Ravi Bommakanti, CTO společnosti App Orchid – Interview Series

Ravi Bommakanti, Chief Technology Officer ve společnosti App Orchid, vede misi společnosti pomoci podnikům operačně využívat umělou inteligenci napříč aplikacemi a rozhodovacími procesy. Vlajkový produkt App Orchid, Easy Answers™, 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 reálných vstupů a znalostí zaměstnanců, do prediktivního datového plátna, které podporuje strategická a operační rozhodnutí. Díky technologii Big Data v paměti a uživatelsky přívětivému rozhraní App Orchid zjednodušuje přijetí AI prostřednictvím rychlého nasazení, nízkonákladové implementace a minimálního narušení stávajících systémů.

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

Agentic AI představuje zásadní posun od statické exekuce typické pro tradiční AI systémy k dynamické orchestraci. Pro mě to znamená přechod od rigidních, předem naprogramovaných systémů k autonomním, adaptabilním 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 správné specializované agenty pro sub-úkoly – potenciálně objevující a využívající je prostřednictvím agent registries – a orchestrovat jejich interakci, aby syntetizovaly řešení. Tento koncept agent registries umožňuje organizacím efektivně “pronajmout” specializované schopnosti podle potřeby, podobně jako je sestavena lidská expertní týmy, 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 efektivně řešili komplexní a se měnící se obchodní výzvy.

Jak Google Agentspace urychluje přijetí agentic AI v podnicích a jaká je role App Orchid v tomto ekosystému?

Google Agentspace je významným urychlovačem přijetí podnikového AI. Poskytováním jednotného základu pro nasazení a správu inteligentních agentů spojených s různými pracovními aplikacemi a využíváním silného 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 rámci tohoto ekosystému. Zatímco Agentspace poskytuje agent infrastrukturu a orchestraci, naše platforma Easy Answers řeší kritickou podnikovou výzvu spočívající v tom, aby komplexní data byla srozumitelná a přístupná agentům. Používáme ontologicky řízený přístup k vytvoření bohatých znalostních grafů z podnikových dat, kompletních s obchodním kontextem a vztahy – přesně to, co agenti potřebují.

Toto vytváří silnou synergii: Agentspace poskytuje robustní agent infrastrukturu a orchestraci, zatímco App Orchid poskytuje hluboké sémantické porozumění komplexním podnikovým datům, které tyto agenty 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 využívá naše platformy s průmyslově vedoucí 99,8% přesností 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 dosažení hodnoty.

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

Primární bariéry, kterým čelíme, se týkají kvality dat, výzvy spočívající v evoluci bezpečnostních standardů – zejména zajišťování důvěry mezi agenty – a řízení distribuované povahy podnikových znalostí a agent schopností.

Kvalita dat zůstává základní problém. Agentic AI, stejně jako jakékoli AI, poskytuje nedůvěryhodné výstupy, pokud je krmena špatnými daty. App Orchid řeší tuto záležitost vytvořením sémantické vrstvy, která kontextualizuje rozdílné zdroje dat. Na základě toho naše jedinečné funkce crowdsourcingu v rámci Easy Answers zapojují obchodní uživatele napříč organizací – ty, kteří nejlépe rozumí významu dat – aby spolupracovali na identifikaci a řešení datových mezer a nesrovnalostí, 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 zachování governance bez potlačení nezbytné interakce je klíčové. Naše platforma se zaměřuje na implementaci bezpečnostních rámců navržených pro tyto dynamické interakce.

Nakonec využívání distribuované znalostí a schopností efektivně 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, adaptabilní pracovní postupy místo rigidních, předdefinovaných procesů. Tento přístup se shoduje s vznikajícími standardy, jako je Google Agent2Agent protokol, navrženým pro standardizaci komunikace v multiagentních 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 po 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: Začneme připojením k podnikovým zdrojům dat – podporujeme více než 200 běžných databází a systémů. Zásadně se to často děje bez požadavku na přesun nebo replikaci dat, připojujeme se bezpečně k datům, kde sídlí.
• Vytvoření ontologie: Naše platforma automaticky analyzuje připojená data a vytváří komplexní znalostní graf. To strukturuje data do obchodně orientovaných entit, které nazýváme Managed Semantic Objects (MSOs), zachycující vztahy mezi nimi.
• Obohacení metadat: Tato ontologie je obohacena metadaty. 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 mi prodejní trendy pro produkt X ve western regionu ve srovnání s minulým čtvrtletím.”
• Interpretace a generace SQL: Naše NLP engine používá 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 (Curations): Systém získá data a určí nejefektivnější způsob, jak odpovědět vizuálně. Na naší platformě jsou tyto interaktivní vizualizace nazývány “curations”. Uživatelé je mohou automaticky generovat nebo předkonfigurovat, aby odpovídaly specifickým potřebám nebo standardům.
• Hlubší analýza (Quick Insights): Pro složitější otázky nebo proaktivní objevování uživatelé mohou využít Quick Insights. Tato funkce umožňuje snadno aplikovat ML algoritmy 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, proměňujíc složitou datovou exploraci v jednoduchou konverzaci.

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

Datová sila jsou hlavní překážkou v velkých podnicích. Easy Answers řeší tuto základní výzvu prostřednictvím našeho jedinečného sémantického vrstevnatého přístupu.

Místo nákladné a složité fyzické konsolidace dat vytváříme virtuální sémantickou vrstvu. Naše platforma vytváří jednotný logický pohled připojením se k různým zdrojům dat, kde sídlí. Tato vrstva je poháněna naší znalostní graf technologií, která mapuje data na Managed Semantic Objects (MSOs), definuje jejich vztahy a obohacuje je kontextovými metadaty. To vytváří společný obchodní jazyk, který je srozumitelný jak lidem, tak AI, efektivně propojující 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 procházet od jakéhokoli curations nebo přehledů zpět k zdrojovým datům, zobrazovat všechny aplikované transformace, filtry a výpočty. To poskytuje plnou transparentnost a auditabilitu, nezbytnou pro validaci a dodržování předpisů.
• Vysvětlitelnost: Přehledy jsou doprovázeny vysvětleními v přirozeném jazyce. Tyto souhrny interpretují, co data ukazují a proč jsou významná z obchodního hlediska, překládající komplexní zjištění do akčního porozumění pro širokou veřejnost.

Toto spojení propojuje sila, vytváří jednotný sémantický pohled a buduje důvěru prostřednictvím jasné stopovatelnosti a vysvětlitelnosti.

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

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

• Datová linie: To je základní. Jak je uvedeno, Easy Answers poskytuje komplexní sledování datové linie. Každý přehled, vizualizace nebo číslo lze stopovat zpět přes celý jeho životní cyklus – od původních zdrojů dat, přes jakékoli spojení, transformace, agregace nebo filtry aplikované – poskytující ověřitelnou datovou provenienci, požadovanou regulátory.
• Metodologická viditelnost: Zamezujeme “černé skříňce” problému. Když jsou použity analytické nebo ML modely (například prostřednictvím Quick Insights), platforma jasně dokumentuje metodologii, která byla použita, parametry a relevantní hodnocení metriky. To zajišťuje, že “jak” za přehledem je stejně transparentní jako “co”.
• Přirozený jazykový výklad: Překládání technických výstupů do srozumitelného obchodního kontextu je zásadní pro transparentnost. Každý přehled je doprovázen běžnými jazykovými vysvětleními, popisujícími zjištění, jejich význam a potenciálně jejich omezení, zajišťujících jasnost pro všechny zúčastněné strany, včetně compliance úředníků a auditorů.

Kromě toho začleňujeme další funkce governance pro odvětví s konkrétními požadavky na dodržování předpisů, jako je role-založené 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 generované přehledy v akci s funkcemi, jako jsou Generative Actions?

Generování přehledů je cenné, ale skutečným cílem je řízení obchodních výsledků. S správnými daty a kontextem může agentic ekosystém pohánět akce, aby mostem propojil kritickou mezeru mezi objevováním přehledů a hmatatelnými akcemi, přesouvající analytiku 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.

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

Kriticky, toto udržuje lidskou kontrolu. Navrhované akce jsou předloženy příslušným uživatelům ke zkoumání, modifikaci, schválení nebo odmítnutí. To zajišťuje, že obchodní úsudek zůstává centrální v rozhodovacím procesu, zatímco AI zajišťuje těžkou práci identifikace příležitostí a formulace potenciálních reakcí.

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; zvyšují ji nad rámec tradičních BI nástrojů, které často zacházejí s daty jako s nesouvisejícími tabulkami a sloupci, zbavenými skutečného obchodního kontextu. Naše platforma používá tyto modely k vytvoření 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 terminology do přesných dotazů potřebných k získání dat, umožňujících uživatelům klást otázky přirozeně bez znalosti podkladových schémat. To je klíčové pro naši vysokou přesnost text-to-SQL.
• Zachovává kritický obchodní kontext: Na rozdíl od jednoduchých relačních spojení naše 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 schéma. Jak se mění podnikové potřeby nebo jsou přidány nové zdroje dat, znalostní graf může být rozšířen a modifikován inkrementálně bez požadavku na kompletní přestavbu, zachovává konzistenci, zatímco se přizpůsobuje změnám.

Toto hluboké porozumění kontextu dat poskytnuté naší sémantickou vrstvou je zásadní pro vše, co Easy Answers dělá, od základních Q&A až po pokročilou detekci vzorů s Quick Insights, a tvoří základní základ pro naše budoucí agentic AI schopnosti, zajišťující, aby agenty mohli rozumět datům smysluplně.

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

Věříme v otevřený a flexibilní přístup, uznávající rychlou evoluci AI a respektující stávající investice organizací.

Pro základní modely udržujeme integrace s předními možnostmi od více poskytovatelů, včetně rodiny Google Gemini, modelů OpenAI GPT a prominentních open-source alternativ, jako je Llama. To umožňuje organizacím zvolit modely, které nejlépe vyhovují jejich výkonu, nákladům, governance nebo specifickým schopnostem. Tyto modely pohánějí různé funkce platformy, včetně přirozeného jazykového porozumění pro dotazy, generace SQL, shrnutí přehledů a generace metadat.

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

• Modely vyvinuté v Pythonu lze často integrovat přímo prostřednictvím našeho AI Engine.
• Nabízíme bezproblémové integrační schopnosti s hlavními cloudovými ML platformami, jako je Google Vertex AI a Amazon SageMaker, umožňující modelům trénovaným a hostovaným tam být vyvolán.

Kriticky, naše sémantická vrstva hraje klíčovou roli při tom, aby tyto potenciálně komplexní vlastní modely byly přístupné. Připojováním vstupů a výstupů modelů k obchodním konceptům definovaným v našem znalostním grafu (MSOs a vlastnostem) umožňujeme ne-technickým obchodním uživatelům využívat pokročilé prediktivní, klasifikační nebo kauzální modely (například prostřednictvím Quick Insights) bez potřeby porozumění podkladovým datovým věděm – oni interagují s známými obchodními termíny, a platforma zajišťuje technické překladu. To skutečně demokratizuje přístup k sofistikovaným AI/ML schopnostem.

Pohledem do budoucnosti, jaké trendy vidíte, které budou formovat další vlnu podnikového AI – zejména na trzích agentů a bezkódovém designu agentů?

Další vlna podnikového AI se pohybuje směrem k vysoce dynamickým, komponovatelným a spolupracujícím ekosystémům. Několik konvergujících trendů pohání toto:

• Trhy agentů a registry: Budeme svědky významného vzestupu trhů agentů fungujících vedle interních agent registries. To usnadňuje posun od monolitických staveb k “rent a compose” modelu, kde organizace mohou dynamicky objevovat a integrovat specializované agenty – interní nebo externí – s konkrétními schopnostmi podle potřeby, dramaticky urychluje nasazení řešení.
• Standardizovaná agent komunikace: Pro tyto ekosystémy, aby fungovaly, agenty potřebují společný jazyk. Standardizované agent-to-agent komunikační protokoly, jako je Model Context Protocol (MCP), které využíváme, a iniciativy, jako je Google Agent2Agent protokol, 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 době běhu na základě konkrétního problému kontextu, vedoucí k mnohem adaptabilnějším a odolnějším systémům.
• Bezkódový/low-kódový design agentů: Demokratizace se rozšíří na tvorbu agentů. Bezkódové a low-kódové platformy budou moci umožnit obchodním expertům, nejen AI specialistům, navrhnout a postavit agenty, které ztělesňují specifické doménové znalosti a obchodní logiku, dále obohacující dostupné specializované schopnosti.

Role App Orchid spočívá v poskytování kritické sémantické základny pro tuto budoucnost. Pro agenty v těchto dynamických ekosystémech, aby spolupracovali efektivně a prováděli smysluplné úkoly, potřebují pochopit podniková data. Naše znalostní graf a sémantická vrstva poskytují přesně tento kontextuální porozumění, umožňující agentům rozumět datům smysluplně a jednat na nich.

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

Demokratizace rozhodnutí inteligence prostřednictvím agentic AI fundamentálně zvyšuje roli CTO. Přesouvá 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 návrh, kuraci a governance dynamických ekosystémů interagujících agentů, zdrojů dat a analytických schopností. To zahrnuje efektivní využití trhů agentů a registries.
• Strategie dat jako jádro podnikové strategie: Zajištění, aby data nebyla jen dostupná, ale i sémanticky bohatá, spolehlivá a přístupná, se stává-paramount. CTO bude centrální v budování znalostního grafu základny, která pohání inteligentní systémy napříč podnikem.
• Evolution governance paradigmat: Nové modely governance budou potřebné pro agentic AI – řešící důvěru agentů, bezpečnost, etické AI použití, auditovatelnost automatizovaných rozhodnutí a řízení emergentních chování v rámci agent spolupráce.
• Šampión adaptability: CTO bude zásadní při vkládání adaptability do technické a provozní tkaniny organizace, vytvářející prostředí, kde AI poháněné přehledy vedou k rychlým reakcím a kontinuálnímu učení.
• Pěstování lidsko-AI spolupráce: Klíčovým aspektem bude kultivace kultury a návrh systémů, kde lidé a AI agenti spolupracují synergicky, zvyšují tak vzájemné síly.

Nakonec se CTO stává méně manažerem IT nákladů a více maximizátorem “inteligence 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 chtějí se dozvědět více, by měli navštívit App Orchid.