مولهام مدیر اجرایی RelationalAI است. او بیش از 30 سال تجربه در سازمان های پیشرو دارد که راه حل های یادگیری ماشینی و هوش مصنوعی با ارزش بالا را در صنایع مختلف توسعه و پیاده سازی می کنند. او قبل از RelationalAI مدیرعامل LogicBlox و Predictix (اکنون Infor)، مدیر عامل Optimi (اکنون Ericsson) و یکی از بنیانگذاران Brickstream (اکنون FLIR) بود. مولهام همچنین در HNC Software (اکنون FICO) و Retek (اکنون Oracle) سمت‌های رهبری ارشدی داشت.
RelationalAI دهه‌ها تجربه در صنعت، فناوری و توسعه محصول را گرد هم می‌آورد تا اولین و تنها سیستم مدیریت داده‌های نمودار دانش بومی ابری واقعی را به پیش ببرد تا نسل بعدی برنامه‌های داده هوشمند را تقویت کند.
به عنوان بنیانگذار و مدیر عامل RelationalAI، چشم انداز اولیه که شما را به ایجاد این شرکت سوق داد، چه بود و این چشم انداز در طول هفت سال گذشته چگونه تکامل یافته است؟
چشم انداز اولیه حول درک تأثیر دانش و معناشناسی در استقرار موفقیت آمیز هوش مصنوعی متمرکز بود. قبل از اینکه با هوش مصنوعی به جایگاه امروزی برسیم، بیشتر تمرکز بر یادگیری ماشینی (ML) بود که شامل تجزیه و تحلیل حجم وسیعی از داده‌ها برای ایجاد مدل‌های مختصر بود که رفتارهایی مانند تشخیص تقلب یا الگوهای خرید مصرف‌کننده را توصیف می‌کرد. با گذشت زمان، مشخص شد که برای استقرار موثر هوش مصنوعی، نیاز به نمایش دانش به گونه ای وجود دارد که هم برای هوش مصنوعی قابل دسترسی باشد و هم بتواند سیستم های پیچیده را ساده کند.
این چشم انداز از آن زمان با نوآوری های یادگیری عمیق و اخیراً مدل های زبانی و هوش مصنوعی مولد در حال ظهور تکامل یافته است. این پیشرفت‌ها کاری را که شرکت ما انجام می‌دهد تغییر نداده است، اما ارتباط و اهمیت رویکرد آنها را افزایش داده است، به‌ویژه در دسترسی بیشتر و کاربردی‌تر کردن هوش مصنوعی برای استفاده سازمانی.
اخیر گزارش PwC تخمین می‌زند که هوش مصنوعی می‌تواند تا سال 2030 تا 15.7 تریلیون دلار به اقتصاد جهانی کمک کند. طبق تجربه شما، عوامل اصلی که این تأثیر اقتصادی قابل توجه را ایجاد می‌کنند، چیست و چگونه کسب‌وکارها باید برای سرمایه‌گذاری از این فرصت‌ها آماده شوند؟
تاثیر هوش مصنوعی در حال حاضر قابل توجه بوده است و بدون شک به افزایش سرسام آور ادامه خواهد داد. یکی از عوامل کلیدی محرک این تأثیر اقتصادی، اتوماسیون کار فکری است.
کارهایی مانند خواندن، خلاصه کردن و تجزیه و تحلیل اسناد – کارهایی که اغلب توسط متخصصان با درآمد بالا انجام می شود – اکنون می توانند (عمدتا) خودکار شوند و این خدمات را بسیار مقرون به صرفه تر و در دسترس تر می کند.
برای بهره‌برداری از این فرصت‌ها، کسب‌وکارها باید روی پلتفرم‌هایی سرمایه‌گذاری کنند که بتوانند از داده‌ها و محاسبات مورد نیاز اجرای بارهای کاری هوش مصنوعی پشتیبانی کنند. این مهم است که آنها بتوانند به طور مقرون به صرفه در یک پلتفرم معین افزایش یا کاهش دهند و در عین حال روی سواد هوش مصنوعی در میان کارمندان سرمایه گذاری کنند تا بتوانند نحوه استفاده موثر و کارآمد از این مدل ها را درک کنند.
از آنجایی که هوش مصنوعی به ادغام در صنایع مختلف ادامه می‌دهد، به نظر شما بزرگترین چالش‌هایی که شرکت‌ها در پذیرش موثر هوش مصنوعی با آن مواجه هستند، چیست؟ داده ها چگونه در غلبه بر این چالش ها نقش دارند؟
یکی از بزرگترین چالش‌هایی که می‌بینم، اطمینان از دسترسی به دانش خاص صنعت برای هوش مصنوعی است. آنچه امروز می بینیم این است که بسیاری از شرکت ها دانش پراکنده در پایگاه های داده، اسناد، صفحات گسترده و کد دارند. این دانش اغلب برای مدل‌های هوش مصنوعی غیرشفاف است و به سازمان‌ها اجازه نمی‌دهد تا ارزشی را که می‌توانند کسب کنند، به حداکثر برسانند.
چالش مهمی که صنعت باید بر آن غلبه کند، مدیریت و یکسان کردن این دانش است که گاهی اوقات به آن معناشناسی می‌گویند تا آن را برای سیستم‌های هوش مصنوعی در دسترس قرار دهد. با انجام این کار، هوش مصنوعی می‌تواند در صنایع خاص و درون سازمانی مؤثرتر باشد زیرا آنها می‌توانند از پایگاه دانش منحصر به فرد خود استفاده کنند.
شما اشاره کرده اید که آینده پذیرش AI مولد به ترکیبی از تکنیک هایی مانند Retrieval-Augmented Generation (RAG) و معماری های عامل نیاز دارد. آیا می توانید توضیح دهید که چرا این رویکردهای ترکیبی ضروری هستند و چه مزایایی به همراه دارند؟
برای ایجاد سیستم‌های مبتنی بر هوش مصنوعی که نه تنها دقیق‌تر هستند، بلکه قادر به انجام وظایف پیچیده بازیابی و پردازش اطلاعات نیز هستند، به تکنیک‌های مختلفی مانند GraphRAG و معماری‌های عامل نیاز است.
بسیاری در نهایت شروع به درک این موضوع کرده‌اند که ما به بیش از یک تکنیک نیاز داریم، زیرا به پیشرفت با هوش مصنوعی ادامه می‌دهیم، بلکه از ترکیبی از مدل‌ها و ابزارها استفاده می‌کنیم. یکی از آنها معماری‌های عاملی است که در آن شما عواملی با قابلیت‌های مختلف دارید که به حل یک مشکل پیچیده کمک می‌کنند. این تکنیک آن را به قطعاتی تقسیم می کند که برای دستیابی به نتایجی که می خواهید در اختیار عوامل مختلف قرار می دهید.
همچنین یک نسل افزوده بازیابی (RAG) وجود دارد که به ما کمک می‌کند اطلاعات را هنگام استفاده از مدل‌های زبان استخراج کنیم. زمانی که ما برای اولین بار کار با RAG را شروع کردیم، می‌توانستیم به سوالاتی پاسخ دهیم که پاسخ آنها را می‌توان در بخشی از یک سند یافت. با این حال، ما به سرعت متوجه شدیم که مدل‌های زبان در پاسخ به سؤالات سخت‌تر مشکل دارند، به‌ویژه زمانی که اطلاعاتی در مکان‌های مختلف در اسناد طولانی و در اسناد پخش شده است. بنابراین اینجاست که GraphRAG وارد بازی می شود. با استفاده از مدل‌های زبانی برای ایجاد نمایش‌های نموداری دانش از اطلاعات، می‌تواند به اطلاعات مورد نیاز برای دستیابی به نتایج مورد نیاز دسترسی پیدا کند و احتمال خطا یا خطا را کاهش دهد. توهمات.
یکسان سازی داده ها یک موضوع مهم در ایجاد ارزش هوش مصنوعی در سازمان ها است. آیا می توانید توضیح دهید که چرا داده های یکپارچه برای هوش مصنوعی بسیار مهم است و چگونه می تواند فرآیندهای تصمیم گیری را تغییر دهد؟
داده های یکپارچه تضمین می کند که تمام دانش یک شرکت – چه در اسناد، صفحات گسترده، کد یا پایگاه داده ها – برای سیستم های هوش مصنوعی قابل دسترسی است. این یکسان سازی به این معنی است که هوش مصنوعی می تواند به طور موثر از دانش خاص منحصر به فرد یک صنعت، زیر صنعت یا حتی یک شرکت استفاده کند و هوش مصنوعی را در خروجی هایش مرتبط تر و دقیق تر کند.
بدون یکسان سازی داده ها، سیستم های هوش مصنوعی تنها می توانند بر روی قطعات دانش تکه تکه کار کنند که منجر به بینش های ناقص یا نادرست می شود. با متحد کردن داده‌ها، ما مطمئن می‌شویم که هوش مصنوعی تصویری کامل و منسجم دارد که برای تغییر فرآیندهای تصمیم‌گیری و ایجاد ارزش واقعی در سازمان‌ها حیاتی است.
چگونه رویکرد RelationalAI به داده ها، به ویژه با سیستم نمودار دانش رابطه ای آن، به شرکت ها کمک می کند تا به نتایج تصمیم گیری بهتری دست یابند؟
معماری داده‌محور RelationalAI، به‌ویژه سیستم نمودار دانش رابطه‌ای ما، مستقیماً دانش را با داده‌ها ادغام می‌کند و آن را هم اظهاری و هم رابطه‌ای می‌کند. این رویکرد در تضاد با معماری های سنتی است که در آن دانش در کد تعبیه شده است و دسترسی و درک را برای کاربران غیر فنی پیچیده می کند.
در محیط رقابتی کسب و کار امروز، تصمیم گیری سریع و آگاهانه امری ضروری است. با این حال، بسیاری از سازمان‌ها به دلیل نداشتن بستر لازم، با مشکل مواجه هستند. سیستم نمودار دانش رابطه‌ای ما داده‌ها و دانش را یکپارچه می‌کند و یک نمای جامع ارائه می‌دهد که به انسان‌ها و هوش مصنوعی اجازه می‌دهد تصمیمات دقیق‌تری بگیرند.
به عنوان مثال، یک شرکت خدمات مالی را در نظر بگیرید که سبدهای سرمایه گذاری را مدیریت می کند. شرکت باید روندهای بازار، پروفایل های ریسک مشتری، تغییرات نظارتی و شاخص های اقتصادی را تجزیه و تحلیل کند. سیستم نمودار دانش ما می‌تواند به سرعت این عوامل پیچیده و مرتبط را ترکیب کند و شرکت را قادر می‌سازد تا تصمیمات سرمایه‌گذاری به موقع و آگاهانه اتخاذ کند که بازده را در حین مدیریت ریسک به حداکثر برساند.
این رویکرد همچنین پیچیدگی را کاهش می‌دهد، قابلیت حمل و نقل را افزایش می‌دهد و وابستگی به فروشندگان فناوری خاص را به حداقل می‌رساند و انعطاف‌پذیری استراتژیک بلندمدت در تصمیم‌گیری را فراهم می‌کند.
نقش مدیر ارشد داده (CDO) در حال افزایش است. چگونه می‌بینید که مسئولیت‌های CDO با ظهور هوش مصنوعی تکامل می‌یابند، و چه مهارت‌های کلیدی برای پیشرفت آنها ضروری است؟
نقش CDO به‌ویژه با ظهور هوش مصنوعی به سرعت در حال تغییر است. به طور سنتی، مسئولیت‌هایی که اکنون تحت CDO قرار می‌گیرند توسط CIO یا CTO مدیریت می‌شد که عمدتاً بر عملیات فناوری یا فناوری تولید شده توسط شرکت تمرکز می‌کرد. با این حال، از آنجایی که داده ها به یکی از با ارزش ترین دارایی ها برای شرکت های مدرن تبدیل شده اند، نقش CDO متمایز و حیاتی شده است.
CDO مسئول اطمینان از حفظ حریم خصوصی، دسترسی و کسب درآمد از داده ها در سراسر سازمان است. همانطور که هوش مصنوعی به ادغام در عملیات تجاری ادامه می‌دهد، CDO نقشی محوری در مدیریت داده‌هایی که به مدل‌های هوش مصنوعی کمک می‌کند، ایفا می‌کند و اطمینان حاصل می‌کند که این داده‌ها پاک، در دسترس، و از نظر اخلاقی استفاده می‌شوند.
مهارت‌های کلیدی برای پیشبرد CDOها شامل درک عمیق حاکمیت داده، فناوری‌های هوش مصنوعی و استراتژی تجاری است. آنها باید با سایر بخش ها همکاری نزدیک داشته باشند و تیم هایی را که به طور سنتی ممکن است دسترسی مستقیم به داده ها مانند امور مالی، بازاریابی و منابع انسانی نداشته باشند، توانمند کنند تا از بینش های مبتنی بر داده استفاده کنند. این توانایی برای دموکراتیک کردن داده ها در سراسر سازمان برای هدایت نوآوری و حفظ مزیت رقابتی حیاتی خواهد بود.
RelationalAI چه نقشی در حمایت از CDOها و تیم‌های آنها در مدیریت پیچیدگی فزاینده داده‌ها و ادغام هوش مصنوعی در سازمان‌ها ایفا می‌کند؟
RelationalAI با ارائه ابزارها و چارچوب های لازم برای مدیریت پیچیدگی داده ها و ادغام هوش مصنوعی به طور موثر، نقش اساسی در حمایت از CDO ها ایفا می کند. با ظهور هوش مصنوعی، CDOها وظیفه دارند اطمینان حاصل کنند که داده ها نه تنها در دسترس و ایمن هستند، بلکه از حداکثر پتانسیل آن در سراسر سازمان نیز استفاده می شود.
ما با ارائه یک رویکرد داده‌محور که دانش را مستقیماً به داده‌ها می‌آورد و آن را برای ذینفعان غیر فنی قابل دسترس و قابل درک می‌کند، به CDOها کمک می‌کنیم. این امر به ویژه مهم است زیرا CDOها برای قرار دادن داده‌ها در دست کسانی در سازمان که ممکن است به طور سنتی دسترسی نداشتند، مانند بازاریابی، مالی و حتی تیم‌های اداری کار می‌کنند. RelationalAI با یکسان سازی داده ها و ساده کردن مدیریت آن، CDO ها را قادر می سازد تا تیم های خود را توانمند کنند، نوآوری را هدایت کنند و اطمینان حاصل کنند که سازمان های آنها می توانند به طور کامل از فرصت های ارائه شده توسط هوش مصنوعی سرمایه گذاری کنند.
RelationalAI بر پایه داده محوری برای ساخت برنامه های هوشمند تأکید دارد. آیا می توانید مثال هایی ارائه دهید که چگونه این رویکرد منجر به کارایی و صرفه جویی قابل توجهی برای مشتریان شما شده است؟
رویکرد داده‌محور ما با مدل سنتی برنامه‌محور، که در آن منطق کسب‌وکار اغلب در کد تعبیه شده است، در تضاد است و مدیریت و مقیاس آن را دشوار می‌کند. با متمرکز کردن دانش در خود داده ها و بیانی و ارتباطی کردن آن، به مشتریان کمک کرده ایم تا پیچیدگی سیستم های خود را به میزان قابل توجهی کاهش دهند، که منجر به کارایی بیشتر، خطاهای کمتر و در نهایت صرفه جویی قابل توجهی در هزینه ها می شود.
برای مثال، Blue Yonder از فناوری ما به عنوان یک پردازشگر گراف دانش در داخل Snowflake استفاده کرد، که درک معنایی و قابلیت‌های استدلالی مورد نیاز برای پیش‌بینی اختلالات و پیشبرد اقدامات کاهشی را فراهم کرد. این رویکرد به آنها اجازه داد تا کد قدیمی خود را بیش از 80 درصد کاهش دهند و در عین حال راه‌حلی مقیاس‌پذیر و توسعه‌پذیر ارائه دهند.
به طور مشابه، خدمات مالی EY با کاهش 90 درصدی کد قدیمی خود و کاهش زمان پردازش از بیش از یک ماه به چند ساعت، بهبود چشمگیری را تجربه کرد. این نتایج نشان می‌دهد که چگونه رویکرد ما به کسب‌وکارها این امکان را می‌دهد تا چابک‌تر باشند و نسبت به شرایط متغیر بازار واکنش نشان دهند، و همه این‌ها از دام‌های محصور شدن در فناوری‌ها یا فروشندگان خاص اجتناب کنند.
با توجه به تجربه‌تان در رهبری شرکت‌های مبتنی بر هوش مصنوعی، به نظر شما مهم‌ترین عوامل برای اجرای موفقیت‌آمیز هوش مصنوعی در مقیاس در یک سازمان چیست؟
از تجربه من، مهم‌ترین عوامل برای اجرای موفقیت‌آمیز هوش مصنوعی در مقیاس، اطمینان از داشتن پایه‌ای قوی از داده‌ها و دانش و اینکه کارمندان شما، به‌ویژه آن‌هایی که تجربه بیشتری دارند، برای یادگیری و راحت شدن با ابزارهای هوش مصنوعی وقت بگذارند، است.
همچنین مهم است که در دام واکنش‌های احساسی شدید – اعم از هیاهوی بیش از حد یا بدبینی عمیق – در مورد فناوری‌های جدید هوش مصنوعی نیفتید. در عوض، من یک رویکرد ثابت و ثابت را برای پذیرش و یکپارچه‌سازی هوش مصنوعی توصیه می‌کنم، با تمرکز بر بهبودهای تدریجی به جای انتظار راه‌حل گلوله نقره‌ای.
با تشکر از شما برای مصاحبه عالی، خوانندگانی که مایل به کسب اطلاعات بیشتر هستند باید از آن بازدید کنند RelationalAI.
