Мольхам Ареф, генеральний директор та засновник RelationalAI

Мольхам є генеральним директором RelationalAI. Він має понад 30 років досвіду керування організаціями, які розробляють та впроваджують високоцінні рішення машинного навчання та штучного інтелекту в різних галузях. До RelationalAI він був генеральним директором LogicBlox і Predictix (тепер Infor), генеральним директором Optimi (тепер Ericsson (ERIC )), а також співзасновником Brickstream (тепер FLIR). Мольхам також займав керівні посади в HNC Software (тепер FICO) та Retek (тепер Oracle (ORCL )).

RelationalAI об’єднує десятилітній досвід у галузі, технологіях та розробці продукції для просування першої та єдиної справжньої хмарної системи керування графами знань для надання потужі наступному поколінню інтелектуальних застосунків даних.

Як засновник і генеральний директор RelationalAI, яка була ваша початкова візія, яка спонукала вас створити компанію, і як ця візія еволюціонувала за останні сім років?

Початкова візія була зосереджена на розумінні впливу знань і семантики на успішне впровадження штучного інтелекту. До того, як ми дійшли до того, де ми зараз з штучним інтелектом, багато уваги приділялося машинному навчанню (ML), яке полягало в аналізі великих обсягів даних для створення лаконічних моделей, які описували поведінку, такі як виявлення шахрайства або моделі споживання клієнтів. З часом стало зрозуміло, що для ефективного впровадження штучного інтелекту потрібно представити знання таким чином, щоб вони були доступні для штучного інтелекту та могли спрощувати складні системи.

Ця візія з тих пір еволюціонувала з інноваціями глибокого навчання та більш недавно мовними моделями та генеративним штучним інтелектом. Ці досягнення не змінили того, чим займається наша компанія, але збільшили актуальність і важливість їхнього підходу, особливо у тому, щоб зробити штучний інтелект більш доступним і практичним для використання підприємств.

Нещодавній дослідження PwC оцінює, що штучний інтелект може додати до глобальної економіки до 15,7 трильйонів доларів США до 2030 року. За вашим досвідом, які основні чинники будуть спонукають цей суттєвий економічний вплив, і як підприємства повинні готуватися до використання цих можливостей?

Вплив штучного інтелекту вже був суттєвим і безумовно продовжить стрімко зростати. Одним з ключових чинників, які спонукають цей економічний вплив, є автоматизація інтелектуальної праці.

Завдання, такі як читання, підсумовування та аналіз документів – завдання, які часто виконуються високооплачуваними фахівцями – тепер можуть бути (в основному) автоматизовані, роблячи ці послуги більш доступними та дешевими.

Щоб скористатися цими можливостями, підприємства повинні інвестувати в платформи, які можуть підтримувати дані та обчислювальні вимоги виконання завдань штучного інтелекту. Важливо, щоб вони могли масштабуватися ефективно на певній платформі, а також інвестувати в грамотність штучного інтелекту серед працівників, щоб вони могли зрозуміти, як використовувати ці моделі ефективно та ефективно.

Як штучний інтелект продовжує інтегруватися в різні галузі, які найбільші виклики стоять перед підприємствями при ефективному впровадженні штучного інтелекту? Як дані відіграють роль у подоланні цих викликів?

Одним з найбільших викликів, які я бачу, є забезпечення того, щоб галузева знання були доступні для штучного інтелекту. Те, що ми бачимо сьогодні, полягає в тому, що багато підприємств мають знання, розосереджене по базах даних, документах, таблицях та коді. Це знання часто є не透ним для моделей штучного інтелекту та не дозволяє організаціям максимізувати вартість, яку вони могли б отримати.

Значний виклик, який індустрія повинна подолати, полягає в управлінні та уніфікації цього знання, іноді званого семантикою, щоб зробити його доступним для систем штучного інтелекту. Завдяки цьому штучний інтелект може бути більш ефективним у конкретних галузях та в рамках підприємства, оскільки вони можуть тоді використовувати свою унікальну базу знань.

Ви згадали, що майбутнє впровадження генеративного штучного інтелекту буде вимагати комбінації технік, таких як Retrieval-Augmented Generation (RAG) та агентські архітектури. Чи можете ви роз’яснити, чому ці комбіновані підходи необхідні та які переваги вони дають?

Це буде потрібно різні техніки, такі як GraphRAG та агентські архітектури, для створення систем, керованих штучним інтелектом, які будуть не тільки більш точними, але також здатними обробляти складні завдання пошуку інформації та обробки.

Багато людей тільки зараз починають розуміти, що нам потрібно буде використовувати комбінацію моделей та інструментів. Одним з них є агентські архітектури, де у вас є агенти з різними можливостями, які допомагають вирішувати складну проблему. Ця техніка розбиває її на частини, які ви можете передати різним агентам для досягнення результатів, яких ви бажаєте.

Є також техніка генерації, підсиленої пошуком (RAG), яка допомагає нам витягувати інформацію при використанні мовних моделей. Коли ми вперше почали працювати з RAG, ми могли відповісти на питання, відповіді на які можна було знайти в одному місці документа. Однак ми швидко виявили, що мовні моделі мають труднощі з відповідями на складніші питання, особливо коли інформація розосереджена по різних місцях довгих документів та по документах. Тому тут вступає в дію GraphRAG. Завдяки використанню мовних моделей для створення графічних представлень знань, ми можемо отримати доступ до інформації, яку нам потрібно для досягнення результатів, які нам потрібні, та зменшити шанси на помилки або галюцинації.

Уніфікація даних є критичною темою для забезпечення вартості штучного інтелекту в організаціях. Чи можете ви пояснити, чому уніфіковані дані так важливі для штучного інтелекту, і як вони можуть трансформувати процеси прийняття рішень?

Уніфіковані дані забезпечують, щоб усі знання підприємства – незалежно від того, чи знаходяться вони в документах, таблицях, коді чи базах даних – були доступні для систем штучного інтелекту. Ця уніфікація означає, що штучний інтелект може ефективно використовувати знання, унікальні для галузі, підгалузі або навіть окремого підприємства, роблячи штучний інтелект більш актуальним та точним у своїх виходах.

Без уніфікації даних системи штучного інтелекту можуть працювати лише з фрагментованими частинами знань, що призводить до неповних або неточних висновків. Завдяки уніфікації даних ми забезпечуємо, що штучний інтелект має повну та узгоджену картину, яка є важливою для трансформації процесів прийняття рішень та забезпечення справжньої вартості в організаціях.

Як підхід RelationalAI до даних, зокрема з його реляційною системою графів знань, допомагає підприємствам досягати кращих результатів прийняття рішень?

Дані-орієнтована архітектура RelationalAI, зокрема наша реляційна система графів знань, безпосередньо інтегрує знання з даними, роблячи їх декларативними та реляційними. Цей підхід контрастує з традиційними архітектурами, де знання вбудовані в код, що ускладнює доступ та розуміння для некỹ thuậtних користувачів.

У сучасному конкурентному бізнес-середовищі швидке та інформоване прийняття рішень має важливе значення. Однак багато організацій борються, оскільки їхні дані не мають необхідного контексту. Наша реляційна система графів знань уніфікує дані та знання, забезпечуючи комплексний вигляд, який дозволяє людям та штучному інтелекту приймати більш точні рішення.

Наприклад, розгляньте фінансову службу, яка керує інвестиційними портфелями. Компанія повинна аналізувати ринкові тенденції, профіль ризику клієнтів, зміни правил та економічні показники. Наша система графів знань може швидко синтезувати ці складні, взаємопов’язані чинники, дозволяючи компанії приймати своєчасні та обґрунтовані інвестиційні рішення, які максимізують доходи та керують ризиком.

Цей підхід також зменшує складність, підвищує портативність та мінімізує залежність від конкретних технологічних постачальників, забезпечуючи довгострокову стратегічну гнучкість у прийнятті рішень.

Роль головного офіцера даних (CDO) зростає в важливості. Як ви бачите еволюцію обов’язків CDO з ростом штучного інтелекту, і які ключові навички будуть важливі для них у майбутньому?

Роль CDO швидко еволюціонує, особливо з ростом штучного інтелекту. Традиційно обов’язки, які зараз підпадають під CDO, керувалися CIO або CTO, зосереджуючись в основному на технологічних операціях або технологіях, вироблених компанією. Однак, оскільки дані стали одним з найбільш цінних активів для сучасних підприємств, роль CDO стала відокремленою та критичною.

CDO відповідає за забезпечення конфіденційності, доступності та монетизації даних по всій організації. Коли штучний інтелект продовжує інтегруватися в бізнес-операції, CDO відіграє важливу роль у керуванні даними, які живлять моделі штучного інтелекту, забезпечуючи, що ці дані є чистими, доступними та використовуються етично.

Ключові навички для CDO в майбутньому будуть включати глибоке розуміння керування даними, технологій штучного інтелекту та бізнес-стратегії. їм потрібно буде тісно співпрацювати з іншими департаментами, наділяючи команди, які традиційно не мали прямого доступу до даних, такими як фінанси, маркетинг та HR, можливістю використовувати дані-орієнтовані висновки. Ця здатність демократизувати дані по всій організації буде критичною для стимулювання інновацій та підтримання конкурентної переваги.

Яка роль відіграє RelationalAI у підтримці CDO та їхніх команд у керуванні зростаючою складністю даних та інтеграції штучного інтелекту в організаціях?

RelationalAI відіграє фундаментальну роль у підтримці CDO, надаючи інструменти та рамки, необхідні для ефективного керування складністю даних та інтеграції штучного інтелекту. З ростом штучного інтелекту CDO повинні забезпечити, що дані не тільки доступні та безпечні, але також використовуються у повній мірі по всій організації.

Ми допомагаємо CDO, пропонуючи дані-орієнтований підхід, який приносить знання безпосередньо до даних, роблячи їх доступними та зрозумілими для некỹ thuậtних зацікавлених сторін. Це особливо важливо, коли CDO працюють над тим, щоб дані потрапили до тих, хто в організації традиційно не мав доступу, таких як маркетинг, фінанси та навіть адміністративні команди. Завдяки уніфікації даних та спрощенню їхнього керування RelationalAI дозволяє CDO наділяти свої команди, стимулювати інновації та забезпечити, що їхні організації можуть повністю скористатися можливостями, які пропонує штучний інтелект.

RelationalAI підкреслює дані-орієнтований фундамент для побудови інтелектуальних застосунків. Чи можете ви надати приклади того, як цей підхід призвів до суттєвих ефективностей та збережень для ваших клієнтів?

Наш дані-орієнтований підхід контрастує з традиційною застосунково-орієнтованою моделлю, де бізнес-логіка часто вбудована в код, що ускладнює керування та масштабування. Завдяки центральній інтеграції знань з самими даними та роблячи їх декларативними та реляційними, ми допомогли клієнтам суттєво зменшити складність своїх систем, що призвело до більшої ефективності, меншої кількості помилок та, врешті-решт, суттєвих збережень коштів.

Наприклад, Blue Yonder використав нашу технологію як графічний копроцесор всередині Snowflake, який надав необхідні можливості семантичного розуміння та висновку для прогнозування порушень та активного сприяння дії з мінімізації. Цей підхід дозволив їм зменшити код на понад 80%, пропонуючи масштабований та розширений рішень.

Аналогічно, EY Financial Services пережила драматичне покращення, скоротивши код на 90% та зменшивши час обробки з більш ніж місяця до кількох годин. Ці результати демонструють, як наш підхід дозволяє підприємствам бути більш гнучкими та реактивними до змін ринку, уникаючи при цьому пасток, пов’язаних з блокуванням конкретних технологій або постачальників.

Враховуючи ваш досвід керування компаніями, керованими штучним інтелектом, які, на вашу думку, є найбільш критичними чинниками для успішного впровадження штучного інтелекту в масштабі організації?

З мого досвіду, найбільш важливими чинниками для успішного впровадження штучного інтелекту в масштабі є забезпечення сильної основи даних та знань, а також те, що працівники, особливо ті, хто більш досвідчений, витрачають час на вивчення та засвоєння інструментів штучного інтелекту.

Важливо також не потрапляти в пастку крайніх емоційних реакцій – ні надмірного ентузіазму, ні глибокого цинізму – щодо нових технологій штучного інтелекту. Замість цього я рекомендую стабільний, послідовний підхід до впровадження та інтеграції штучного інтелекту, зосереджуючись на інкрементних покращеннях, а не очікуванні срібної кулі рішення.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати RelationalAI.