Molham é o CEO da RelationalAI. Ele tem mais de 30 anos de experiência em organizações líderes que desenvolvem e implementam soluções de aprendizado de máquina e inteligência synthetic de alto valor em vários setores. Antes da RelationalAI, ele foi CEO da LogicBlox e Predictix (agora Infor), CEO da Optimi (agora Ericsson) e cofundador da Brickstream (agora FLIR). Molham também ocupou cargos de liderança sênior na HNC Software program (agora FICO) e na Retek (agora Oracle).
RelationalAI reúne décadas de experiência na indústria, tecnologia e desenvolvimento de produtos para desenvolver o primeiro e único sistema actual de gerenciamento de dados gráficos de conhecimento nativo da nuvem para impulsionar a próxima geração de aplicativos de dados inteligentes.
Como fundador e CEO da RelationalAI, qual foi a visão inicial que o levou a criar a empresa e como essa visão evoluiu nos últimos sete anos?
A visão inicial centrou-se na compreensão do impacto do conhecimento e da semântica na implantação bem-sucedida da IA. Antes de chegarmos onde estamos hoje com a IA, grande parte do foco estava no aprendizado de máquina (ML), que envolvia a análise de grandes quantidades de dados para criar modelos sucintos que descreviam comportamentos, como detecção de fraude ou padrões de compra do consumidor. Com o tempo, tornou-se claro que, para implementar a IA de forma eficaz, period necessário representar o conhecimento de uma forma que fosse acessível à IA e capaz de simplificar sistemas complexos.
Desde então, esta visão evoluiu com inovações de aprendizagem profunda e, mais recentemente, com o surgimento de modelos de linguagem e IA generativa. Estes avanços não mudaram o que a nossa empresa está a fazer, mas aumentaram a relevância e a importância da sua abordagem, especialmente para tornar a IA mais acessível e prática para utilização empresarial.
Um relatório recente da PwC estima que a IA poderá contribuir com até 15,7 biliões de dólares para a economia world até 2030. Na sua experiência, quais são os principais factores que impulsionarão este impacto económico substancial e como deverão as empresas preparar-se para capitalizar estas oportunidades?
O impacto da IA já foi significativo e continuará, sem dúvida, a disparar. Um dos principais factores que impulsionam este impacto económico é a automatização do trabalho intelectual.
Tarefas como ler, resumir e analisar documentos – tarefas muitas vezes executadas por profissionais altamente remunerados – podem agora ser (na sua maioria) automatizadas, tornando estes serviços muito mais económicos e acessíveis.
Para aproveitar essas oportunidades, as empresas precisam investir em plataformas que possam dar suporte aos dados e aos requisitos de computação da execução de cargas de trabalho de IA. É importante que possam aumentar ou diminuir a escala de forma rentável numa determinada plataforma, ao mesmo tempo que investem na literacia em IA entre os funcionários, para que possam compreender como utilizar estes modelos de forma eficaz e eficiente.
À medida que a IA continua a integrar-se em vários setores, quais são os maiores desafios que as empresas enfrentam para adotarem a IA de forma eficaz? Como os dados desempenham um papel na superação desses desafios?
Um dos maiores desafios que vejo é garantir que o conhecimento específico do setor seja acessível à IA. O que vemos hoje é que muitas empresas têm conhecimento disperso em bancos de dados, documentos, planilhas e códigos. Este conhecimento é muitas vezes opaco aos modelos de IA e não permite que as organizações maximizem o valor que poderiam obter.
Um desafio significativo que a indústria precisa de superar é a gestão e unificação deste conhecimento, por vezes referido como semântica, para torná-lo acessível aos sistemas de IA. Ao fazer isso, a IA pode ser mais eficaz em setores específicos e dentro da empresa, pois pode então aproveitar sua base de conhecimento exclusiva.
Você mencionou que o futuro da adoção de IA generativa exigirá uma combinação de técnicas como Geração Aumentada de Recuperação (RAG) e arquiteturas de agente. Você pode explicar por que essas abordagens combinadas são necessárias e quais benefícios elas trazem?
Serão necessárias diferentes técnicas, como GraphRAG e arquiteturas de agente, para criar sistemas baseados em IA que não sejam apenas mais precisos, mas também capazes de lidar com tarefas complexas de recuperação e processamento de informações.
Muitos estão finalmente começando a perceber que precisaremos de mais de uma técnica à medida que continuamos a evoluir com a IA, mas aproveitando uma combinação de modelos e ferramentas. Uma delas são as arquiteturas de agente, onde você tem agentes com diferentes capacidades que ajudam a resolver um problema complexo. Essa técnica o divide em pedaços que você distribui a diferentes agentes para alcançar os resultados desejados.
Há também a geração aumentada de recuperação (RAG) que nos ajuda a extrair informações ao usar modelos de linguagem. Quando começamos a trabalhar com o RAG, podíamos responder perguntas cujas respostas podiam ser encontradas em uma parte de um documento. No entanto, descobrimos rapidamente que os modelos de linguagem têm dificuldade em responder a perguntas mais difíceis, especialmente quando há informações espalhadas em vários locais em documentos longos e entre documentos. Então é aqui que o GraphRAG entra em ação. Ao aproveitar modelos de linguagem para criar representações de informações em gráficos de conhecimento, ele pode acessar as informações de que precisamos para alcançar os resultados de que precisamos e reduzir as probabilities de erros ou alucinações.
A unificação de dados é um tópico crítico para impulsionar o valor da IA nas organizações. Você pode explicar por que os dados unificados são tão importantes para a IA e como eles podem transformar os processos de tomada de decisão?
Os dados unificados garantem que todo o conhecimento que uma empresa possui – seja em documentos, planilhas, códigos ou bancos de dados – seja acessível aos sistemas de IA. Esta unificação significa que a IA pode aproveitar eficazmente o conhecimento específico exclusivo de uma indústria, subindústria ou mesmo de uma única empresa, tornando a IA mais relevante e precisa nos seus resultados.
Sem a unificação dos dados, os sistemas de IA só podem operar com base em conhecimentos fragmentados, levando a insights incompletos ou imprecisos. Ao unificar os dados, garantimos que a IA tenha uma imagem completa e coerente, o que é elementary para transformar os processos de tomada de decisão e gerar valor actual nas organizações.
Como a abordagem dos dados da RelationalAI, especialmente com seu sistema de gráfico de conhecimento relacional, ajuda as empresas a obter melhores resultados na tomada de decisões?
A arquitetura centrada em dados da RelationalAI, particularmente nosso sistema de gráfico de conhecimento relacional, integra diretamente o conhecimento aos dados, tornando-os declarativos e relacionais. Esta abordagem contrasta com arquiteturas tradicionais onde o conhecimento está incorporado no código, complicando o acesso e a compreensão para usuários não técnicos.
No ambiente empresarial competitivo de hoje, a tomada de decisões rápida e informada é imperativa. No entanto, muitas organizações enfrentam dificuldades porque seus dados não possuem o contexto necessário. Nosso sistema gráfico de conhecimento relacional unifica dados e conhecimento, fornecendo uma visão abrangente que permite que humanos e IA tomem decisões mais precisas.
Por exemplo, considere uma empresa de serviços financeiros que gere carteiras de investimento. A empresa precisa analisar tendências de mercado, perfis de risco dos clientes, mudanças regulatórias e indicadores econômicos. Nosso sistema gráfico de conhecimento pode sintetizar rapidamente esses fatores complexos e inter-relacionados, permitindo que a empresa tome decisões de investimento oportunas e bem informadas que maximizem os retornos enquanto gerenciam o risco.
Esta abordagem também reduz a complexidade, melhora a portabilidade e minimiza a dependência de fornecedores de tecnologia específicos, proporcionando flexibilidade estratégica a longo prazo na tomada de decisões.
O papel do Chief Knowledge Officer (CDO) está crescendo em importância. Como você vê a evolução das responsabilidades dos CDOs com a ascensão da IA e quais habilidades-chave serão essenciais para que avancem?
O papel do CDO está a evoluir rapidamente, especialmente com a ascensão da IA. Tradicionalmente, as responsabilidades que agora recaem sobre o CDO eram geridas pelo CIO ou CTO, concentrando-se principalmente nas operações tecnológicas ou na tecnologia produzida pela empresa. Contudo, à medida que os dados se tornaram um dos activos mais valiosos para as empresas modernas, o papel do CDO tornou-se distinto e essential.
O CDO é responsável por garantir a privacidade, acessibilidade e monetização dos dados em toda a organização. À medida que a IA continua a integrar-se nas operações empresariais, o CDO desempenhará um papel elementary na gestão dos dados que alimentam os modelos de IA, garantindo que estes dados são limpos, acessíveis e utilizados de forma ética.
As principais competências para os CDOs no futuro incluirão uma compreensão profunda da governação de dados, tecnologias de IA e estratégia de negócios. Terão de trabalhar em estreita colaboração com outros departamentos, capacitando equipas que tradicionalmente não tinham acesso direto aos dados, como finanças, advertising e RH, para aproveitarem insights baseados em dados. Esta capacidade de democratizar os dados em toda a organização será elementary para impulsionar a inovação e manter uma vantagem competitiva.
Qual é o papel da RelationalAI no apoio aos CDOs e às suas equipas na gestão da crescente complexidade dos dados e na integração da IA nas organizações?
A RelationalAI desempenha um papel elementary no apoio aos CDOs, fornecendo as ferramentas e estruturas necessárias para gerir eficazmente a complexidade dos dados e a integração da IA. Com a ascensão da IA, os CDOs têm a tarefa de garantir que os dados não só sejam acessíveis e seguros, mas também que sejam aproveitados em todo o seu potencial em toda a organização.
Ajudamos os CDOs oferecendo uma abordagem centrada em dados que traz conhecimento diretamente aos dados, tornando-os acessíveis e compreensíveis para partes interessadas não técnicas. Isto é particularmente importante porque os CDOs trabalham para colocar os dados nas mãos daqueles na organização que tradicionalmente não teriam acesso, como advertising, finanças e até equipes administrativas. Ao unificar os dados e simplificar a sua gestão, a RelationalAI permite que os CDOs capacitem as suas equipas, impulsionem a inovação e garantam que as suas organizações possam capitalizar totalmente as oportunidades apresentadas pela IA.
RelationalAI enfatiza uma base centrada em dados para a construção de aplicativos inteligentes. Você pode fornecer exemplos de como essa abordagem levou a eficiências e economias significativas para seus clientes?
Nossa abordagem centrada em dados contrasta com o modelo tradicional centrado em aplicativos, onde a lógica de negócios é frequentemente incorporada ao código, dificultando o gerenciamento e a escalabilidade. Ao centralizar o conhecimento nos próprios dados e torná-los declarativos e relacionais, ajudamos os clientes a reduzir significativamente a complexidade dos seus sistemas, levando a maior eficiência, menos erros e, em última análise, poupanças substanciais de custos.
Por exemplo, a Blue Yonder aproveitou nossa tecnologia como um coprocessador Information Graph dentro do Snowflake, que forneceu a compreensão semântica e os recursos de raciocínio necessários para prever interrupções e conduzir proativamente ações de mitigação. Essa abordagem permitiu que reduzissem seu código legado em mais de 80%, ao mesmo tempo que oferecia uma solução escalável e extensível.
Da mesma forma, a EY Monetary Companies registou uma melhoria drástica ao reduzir o seu código legado em 90% e ao reduzir os tempos de processamento de mais de um mês para apenas algumas horas. Estes resultados destacam como a nossa abordagem permite que as empresas sejam mais ágeis e respondam às mudanças nas condições do mercado, ao mesmo tempo que evitam as armadilhas de ficarem presas a tecnologias ou fornecedores específicos.
Dada a sua experiência liderando empresas orientadas por IA, quais você acredita serem os fatores mais críticos para implementar com sucesso a IA em escala em uma organização?
Pela minha experiência, os fatores mais significativos para implementar com sucesso a IA em escala são garantir que você tenha uma base sólida de dados e conhecimento e que seus funcionários, especialmente aqueles mais experientes, reservem um tempo para aprender e se sentirem confortáveis com as ferramentas de IA.
Também é importante não cair na armadilha de reações emocionais extremas – seja exagero excessivo ou cinismo profundo – em torno das novas tecnologias de IA. Em vez disso, recomendo uma abordagem constante e consistente para a adoção e integração da IA, concentrando-se em melhorias incrementais em vez de esperar uma solução mágica.
Obrigado pela ótima entrevista, leitores que desejam saber mais devem visitar RelationalAI.
