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

Edwin Lisowski, Addepto’nun Kurucu Ortağı ve Baş Büyüme Sorumlusu, şirketin stratejik büyümesini, iş gelişimini ve pazarlamasını denetler. Veri mimarisi, AI odaklı strateji ve analitik danışmanlığı konularında geniş deneyim getirir, teknik uzmanlığı AI benimseme ve iş transformation girişimlerinin ölçeklenmesinde güçlü bir odakla birleştirir.

Addepto bir Warsaw merkezli danışmanlık firmasıdır ve yapay zeka, makine öğrenimi, veri mühendisliği ve iş zekası çözümleri sunar. Şirket, organizasyonların ham verilerini eyleme geçirilebilir içgörülere dönüştürmelerine yardımcı olur.

Siz 2018’de Addepto’yu neden kurmaya karar verdiniz ve piyasada hangi açığı doldurmayı hedeflediniz?

2018’de iki uç noktayı sürekli görüyorduk: büyük satıcılar “her yere uyan” AI satıyor ve diğer tarafta internal ekipler birkaç PoC’den sonra veri mühendisliği ve MLOps kaslarından yoksun oldukları için takılı kalıyordu. Addepto’yu stratejiden veri boru hattına, modellere ve üretime, özellikle veri yoğun endüstriler için bağlantılı bir takım olarak inşa ettik. Bu tam yığın yaklaşımı hala bizim DNA’mız.

Addepto’nun hizmet alanlarından – bilgisayar görme, NLP, makine öğrenimi veya veri mühendisliği – hangisi şirketlerin en hızlı şekilde benimsemesini gördü ve neden?

Son 18-24 ayda, NLP/GenAI (arama, asistanlar, belge işleme) şirketlerde en hızlı şekilde benimsendi çünkü doğrudan bilgi işlerine dayalı ROI’ya karşılık geliyor ve temel modellerden başlayarak çalışabiliyor. Endüstri anketleri, 2024’te AI kullanımında geniş bir adım atıldığını ve GenAI önderliğindeki kullanım örneklerinin fonksiyonlar boyunca ölçekleneceğini gösteriyor.

Çok sayıda şirket, AI’dan üretim sistemlerine geçiş yapmakta zorluk yaşıyor. Addepto müşterilerini bu açığı nasıl kapatmaya 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, koruma rayları). Somut olarak, MLOps’u standardize ediyoruz ve PoC’leri müşterinin yığınına uyan microservice uç noktalarına dönüştürüyoruz (Databricks/Spark, Kubernetes, mevcut BI). İşte böylece tutarlı bir şekilde demo ötesinde sevkiyat yapıyoruz.

GenAI şimdi sizin tekliflerinizin merkezinde. Temel modelleri ne zaman uygulamaya karar verirsiniz, ne zaman özel model geliştirmesine?

Karar ağacımız pragmatiktir:

• Geniş dil görevleri ve değişkenlik hakim olduğunda zaman-a-değere, temel modellerle başlıyoruz.
• Alan terminolojisi veya ton precisyonu kritik olduğunda, temel modelleri ince ayarlıyoruz veya adaptörler kullanıyoruz.
• Özel modelleri, gecikme/maliyet/İP kontrolü önemli olduğunda, veri özel/structured olduğunda veya kenar kısıtlamaları uygulandığında inşa ediyoruz.
  Bu, girişimlerin nereye gittiğini yansıtıyor: daha az “deneysel” çalışma, daha fazla amaçlarına uygun mimariler.

2024’te ContextClue’u ayrı bir bilgi yönetim platformu olarak başlattınız. Hangi ağrı noktası size doğru zamanın geldiğini gösterdi?.

Mühendis müşterilerimiz sürekli aynı şeyi soruyorlardı: “CAD, PLM, ERP ve belgelerimiz konuşmuyor, bunları birlikte düşünebilir misiniz?” Bunu defalarca projelerde çözdük, bu nedenle kalıbı ürünleştirdik. 2024 doğru anı oldu çünkü GenAI, mühendisler (sadece veri ekipleri değil) için geri alma ve yazarlığı kullanılabilir hale getirdi. O zaman diliminde bunu duyurduk ve çıkarmaya başladık.

ContextClue, CAD, ERP, PLM ve teknik belgelerle entegre oluyor. Bu veri kaynaklarından hangisi birleştirmek en zor 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, sonra her şeyi bir bilgi grafiğine haritalandırıyoruz, 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 güvenirliliğini nasıl sağlıyorsunuz?.

Üç katman:

• Bilgi grafiği üzerinden schema-farkında RAG ile temel geri alma (kaynak artifact’lara atıflarla).
• Politika + test (CI’de değerlendirme setleri, kırmızı takım tetikleyicileri, gerileme testleri).
• Kritik çıktılar için insan-etkinliği (SOP’ler, uyumluluk belgeleri). Hatta değerlendirme ve grafik çıkarma araç zincirimizin bazı kısımlarını denetlenebilir kılmak için açık kaynak yaptık.

ContextClue, ağır sanayi ve mühendislik ekosistemlerindeki diğer bilgi yönetim araçlarından hangi yönüyle farklıdır?

Mühendislik için doğuştan tasarlandı: sadece “dosyaları arama” değil, montajları, bağımlılıkları ve değişim etkisini anlıyor, CAD/PLM/ERP ve bakım geçmişini eyleme geçirilebilir bir grafiğe bağlıyor. Rakip KM araçları genellikle indekslemeye odaklanıyor; ContextClue yapı + anlamsal anlamı birleştiriyor ve hem insan-okunabilir belgeler hem de makine-okunabilir modeller (sanal ikizler, planlama için) üretiyor.

Çok modlu AI yükselişiyle, özellikle metin, şemalar ve 3B modellerin birleştirilmesiyle ContextClue’un nasıl evrileceğini öngörüyorsunuz?.

İki yön zaten harekette:

• CAD & şemalar üzerine vizyon: çizimlere dayalı cevapları temel almak için topoloji, çağrıları ve BOM bağlantılarını çıkarmak.
• 3B hizalama: bilgi düğümlerini 3B koordinatlarına/Omniverse görünümlerine bağlayarak, bakım veya planlama sorgularının doğru model noktasına çözülmesini sağlamak. Daha zengin ajanlar bekleyin, bunlar parçaları, sürümleri ve prosedürleri modlar boyunca gezinecek.

Geleceğe bakarak, Addepto ve ContextClue’un birbirlerinin büyümesini nasıl şekillendireceğini ve birleşik etkilerinin endüstride önümüzdeki on yılda nasıl olacağını öngörüyorsunuz?.

Addepto, sorumlu bir şekilde çok modlu/açık sistemlerin üretimini sürdürecek, ContextClue ise bu AR-GE’yi mühendislik ekipleri için tekrar eden değere dönüştürecek. Birlikte, “bilgi israfını” (araştırma/yeniden yaratma için harcanan zaman) ölçeklenebilir bir şekilde azaltmayı, mühendislik döngü süresini, yeniden çalışma oranlarını ve denetim hazırlama süresini tesisler ve programlar boyunca ölçmeyi hedefliyoruz. Pazar “çok fazla pilot” dan “daha az, daha yüksek değerli dağıtımlar” a doğru ilerliyor ve biz bu kazanımları tutarlı bir şekilde sunan ortak ve platform olmayı planlıyoruz.

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