มอลฮัม อาเรฟ ซีอีโอ และผู้ก่อตั้ง RelationalAI

มอลฮัม อาเรฟ เป็น Chief Executive Officer ของ RelationalAI โดยมีประสบการณ์มากกว่า 30 ปีในการนำองค์กรที่พัฒนาและใช้งานโซลูชัน Machine Learning และ Artificial Intelligence ที่มีคุณค่าสูงในอุตสาหกรรมต่างๆ ก่อนที่จะเข้าร่วม RelationalAI เขาเคยดำรงตำแหน่ง CEO ของ LogicBlox และ Predictix (ปัจจุบันคือ Infor) CEO ของ Optimi (ปัจจุบันคือ Ericsson (ERIC )) และเป็นผู้ร่วมก่อตั้ง Brickstream (ปัจจุบันคือ FLIR) มอลฮัมยังเคยดำรงตำแหน่งผู้นำระดับสูงใน HNC Software (ปัจจุบันคือ FICO) และ Retek (ปัจจุบันคือ Oracle (ORCL ))

RelationalAI นำประสบการณ์หลายสิบปีจากอุตสาหกรรม เทคโนโลยี และการพัฒนาผลิตภัณฑ์มาเพื่อพัฒนาและปรับปรุงระบบจัดการข้อมูลกราฟความรู้แบบคลาวด์แบบแท้จริงเพื่อใช้ในการพัฒนาแอปพลิเคชันข้อมูลอัจฉริยะรุ่นต่อไป

ในฐานะผู้ก่อตั้งและซีอีโอของ RelationalAI คุณมีวิสัยทัศน์แรกเริ่มที่นำไปสู่การก่อตั้งบริษัทนี้ และวิสัยทัศน์นั้นได้พัฒนาไปอย่างไรในช่วง 7 ปีที่ผ่านมา?

วิสัยทัศน์แรกเริ่มมุ่งเน้นไปที่การทำความเข้าใจผลกระทบของความรู้และความหมายต่อการนำ AI ไปใช้ได้สำเร็จ ก่อนที่เราจะมาถึงจุดที่เราอยู่ในปัจจุบันกับ AI มีการมุ่งเน้นไปที่ Machine Learning (ML) ซึ่งเกี่ยวข้องกับการวิเคราะห์ข้อมูลจำนวนมากเพื่อสร้างโมเดลที่อธิบายพฤติกรรม เช่น การตรวจจับการฉ้อโกงหรือรูปแบบการซื้อของผู้บริโภค เมื่อเวลาผ่านไป ก็ชัดเจนว่าการนำ AI ไปใช้ได้สำเร็จต้องมีการแสดงความรู้ในลักษณะที่สามารถเข้าถึงได้โดย AI และสามารถทำให้ระบบที่ซับซ้อนง่ายขึ้น

วิสัยทัศน์นี้ได้พัฒนาไปพร้อมกับการพัฒนาของ Deep Learning และล่าสุดคือ Language Models และ Generative AI เทคโนโลยีเหล่านี้ไม่ได้เปลี่ยนแปลงสิ่งที่บริษัทของเรากำลังทำ แต่ได้เพิ่มความเกี่ยวข้องและความสำคัญของแนวทางของเรา โดยเฉพาะอย่างยิ่งในการทำให้ AI มีความสามารถในการเข้าถึงและใช้งานได้จริงสำหรับการใช้งานในองค์กร

รายงานล่าสุดของ PwC 估计ว่า AI อาจมีส่วนช่วยให้เศรษฐกิจโลกมีมูลค่าสูงถึง 15.7 ล้านล้านดอลลาร์สหรัฐฯ ภายในปี 2030 ในประสบการณ์ของคุณ ปัจจัยหลักที่จะขับเคลื่อนผลกระทบทางเศรษฐกิจที่สำคัญนี้คืออะไร และบริษัทควรเตรียมตัวเพื่อใช้ประโยชน์จากโอกาสเหล่านี้อย่างไร?

ผลกระทบของ AI ได้แสดงออกมาอย่างมีนัยสำคัญแล้ว และจะยังคงเพิ่มขึ้นอย่างแน่นอน ปัจจัยสำคัญที่ขับเคลื่อนผลกระทบทางเศรษฐกิจนี้คือการทำให้แรงงานทางปัญญาเป็นอัตโนมัติ

งาน เช่น การอ่าน สรุป และวิเคราะห์เอกสาร – งานที่มักจะทำโดยผู้เชี่ยวชาญที่มีรายได้สูง – สามารถทำได้โดยอัตโนมัติ ทำให้บริการเหล่านี้มีราคาไม่แพงและเข้าถึงได้ง่ายขึ้น

เพื่อใช้ประโยชน์จากโอกาสเหล่านี้ บริษัทต่างๆ ต้องลงทุนในแพลตฟอร์มที่สามารถรองรับความต้องการข้อมูลและคำนวณสำหรับการทำงานของ AI ได้ และต้องสามารถปรับขนาดได้อย่างมีประสิทธิภาพในแพลตฟอร์มใดแพลตฟอร์มหนึ่ง ในขณะเดียวกันก็ต้องลงทุนในการศึกษาด้าน AI ให้กับพนักงานเพื่อให้พวกเขาสามารถใช้โมเดลเหล่านี้ได้อย่างมีประสิทธิภาพและประสิทธิผล

เมื่อ AI ติดตั้งเข้ากับอุตสาหกรรมต่างๆ คุณเห็นว่าองค์กรต่างๆ มีความท้าทายที่สำคัญที่สุดในการนำ AI ไปใช้ได้อย่างมีประสิทธิภาพอย่างไร และข้อมูลมีบทบาทอย่างไรในการเอาชนะความท้าทายเหล่านี้?

ความท้าทายที่ใหญ่ที่สุดที่ฉันเห็นคือการรับประกันว่าความรู้เฉพาะอุตสาหกรรมสามารถเข้าถึงได้โดย AI สิ่งที่เรากำลังเห็นในปัจจุบันคือหลายองค์กรมีความรู้กระจายอยู่ในฐานข้อมูล เอกสาร สเปรดชีต และโค้ด ความรู้นี้มักจะไม่ชัดเจนสำหรับ AI และไม่ทำให้องค์กรสามารถใช้ประโยชน์สูงสุดจากความรู้ที่พวกเขามีได้

ความท้าทายที่สำคัญที่อุตสาหกรรมต้องเอาชนะคือการจัดการและรวมความรู้นี้ ซึ่งบางครั้งเรียกว่า “ความหมาย” เพื่อให้สามารถเข้าถึงได้โดย AI โดยการทำเช่นนี้ AI จะสามารถทำงานได้อย่างมีประสิทธิภาพมากขึ้นในอุตสาหกรรมเฉพาะและภายในองค์กร เนื่องจากสามารถใช้ฐานความรู้ที่เป็นเอกลักษณ์ของตนเองได้

คุณได้กล่าวถึงว่าอนาคตของการนำ AI ที่สร้างขึ้นใหม่จะต้องใช้เทคนิค เช่น Retrieval-Augmented Generation (RAG) และสถาปัตยกรรม Agentic คุณสามารถอธิบายได้ว่าทำไมเทคนิคเหล่านี้จึงจำเป็น และมันให้ประโยชน์อะไรบ้าง?

จะใช้เทคนิคต่างๆ เช่น GraphRAG และสถาปัตยกรรม Agentic เพื่อสร้างระบบ AI ที่ไม่เพียงแต่มีความแม่นยำมากขึ้น แต่ยังสามารถจัดการกับงานด้านการค้นหาข้อมูลและประมวลผลที่ซับซ้อนได้ด้วย

หลายคนเริ่มรู้แล้วว่าเราจะต้องใช้เทคนิคมากกว่าหนึ่งเทคนิคในการพัฒนา AI ต่อไป แต่จะใช้การผสมผสานของโมเดลและเครื่องมือต่างๆ หนึ่งในเทคนิคเหล่านั้นคือสถาปัตยกรรม Agentic ซึ่งคุณมีเอเจนต์ที่มีความสามารถต่างๆ ที่ช่วยแก้ปัญหาที่ซับซ้อนโดยแบ่งออกเป็นชิ้นๆ ที่คุณสามารถจัดการได้

นอกจากนี้ยังมีเทคนิคการสร้างที่เพิ่มขึ้น (RAG) ที่ช่วยให้เราสามารถดึงข้อมูลเมื่อใช้โมเดลภาษา เมื่อเริ่มทำงานกับ RAG เราสามารถตอบคำถามที่มีคำตอบในเอกสารได้ แต่เราพบว่าโมเดลภาษามีปัญหาในการตอบคำถามที่ยากขึ้น โดยเฉพาะเมื่อมีข้อมูลกระจายอยู่ในหลายๆ ที่ในเอกสารและเอกสารต่างๆ ดังนั้นจึงเป็นที่มาของ GraphRAG โดยการนำโมเดลภาษาไปสร้างกราฟความรู้ของข้อมูล เราสามารถเข้าถึงข้อมูลที่ต้องการและลดโอกาสที่จะเกิดข้อผิดพลาดหรือ การเห็นภาพหลอน

การรวมข้อมูลเป็นหัวข้อที่สำคัญในการขับเคลื่อนมูลค่าของ AI ภายในองค์กร คุณสามารถอธิบายได้ว่าทำไมข้อมูลที่รวมกันจึงมีความสำคัญสำหรับ AI และจะเปลี่ยนแปลงกระบวนการตัดสินใจได้อย่างไร?

ข้อมูลที่รวมกันทำให้แน่ใจว่าความรู้ทั้งหมดที่องค์กรมี – ไม่ว่าจะอยู่ในเอกสาร สเปรดชีต โค้ด หรือฐานข้อมูล – สามารถเข้าถึงได้โดยระบบ AI ซึ่งหมายความว่า AI สามารถใช้ความรู้เฉพาะของอุตสาหกรรม ซับอุตสาหกรรม หรือแม้แต่องค์กรเดียวได้อย่างมีประสิทธิภาพ ทำให้ AI มีความเกี่ยวข้องและแม่นยำมากขึ้นในผลลัพธ์ของมัน

หากไม่มีการรวมข้อมูล ระบบ AI จะสามารถทำงานได้เพียงบนชิ้นส่วนของความรู้เท่านั้น ซึ่งนำไปสู่ข้อมูลที่ไม่สมบูรณ์หรือไม่ถูกต้อง โดยการรวมข้อมูล เราให้แน่ใจว่า AI มีภาพที่สมบูรณ์และสอดคล้องกัน ซึ่งเป็นสิ่งสำคัญสำหรับการเปลี่ยนแปลงกระบวนการตัดสินใจและขับเคลื่อนมูลค่าจริงภายในองค์กร

แนวทางของ RelationalAI ในด้านข้อมูล โดยเฉพาะอย่างยิ่งระบบกราฟความรู้แบบสัมพันธ์ ช่วยให้องค์กรมีผลลัพธ์การตัดสินใจที่ดีขึ้นได้อย่างไร?

สถาปัตยกรรมข้อมูลของ RelationalAI โดยเฉพาะระบบกราฟความรู้แบบสัมพันธ์ของเรา นำความรู้มาผสมผสานกับข้อมูลโดยตรง ทำให้สามารถอธิบายและเชื่อมโยงได้ ซึ่งตรงข้ามกับระบบสถาปัตยกรรมแบบดั้งเดิมที่ความรู้ถูกฝังอยู่ในโค้ด ทำให้เข้าถึงและเข้าใจได้ยากสำหรับผู้ใช้ที่ไม่ใช่เทคนิค

ในบรรยากาศทางธุรกิจที่มีการแข่งขันสูง การตัดสินใจอย่างรวดเร็วและรอบรู้เป็นสิ่งจำเป็น อย่างไรก็ตาม องค์กรหลายแห่งต้องดิ้นรนเพราะข้อมูลของพวกเขาขาดบริบท ระบบกราฟความรู้แบบสัมพันธ์ของเรารวมข้อมูลและความรู้เข้าด้วยกัน ทำให้มองเห็นภาพที่ครอบคลุม ซึ่งช่วยให้คนและ AI ตัดสินใจได้อย่างแม่นยำมากขึ้น

ตัวอย่างเช่น บริษัทบริการทางการเงินที่จัดการพอร์ตการลงทุน ต้องวิเคราะห์แนวโน้มของตลาด โปรไฟล์ความเสี่ยงของลูกค้า การเปลี่ยนแปลงกฎระเบียบ และตัวชี้วัดทางเศรษฐกิจ ระบบกราฟความรู้ของเราสามารถสังเคราะห์ปัจจัยที่ซับซ้อนเหล่านี้ได้อย่างรวดเร็ว ทำให้สามารถตัดสินใจลงทุนที่เหมาะสมและจัดการความเสี่ยงได้อย่างมีประสิทธิภาพ

แนวทางนี้ยังช่วยลดความซับซ้อน เพิ่มความสามารถในการย้ายถิ่น และลดการ phụ thuộc vàoผู้ให้บริการเทคโนโลยีเฉพาะ ทำให้มีความยืดหยุ่นในระยะยาวสำหรับการตัดสินใจ

ในฐานะผู้นำบริษัทที่ขับเคลื่อนด้วย AI คุณเห็นว่าบทบาทของ Chief Data Officer (CDO) กำลังพัฒนาไปอย่างไรเมื่อ AI เพิ่มขึ้น และทักษะสำคัญใดที่จะจำเป็นต่อ CDO ในอนาคต?

บทบาทของ CDO กำลังพัฒนาอย่างรวดเร็ว โดยเฉพาะอย่างยิ่งเมื่อ AI เพิ่มขึ้น ในอดีต ความรับผิดชอบที่ตอนนี้อยู่ภายใต้ CDO ถูกจัดการโดย CIO หรือ CTO โดยมุ่งเน้นไปที่การดำเนินงานด้านเทคโนโลยีหรือเทคโนโลยีที่ผลิตโดยบริษัท อย่างไรก็ตาม เมื่อข้อมูลกลายเป็นหนึ่งในสินทรัพย์ที่มีค่าที่สุดสำหรับองค์กรสมัยใหม่ บทบาทของ CDO ได้กลายเป็นเอกลักษณ์และสำคัญ

CDO มีหน้าที่รับผิดชอบในการรับประกันความเป็นส่วนตัว ความสามารถเข้าถึง และการสร้างรายได้จากข้อมูลทั่วทั้งองค์กร เมื่อ AI ติดตั้งเข้ากับการดำเนินงานทางธุรกิจ CDO จะมีบทบาทสำคัญในการจัดการข้อมูลที่ใช้ในการขับเคลื่อนโมเดล AI เพื่อให้แน่ใจว่าข้อมูลนั้นถูกต้อง เข้าถึงได้ และใช้อย่างมีจริยธรรม

ทักษะที่สำคัญสำหรับ CDO ในอนาคตจะรวมถึงความเข้าใจที่ลึกซึ้งเกี่ยวกับการกำกับดูแลข้อมูล เทคโนโลยี AI และกลยุทธ์ทางธุรกิจ พวกเขาจะต้องทำงานอย่างใกล้ชิดกับแผนกอื่นๆ เพื่อให้ทีมที่ไม่เคยได้รับข้อมูลโดยตรง เช่น ฝ่ายการเงิน การตลาด และทรัพยากรบุคคล สามารถใช้ข้อมูลได้อย่างมีประสิทธิภาพในการขับเคลื่อนนวัตกรรมและรักษาความได้เปรียบในการแข่งขัน

RelationalAI มีบทบาทอย่างไรในการสนับสนุน CDO และทีมของพวกเขาในการจัดการความซับซ้อนของข้อมูลและ AI ที่เพิ่มขึ้นภายในองค์กร?

RelationalAI มีบทบาทพื้นฐานในการสนับสนุน CDO โดยการให้เครื่องมือและเฟรมเวิร์กที่จำเป็นในการจัดการความซับซ้อนของข้อมูลและ AI ได้อย่างมีประสิทธิภาพ เมื่อ AI เพิ่มขึ้น CDO ต้องรับประกันว่าข้อมูลไม่เพียงแต่สามารถเข้าถึงได้และปลอดภัยเท่านั้น แต่ยังถูกใช้เพื่อประโยชน์สูงสุดขององค์กร

เราช่วย CDO โดยการนำเสนอแนวทางที่มีศูนย์กลางอยู่ที่ข้อมูล ซึ่งนำความรู้มาผสมผสานกับข้อมูลโดยตรง ทำให้สามารถเข้าถึงและเข้าใจได้โดยผู้ที่ไม่ใช่ผู้เชี่ยวชาญทางเทคนิค สิ่งนี้มีความสำคัญอย่างยิ่งเมื่อ CDO ทำงานเพื่อนำข้อมูลไปสู่ผู้ที่ไม่เคยได้รับข้อมูลโดยตรง เช่น ทีมการตลาด ฝ่ายการเงิน และทีมการบริหาร โดยการรวมข้อมูลและทำให้การจัดการง่ายขึ้น RelationalAI ช่วยให้ CDO สามารถเพิ่มพลังให้กับทีมและขับเคลื่อนนวัตกรรมเพื่อให้องค์กรสามารถใช้ประโยชน์จาก AI ได้อย่างเต็มที่

RelationalAI เน้นย้ำถึงการสร้างแอปพลิเคชันที่มีประสิทธิภาพโดยใช้ข้อมูลเป็นศูนย์กลาง คุณสามารถให้ตัวอย่างได้ว่าแนวทางนี้นำไปสู่ประสิทธิภาพและความคุ้มค่าที่สำคัญสำหรับลูกค้าของคุณได้อย่างไร?

แนวทางที่มีศูนย์กลางอยู่ที่ข้อมูลของเราต่างจากแบบจำลองที่มีศูนย์กลางอยู่ที่แอปพลิเคชัน โดยที่ลอจิกทางธุรกิจมักจะฝังอยู่ในโค้ด ทำให้การดูแลและปรับขนาดยาก โดยการทำให้ความรู้เป็นส่วนหนึ่งของข้อมูลโดยตรงและทำให้สามารถอธิบายและเชื่อมโยงได้ เราได้ช่วยลูกค้าลดความซับซ้อนของระบบของตนเอง ทำให้เกิดความมีประสิทธิภาพมากขึ้น ลดข้อผิดพลาด และสุดท้ายคือการประหยัดต้นทุนอย่างมีนัยสำคัญ

ตัวอย่างเช่น Blue Yonder ใช้เทคโนโลยีของเราเป็น Knowledge Graph Coprocessor ภายใน Snowflake ซึ่งให้ความเข้าใจและความสามารถในการให้เหตุผลที่จำเป็นในการคาดการณ์การหยุดชะงักและดำเนินการป้องกันล่วงหน้า แนวทางนี้ทำให้พวกเขาสามารถลดโค้ดเก่าของตนเองได้มากกว่า 80% ในขณะเดียวกันก็ให้โซลูชันที่สามารถขยายและปรับขนาดได้

ในทำนองเดียวกัน EY Financial Services ได้เห็นการปรับปรุงที่น่าประทับใจโดยการลดโค้ดเก่าของตนเองลง 90% และลดเวลาประมวลผลจากมากกว่าหนึ่งเดือนลงเหลือเพียงไม่กี่ชั่วโมง ผลลัพธ์เหล่านี้แสดงให้เห็นว่าแนวทางของเราช่วยให้ธุรกิจสามารถปรับตัวและตอบสนองต่อการเปลี่ยนแปลงของตลาดได้อย่างรวดเร็ว ในขณะเดียวกันก็หลีกเลี่ยงการถูกผูกมัดกับเทคโนโลยีหรือผู้ให้บริการเฉพาะใดๆ

จากประสบการณ์ของคุณในการนำบริษัทที่ขับเคลื่อนด้วย AI คุณเชื่อว่าปัจจัยที่สำคัญที่สุดในการนำ AI ไปใช้ได้สำเร็จในระดับองค์กรคืออะไร?

จากประสบการณ์ของฉัน ปัจจัยที่สำคัญที่สุดในการนำ AI ไปใช้ได้สำเร็จในระดับองค์กรคือการมีพื้นฐานที่แข็งแกร่งของข้อมูลและความรู้ และพนักงาน โดยเฉพาะผู้ที่มีประสบการณ์มากขึ้น ต้องใช้เวลาในการเรียนรู้และคุ้นเคยกับเครื่องมือ AI

สิ่งสำคัญคือไม่ควรตกอยู่ในอาการตอบสนองทางอารมณ์ที่รุนแรง – ไม่ว่าจะเป็นความตื่นเต้นมากเกินไปหรือความเชื่อมั่นลึกซึ้ง – ต่อเทคโนโลยี AI ใหม่ๆ แทนที่จะใช้แนวทางที่มั่นคงและสม่ำเสมอในการนำ AI มาใช้และรวมเข้ากับระบบ โดยมุ่งเน้นไปที่การปรับปรุงอย่างต่อเนื่องมากกว่าการคาดหวังวิธีแก้ปัญหาแบบ “กระสุนเงิน”

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม RelationalAI เพื่อเรียนรู้เพิ่มเติม