Molham Aref, VD och grundare av RelationalAI

Molham är verkställande direktör för RelationalAI. Han har mer än 30 års erfarenhet av att leda organisationer som utvecklar och implementerar högvärdesmaskinlärnings- och artificiell intelligenslösningar inom olika branscher. Före RelationalAI var han VD för LogicBlox och Predictix (nu Infor), VD för Optimi (nu Ericsson (ERIC )) och medgrundare av Brickstream (nu FLIR). Molham har också haft seniora ledningspositioner på HNC Software (nu FICO) och Retek (nu Oracle (ORCL )).

RelationalAI samlar decennier av erfarenhet från branschen, teknologi och produktutveckling för att främja det första och enda riktiga molnbaserade kunskapsgrafenhanteringssystemet för att driva nästa generation av intelligenta dataapplikationer.

Som grundare och VD för RelationalAI, vad var den ursprungliga visionen som drev dig att skapa företaget, och hur har den visionen utvecklats under de senaste sju åren?

Den ursprungliga visionen kretsade kring att förstå kunskapens och semantikens påverkan på den framgångsrika distributionen av AI. Innan vi kom till där vi är idag med AI, låg fokus till stor del på maskinlärning (ML), som innebar att analysera stora mängder data för att skapa koncisa modeller som beskrev beteenden, såsom bedrägeridetektering eller konsumenternas shoppingsmönster. Med tiden blev det klart att för att distribuera AI effektivt, fanns det ett behov av att representera kunskap på ett sätt som var både tillgängligt för AI och kapabelt att förenkla komplexa system.

Denna vision har sedan utvecklats med djupinlärningsinnovationer och mer nyligen, språkmodeller och generativ AI. Dessa framsteg har inte förändrat vad vårt företag gör, men har ökat relevansen och vikten av deras tillvägagångssätt, särskilt när det gäller att göra AI mer tillgängligt och praktiskt för företagsanvändning.

En nylig PwC-rapport uppskattar att AI kan bidra med upp till 15,7 biljoner dollar till den globala ekonomin till 2030. Utifrån din erfarenhet, vad är de primära faktorerna som kommer att driva denna betydande ekonomiska påverkan, och hur bör företag förbereda sig för att utnyttja dessa möjligheter?

AI:s påverkan har redan varit betydande och kommer utan tvekan att fortsätta att skjuta i höjden. En av de viktigaste faktorerna som driver denna ekonomiska påverkan är automatiseringen av intellektuellt arbete.

Uppgifter som att läsa, sammanfatta och analysera dokument – uppgifter som ofta utförs av högt betalda proffs – kan nu (i stor utsträckning) automatiseras, vilket gör dessa tjänster mycket mer överkomliga och tillgängliga.

För att utnyttja dessa möjligheter behöver företag investera i plattformar som kan stödja data- och beräkningskraven för att köra AI-arbetsbelastningar. Det är viktigt att de kan skala upp och ned kostnadseffektivt på en given plattform, samtidigt som de investerar i AI-litteracitet bland anställda så att de kan förstå hur man använder dessa modeller effektivt och effektivt.

Såsom AI fortsätter att integreras i olika branscher, vad ser du som de största utmaningarna företag möter i att anta AI effektivt? Hur spelar data en roll i att övervinna dessa utmaningar?

En av de största utmaningarna jag ser är att säkerställa att branschspecifik kunskap är tillgänglig för AI. Vad vi ser idag är att många företag har kunskap spridd över databaser, dokument, kalkylblad och kod. Denna kunskap är ofta ogenomskinlig för AI-modeller och tillåter inte organisationer att maximera den värde de kunde få.

En betydande utmaning som branschen behöver övervinna är att hantera och förena denna kunskap, ibland kallad semantik, för att göra den tillgänglig för AI-system. Genom att göra detta kan AI vara mer effektivt i specifika branscher och inom företaget, eftersom de då kan utnyttja sin unika kunskapsbas.

Du har nämnt att framtiden för generativ AI-användning kommer att kräva en kombination av tekniker som Retrieval-Augmented Generation (RAG) och agenterarkitekturer. Kan du förklara varför dessa kombinerade tillvägagångssätt är nödvändiga och vilka fördelar de medför?

Det kommer att kräva olika tekniker som GraphRAG och agenterarkitekturer för att skapa AI-drivna system som inte bara är mer exakta utan också kan hantera komplex informationsåtervinning och bearbetningsuppgifter.

Många börjar nu förstå att vi kommer att behöva mer än en teknik när vi fortsätter att utvecklas med AI, utan snarare utnyttja en kombination av modeller och verktyg. En av dessa är agenterarkitekturer, där man har agenter med olika förmågor som hjälper till att hantera ett komplext problem. Denna teknik bryter ner det i bitar som man kan fördela till olika agenter för att uppnå de resultat man vill ha.

Det finns också retrieval-augmenterad generering (RAG) som hjälper oss att extrahera information när vi använder språkmodeller. När vi först började arbeta med RAG kunde vi svara på frågor vars svar kunde hittas i en del av ett dokument. Men vi upptäckte snart att språkmodellerna har svårt att svara på svårare frågor, särskilt när informationen är spridd i olika delar av långa dokument och över dokument. Så detta är där GraphRAG kommer in. Genom att utnyttja språkmodeller för att skapa kunskapsgrafenrepresentationsinformation kan det sedan komma åt den information vi behöver för att uppnå de resultat vi behöver och minska chanserna till fel eller hallucinationer.

Dataförenhet är ett kritiskt ämne för att driva AI-värde inom organisationer. Kan du förklara varför förenhetligad data är så viktig för AI, och hur den kan omvandla beslutsprocesser?

Förenhetligad data säkerställer att all kunskap ett företag har – vare sig det är i dokument, kalkylblad, kod eller databaser – är tillgänglig för AI-system. Denna förening innebär att AI kan effektivt utnyttja den specifika kunskapen som är unik för en bransch, underbransch eller enskilt företag, vilket gör AI mer relevant och exakt i sina utdata.

Utan dataförenhet kan AI-system bara operera på fragmenterade delar av kunskap, vilket leder till ofullständiga eller felaktiga insikter. Genom att förena data ser vi till att AI har en fullständig och sammanhängande bild, vilket är avgörande för att omvandla beslutsprocesser och driva verkligt värde inom organisationer.

Hur hjälper RelationalAI:s tillvägagångssätt för data, särskilt med dess relationella kunskapsgrafsystem, företag att uppnå bättre beslutsresultat?

RelationalAI:s datacentrerade arkitektur, särskilt vårt relationella kunskapsgrafsystem, integrerar direkt kunskap med data, vilket gör det både deklarativt och relationellt. Detta tillvägagångssätt skiljer sig från traditionella arkitekturer där kunskap är inbäddad i kod, vilket komplicerar tillgång och förståelse för icke-tekniska användare.

I dagens konkurrensutsatta affärsmiljö är snabb och informerad beslutsfattning avgörande. Men många organisationer kämpar eftersom deras data saknar den nödvändiga kontexten. Vårt relationella kunskapsgrafsystem förenar data och kunskap, vilket ger en omfattande vy som tillåter både människor och AI att fatta mer exakta beslut.

Till exempel kan en finansiell tjänstefirma som hanterar investeringsportföljer behöva analysera marknadstrender, kundriskprofiler, regulatoriska förändringar och ekonomiska indikatorer. Vårt kunskapsgrafsystem kan snabbt syntetisera dessa komplexa, sammanhängande faktorer, vilket möjliggör för företaget att fatta vältajmade och välunderbyggda investeringsbeslut som maximerar avkastning samtidigt som de hanterar risk.

Detta tillvägagångssätt minskar också komplexitet, förbättrar portabilitet och minskar beroendet av specifika teknikleverantörer, vilket ger långsiktig strategisk flexibilitet i beslutsfattandet.

Vilken roll spelar RelationalAI i att stödja CDO:er och deras team i att hantera den ökande komplexiteten i data och AI-integration inom organisationer?

RelationalAI spelar en grundläggande roll i att stödja CDO:er genom att tillhandahålla de verktyg och ramverk som krävs för att hantera komplexiteten i data och AI-integration effektivt. Med AI:s tillväxt är CDO:er ansvariga för att säkerställa att data inte bara är tillgänglig och säker, utan också att den utnyttjas till fullo inom hela organisationen.

Vi hjälper CDO:er genom att erbjuda ett datacentrerat tillvägagångssätt som för kunskap direkt till data, vilket gör den tillgänglig och förståelig för icke-tekniska intressenter. Detta är särskilt viktigt när CDO:er arbetar för att ge data till dem i organisationen som traditionellt inte har haft direkt tillgång, som marknadsföring, finansiell avdelning och till och med administrativa team. Genom att förena data och förenkla dess hantering, möjliggör RelationalAI att CDO:er kan ge sina team möjlighet att driva innovation och säkerställa att deras organisationer kan utnyttja de möjligheter som AI erbjuder.

RelationalAI betonar ett datacentrerat tillvägagångssätt för att bygga intelligenta applikationer. Kan du ge exempel på hur detta tillvägagångssätt har lett till betydande effektiviteter och besparingar för era kunder?

Vårt datacentrerade tillvägagångssätt skiljer sig från den traditionella applikationscentrerade modellen, där affärslogik ofta är inbäddad i kod, vilket gör det svårt att hantera och skala. Genom att centralisera kunskap inom själva data och göra den deklarativ och relationell, har vi hjälpt kunder att betydligt minska komplexiteten i sina system, vilket har lett till större effektivitet, färre fel och slutligen, betydande kostnadsbesparingar.

Till exempel utnyttjade Blue Yonder vår teknik som en Knowledge Graph Coprocessor inom Snowflake, vilket tillhandahöll den semantiska förståelsen och resonemangsförmågan som behövdes för att förutsäga störningar och proaktivt driva åtgärder för att mildra dem. Detta tillvägagångssätt möjliggjorde för dem att minska sin legacykod med över 80 % samtidigt som de erbjöd en skalbar och utbyggnadsbar lösning.

På liknande sätt upplevde EY Financial Services en dramatisk förbättring genom att minska sin legacykod med 90 % och reducera bearbetningstider från över en månad till bara några timmar. Dessa resultat visar hur vårt tillvägagångssätt möjliggör för företag att vara mer agila och responsiva till förändrade marknadsförhållanden, allt medan de undviker fällan att bli låsta till specifika tekniker eller leverantörer.

Med din erfarenhet av att leda AI-drivna företag, vad tror du är de mest kritiska faktorerna för att framgångsrikt implementera AI i stor skala inom en organisation?

Från min erfarenhet är de mest betydande faktorerna för att framgångsrikt implementera AI i stor skala att säkerställa att man har en stark grund av data och kunskap, och att anställda, särskilt de som är mer erfarna, tar sig tid att lära sig och bli bekväma med AI-verktyg.

Det är också viktigt att inte falla i fällan av extrema emotionella reaktioner – antingen överdriven hype eller djup cynism – kring nya AI-teknologier. Istället rekommenderar jag ett stadigt, konsekvent tillvägagångssätt för att anta och integrera AI, med fokus på inkrementella förbättringar snarare än att förvänta sig en silverkula-lösning.

Tack för den utmärkta intervjun, läsare som vill lära sig mer bör besöka RelationalAI.