Jito Chadha, grundlægger og administrerende direktør for Nventr – Intervieuserie

Jito Chadha, grundlægger og administrerende direktør for Nventr, er en erfaren teknologiuddøver og investor, hvis karriere spænder over kunstig intelligens, datavidenskab, venturekapital og forretningsudvikling. Siden grundlæggelsen af Nventr i 2019 har han ledet udviklingen af virksomhedens AI-teknologier, samt fungeret som administrerende direktør for den prædiktive analytics-virksomhed Rule14. Chadha har været en del af HandsOn Global Management siden 2007 og blev partner i 2013, hvor han bidrog til sourcing, strukturering og værdiskabelse af adskillige transaktioner, samt ledede investeringer på tværs af venturekapital, datavidenskab og naturressourcer.

Nventr er et Los Angeles-baseret virksomheds-AI-selskab, der udvikler teknologi til opbygning, implementering og administration af intelligente applikationer og automatiserede arbejdsgange. Deres platform samler AI-agenter, maskinlæringsmodeller, neurale netværk, dataadministration, intelligent dokumentbehandling, visualisering og udviklingsværktøjer. Produkterne omfatter Agent IO, et operativsystem til orkestrering af autonome agenter på tværs af forretningsfunktioner, og nQube, en arbejdsgangsbygger, der understøtter no-code, low-code og full-code-udvikling, samt implementering på tværs af cloud, on-premises og edge-miljøer.

Før du blev leder af Nventr og Rule14, tilbragte du år med at finde investeringer, skabe værdi på tværs af porteføljeforretninger og arbejde med datavidenskabsinitiativer inden for komplekse organisationer. Hvordan formede den erfaring din beslutning om at opbygge en virksomheds-AI-platform fokuseret på arbejdsgange snarere end selvstændige værktøjer?

Arbejdet på tværs af porteføljeforretninger afslørede det samme mønster i forskellige forretninger. Hver organisation havde information, der flyttede gennem adskillige personer, systemer og godkendelser, før en proces kunne afsluttes.

Den erfaring formede Nventr omkring arbejdsgange snarere end selvstændige værktøjer. Forbedring af en enkelt opgave har begrænset værdi, hvis resultaterne ikke kan flytte effektivt gennem resten af organisationen. Vi fokuserede på at strukturere hele processen og køre den i stor målestok.

Nventr kombinerer agenter, maskinlæringsmodeller og neurale netværk inden for scalable virksomhedsarbejdsgange. Hvordan observerede du begrænsninger i konventionelle automatiseringsplatforme, der førte til udviklingen af denne bredere arkitektur? 

I adskillige år har virksomheder opereret gennem samlinger af cloud- og lokalhostede SaaS-applikationer, der kunne være klodsede, stive og dyre. Arbejdsgangssystemet, modeller, agenter og virksomhedsdata blev normalt behandlet som separate lag, hvilket gjorde bredere automatisering mere vanskeligt.

Vi udviklede en arkitektur, hvor disse komponenter kan fungere sammen og skaleres uafhængigt, efterhånden som behovene ændrer sig. Processen behøver ikke at blive tvunget ind i en fast applikation eller et bestemt beregningsmiljø.

Mange organisationer starter deres AI-strategier med at vælge en model eller lancere en chatbot. I din erfaring, hvad grundlæggende arbejde med data, tilladelser, processer og systemintegration skal ske, før en AI-udrulning kan levere meningsfulde resultater? 

En virksomhed skal først definere processen, identificere, hvilken information agenten har brug for, og bestemme, hvor den information findes. Det kan involvere databaser, fildepoter, PDF’er, artikler, e-mailsystemer eller andre virksomhedsdatakilder, der skal gøres tilgængelige for agenten i en brugbar form.

Virksomheden skal derefter definere, hvad der sker efter, at agenten modtager denne information. En samtale kan producere en respons, en sammenfatning, en opfølgning eller en anden agenter-arbejdsgang. Godkendte værktøjer, data-tilladelser og brugertilladelser skal etableres efter rolle, så hver handling finder sted inden for en defineret proces.

nQube er designet til at hjælpe både datavidenskabsfolk og forretningsanalytikere med at opbygge, teste, implementere og overvåge AI-drevne arbejdsgange. Hvordan gør du disse muligheder tilgængelige for ikke-specialister, samtidig med at du fastholder de tekniske kontroller, der kræves til produktionsmiljøer?

Mennesker tænker om AI og softwareprodukter gennem omfanget af deres egen rolle og, hvordan produktet kan gøre deres arbejde lettere eller mere produktivt. Interfacerne skal låse dem til at beskrive, hvad de har brug for, stille spørgsmål og justere en agent eller arbejdsgang gennem normal sprog og tale.

Arbejdsgangene, beregningsprocesser og skaleringsmuligheder forbliver under denne interaktion. Organisationen fastholder stadig kontrollen over værktøjer, datakilder og adgang, der er tildelt hver rolle, så en forretningsanalytiker kan bruge systemet uden at skulle administrere infrastrukturen direkte.

Nventrs agent-operativsystem bruger en koordinerende agent til at dirigere specialiserede agenter gennem sekventielle og iterative arbejdsgange. Hvordan bestemmer platformen, hvilken agent der skal håndtere hver opgave, bevare kontekst mellem agenter og håndtere et utilpasholdeligt resultat? 

Arbejdsgangen bestemmer, hvordan en anmodning flytter gennem definerede trin, grene og specialiserede agenter. Information fra en fase kan sammenfattes og videregives til den næste agent, så den forstår, hvad der skete, hvad der blev anmodet og hvilken opfølgning, der skal ske.

Håndtering af et utilpasholdeligt resultat afhænger af processen og konsekvenserne af handlingen. Arbejdsgangs-kontrollerne skal afspejle, hvor systemet kan fortsætte, og hvor resultatet kræver gennemgang.

Virksomheder ønsker stadig mere fleksibilitet til at bruge forskellige store sprogmodeller, specialiserede maskinlærings-systemer og tredjeparts-agenter. Hvordan skal organisationer designe deres AI-infrastruktur for at undgå at blive afhængige af en enkelt modelleverandør eller teknologi-stak? 

Infrastrukturen skal understøtte en mangfoldighed af modeller og tillade, at de kan fungere parallelt inden for samme arbejdsgang. En leverandør kan håndtere tale-til-tale-komponenten, mens en anden model udfører resonnering eller behandling bagved.

Værktøjskassen skal vælges efter kundens omkostninger, præstation, sikkerhed, latency og åbenhed over for tredjeparts-serviceudbydere. Nogle virksomheder er komfortable med at kombinere leverandører, mens andre ønsker agenten på deres egen cloud eller dedikeret infrastruktur. Arkitekturen skal understøtte begge tilgange.

Når en AI-agent kan få adgang til virksomhedsdata og udføre handlinger på tværs af forretnings-systemer, bliver sikkerheden mere kompleks end at beskytte en konversationsgrænseflade. Hvordan skal kontrollerne styre en agents tilladelser, selvstændighed og evne til at initiere konsekvensfulde handlinger?

Adgang skal kontrolleres efter rolle, projekt og arbejdsgang. En agent skal kun kunne bruge den information, værktøjer og handlinger, der er godkendt til den pågældende kontekst, med anmodninger uden for denne kontekst sendt til godkendelse.

Mængden af selvstændighed skal afspejle følsomheden af data og konsekvenserne af handlingen. For transaktioner, der involverer penge, private oplysninger eller andre væsentlige resultater, skal virksomheden kunne se, hvad agenten gør, og kræve godkendelse, før afslutning.

Nventr præsenterer anvendelser på tværs af områder, herunder dokumentbehandling, kundeservice, rapportering, sundheds-kommunikation og svig-agtigelse. Hvordan tekniske eller operationelle egenskaber gør en arbejdsgang egnet til agenter-automatisering, og hvilke processer skal forblive primært menneske-ledede? 

Vi balancerer antallet af personer eller omkostninger forbundet med en proces mod dens kompleksitet og levedygtighed for automatisering. En proces kan være dyrt eller arbejdskrævende og stadig være det forkerte sted at starte, hvis den er for kompleks eller utilstrækkelig til at automatisere effektivt.

Den generelle tilgang er at gå efter de lavest-hængende frugter med den største indvirkning. Den formel er fraktal, da den kan anvendes på en persons rolle, adskillige afdelinger eller en hel organisation. Processer, der involverer usikkerhed eller konsekvensfuld dom, skal fortsat inkludere mennesker.

DU har diskuteret ideen om, at medarbejdere til sidst får AI-modpart, der håndterer gentagne elementer i deres arbejde. Hvordan kan dette ændre organisations-strukturer, og hvad skal ledere gøre for at sikre, at disse systemer styrker menneskelig dom snarere end gradvist fjerner den fra vigtige beslutninger? 

Ideen er at give hver person på lønningslisten en agent-modpart, der kan lære dele af jobbet over tid. På tværs af en større procentdel af organisationen skaber dette centraliseret intelligens og optimering over organisations-skemaet snarere end at begrænse fordelene til en eller to medarbejdere.

Agenten kan overtage gentagne arbejde, såsom indsamling af information, flytning af data eller opbygning af rutinemæssige præsentationer. Dette giver mennesker mere tid til vigtige diskussioner og beslutninger, mens organisationen fastholder autoritet over følsomme oplysninger og konsekvensfulde handlinger.

Når AI-agenter udvikler sig fra assistenter til en operativ lag for komplekse organisationer, hvilke funktioner skal forbedres mest, før virksomheder kan sikkerheds-mæssigt automatisere arbejdsgange, der spænder over hele afdelinger eller forretningsenheder? 

Agenterne har brug for lavere latency og stærkere integrationer med virksomhedsdatabaser, filer og større systemer. Information skal flytte på tværs af roller og afdelinger uden, at mennesker skal overføre det manuelt eller skabe nye flaskehalse.

Interaktionslaget skal også forbedres. Tale-agenter skal føles som en normal samtale, hvor en person kan afbryde og ændre retning, og virksomheder skal til sidst have direkte måder for autoriserede agenter til at interagere med deres systemer på. Browser-automatisering kan brohulere mellemrummet, men branchen vil bevæge sig mod en mere effektiv struktur, da beregning og infrastruktur har en omkostning.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Nventr.