เอดวิน ลิซอฟสกี, ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่การเติบโตของ Addepto – ซีรีส์สัมภาษณ์

เอดวิน ลิซอฟสกี ผู้ร่วมก่อตั้งและประธานเจ้าหน้าที่การเติบโตของ Addepto ดูแลการเติบโตเชิงกลยุทธ์ การพัฒนาองค์กร และการตลาดของบริษัท เขามีประสบการณ์มากมายในด้านสถาปัตยกรรมข้อมูล ยุทธศาสตร์ที่ขับเคลื่อนด้วย AI และการให้คำปรึกษาด้านการวิเคราะห์ โดยรวมทักษะทางเทคนิคเข้ากับการมุ่งเน้นในการขยายการนำ AI ไปใช้และการเปลี่ยนแปลงธุรกิจสำหรับลูกค้าทั่วโลก

Addepto เป็นบริษัทที่ปรึกษาที่ตั้งอยู่ในเมืองวอร์ซอ โดยเฉพาะทางด้านปัญญาประดิษฐ์ การเรียนรู้ของเครื่อง วิศวกรรมข้อมูล และโซลูชันธุรกิจอัจฉริยะสำหรับลูกค้าองค์กร บริษัทช่วยให้องค์กรต่างๆ สามารถเปลี่ยนข้อมูลดิบให้เป็นข้อมูลเชิงลึกที่สามารถนำไปใช้ได้จริงผ่านยุทธศาสตร์ AI ที่ครอบคลุม การพัฒนาแนวคิดการ chứng minh และการนำแบบจำลองไปใช้ในการผลิต โดยทำงานในหลายอุตสาหกรรม เช่น การเงิน การขนส่ง การผลิต และการประกันภัย Addepto เน้นย้ำถึงการให้คำปรึกษาที่มีการปรับแต่งและความสัมพันธ์ระยะยาวเพื่อช่วยให้ลูกค้าสามารถใช้ประโยชน์จาก AI ได้อย่างมีประสิทธิภาพ

อะไรเป็นแรงบันดาลใจให้คุณร่วมก่อตั้ง Addepto ในปี 2018 และคุณมุ่งหวังที่จะเติมช่องว่างในตลาดอะไร?

ในปี 2018 เราได้เห็นสองสุดขั้ว: ผู้ให้บริการรายใหญ่ที่ขาย “AI ที่เหมาะกับทุกคน” และทีมภายในที่ติดอยู่หลังจากการทำ PoC เนื่องจากขาดทักษะด้านวิศวกรรมข้อมูลและ MLOps เราได้สร้าง Addepto เพื่อเป็นทีมที่เชื่อมโยงยุทธศาสตร์ → การจัดการข้อมูล → โมเดล → การผลิต โดยเฉพาะสำหรับอุตสาหกรรมที่มีข้อมูลหนัก วิธีการที่ครอบคลุมนี้ยังคงเป็น DNA ของเรา

บริการใดของ Addepto ที่มีการนำไปใช้มากที่สุดในองค์กร – คอมพิวเตอร์วิชั่น, NLP, การเรียนรู้ของเครื่อง หรือวิศวกรรมข้อมูล – และทำไม?

ในช่วง 18-24 เดือนที่ผ่านมา NLP/GenAI ได้พัฒนาอย่างรวดเร็วในองค์กร (การค้นหา ผู้ช่วย การประมวลผลเอกสาร) เนื่องจากสามารถสร้างผลตอบแทนที่มีประสิทธิภาพโดยตรงและสามารถเริ่มต้นจากโมเดลพื้นฐาน การสำรวจอุตสาหกรรมแสดงให้เห็นว่ามีการใช้ AI เพิ่มขึ้นอย่างกว้างขวางในปี 2024 โดยมีการใช้งาน GenAI ที่ขยายตัวข้ามฟังก์ชันต่างๆ

หลายบริษัทต้องดิ้นรนในการย้ายจาก AI ในการทำ PoC ไปสู่ระบบการผลิต Addepto ช่วยพวกเขาในการข้ามช่องว่างนี้ได้อย่างไร?

เรารักษาการผลิตเป็นวินัย ไม่ใช่เพียงขั้นตอน: การสัมมนาค้นพบ สัญญาข้อมูล โครงร่างอ้างอิง การรวม CI/CD สำหรับโมเดล การสังเกตการณ์ และการดำเนินงาน “วันที่ 2” (การเปลี่ยนแปลง ต้นทุน การควบคุม) โดยเฉพาะ เรามาตรฐาน MLOps และการปรับโครงสร้าง PoC ให้เป็นจุดสิ้นสุดของไมโครเซอร์วิสที่เข้ากันได้กับซอฟต์แวร์ของลูกค้า (Databricks/Spark, Kubernetes, BI ที่มีอยู่) นั่นคือวิธีที่เราส่งมอบผลิตภัณฑ์มากกว่าการแสดงตัวอย่าง

AI ที่สร้างสรรค์เป็นศูนย์กลางของบริการของคุณตอนนี้ คุณตัดสินใจเมื่อไหร่ที่จะใช้โมเดลพื้นฐานเทียบกับการพัฒนาโมเดลที่กำหนดเอง?

ต้นไม้ตัดสินใจของเราคือเชิงปฏิบัติ:

• เริ่มต้นด้วยโมเดลพื้นฐานเมื่อเวลาในการให้ค่า การทำงานภาษาที่กว้าง และความแปรผันครอบงำ
• ย้ายไปสู่การปรับให้เหมาะสมหรือการปรับแต่งเมื่อความแม่นยำของคำศัพท์โดเมนหรือโทนเป็นสิ่งสำคัญ
• สร้างโมเดลที่กำหนดเองเมื่อความหน่วง/ต้นทุน/การควบคุม IP มีความสำคัญ ข้อมูลเป็นของอื่น/มีโครงสร้าง หรือมีข้อจำกัดด้านขอบ

นี่สะท้อนถึงทิศทางที่องค์กรกำลังจะไป: น้อยกว่า “การทดลอง” มากกว่าโครงสร้างที่เหมาะสมกับวัตถุประสงค์

ในปี 2024 คุณได้เปิดตัว ContextClue เป็นแพลตฟอร์มการจัดการความรู้ที่เฉพาะเจาะจง ปัญหาอะไรที่ทำให้คุณรู้สึกว่าถึงเวลาที่เหมาะสมสำหรับการเปิดตัวผลิตภัณฑ์ที่แยกออกมา?

ลูกค้าด้านวิศวกรรมถามเราว่า “ระบบ CAD, PLM, ERP และเอกสารของเราไม่สื่อสารกัน คุณสามารถทำให้พวกมันคิดร่วมกันได้หรือไม่?” เราได้แก้ไขปัญหานี้แล้วหลายครั้งในการทำโปรเจ็กต์ ดังนั้นเราจึงนำรูปแบบนั้นมาผลิต เราประกาศและเริ่มเปิดตัวในช่วงเวลานั้น

ContextClue รวมเข้ากับ CAD, ERP, PLM และเอกสารทางเทคนิค ข้อมูลใดที่ยากที่สุดในการรวมเข้าด้วยกัน และคุณแก้ไขปัญหานี้ได้อย่างไร?

CAD เป็นเรื่องที่ยากที่สุด: รูปแบบไบนารี่/กรรมสิทธิ์ การจัดเรียง การประกอบ และบริบทเชิงพื้นที่ เราแปลง CAD ควบคู่ไปกับเมตाडาต้า PLM/ERP แล้วแมปกับทุกอย่างเข้ากับกราฟความรู้เพื่อให้สามารถระบุชิ้นส่วน ระบบ ข้อกำหนด และขั้นตอนได้ นี่คือกระบวนการหลักของ ContextClue

แพลตฟอร์มนี้รองรับการค้นหาที่มีความหมายและสามารถสร้างเอกสารได้ คุณรับรองความถูกต้องและความน่าเชื่อถือของการผลิตเหล่านี้สำหรับทีมวิศวกรรมได้อย่างไร?

สามชั้น:

• การดึงข้อมูลที่มีพื้นฐาน (การค้นหาที่ตระหนักถึงสเคมาบนกราฟความรู้) พร้อมการอ้างอิงไปยังอาร์ติแฟคต์แหล่งที่มา
• นโยบาย + การทดสอบ (ชุดการทดสอบใน CI โพรมป์ตที่มีการทดสอบกลับ การทดสอบการถดถอย)
• การมีคนอยู่ในวงจรสำหรับการผลิตที่สำคัญ (เอกสารการปฏิบัติงาน ใบอนุญาต) เราแม้แต่ เปิดแหล่งที่มา ของเครื่องมือการประเมินและกราฟ-การดึงข้อมูลเพื่อให้สามารถตรวจสอบได้

อะไรที่ทำให้ ContextClue แตกต่างจากเครื่องมือการจัดการความรู้อื่นๆ ในระบบนิเวศของอุตสาหกรรมหนักและวิศวกรรม?

มันเป็นมิตรกับวิศวกรรม: ไม่ได้แค่ “ค้นหาไฟล์” แต่เข้าใจการประกอบ ความพึ่งพา และผลกระทบจากการเปลี่ยนแปลง โดยเชื่อมโยง CAD/PLM/ERP และประวัติการบำรุงรักษาเข้ากับกราฟที่สามารถนำไปใช้ได้ เครื่องมือการจัดการความรู้ที่แข่งขันกันบ่อยครั้งหยุดอยู่ที่การสร้างดัชนี; ContextClue รวมโครงสร้าง + ความหมายและผลิตเอกสารที่อ่านได้สำหรับมนุษย์และโมเดลที่อ่านได้สำหรับเครื่อง (สำหรับดิจิทัลทวิน การวางแผน)

คุณเห็น ContextClue วิวัฒนาการไปพร้อมกับการเพิ่มขึ้นของ AI แบบหลายรูปแบบ โดยเฉพาะอย่างยิ่งในการผสมผสานข้อความ สเกมาติก และโมเดล 3 มิติ?

สองทิศทางที่กำลังเคลื่อนไหว:

• การมองเห็นเหนือ CAD และสเกมาติก: การดึงข้อมูลท็อปโพลॉจี การเรียกใช้และลิงก์ BOM เพื่อเชื่อมโยงคำตอบกับการวาด
• การจัดแนว 3 มิติ: การเชื่อมโยงโหนดความรู้กับพิกัด 3 มิติ/มุมมอง Omniverse เพื่อให้คำถามการบำรุงรักษาหรือการวางแผนสามารถแก้ไขได้ที่จุดที่ถูกต้องในโมเดล คาดหวังตัวแทนริชที่สามารถนำทางชิ้นส่วน เวอร์ชัน และขั้นตอนได้ข้ามรูปแบบต่างๆ

เมื่อมองไปสู่อนาคต คุณเห็น Addepto และ ContextClue มีอิทธิพลต่อการเติบโตของกันและกันอย่างไร และคุณเห็นผลกระทบรวมกันของทั้งสองในอุตสาหกรรมในอีกสิบปีข้างหน้า?

Addepto จะยังคงผลักดันขอบเขตการผลิตระบบแบบหลายรูปแบบ/แบบตัวแทนอย่างรับผิดชอบ ในขณะที่ ContextClue นำการวิจัยและพัฒนานั้นมาเป็นคุณค่าที่สามารถทำซ้ำได้สำหรับทีมวิศวกรรม ทั้งสองร่วมกัน มุ่งหมายที่จะลด “ความสูญเสียความรู้” (เวลาที่สูญเสียไปกับการค้นหาหรือสร้างซ้ำ) ในระดับใหญ่ โดยวัดผลลัพธ์เช่น เวลาในการผลิต วงจรการทำงานของวิศวกร อัตราการทำงานซ้ำ และเวลาในการเตรียมการตรวจสอบข้ามโรงงานและโปรแกรม ตลาดกำลังเปลี่ยนจาก “การทดลองหลายครั้ง” ไปเป็น “การเปิดตัวที่มีคุณค่าสูงกว่า” และเราวางแผนจะเป็นคู่ค้าและแพลตฟอร์มที่สามารถส่งมอบชัยชนะเหล่านั้นได้อย่างต่อเนื่อง

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Addepto เพื่อเรียนรู้เพิ่มเติม