Edwin Lisowski, Co-Founder and Chief Growth Officer of Addepto – Interview Series

Edwin Lisowski, Co-Founder and Chief Growth Officer of Addepto, ดูแลการเติบโตเชิงกลยุทธ์ของบริษัท การพัฒนาองค์กร และการตลาด เขามีประสบการณ์อย่างกว้างขวางในการออกแบบโครงสร้างข้อมูล ยุทธศาสตร์ที่ขับเคลื่อนด้วย AI และการให้คำปรึกษาด้านการวิเคราะห์ โดยรวมทักษะทางเทคนิคเข้ากับการมุ่งเน้นที่การขยายการนำ AI ไปใช้และการเปลี่ยนแปลงธุรกิจสำหรับลูกค้าทั่วโลก

Addepto เป็นบริษัทที่ปรึกษาที่ตั้งอยู่ในกรุงวอร์ซอ โดยมีความเชี่ยวชาญด้านปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง วิศวกรรมข้อมูล และโซลูชันการวิเคราะห์ธุรกิจสำหรับลูกค้าองค์กร บริษัทช่วยให้องค์กรต่างๆ สามารถเปลี่ยนข้อมูลดิบให้เป็นข้อมูลเชิงลึกที่สามารถนำไปใช้ได้จริงผ่านกลยุทธ์ AI ที่ครอบคลุม การพัฒนาแนวคิดพิสูจน์ และการนำแบบจำลองไปใช้ในการผลิต โดยทำงานข้ามภาคส่วนต่างๆ เช่น การเงิน การขนส่ง การผลิต และการประกันภัย Addepto เน้นย้ำถึงโซลูชันที่ปรับให้เหมาะสมและความร่วมมือระยะยาวเพื่อช่วยให้ลูกค้าสามารถใช้ AI เพื่อสร้างผลกระทบทางธุรกิจที่วัดผลได้

สิ่งใดเป็นแรงบันดาลใจให้คุณร่วมก่อตั้ง Addepto ในปี 2018 และช่องว่างในตลาดที่คุณมุ่งหวังที่จะเติมเต็มคืออะไร?

เมื่อในปี 2018 เราเห็นสองสุดขั้ว: ผู้ให้บริการรายใหญ่ที่ขาย AI “หนึ่งขนาดเหมาะกับทุกคน” และในทางกลับกัน ทีมภายในที่ติดหล่มหลังจากการพิสูจน์แนวคิดไม่กี่ครั้งเนื่องจากขาดความสามารถด้านวิศวกรรมข้อมูลและ MLOps เราได้สร้าง Addepto ขึ้นเพื่อเป็นทีมที่เชื่อมโยงกลยุทธ์ → การจัดการข้อมูล → แบบจำลอง → การผลิต โดยเฉพาะสำหรับอุตสาหกรรมที่มีข้อมูลหนัก วิธีการแบบเต็มสแต็กนี้ยังคงเป็น DNA ของเรา

บริการของ Addepto ในด้านใด — การมองเห็นของคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ การเรียนรู้ของเครื่อง หรือวิศวกรรมข้อมูล — มีการนำไปใช้อย่างรวดเร็วที่สุดในองค์กร และทำไม?

ในช่วง 18-24 เดือนที่ผ่านมา NLP/GenAI ได้เคลื่อนไปอย่างรวดเร็วในองค์กร (การค้นหา ผู้ช่วย การประมวลผลเอกสาร) เนื่องจากสิ่งเหล่านี้สอดคล้องกับผลตอบแทนที่สามารถวัดได้จากงานที่ใช้ความรู้ และสามารถเริ่มต้นจากแบบจำลองพื้นฐาน การสำรวจอุตสาหกรรมแสดงให้เห็นว่ามีการใช้ AI เพิ่มขึ้นอย่างกว้างขวางในปี 2024 โดยมีการใช้กรณี GenAI ที่เพิ่มขึ้นข้ามฟังก์ชันต่างๆ

หลายบริษัทต้องดิ้นรนในการย้ายจาก AI ที่พิสูจน์แนวคิดไปสู่ระบบการผลิต Addepto ช่วยให้พวกเขาข้ามช่องว่างนั้นได้อย่างไร?

เรารักษาการผลิตเป็นวินัย ไม่ใช่ระยะ: การสัมมนาค้นพบ สัญญาข้อมูล โครงสร้างอ้างอิง การรวม CI/CD สำหรับแบบจำลอง ความสามารถในการสังเกต และการดำเนินงาน “วันที่ 2” (การเปลี่ยนแปลง ต้นทุน รั้ว) โดยเฉพาะ เรามาตรฐาน MLOps และแปลง PoC ให้เป็นจุดสิ้นสุดของไมโครเซอร์วิสที่เหมาะกับスタ็กของลูกค้า (Databricks/Spark, Kubernetes, BI ที่มีอยู่) นั่นคือวิธีที่เราส่งมอบอย่างต่อเนื่องนอกเหนือจากตัวอย่าง

ปัจจุบัน Generative AI เป็นส่วนสำคัญของบริการของคุณ คุณตัดสินใจเมื่อใดที่จะใช้แบบจำลองพื้นฐานเทียบกับการพัฒนาแบบจำลองแบบกำหนดเอง?

ต้นไม้ตัดสินใจของเรามีจริยธรรม:

• เริ่มต้นด้วยแบบจำลองพื้นฐานเมื่อเวลาในการให้ค่า การทำงานด้านภาษาที่กว้าง และความแปรผัน домิน
• ย้ายไปยังการปรับแต่งหรืออแดปเตอร์เมื่อเทอมินอลوجีด้านโดเมนหรือความแม่นยำของโทนเป็นสิ่งสำคัญ
• สร้างแบบจำลองแบบกำหนดเองเมื่อความหน่วง/ต้นทุน/การควบคุม IP มีความสำคัญ หรือข้อมูลเป็นของที่เป็นเจ้าของ/มีโครงสร้าง หรือมีข้อจำกัดด้านขอบ

ในปี 2024 คุณเปิดตัว ContextClue เป็นแพลตฟอร์มการจัดการความรู้ที่อุทิศให้ ปัญหาอะไรที่ทำให้คุณรู้สึกว่าถึงเวลาที่เหมาะสมสำหรับการเปิดตัวผลิตภัณฑ์ที่แยกออกมา?

ลูกค้าด้านวิศวกรรมถามเราว่า “ระบบ CAD, PLM, ERP และเอกสารของเราทำงานไม่ประสานกัน คุณช่วยให้พวกมันคิดร่วมกันได้ไหม?” เราแก้ปัญหานี้ซ้ำๆ ในโครงการ ดังนั้นเราจึงนำรูปแบบมาผลิต ในปี 2024 เป็นช่วงเวลาที่เหมาะสมเพราะ GenAI ทำให้การค้นหาและการเขียนใช้งานได้จริงสำหรับวิศวกร (ไม่ใช่แค่ทีมข้อมูล) เราประกาศและเริ่มเปิดตัวในช่วงเวลานั้น

ContextClue รวมเข้ากับ CAD, ERP, PLM และเอกสารทางเทคนิค แหล่งข้อมูลใดที่ยากที่สุดในการรวมเข้าด้วยกัน และคุณแก้ไขปัญหานั้นได้อย่างไร?

CAD คือสิ่งที่ยากที่สุด: ไฟล์ไบนารี่/โพรไพริเตอรี่ เวอร์ชัน อะเซมบลี และบริบทเชิงพื้นที่ เราแปลง CAD ควบคู่ไปกับเมตาดาต้าของ PLM/ERP จากนั้นแมปกับทุกสิ่งให้เป็นกราฟความรู้เพื่อให้ส่วนประกอบ ระบบ ข้อกำหนด และขั้นตอนแก้ไขเป็นเอนทิตีที่เหมือนกัน นั่นคือกระบวนการหลักของ ContextClue

แพลตฟอร์มสนับสนุนการค้นหาทางศัพท์เชิงวิชาการและการสร้างเอกสาร คุณรับรองความถูกต้องและความน่าเชื่อถือในผลลัพธ์เหล่านั้นสำหรับทีมวิศวกรรมได้อย่างไร?

สามชั้น:

• การค้นหาที่มีพื้นฐาน (RAG ที่ตระหนักถึงสเคมาเหนือกราฟความรู้) พร้อมการอ้างอิงไปยังอาร์ติแฟคต์แหล่งที่มา
• นโยบาย + การทดสอบ (ชุดการประเมินใน CI, โพรมป์ตที่มีการทดสอบแบบแดง, การทดสอบการถดถอย)
• การมีคนอยู่ในวงจรสำหรับการผลิตที่สำคัญ (SOP, เอกสารการปฏิบัติตาม) เราแม้แต่ เปิดแหล่งที่มา ของเครื่องมือชุดการประเมินและเครื่องมือการถอดรหัสกราฟเพื่อให้สามารถตรวจสอบได้

ContextClue มีอะไรที่แตกต่างจากเครื่องมือการจัดการความรู้อื่นๆ ในระบบนิเวศของอุตสาหกรรมหนักและวิศวกรรม?

มันเป็นมิตรกับวิศวกรรม: ไม่เพียงแต่ “ค้นหาไฟล์” แต่ยังเข้าใจการประกอบ ความพึ่งพา และผลกระทบจากการเปลี่ยนแปลง โดยเชื่อมโยง CAD/PLM/ERP และประวัติการบำรุงรักษาเข้ากับกราฟที่สามารถนำไปใช้ได้ เครื่องมือการจัดการความรู้ที่แข่งขันกันบ่อยครั้งหยุดอยู่ที่การสร้างดัชนี; ContextClue รวมโครงสร้าง + ความหมายและผลิตเอกสารที่อ่านได้สำหรับมนุษย์ และแบบจำลองที่อ่านได้สำหรับเครื่อง (สำหรับดิจิทัลทวินส์ การวางแผน)

คุณเห็น ContextClue วิวัฒนาการไปพร้อมกับการเพิ่มขึ้นของ AI แบบหลายรูปแบบ โดยเฉพาะอย่างยิ่งในการผสมผสานข้อความ สเคมาติก และแบบจำลอง 3 มิติ?

สองทิศทางที่เคลื่อนไหวอยู่แล้ว:

• การมองเห็นเหนือ CAD & สเคมาติก: การถอดรหัสท็อปโพลॉจี การเรียกใช้ BOM และการเชื่อมโยงให้กับดราฟท์
• การจัดตำแหน่ง 3 มิติ: การเชื่อมโยงโหนดความรู้กับพิกัด 3 มิติ/มุมมอง Omniverse เพื่อให้คำถามด้านการบำรุงรักษาหรือการวางแผนแก้ไขจุดในแบบจำลองที่ถูกต้อง คาดหวังตัวแทนรุ่นใหม่ที่เดินผ่านส่วนประกอบ เวอร์ชัน และขั้นตอนการทำงานข้ามรูปแบบ

เมื่อมองไปสู่อนาคต คุณเห็น Addepto และ ContextClue มีอิทธิพลต่อการเติบโตของกันและกัน และผลกระทบรวมของทั้งสองต่ออุตสาหกรรมในหน่วยที่จะถึงนั้นอย่างไร?

Addepto จะยังคงผลักดันขอบเขตการผลิตระบบอัจฉริยะแบบหลายรูปแบบอย่างรับผิดชอบ ในขณะที่ ContextClue นำการวิจัยและพัฒนานั้นมาเป็นมูลค่าที่สามารถทำซ้ำได้สำหรับทีมวิศวกรรม ทั้งสองร่วมกัน มีเป้าหมายที่จะลด “ความสูญเสียความรู้” (เวลาที่สูญเสียไปกับการค้นหา/สร้างซ้ำ) ในระดับใหญ่ โดยวัดผลลัพธ์เช่น ช่วงเวลาในการออกแบบวิศวกรรม อัตราการทำงานซ้ำ และเวลาในการเตรียมการตรวจสอบทั่วทั้งโรงงานและโครงการ

ขอขอบคุณสำหรับการสัมภาษณ์ที่ดี ผู้อ่านสามารถเยี่ยมชม Addepto เพื่อเรียนรู้เพิ่มเติม