Jito Chadha, zakladatel a generální ředitel Nventr – Interview Series

Jito Chadha, zakladatel a generální ředitel Nventr, je zkušený technologický manažer a investor, jehož kariéra zahrnuje umělou inteligenci, datové vědy, venture kapitál a obchodní rozvoj. Od založení Nventr v roce 2019 vedl vývoj podnikových technologií umělé inteligence, zatímco současně působil jako generální ředitel společnosti pro prediktivní analýzu Rule14. Chadha je součástí HandsOn Global Management od roku 2007 a stal se partnerem v roce 2013, přičemž se podílel na zdrojích, strukturaci a tvorbě hodnoty mnoha transakcí a vedl investice napříč venture kapitálem, datovými vědami a přírodními zdroji.

Nventr je losangeleská společnost pro podnikovou umělou inteligenci, která vyvíjí technologii pro vytváření, nasazování a správu inteligentních aplikací a automatizovaných pracovních postupů. Jejich platforma spojuje agenty umělé inteligence, modely strojového učení, neuronové sítě, správu dat, inteligentní zpracování dokumentů, vizualizaci a vývojářské nástroje. Mezi produkty patří Agent IO, operační systém pro orchestraci autonomních agentů napříč obchodními funkcemi, a nQube, nástroj pro vytváření pracovních postupů, který podporuje vývoj bez kódu, s nízkým kódem a plným kódem, spolu s nasazením v cloudu, na místě a na okraji.

Předtím, než jste vedl Nventr a Rule14, jste strávil roky zdrojováním investic, tvorbou hodnoty napříč portfoliovými společnostmi a prací s iniciativami datové vědy uvnitř komplexních organizací. Jak tato zkušenost ovlivnila vaše rozhodnutí vybudovat podnikovou platformu umělé inteligence zaměřenou na pracovní postupy spíše než na samostatné nástroje?

Práce napříč portfoliovými společnostmi odhalila stejný vzorec v různých obchodních odvětvích. Každá organizace měla informace procházející několika lidmi, systémy a schváleními předtím, než mohl být proces dokončen.

Tato zkušenost formovala Nventr kolem pracovních postupů spíše než samostatných nástrojů. Zlepšení jedné úkolu má omezenou hodnotu, pokud výsledek nemůže efektivně projít zbytkem organizace. Soustředili jsme se na strukturování celého procesu a jeho běh v měřítku.

Nventr kombinuje agentic akce, modely strojového učení a neuronové sítě v rámci škálovatelných podnikových pracovních postupů. Jaké omezení jste pozorovali u konvenčních automatizačních platforem, které vedly k vývoji této širší architektury? 

Během let společnosti fungovaly prostřednictvím sbírek cloudových a místně hostovaných aplikací SaaS, které mohly být neohrabané, rigidní a drahé. Systém pracovního postupu, modely, agenti a firemní data byly obvykle považovány za samostatné vrstvy, což znesnadňovalo širší automatizaci.

Vyvinuli jsme architekturu, ve které tyto komponenty mohou fungovat společně a škálovat nezávisle na změně poptávky. Proces nemusí být nucen do jedné pevné aplikace nebo jednoho typu výpočetního prostředí.

Mnohé organizace začínají své strategie umělé inteligence výběrem modelu nebo spuštěním chatbota. Z vašich zkušeností, jaká základní práce zahrnující data, oprávnění, procesy a integraci systémů musí proběhnout předtím, než nasazení umělé inteligence může přinést smysluplné výsledky? 

Společnost musí nejdříve definovat proces, identifikovat, jaké informace potřebuje agent, a určit, kde tyto informace žijí. To může zahrnovat databáze, repozitáře souborů, PDF, články, e-mailové systémy nebo jiné firemní zdroje dat, které musí být agentovi zpřístupněny ve využitelné formě.

Společnost pak musí definovat, co se stane po tom, co agent obdrží tyto informace. Konverzace může vyprodukovat odpověď, souhrn, frontu pro další kroky nebo jiný agentic pracovní postup. Schválené nástroje, oprávnění k datům a oprávnění uživatelů musí být stanoveny podle role, aby každá akce proběhla uvnitř definovaného procesu.

nQube je navržen tak, aby pomáhal jak datovým vědcům, tak obchodním analytikům budovat, testovat, nasazovat a monitorovat pracovní postupy s umělou inteligencí. Jak tyto schopnosti zpřístupníte nespecialistům, zatímco zachováte technické kontroly vyžadované pro produkční prostředí?

Lidé přemýšlejí o umělé inteligenci a softwarových produktech skrze rozsah své vlastní role a to, jak produkt může udělat jejich práci snadnější nebo umožnit jim být produktivnější. Rozhraní by mělo umožnit popsat, co potřebují, položit otázky a upravit agenta nebo pracovní postup prostřednictvím normálního jazyka a hlasu.

Pracovní postupy, výpočetní procesy a škálování zůstávají pod touto interakcí. Organizace stále kontroluje nástroje, zdroje dat a přístup přidělený každé roli, takže obchodní analytik může použít systém bez přímé správy infrastruktury.

Operační systém agentů Nventr používá koordinujícího agenta pro směrování specializovaných agentů prostřednictvím sekvenčních a iterativních pracovních postupů. Jak platforma určuje, který agent by měl zpracovat každou úlohu, zachovat kontext mezi agenty a zpracovat nevyhovující výsledek? 

Pracovní postup určuje, jak žádost prochází definovanými kroky, větvemi a specializovanými agenty. Informace z jedné fáze mohou být shrnuty a předány vpřed, aby další agent pochopil, co se stalo, co bylo požadováno a jaký by měl být další krok.

Zpracování nevyhovujícího výsledku závisí na procesu a důsledcích akce. Kontroly pracovního postupu musí odrážet, kde systém může pokračovat a kde výsledek vyžaduje přezkum.

Podniky stále více chtějí flexibilitu používat různé velké jazykové modely, specializované systémy strojového učení a třetí strany agentů. Jak by měly organizace navrhnout svou infrastrukturu umělé inteligence, aby se vyhnuly závislosti na jednom poskytovateli modelu nebo technologickém stacku? 

Infrastruktura by měla podporovat řadu modelů a umožnit jim fungovat paralelně v rámci stejného pracovního postupu. Jeden poskytovatel může zpracovat komponent speech-to-speech, zatímco jiný model provede úsudky nebo zpracování na pozadí.

Nástroj by měl být vybrán podle nákladů zákazníka, výkonu, zabezpečení, latence a otevřenosti třetím stranám. Některé podniky jsou spokojeny s kombinací poskytovatelů, zatímco jiné chtějí agenta na svém vlastním cloudu nebo dedikované infrastruktuře. Architektura musí podporovat oba přístupy.

Jakmile může agent umělé inteligence přistupovat k firemním datům a provádět akce napříč obchodními systémy, zabezpečení se stává složitějším než ochrana konverzační rozhraní. Jaké kontroly by měly řídit oprávnění agenta, autonomii a schopnost iniciovat důsledné akce?

Přístup by měl být řízen podle role, projektu a pracovního postupu. Agent by měl mít možnost použít pouze informace, nástroje a akce schválené pro tento kontext, s žádostmi mimo tento rozsah odeslanými k autorizaci.

Množství autonomie by mělo odrážet citlivost dat a důsledky akce. Pro transakce zahrnující peníze, soukromé informace nebo jiný významný výsledek by společnost měla mít možnost vidět, co agent dělá, a vyžadovat schválení před dokončením.

Nventr představuje aplikace napříč oblastmi, včetně zpracování dokumentů, zákaznického servisu, reportování, zdravotnické komunikace a detekce podvodů. Jaké technické nebo provozní charakteristiky činí pracovní postup vhodným pro agentic automatizaci, a které procesy by měly zůstat primárně vedeny lidmi? 

Wyvažujeme počet lidí nebo náklady spojené s procesem proti jeho složitosti a životaschopnosti pro automatizaci. Proces může být drahý nebo náročný na pracovní sílu a přesto být špatným místem pro zahájení, pokud je příliš složitý nebo nespolehlivý pro efektivní automatizaci.

Obecný přístup je jít pro nejnižší ovoce s největším dopadem. Tento vzorec je fraktální, protože může být aplikován na roli jednoho člověka, několik oddělení nebo celou organizaci. Procesy zahrnující nejistotu nebo důsledné úsudky by měly pokračovat ve zahrnutí lidí.

Jste diskutovali myšlenku, že zaměstnanci budou mít nakonec AI protějšky, kteří budou zpracovávat opakující se prvky jejich práce. Jak by to mohlo změnit organizační struktury, a co by měli líderové dělat, aby zajistili, že tyto systémy posílí lidský úsudek spíše než postupně ho odstraňují z důležitých rozhodnutí? 

Myšlenka je dát každému člověku na platovém seznamu agenta, který může naučit části práce v průběhu času. Na větší procento organizace to vytváří centralizovanou inteligenci a optimalizaci nad organizační strukturou spíše než omezení na jednoho nebo dva zaměstnance.

Agent může převzít opakující se práci, jako je shromažďování informací, přesun dat nebo vytváření rutinních prezentací. To dává lidem více času pro důležité diskuze a rozhodnutí, zatímco organizace zachovává autoritu nad citlivými informacemi a důslednými akcemi.

Jak se agenti umělé inteligence vyvíjejí z asistentů do operační vrstvy pro komplexní organizace, které schopnosti musí nejvíce zlepšit, aby společnosti mohly bezpečně automatizovat pracovní postupy, které pokrývají celé oddělení nebo obchodní jednotky? 

Agenti potřebují nižší latenci a silnější integrace s firemními databázemi, soubory a většími systémy. Informace musí přecházet přes role a oddělení bez nutnosti ručního přenosu nebo vytváření nových úzkých míst.

Interakční vrstva musí být také vylepšena. Hlasoví agenti by měli vypadat jako normální konverzace, kde člověk může přerušit a změnit směr, a podniky budou nakonec potřebovat přímé způsoby, jak autorizovaní agenti mohou interagovat se svými systémy. Automatizace prohlížeče může překlenout mezeru, ale průmysl se bude pohybovat směrem k efektivnější struktuře, protože výpočet a infrastruktura mají náklady.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit Nventr.