Edwin Lisowski, Addepto’nun Kurucu Ortağı ve Baş Büyüme Sorumlusu – Röportaj Serisi

Edwin Lisowski, Addepto’nun Kurucu Ortağı ve Baş Büyüme Sorumlusu, şirketin stratejik büyümesinden, iş geliştirmesinden ve pazarlamasından sorumludur. Veri mimarisi, AI odaklı strateji ve analitik danışmanlık konularında geniş deneyime sahiptir ve teknik uzmanlığını, küresel müşteriler için AI benimsemesini ve iş dönüşümünü ölçeklendirme konusundaki güçlü bir odakla birleştirir.

Addepto bir Varşova merkezli danışmanlık şirketidir ve büyük şirketler için yapay zeka, makine öğrenimi, veri mühendisliği ve iş zekası çözümleri sunar. Şirket, ham veriyi eyleme geçirilebilir içgörülere dönüştürmek için uçtan uca AI stratejisi, kavram kanıtı geliştirme ve üretim için hazır model uygulaması sağlar. Finans, lojistik, imalat ve sigorta gibi sektörlerde çalışan Addepto, müşterilerinin AI’yi ölçülebilir iş etkileri için kullanmalarına yardımcı olmak için özelleştirilmiş çözümler ve uzun vadeli ortaklıklara vurgu yapar.

Sizi 2018’de Addepto’yu kurmaya iten şey nedir ve hangi pazar boşluğunu doldurmayı amaçladınız?

2018’de, iki uç noktayı sürekli olarak gördük: büyük satıcılar “her yere uyan” AI satıyor ve diğer yandan, birkaç proof-of-concept’ten sonra veri mühendisliği ve MLOps kasına sahip olmayan iç ekipler. Addepto’yu, özellikle veri yoğun endüstriler için strateji → veri boru hattı → modeller → üretim arasında köprü oluşturacak bir ekip olarak kurduk. Bu tam yığın yaklaşımı hala bizim DNA’mız.

Addepto’nun hizmet alanlarının hangisi – bilgisayar görme, NLP, makine öğrenimi veya veri mühendisliği – en hızlı şekilde kurumsal benimsemeyi gördü ve neden?

Son 18-24 ayda, NLP/GenAI (arama, asistanlar, belge işleme) kurumsal alanda en hızlı şekilde ilerledi çünkü doğrudan bilgi-iş ROI’ya haritalar ve temel modellerden başlayarak ilerleyebilir. Endüstri anketleri, 2024’te AI kullanımında geniş bir adım atıldığını ve GenAI önderliğindeki kullanım örneklerinin fonksiyonlar boyunca ölçeklenmesini gösteriyor.

Çok sayıda şirket, proof-of-concept AI’den üretim sistemlerine geçiş yapmakta zorluk yaşıyor. Addepto bu boşluğu nasıl kapatmanıza yardımcı oluyor?

Üretimi bir disiplin olarak ele alıyoruz, bir aşama olarak değil: keşif atölyeleri, veri sözleşmeleri, referans mimarileri, CI/CD için modeller, gözlemlenebilirlik ve “2. gün” operasyonları (sürüklenme, maliyet, sınırlar). Somut olarak, MLOps’u standartlaştırıyoruz ve proof-of-concept’leri müşterinin yığınına uyan microservice uç noktalarına dönüştürüyoruz (Databricks/Spark, Kubernetes, mevcut BI). İşte böylece tutarlı bir şekilde demo ötesinde teslim ediyoruz.

GenAI artık tekliflerinizin merkezinde yer alıyor. Temel modelleri uygulamaya karar verirken hangi kriterleri kullanıyorsunuz?

Karar ağacımız pragmatiktir:

• Temel modellerle başlamak için zaman-değeri, geniş dil görevleri ve değişkenlik hakim olduğunda.
• Ayarlamayı veya adaptörleri uygulamak için alan terminolojisi veya ton kesinliği kritik olduğunda.
• Özel modeller oluşturmak için gecikme/maliyet/İP kontrolü önemli olduğunda, veri özel/yerleştirilmiş ise veya kenar kısıtlamaları uygulanıyorsa.
  Bu, girişimlerin nereye gittiğini yansıtıyor: daha az “deneysel”, daha fazla amaç odaklı mimariler.

2024’te ContextClue’u ayrı bir bilgi yönetimi platformu olarak piyasaya sürdünüz. Bu ürünün zamanının gelmiş olmasının sizi ikna eden hangi zorluktu?

Mühendis müşterilerimiz sürekli olarak aynı şeyi soruyorlardı: “CAD, PLM, ERP ve belgelerimiz konuşmuyor, bunları birlikte düşünebilir misiniz?” Bu sorunu projelerde defalarca çözdük, bu nedenle bu kalıbı ürünleştirdik. 2024, GenAI’nin mühendisler için (sadece veri ekipleri değil) alıntı yapmayı ve yazmayı kullanılabilir hale getirdiği için doğru anıydı. O zaman diliminde duyurup çıkarmaya başladık.

ContextClue, CAD, ERP, PLM ve teknik belgelerle entegre çalışıyor. Bu veri kaynaklarından hangisi birleştirmekte en zor olanı ve bunu nasıl çözüyorsunuz?

CAD en zor olanı: ikili/özel formatlar, sürümleme, montajlar ve uzaysal bağlam. CAD’i PLM/ERP meta verisiyle birlikte normalize ediyoruz, ardından her şeyi bir bilgi grafiğine haritalıyoruz, böylece parçalar, sistemler, özellikler ve prosedürler aynı varlıklara çözülür. Bu, ContextClue’un altyapısının temelidir.

Platform, anlamsal arama ve belge oluşturmayı destekliyor. Mühendislik ekipleri için bu çıktıların doğruluğunu ve güvenliğini nasıl sağlıyorsunuz?

Üç katman:

• Kaynaklanmış alıntı (şema-farkında RAG bilgi grafiği üzerinden) kaynak artifact’lere atıflarla.
• Politika + test (CI’de değerlendirme takımları, kırmızı takım tetikleyicileri, geriye dönük testler).
• Kritik çıktılar için insan-etkinliği (SOP’ler, uyumluluk belgeleri). Hatta değerlendirme ve grafik çıkarma araç zincirimizin bazı kısımlarını açık kaynak olarak paylaştık, böylece denetlenebilir olsun.

ContextClue’u ağır sanayi ve mühendislik ekosistemlerindeki diğer bilgi yönetimi araçlarından ayıran nedir?

İmalata özgüdür: sadece “dosyaları aramaz”, montajları, bağımlılıkları ve değişiklik etkisini anlar ve CAD/PLM/ERP ile bakım geçmişini eyleme geçirilebilir bir grafa bağlar. Rakip KM araçları genellikle indekslemeye odaklanır; ContextClue yapı + anlamsal anlamı birleştirir ve hem insan tarafından okunabilir belgeler hem de makine tarafından okunabilir modeller (sanal ikizler, planlama için) üretir.

Çok modlu AI yükselişiyle, özellikle metin, şemalar ve 3B modelleri birleştirmeye yönelik ContextClue’un nasıl evrileceğini görüyorsunuz?

İki yön zaten harekette:

• Görme-üzeri-CAD ve şemalar: çizimlere dayalı cevapları, çağrıları ve BOM bağlantılarını çıkarmak için topoloji.
• 3B hizalama: bilgi düğümlerini 3B koordinatlarına/Omniverse görünümlerine bağlamak, böylece bakım veya planlama sorguları modelin doğru noktasına çözülür. Modeller, parçalar, sürümler ve prosedürler boyunca gezinen daha zengin ajanlar bekleyin.

Geleceğe bakarken, Addepto ve ContextClue’un birbirlerinin büyümesini nasıl şekillendireceğini ve bir sonraki on yılda endüstrideki birleşik etkilerini nasıl görüyorsunuz?

Addepto, sorumlu bir şekilde çok modlu/ajantik sistemlerin üretimini sürdürecek, ContextClue ise bu AR-GE’yi mühendislik ekipleri için tekrar eden değere dönüştürecek. Birlikte, “bilgi israfını” (arama/yeniden oluşturma için harcanan zaman) ölçeklerde azaltmayı, mühendislik döngü süresini, yeniden çalışma oranlarını ve denetim hazırlama süresini tesisler ve programlar genelinde ölçmeyi hedefliyoruz. Pazar, “çoklu pilotlardan” “daha az, daha yüksek değerli devreye almaya” doğru ilerliyor ve bu kazanımları tutarlı bir şekilde sunan ortak ve platform olmayı planlıyoruz.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular Addepto‘yu ziyaret edebilir.