Ravi Bommakanti, CTO společnosti App Orchid – Interview Series

Ravi Bommakanti, Chief Technology Officer ve společnosti App Orchid, vede mise společnosti na pomoc podnikům při operačním využití umělé inteligence napříč aplikacemi a rozhodovacími procesy. Vlajkovým produktem App Orchid je Easy Answers™, který umožňuje uživatelům komunikovat s daty pomocí přirozeného jazyka a generovat tak AI poháněné dashboardy, přehledy a doporučené akce.

Platforma integruje strukturovaná a nestrukturovaná data, včetně vstupů v reálném čase a znalostí zaměstnanců, do prediktivní datové tkaniny, která podporuje strategická a operační rozhodnutí. Díky technologii Big Data v paměti a uživatelsky přívětivému rozhraní App Orchid zjednodušuje adopci AI prostřednictvím rychlého nasazení, nízkonákladové implementace a minimálního rušení stávajících systémů.

Začneme s velkým obrazem – co pro vás znamená “agentic AI” a jak se liší od tradičních AI systémů?

Agentic AI představuje fundamentální posun od statické exekuce typické pro tradiční AI systémy k dynamické orchestraci. Pro mě jde o přechod od rigidních, předem naprogramovaných systémů k autonomním, adaptivním řešitelům problémů, které mohou rozumět, plánovat a spolupracovat.

To, co skutečně odlišuje agentic AI, je jeho schopnost využít distribuovanou povahu znalostí a odbornosti. Tradiční AI často funguje v rámci pevných hranic, následujících předem stanovené cesty. Agentic systémy však mohou rozložit komplexní úkoly, identifikovat vhodné specializované agenty pro sub-úkoly – potenciálně objevující a využívající je prostřednictvím agentů registrů – a orchestrovat jejich interakci, aby syntetizovaly řešení. Tento koncept agentů registrů umožňuje organizacím efektivně “pronajmout” specializované schopnosti podle potřeby, podobně jako tomu je u lidských expertních týmů, místo toho, aby musely budovat nebo vlastnit každou AI funkci interně.

Místo monolitických systémů leží budoucnost ve vytváření ekosystémů, kde specializovaní agenti mohou být dynamicky složeni a koordinováni – podobně jako zkušený projektový manažer vedoucí tým – aby účinně řešili komplexní a měnící se podnikové výzvy.

Jak Google (GOOGL ) Agentspace urychluje adopci agentic AI v podnikovém prostředí a jakou roli hraje App Orchid v tomto ekosystému?

Google Agentspace je významným akcelerátorem adopce podnikové AI. Poskytováním jednotného základu pro nasazení a správu inteligentních agentů spojených s různými pracovními aplikacemi a využíváním výkonného vyhledávání a modelů, jako je Gemini, Agentspace umožňuje společnostem transformovat izolované informace na akční inteligenci prostřednictvím společného rozhraní.

App Orchid funguje jako vitální sémantická vrstva v tomto ekosystému. Zatímco Agentspace poskytuje agentní infrastrukturu a orchestraci, naše platforma Easy Answers řeší kritickou podnikovou výzvu spočívající v tom, aby komplexní data byla srozumitelná a přístupná agentům. Používáme ontologický přístup k budování bohatých znalostních grafů z podnikových dat, kompletních s obchodním kontextem a vztahy – přesně to porozumění, které agenti potřebují.

To vytváří silnou synergii: Agentspace poskytuje robustní agentní infrastrukturu a orchestraci, zatímco App Orchid poskytuje hluboké sémantické porozumění komplexním podnikovým datům, která tito agenti vyžadují k efektivnímu fungování a poskytování smysluplných obchodních přehledů. Naše spolupráce s rámcem Google Cloud Cortex Framework je příkladem, který pomáhá zákazníkům výrazně snížit dobu přípravy dat (až o 85 %), zatímco naše platforma využívá průmyslově vedoucí 99,8% přesnost text-to-SQL pro dotazy v přirozeném jazyce. Společně umožňujeme organizacím nasazovat agentic AI řešení, která skutečně chápou jejich obchodní jazyk a datové nuance, urychluje se tak doba návratnosti investic.

Jaké jsou skutečné bariéry, kterým čelí společnosti při adopci agentic AI, a jak App Orchid pomáhá jim tyto překážky překonat?

Primárními bariérami, kterým čelíme, se otáčejí kolem kvality dat, výzvy spočívající v rozvoji bezpečnostních standardů – zejména zajišťování důvěry mezi agenty – a řízení distribuované povahy podnikových znalostí a agentních schopností.

Kvalita dat zůstává základní problémem. Agentic AI, stejně jako jakýkoli AI, poskytuje nepřesné výstupy, pokud je krmena špatnými daty. App Orchid řeší tuto otázku fundamentálně vytvořením sémantické vrstvy, která kontextualizuje rozdílné zdroje dat. Na základě toho naše jedinečné crowdsourcingové funkce v rámci Easy Answers zapojují obchodní uživatele napříč organizací – ty, kteří rozumějí významu dat nejlépe – aby spolupracovali na identifikaci a řešení mezer a nesrovnalostí v datech, což významně zvyšuje spolehlivost.

Bezpečnost představuje další kritickou překážku, zejména když se stává běžnou komunikace mezi agenty, potenciálně sahající napříč interními a externími systémy. Zavedení robustních mechanismů pro důvěru mezi agenty a udržení governance bez potlačení nezbytné interakce je klíčové. Naše platforma se zaměřuje na implementaci bezpečnostních rámců navržených pro tyto dynamické interakce.

Nakonec efektivní využití distribuovaných znalostí a schopností vyžaduje pokročilou orchestraci. App Orchid využívá koncepty, jako je Model Context Protocol (MCP), které jsou stále více zásadní. To umožňuje dynamické zdroje specializovaných agentů z repozitářů na základě kontextových potřeb, usnadňuje tak tekuté, adaptivní pracovní postupy místo rigidních, předdefinovaných procesů. Tento přístup se shoduje s vyvíjejícími se standardy, jako je Google’s Agent2Agent protocol, který je navržen pro standardizaci komunikace v multi-agentních systémech. Pomáháme organizacím budovat důvěryhodná a efektivní agentic AI řešení řešením těchto překážek.

Můžete nás provést, jak Easy Answers funguje – od dotazu v přirozeném jazyce k generování přehledů?

Easy Answers transformuje, jak uživatelé interagují s podnikovými daty, činí tak sofistikovanou analýzu přístupnou prostřednictvím přirozeného jazyka. Zde je, jak to funguje:

• Připojení: Začínáme připojováním k podnikovým zdrojům dat – podporujeme více než 200 běžných databází a systémů. Důležité je, že k tomu často dochází bez nutnosti pohybu nebo replikace dat, připojujeme se bezpečně k datům, kde sídlí.
• Vytvoření ontologie: Naše platforma automaticky analyzuje připojená data a buduje komplexní znalostní graf. To strukturalizuje data do obchodních entit, které nazýváme Managed Semantic Objects (MSOs), zachycuje vztahy mezi nimi.
• Obohacení metadat: Tato ontologie je obohacena o metadata. Uživatelé poskytují vysoké úrovně popisů, a naše AI generuje podrobné popisy pro každou MSO a její atributy (pole). Tato kombinovaná metadata poskytuje hluboký kontext o významu a struktuře dat.
• Dotaz v přirozeném jazyce: Uživatel položí otázku v běžném obchodním jazyce, jako je “Zobrazte prodejní trendy pro produkt X v západním regionu ve srovnání s minulým čtvrtletím.”
• Interpretace a generování SQL: Naše NLP engine využívá bohatá metadata v znalostním grafu k pochopení záměru uživatele, identifikaci relevantních MSO a vztahů a překladu otázky do přesných datových dotazů (jako SQL). Zde dosahujeme průmyslově vedoucí 99,8% přesnosti text-to-SQL.
• Generování přehledů (Kurace): Systém získá data a určí nejúčinnější způsob, jak prezentovat odpověď vizuálně. Na naší platformě jsou tyto interaktivní vizualizace nazývány “kurace”. Uživatelé mohou automaticky generovat nebo předem konfigurovat je tak, aby odpovídaly specifickým potřebám nebo standardům.
• Hlubší analýza (Rychlé přehledy): Pro složitější otázky nebo proaktivní objevování uživatelé mohou využít Rychlé přehledy. Tato funkce umožňuje jim snadno aplikovat algoritmy strojového učení dodávané s platformou na specifikovaná datová pole, aby automaticky detekovaly vzory, identifikovaly anomálie nebo ověřovaly hypotézy bez potřeby odborných znalostí v oblasti datových věd.

Celý tento proces, často dokončený během sekund, demokratizuje přístup k datům a analýze, mění tak komplexní prohlížení dat na jednoduchou konverzaci.

Jak Easy Answers propojuje izolovaná data ve velkých podnicích a zajišťuje, aby přehledy byly vysvětlitelné a stopovatelné?

Izolovaná data jsou hlavní překážkou ve velkých podnicích. Easy Answers řeší tuto fundamentální výzvu prostřednictvím našeho jedinečného přístupu sémantické vrstvy.

Místo nákladné a komplexní fyzické konsolidace dat vytváříme virtuální sémantickou vrstvu. Naše platforma buduje jednotný logický pohled připojováním se k různým zdrojům dat, kde sídlí. Tato vrstva je poháněna naší znalostní graf technologií, která mapuje data do Managed Semantic Objects (MSOs), definuje jejich vztahy a obohacuje je o kontextová metadata. To vytváří společný obchodní jazyk, který je srozumitelný jak lidem, tak AI, efektivně mostí technické datové struktury (tabulky, sloupce) s obchodním významem (zákazníci, produkty, prodej), bez ohledu na to, kde data fyzicky sídlí.

Zajištění, aby přehledy byly důvěryhodné, vyžaduje jak stopovatelnost, tak vysvětlitelnost:

• Stopovatelnost: Poskytujeme komplexní sledování datové linie. Uživatelé mohou kliknout na jakoukoli kuraci nebo přehled zpět na zdroj dat, zobrazit všechny aplikované transformace, filtry a výpočty. To poskytuje plnou transparentnost a auditovatelnost, nezbytnou pro validaci a soulad.
• Vysvětlitelnost: Přehledy jsou doprovázeny vysvětleními v přirozeném jazyce. Tyto souhrny vysvětlují, co data ukazují a proč jsou významná z obchodního hlediska, překládají tak komplexní zjištění do akčních pochopení pro širokou veřejnost.

Toto spojení mostí izolovaná data vytvořením jednotného sémantického pohledu a buduje důvěru prostřednictvím jasné stopovatelnosti a vysvětlitelnosti.

Jak váš systém zajišťuje transparentnost přehledů, zejména v regulovaných odvětvích, kde je linie dat kritická?

Transparentnost je absolutně nezbytná pro AI poháněné přehledy, zejména v regulovaných odvětvích, kde auditovatelnost a obhajitelnost jsou paramontní. Náš přístup zajišťuje transparentnost napříč třemi klíčovými dimenzemi:

• Linie dat: To je základ. Jak již bylo zmíněno, Easy Answers poskytuje kompletní sledování datové linie. Každý přehled, vizualizace nebo číslo může být stopován přesně prostřednictvím své celkové životnosti – od původních zdrojů dat, přes jakékoli spojení, transformace, agregace nebo filtry aplikované – poskytující ověřitelnou datovou provenanci požadovanou regulátory.
• <strong Видitelnost metodologie: Zamezujeme “černé skříňce” problému. Když jsou použity analytické nebo ML modely (například prostřednictvím Rychlých přehledů), platforma jasně dokumentuje metodologii použité, parametry a relevantní hodnocení metrik. To zajišťuje, že “jak” za přehledem je stejně transparentní jako “co”.
• Přírodní jazykové vysvětlení: Překládání technických výstupů do srozumitelného obchodního kontextu je zásadní pro transparentnost. Každý přehled je doprovázen vysvětleními v běžném jazyce, popisujícími zjištění, jejich význam a potenciálně jejich omezení, zajišťující jasnost pro všechny zúčastněné strany, včetně kompliance officerů a auditorů.

Kromě toho začleňujeme další funkce governance pro odvětví s konkrétními požadavky na soulad, jako jsou role-based přístupové kontroly, schvalovací pracovní postupy pro určité akce nebo zprávy a komplexní auditní protokoly sledující uživatelskou aktivitu a systémové operace. Tento vícestupňový přístup zajišťuje, aby přehledy byly přesné, plně transparentní, vysvětlitelné a obhajitelné.

Jak App Orchid proměňuje AI vygenerované přehledy v akci s funkcemi, jako jsou Generativní akce?

Generování přehledů je cenné, ale skutečným cílem je řízení obchodních výsledků. S správnými daty a kontextem může agentic ekosystém pohánět akce, aby mostil kritickou mezeru mezi objevováním přehledů a hmatatelnými akcemi, měnícím analýzu z pasivní funkce reportingu na aktivního hybatele zlepšení.

Zde je, jak to funguje: Když platforma Easy Answers identifikuje významný vzorec, trend, anomálii nebo příležitost prostřednictvím své analýzy, využívá AI k navržení konkrétních, kontextuálně relevantních akcí, které by mohly být podniknuty v reakci.

Toto nejsou vágní návrhy; jsou to konkrétní doporučení. Například místo toho, aby pouze označovaly zákazníky s vysokým rizikem odchodu, mohly by navrhnout specifické retence nabídky přizpůsobené různým segmentům, potenciálně počítající očekávaný dopad nebo ROI, a dokonce i návrhy komunikačních šablon. Při generování těchto doporučení systém zvažuje obchodní pravidla, omezení, historická data a cíle.

Klíčově, toto udržuje lidský dohled. Navržené akce jsou představeny příslušným uživatelům ke kontrole, úpravě, schválení nebo odmítnutí. To zajišťuje, že obchodní úsudek zůstává centrálním v rozhodování, zatímco AI zajišťuje těžkou práci identifikace příležitostí a formování potenciálních odpovědí.

Jakmile je akce schválena, můžeme spustit agentic tok pro bezproblémové provedení prostřednictvím integrací s operačními systémy. To by mohlo znamenat spuštění pracovního postupu v CRM, aktualizaci prognózy v ERP systému, spuštění cílené marketingové úlohy nebo zahájení jiného relevantního obchodního procesu – tím se uzavírá smyčka od přehledu přímo k výsledku.

Jak jsou znalostní grafy a sémantické datové modely centrální pro úspěch vaší platformy?

Znalostní grafy a sémantické datové modely jsou absolutním jádrem platformy Easy Answers; zvedají ji nad tradiční BI nástroje, které často zacházejí s daty jako s nesouvisejícími tabulkami a sloupci zbavenými skutečného obchodního kontextu. Naše platforma využívá znalostní grafy k budování inteligentní sémantické vrstvy nad podnikovými daty.

Tato sémantická základna je centrální pro náš úspěch z několika klíčových důvodů:

• Povoluje skutečnou interakci v přirozeném jazyce: Sémantický model, strukturovaný jako znalostní graf s Managed Semantic Objects (MSOs), vlastnostmi a definovanými vztahy, funguje jako “Rosetta Stone”. Překládá nuance lidského jazyka a obchodního jazyka do přesných dotazů potřebných k získání dat, umožňující uživatelům klást otázky přirozeně bez znalosti podkladových schémat. To je klíčové pro naši vysokou přesnost text-to-SQL.
• Preserves kritický obchodní kontext: Na rozdíl od jednoduchých relačních spojení náš znalostní graf explicitně zachycuje bohatou, komplexní síť vztahů mezi obchodními entitami (například, jak zákazníci interagují s produkty prostřednictvím podpůrných lístků a objednávek). To umožňuje hlubší, kontextově bohatší analýzu, odrážející, jak podnik funguje.
• Poskytuje adaptabilitu a škálovatelnost: Sémantické modely jsou flexibilnější než rigidní schémata. Jak se podnikové potřeby vyvíjejí nebo jsou přidávány nové zdroje dat, znalostní graf může být rozšířen a upraven inkrementálně bez nutnosti kompletní přestavby, udržuje konzistenci, zatímco se přizpůsobuje změnám.

Toto hluboké porozumění kontextu dat poskytnuté naší sémantickou vrstvou je fundamentální pro vše, co Easy Answers dělá, od základních otázek a odpovědí po pokročilé detekci vzorů s Rychlými přehledy, a tvoří esenciální základ pro naše budoucí agentic AI schopnosti, zajišťující, aby agenti mohli rozumět datům smysluplně.

Jaké základní modely podporujete a jak umožňujete organizacím přinést své vlastní AI/ML modely do pracovního postupu?

Veríme v otevřený a flexibilní přístup, uznávající rychlý vývoj AI a respektující stávající investice organizací.

Pro základní modely udržujeme integrace s předními možnostmi od více poskytovatelů, včetně rodiny modelů Gemini od Google, modelů GPT od OpenAI a prominentních open-source alternativ, jako je Llama. To umožňuje organizacím vybrat modely, které nejlépe vyhovují jejich výkonovým, nákladovým, vládním nebo specifickým schopnostem. Tyto modely pohánějí různé funkce platformy, včetně porozumění přirozenému jazyku pro dotazy, generování SQL, sumarizace přehledů a generování metadat.

Kromě toho poskytujeme robustní cesty pro organizace, aby mohly přinést své vlastní přizpůsobené AI/ML modely do pracovního postupu Easy Answers:

• Modely vyvinuté v Pythonu mohou být často integrovány přímo prostřednictvím našeho AI Engine.
• Nabízíme bezproblémové integrační schopnosti s hlavními cloudovými ML platformami, jako je Google Vertex AI a Amazon (AMZN ) SageMaker, umožňující modelům vyškoleným a hostovaným tam být vyvolán.

Kriticky, naše sémantická vrstva hraje zásadní roli v tom, aby tyto potenciálně komplexní přizpůsobené modely byly přístupné. Připojováním vstupů a výstupů modelů k obchodním konceptům definovaným v našem znalostním grafu (MSOs a vlastnosti) umožňujeme ne-technickým obchodním uživatelům využívat pokročilé předpovědní, klasifikační nebo kauzální modely (například prostřednictvím Rychlých přehledů) bez nutnosti porozumět podkladovým datovým vědám – oni interagují s známými obchodními termíny, a platforma zajišťuje technické překladu. To skutečně demokratizuje přístup k sofistikovaným AI/ML schopnostem.

Jaké trendy vidíte, které budou formovat příští vlnu podnikové AI – zejména na agentních trzích a bezkódovém designu agentů?

Příští vlna podnikové AI se bude pohybovat směrem k vysoce dynamickým, komponovatelným a spolupracujícím ekosystémům. Několik konvergujících trendů pohání toto:

• Agentní trhy a registry: Budeme svědky významného vzestupu agentních trhů fungujících vedle interních agentních registrů. To umožní přechod od monolitických staveb k “pronajmout a složit” modelu, kde organizace mohou dynamicky objevovat a integrovat specializované agenty – interní nebo externí – s konkrétními schopnostmi podle potřeby, dramaticky urychluje nasazení řešení.
• Standardizovaná agentní komunikace: Pro tyto ekosystémy, aby fungovaly, agenti potřebují společný jazyk. Standardizované agentní komunikace protokoly, jako je MCP (Model Context Protocol), které využíváme, a iniciativy, jako je Google’s Agent2Agent protocol, se stávají nezbytnými pro umožnění bezproblémové spolupráce, sdílení kontextu a úkolu delegace mezi agenty, bez ohledu na to, kdo je postavil nebo kde běží.
• Dynamická orchestrace: Statické, předem definované pracovní postupy ustoupí dynamické orchestraci. Inteligentní orchestrace vrstvy budou vybírat, konfigurovat a koordinovat agenty v runtime na základě konkrétního problému kontextu, vedoucí k mnohem adaptivnějším a odolnějším systémům.
• Bezkódový/low-kódový design agentů: Demokratizace se rozšíří na tvorbu agentů. Bezkódové a low-kódové platformy budou moci obchodním expertům, ne pouze AI specialistům, navrhovat a budovat agenty, které ztělesňují specifické doménové znalosti a obchodní logiku, dále obohacují tak pool dostupných specializovaných schopností.

Role App Orchid spočívá v poskytování kritické sémantické základny pro tuto budoucnost. Pro agenty v těchto dynamických ekosystémech, aby spolupracovali účinně a prováděli smysluplné úkoly, potřebují porozumět podnikovým datům. Naše znalostní graf a sémantická vrstva poskytují přesně toto kontextuální porozumění, umožňující agentům rozumět datům smysluplně.

Jak si představujete roli CTO v budoucnosti, kde je rozhodovací inteligence demokratizována prostřednictvím agentic AI?

Demokratizace rozhodovací inteligence prostřednictvím agentic AI fundamentálně zvyšuje roli CTO. Přemístí se z primárního správce technologické infrastruktury na strategického orchestrátora organizační inteligence.

Klíčové evoluce zahrnují:

• Od správce systémů k architektovi ekosystému: Zaměření se přesouvá od správy izolovaných aplikací na design, kuraci a governance dynamických ekosystémů interagujících agentů, datových zdrojů a analytických schopností. To zahrnuje efektivní využití agentních trhů a registrů.
• Strategie dat jako jádro podnikové strategie: Zajištění, aby data nebyla pouze dostupná, ale také sémanticky bohatá, spolehlivá a přístupná, se stává zásadním. CTO bude centrální v budování znalostního grafu základny, která pohání inteligentní systémy napříč podnikem.
• Evolution governance paradigmat: Nové modely governance budou zapotřebí pro agentic AI – řešící důvěru agentů, bezpečnost, etické AI použití, auditovatelnost automatizovaných rozhodnutí a řízení emergentních chování v rámci agentních spoluprací.
• Šampion adaptability: CTO bude zásadní v zabudovávání adaptability do technické a provozní tkaniny organizace, vytvářející prostředí, kde AI poháněné přehledy vedou k rychlým reakcím a kontinuálnímu učení.
• Promoting lidsko-AI spolupráce: Klíčovým aspektem bude pěstování kultury a designu systémů, kde lidé a AI agenti spolupracují synergicky, zvyšují tak své vzájemné silné stránky.

Nakonec se CTO stává méně zaměřeným na správu IT nákladů a více na maximalizaci “inteligentního potenciálu” organizace. Je to posun směrem k tomu být skutečným strategickým partnerem, umožňujícím celému podniku fungovat inteligentněji a adaptivněji v stále složitějším světě.

Děkuji za skvělý rozhovor, čtenáři, kteří si chtějí dozvědět více, by měli navštívit App Orchid.