Molham Aref，RelationalAI 的 CEO 和创始人

Molham 是 RelationalAI 的首席执行官。他在领导开发和实施高价值机器学习和人工智能解决方案的组织方面拥有超过 30 年的经验，涉及各个行业。加入 RelationalAI 之前，他曾担任 LogicBlox 和 Predictix（现为 Infor）的 CEO，Optimi（现为 Ericsson (ERIC ) ）的 CEO，以及 Brickstream（现为 FLIR）的联合创始人。Molham 还曾在 HNC Software（现为 FICO）和 Retek（现为 Oracle (ORCL ) ）担任高级领导职务。

RelationalAI 将几十年的行业、技术和产品开发经验结合起来，推进第一个也是唯一的真正的云原生知识图数据管理系统的发展，以推动下一代智能数据应用的发展。

作为 RelationalAI 的创始人和 CEO，您最初的愿景是什么？您如何看待这七年来该公司的发展和演变？

最初的愿景集中在了解知识和语义对人工智能成功部署的影响。我们在人工智能领域取得今天的成就之前，人们更多地关注机器学习（ML），这涉及分析大量数据以创建简洁的模型来描述行为，例如欺诈检测或消费者购物模式。随着时间的推移，人们逐渐意识到，要有效地部署人工智能，需要以人工智能可以访问和简化复杂系统的方式表示知识。

这一愿景已经随着深度学习创新和最近的语言模型和生成式人工智能的出现而演变。这些进步并没有改变我们公司正在做的事情，但增加了他们方法的相关性和重要性，特别是在使人工智能更易于企业使用方面。

最近的一份 PwC 报告 估计，人工智能可能会在 2030 年前为全球经济贡献高达 15.7 万亿美元。根据您的经验，哪些主要因素将推动这一巨大的经济影响？企业如何为这些机会做好准备？

人工智能的影响已经很显著，并将无疑继续飙升。推动这一经济影响的主要因素之一是知识型劳动的自动化。

诸如阅读、总结和分析文档等任务——通常由高薪专业人员执行——现在可以（大多数）自动化，使这些服务更加经济和便捷。

为了利用这些机会，企业需要投资能够支持运行人工智能工作负载的数据和计算要求的平台。他们需要能够在给定平台上成本有效地扩大或缩小，同时在员工中投资人工智能素养，以便他们能够有效地使用这些模型。

随着人工智能继续融入各个行业，您认为企业在有效采用人工智能方面面临的最大挑战是什么？数据在克服这些挑战中扮演什么角色？

我认为最大的挑战之一是确保行业特定的知识可以被人工智能访问。我们今天看到的是，许多企业的知识分散在数据库、文档、电子表格和代码中。这种知识通常对人工智能模型来说是不透明的，并不允许组织最大限度地发挥他们可以获得的价值。

行业需要克服的一个重大挑战是管理和统一这种知识，有时被称为语义，以使其可供人工智能系统访问。通过这样做，人工智能可以在特定行业和企业内更加有效，因为他们可以利用自己的独特知识库。

您提到过，生成式人工智能的未来采用将需要结合诸如 检索增强生成（RAG）和代理架构等技术。您能否详细说明为什么这些组合方法是必要的，以及它们带来的好处？

需要像 GraphRAG 和代理架构这样的不同技术来创建不仅更准确的人工智能驱动系统，而且能够处理复杂的信息检索和处理任务。

许多人终于开始意识到，我们需要不止一种技术来继续人工智能的进化，而是利用模型和工具的组合。其中之一是代理架构，其中具有不同能力的代理帮助解决复杂问题。这种技术将其分解为分配给不同代理的任务，以实现所需的结果。

还有一种检索增强生成（RAG）技术，它帮助我们在使用语言模型时提取信息。当我们第一次使用 RAG 时，我们能够回答答案可以在文档的一部分中找到的问题。然而，我们很快发现，语言模型很难回答更难的问题，尤其是当信息分散在长文档的各个位置和多个文档中时。这就是 GraphRAG 发挥作用的地方。通过利用语言模型创建信息的知识图表示，我们可以访问需要的信息来实现所需的结果，并减少错误或 幻觉 的可能性。

数据统一是驱动人工智能价值的关键主题。您能否解释为什么统一的数据对人工智能如此重要，以及它如何转变决策过程？

统一的数据确保企业拥有的所有知识——无论它存在于文档、电子表格、代码还是数据库中——都可以被人工智能系统访问。这种统一意味着人工智能可以有效地利用特定于行业、子行业甚至单个企业的独特知识，使人工智能在输出中更加相关和准确。

如果没有数据统一，人工智能系统只能在知识的零碎片段上运行，导致不完整或不准确的见解。通过统一数据，我们确保人工智能拥有完整和连贯的图景，这对于转变决策过程和在组织内推动真正的价值至关重要。

RelationalAI 的数据方法，特别是其关系知识图系统，如何帮助企业实现更好的决策结果？

RelationalAI 的数据驱动架构，特别是我们的关系知识图系统，将知识直接集成到数据中，使其既是声明式的，又是关系式的。这种方法与传统架构形成对比，在传统架构中，知识通常嵌入代码中，使非技术用户难以访问和理解。

在今天的竞争激烈的商业环境中，快速和明智的决策至关重要。然而，许多组织苦于难以做出决定，因为他们的数据缺乏必要的背景。我们的关系知识图系统统一了数据和知识，提供了一个全面的视图，允许人类和人工智能做出更准确的决策。

例如，考虑一家管理投资组合的金融服务公司。该公司需要分析市场趋势、客户风险配置、监管变化和经济指标。我们的知识图系统可以快速综合这些复杂、相互关联的因素，允许该公司做出及时和明智的投资决策，以最大化回报同时管理风险。

这种方法还减少了复杂性，提高了可移植性，并最小化了对特定技术供应商的依赖，为决策提供了长期的战略灵活性。

数据官的角色正在变得越来越重要。您如何看待数据官在人工智能兴起的背景下职责的演变？他们在未来需要具备哪些关键技能？

数据官的角色正在迅速演变，尤其是在人工智能的兴起背景下。传统上，现在归属于数据官的职责主要由 CIO 或 CTO 管理，重点关注技术运营或公司生产的技术。然而，随着数据成为现代企业最有价值的资产之一，数据官的角色已经变得独特且至关重要。

数据官负责确保数据在整个组织中的隐私、可访问性和货币化。随着人工智能继续融入业务运营，数据官将在管理为人工智能模型提供动力的数据方面发挥关键作用，确保这些数据是干净的、可访问的并以道德方式使用。

数据官在未来需要具备的关键技能包括对数据治理、人工智能技术和业务战略有深刻的理解。他们需要与其他部门密切合作，赋予传统上可能没有直接访问数据的团队（如财务、营销和人力资源）数据驱动的洞察力。在整个组织中民主化数据的能力将在推动创新和保持竞争优势方面至关重要。

RelationalAI 在支持数据官和他们的团队管理组织内数据和人工智能集成日益复杂的挑战方面发挥什么作用？

RelationalAI 在支持数据官方面发挥着基本作用，提供必要的工具和框架来有效地管理数据和人工智能集成的复杂性。随着人工智能的兴起，数据官被要求确保数据不仅可访问和安全，而且被整个组织充分利用。

我们通过提供一种数据驱动的方法来帮助数据官，该方法将知识直接带到数据中，使其对非技术利益相关者可访问和可理解。特别重要的是，数据官正在努力将数据交到可能传统上没有直接访问数据的团队手中，例如营销、财务，甚至行政团队。通过统一数据和简化其管理，RelationalAI 启用数据官赋予他们的团队权力，推动创新，并确保他们的组织能够充分利用人工智能带来的机会。

RelationalAI 强调构建智能应用程序的数据驱动基础。您能否提供一些示例，说明这种方法如何为您的客户带来显著的效率和节省？

我们的数据驱动方法与传统的应用程序驱动模型形成对比，在传统模型中，业务逻辑通常嵌入代码中，使其难以管理和扩展。通过在数据本身中集中知识并使其成为声明式和关系式的，我们帮助客户显著减少了他们的系统的复杂性，导致错误更少，成本更低，效率更高。

例如，Blue Yonder 利用我们的技术作为 Snowflake 中的知识图协处理器，提供了语义理解和推理能力，以预测中断并主动推动缓解措施。这种方法使他们能够将遗留代码减少了 80%，同时提供了可扩展和可扩展的解决方案。

同样，EY Financial Services 通过将遗留代码减少了 90% 和将处理时间从一个月以上缩短到仅几小时，实现了显著的改进。这些结果突出了我们的方法如何使企业更加敏捷和适应不断变化的市场条件，同时避免被锁定在特定的技术或供应商中。

根据您在领导人工智能驱动公司方面的经验，您认为在组织中大规模实施人工智能的最关键因素是什么？

根据我的经验，在组织中大规模实施人工智能的最重要因素是确保您拥有坚实的数据和知识基础，并且您的员工，特别是那些更有经验的员工，花时间学习和熟悉人工智能工具。

同时，也很重要的一点是不要陷入对新的人工智能技术产生过度的情绪反应——无论是过度的热情还是深刻的怀疑。相反，我建议采取稳定和一致的方法来采用和集成人工智能，专注于渐进的改进，而不是期待银弹解决方案。

感谢这次精彩的采访，希望读者可以通过访问 RelationalAI 来了解更多信息。