvika vanliga fallgropar.

Munsit har kallats den mest exakta arabiska taligenkänningsmodellen i världen. Vad drev utvecklingen av denna modell, och varför nu?

Det som drev utvecklingen av denna modell var enkelt: behovet.

Vi bygger alltid utifrån behov. Vi tittade på marknaden och såg att landskapet var moget — regeringsbyråer och privata kunder bad alla om en lösning som denna.

De befintliga modellerna var inte upp till uppgiften. De flesta är byggda på engelsk teknik och sedan anpassade. De är inte utformade för arabiska från grunden, och definitivt inte för de specifika problem vi löser.

Så vi bestämde oss för att bygga vår egen. Det är arabiska först — av design.

Forskningen bakom Munsit introducerar en svagt övervakad inlärningsmetod. Kan du förklara vad det betyder och varför det var avgörande för att träna arabisk ASR i stor skala?

Annotering är dyrt. Så vi var tvungna att gå bortom traditionella metoder som beror på stora mängder manuell transkription. Svagt övervakad inlärning hjälpte oss att skala utan att behöva märka varje ljudfil för hand — vilket är särskilt viktigt för arabiska, ett språk med begränsad data och många olika dialektala.

Istället för att använda professionellt transkriberat ljud började vi med 30 000 timmar av omarkerat arabiskt tal. Vi byggde en annoteringspipeline som genererar, filtrerar och rensar de bästa med hjälp av automatiserade kontroller. Det gav oss en högkvalitativ dataset på 15 000 timmar — allt utan mänsklig transkription.

Denna metod gjorde det möjligt för oss att träna vår modell från scratch, fånga rikedomen av talat arabiska över verkliga livssituationer, snabbt och kostnadseffektivt. Utan denna metod skulle byggandet av ett arabiskt ASR-system i denna skala ha tagit år och miljoner i manuell ansträngning.

Munsit överträffade modeller från OpenAI, Microsoft (MSFT ) och Meta över flera benchmark-tester. Vad säger detta om framtiden för arabisk AI-innovation?

Framtiden för arabisk AI ligger i våra händer; och det är exakt vad denna prestation bevisar. Vi kan inte längre förlita oss på teknologier som vi inte äger eller bero på tredje parter som inte prioriterar vår region.

Munsit visar att vi kan bygga världsklass AI, från regionen, för regionen — med hjälp av lokal talang för att lösa lokala problem. Det är ett tydligt tecken på att den nästa vågen av arabisk AI-innovation kommer att komma från inom.

Hur ser du Munsit utvecklas i framtida versioner, och vad är de nästa frontierna för arabisk röst-AI på CNTXT?

Du får bara vänta och se. Vad jag kan säga är att vi har en färsk, ny svit av arabiskt AI-lösningar på gång — alla drivna av Munsit och andra modeller som vi för närvarande bygger på CNTXT AI. Detta är bara början.

Du talar ofta om vikten av “suverän AI”. Vad betyder det för dig, och varför är det avgörande för Gulfen och den bredare MENA-regionen?

För mig betyder suverän AI att ha full äganderätt och kontroll över de data, infrastruktur och modeller som formar vår framtid. Det är avgörande eftersom vi behöver äga vår egen framtid, och det börjar med data.

Data-suveränitet är allt. Data är dyrbart, och vi behöver se till att den stannar i våra händer.

Vi kan inte förlita oss på att andra bygger teknologin för oss. Framtiden för AI i denna region kommer att komma från denna region. Det är exakt vad vi arbetar mot.

Hur ser du CNTXT AI forma AI-ekosystemet i Mellanöstern under de närmaste fem åren?

Genom att möjliggöra verklig AI-beredskap. Vi går in, förstår vad företag och regeringar behöver, bygger data- och AI-strategier och sedan hjälper dem att bygga, testa, distribuera och skala.

Om data är det nya oljan, då är ostrukturerad data olja som inte raffinerats — full av potential men värdelös tills den bearbetas. Det är därför vi har byggt CNTXT AI för att hjälpa organisationer att rensa, strukturera och aktivera sin data. För det är där den verkliga AI-omvandlingen börjar.

Från din utgångspunkt som både entreprenör och investerare, vad skulle du ge för råd till andra grundare som bygger AI-startups i nya marknader?

Börja nu. Flytta snabbt. Misslyckas snabbt, lär dig snabbare och fortsätt iterera.

Det viktigaste är att bygga för verkliga problem. Stanna nära marken — lyssna på användare, inte bara hype. I nya marknader är relevans och anpassningsförmåga nyckeln.

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