Ravi Bommakanti, CTO af App Orchid – Interviewserie

Ravi Bommakanti, Chief Technology Officer hos App Orchid, leder virksomhedens mission om at hjælpe virksomheder med at operationalisere AI på tværs af applikationer og beslutningsprocesser. App Orchids flagskibprodukt, Easy Answers™, giver brugerne mulighed for at interagere med data ved hjælp af naturligt sprog for at generere AI-drevne dashboards, indsigt og anbefalede handlinger.

Platformen integrerer struktureret og ustruktureret data, herunder realtidsindtastninger og medarbejderkendskab, i en prædictiv datafabrik, der understøtter strategiske og operationelle beslutninger. Med in-memory Big Data-teknologi og en brugervenlig interface strømliner App Orchid AI-adoptionsprocessen gennem hurtig udvikling, lavomkostningsimplementering og minimal forstyrrelse af eksisterende systemer.

Lad os starte med det store billede – hvad betyder “agentic AI” for dig, og hvordan adskiller det sig fra traditionelle AI-systemer?

Agentic AI repræsenterer en grundlæggende skift fra den statiske udførelse, der er typisk for traditionelle AI-systemer, til dynamisk orkestrering. For mig handler det om at gå fra stive, forprogrammerede systemer til autonome, tilpasningsdygtige problemløsere, der kan resonere, planlægge og samarbejde.

Hvad virkelig adskiller agentic AI fra traditionel AI, er dets evne til at udnytte den distribuerede natur af viden og ekspertise. Traditionel AI opererer ofte inden for faste grænser, følger forudbestemte stier. Agentic systemer kan dog dekomponere komplekse opgaver, identificere de rette specialiserede agenter til underopgaver – potentielt opdage og udnytte dem gennem agentregistre – og orkestrere deres interaktion for at syntetisere en løsning. Dette koncept med agentregistre giver virksomheder mulighed for effektivt at “leje” specialiserede evner, når det er nødvendigt, på samme måde som menneskelige ekspertteams samles, snarere end at være tvunget til at bygge eller eje hver enkelt AI-funktion internt.

Så, i stedet for monolitiske systemer, ligger fremtiden i at skabe økosystemer, hvor specialiserede agenter kan samles og koordineres dynamisk – ligesom en erfaren projektleder, der leder et team – for at tackle komplekse og udviklende forretningsudfordringer effektivt.

Hvordan accelererer Google (GOOGL ) Agentspace adoptionen af agentic AI på tværs af virksomheder, og hvad er App Orchids rolle i dette økosystem?

Google Agentspace er en betydelig accelerator for virksomheds AI-adoptionsprocessen. Ved at give en samlet grund til at deployere og administrere intelligente agenter, der er forbundet med forskellige arbejdsapplikationer, og udnytte Googles kraftfulde søge- og modeller som Gemini, giver Agentspace virksomheder mulighed for at omdanne siloede oplysninger til handlebare oplysninger gennem en fælles interface.

App Orchid fungerer som en vital semantisk aktiveringslag i dette økosystem. Mens Agentspace giver agentinfrastrukturen og orkestreringsrammen, tackler vores Easy Answers-platform den kritiske virksomhedsudfordring med at gøre kompleks data forståeligt og tilgængeligt for agenter. Vi bruger en ontologi-drevet tilgang til at bygge rige viden grafer fra virksomhedsdata, fuldt ud med forretningskontekst og relationer – præcis den forståelse, agenterne har brug for.

Dette skaber en kraftfuld synergisme: Agentspace giver den robuste agentinfrastruktur og orkestreringsfunktioner, mens App Orchid giver den dybe semantiske forståelse af kompleks virksomhedsdata, som disse agenter kræver for at fungere effektivt og levere meningsfulde forretningsindsigter. Vores samarbejde med Google Cloud Cortex Framework er et fremragende eksempel, der hjælper kunderne med at reducere datatilberedningstiden (op til 85%) samtidig med, at vores platforms industriledende 99,8% tekst-til-SQL-nøjagtighed for naturligt sprog forespørgsler. Sammen giver vi virksomheder mulighed for at deployere agentic AI-løsninger, der virkelig forstår deres forretningsprog og dataintrikater, hvilket accelererer tid-til-værdi.

Hvad er de reelle barrierer, virksomheder står over for, når de adopterer agentic AI, og hvordan hjælper App Orchid dem med at overvinde disse?

De primære barrierer, vi ser, drejer sig om datakvalitet, udfordringen med at udvikle sikkerhedsstandarder – især med at sikre agent-til-agent-tillid – og med at administrere den distribuerede natur af virksomhedens viden og agentkapaciteter.

Datakvalitet er stadig det grundlæggende problem. Agentic AI, ligesom enhver AI, giver upålidelige output, hvis den fødes med dårlig data. App Orchid tackler dette grundlæggende ved at skabe en semantisk lag, der kontekstualiserer forskellige datakilder. Bygget på dette, giver vores unikke crowdsourcing-funktioner inden for Easy Answers forretningsbrugere på tværs af organisationen – dem, der bedst forstår datameningen – mulighed for at samarbejde om at identificere og løse data huller og inkonsistenser, hvilket betydeligt forbedrer pålideligheden.

Sikkerhed præsenterer en anden kritisk forhindring, især når agent-til-agent-kommunikation bliver almindelig, potentielt spændende over interne og eksterne systemer. At etablere robuste mekanismer for agent-til-agent-tillid og opretholde governance uden at undertrykke nødvendig interaktion er nøgle. Vores platform fokuserer på at implementere sikkerhedsrammer, der er designet til disse dynamiske interaktioner.

Til sidst kræver udnyttelse af distribueret viden og kapaciteter effektivt avanceret orkestrering. App Orchid udnytter koncepter som Model Context Protocol (MCP), der er stadig mere afgørende. Dette giver mulighed for dynamisk sourcing af specialiserede agenter fra repositoryer baseret på kontekstuelle behov, hvilket faciliterer flydende, tilpasningsdygtige arbejdsgange snarere end stive, foruddefinerede processer. Denne tilgang er i overensstemmelse med fremvoksende standarder, såsom Googles Agent2Agent-protokol, der er designet til at standardisere kommunikation i multi-agent-systemer. Vi hjælper virksomheder med at bygge tillidsfulde og effektive agentic AI-løsninger ved at tackle disse barrierer.

Kan du føre os igennem, hvordan Easy Answers™ fungerer – fra naturligt sprogforespørgsel til indsigtsgenerering?

Easy Answers transformerer, hvordan brugere interagerer med virksomhedsdata, og gør avanceret analyse tilgængelig gennem naturligt sprog. Her er, hvordan det fungerer:

• Forbindelse: Vi starter med at forbinde os til virksomhedens datakilder – vi understøtter over 200 almindelige databaser og systemer. Det er afgørende, at dette ofte sker uden at kræve dataforskydning eller replikering, og forbinder os sikkert til data, hvor det befinder sig.
• Ontologiopbygning: Vores platform analyserer automatisk de forbundne data og bygger en omfattende viden graf. Dette strukturerer data i forretningscentrerede enheder, som vi kalder Managed Semantic Objects (MSOs), og fanger relationerne mellem dem.
• Metadataberigelse: Denne ontologi beriges med metadata. Brugere giver højt niveau beskrivelser, og vores AI genererer detaljerede beskrivelser for hver MSO og dens attributter (felter). Denne kombinerede metadata giver dyb kontekst om datameningen og struktur.
• Naturligt sprogforespørgsel: En bruger stiller et spørgsmål på almindeligt forretningsprog, som “Vis mig salgstendenser for produkt X i den vestlige region sammenlignet med sidste kvartal.”
• Fortolkning & SQL-generering: Vores NLP-motor bruger den rige metadata i viden grafen til at forstå brugerens hensigt, identificere de relevante MSOs og relationer, og oversætte spørgsmålet til præcise dataforespørgsler (som SQL). Vi opnår en industriel førende 99,8% tekst-til-SQL-nøjagtighed her.
• Indsigtsgenerering (Kureringer): Systemet henter data og bestemmer den mest effektive måde at præsentere svaret visuelt. I vores platform kaldes disse interaktive visualiseringer for “kureringer”. Brugere kan automatisk generere eller forudkonfigurere dem for at være i overensstemmelse med specifikke behov eller standarder.
• Dybere analyse (Hurtig indsigt): Til mere komplekse spørgsmål eller proaktiv opdagelse kan brugere udnytte Hurtig indsigt. Denne funktion giver dem mulighed for at lette anvende ML-algoritmer, der følger med platformen, til bestemte datafelter for automatisk at opdage mønstre, identificere anomalier eller validere hypoteser uden at kræve datavidenskabskompetence.

Denne hele proces, der ofte er fuldført på få sekunder, demokratiserer dataadgang og -analyse og omdanner kompleks dataeksploration til en simpel samtale.

Hvordan brohuler Easy Answers siloede data i store virksomheder og sikrer, at indsigt er forklarlig og sporbar?

Data-siloer er en stor hindring i store virksomheder. Easy Answers tackler denne grundlæggende udfordring gennem vores unikke semantiske lag-tilgang.

I stedet for kostbar og kompleks fysisk datakonsolidering skaber vi en virtuel semantisk lag. Vores platform bygger en samlet logisk visning ved at forbinde os til forskellige datakilder, hvor de befinder sig. Denne lag er drevet af vores viden graf-teknologi, der kortlægger data til Managed Semantic Objects (MSOs), definerer deres relationer og beriger dem med kontekstuelle metadata. Dette skaber et fælles forretningsprog, der er forståeligt for både mennesker og AI, og brohuler tekniske datastrukturer (tabeller, kolonner) med forretningsmæssig betydning (kunder, produkter, salg), uanset hvor data fysisk befinder sig.

At sikre, at indsigt er troværdig, kræver både sporbarhed og forklarbarhed:

• Sporbarhed: Vi giver omfattende data-linje-sporing. Brugere kan bore ned fra enhver kurering eller indsigt tilbage til kilde-data, se alle anvendte transformationer, filtre og beregninger. Dette giver fuld gennemsigtighed og revision, afgørende for validering og overholdelse.
• Forklarbarhed: Indsigt ledsages af naturligt sprogforklaringer. Disse resumerer formulerer, hvad data viser, og hvorfor det er betydningsfuldt i forretningsmæssig sammenhæng, og oversætter komplekse fund til handlebar forståelse for et bredt publikum.

Dette kombinerer siloer ved at skabe en samlet semantisk visning og bygger tillid gennem klar sporbarhed og forklarbarhed.

Hvordan sikrer dit system gennemsigtighed i indsigt, især i regulerede brancher, hvor data-linje er kritisk?

Gennemsigtighed er absolut ikke-forhandelbar for AI-drevne indsigt, især i regulerede brancher, hvor revision og forsvarlighed er afgørende. Vores tilgang sikrer gennemsigtighed på tre nøgleområder:

• Data-linje: Dette er grundlæggende. Som nævnt giver Easy Answers omfattende data-linje-sporing. Enhver indsigt, visualisering eller tal kan spores tilbage gennem hele dens livscyklus – fra de oprindelige datakilder, gennem eventuelle sammenføjninger, transformationer, aggregationer eller filtre, der er anvendt – og giver den verificerbare data-proveniens, der kræves af regulatorer.
• Metode-gennemsigtighed: Vi undgår “black box”-problemet. Når analytiske eller ML-modeller anvendes (f.eks. via Hurtig indsigt), dokumenterer platformen tydeligt metoden, der anvendes, parametrene, der anvendes, og relevante evalueringsskalaer. Dette sikrer, at “hvordan” bag indsigt er lige så gennemsigtigt som “hvad”.
• Naturligt sprogforklaring: At oversætte tekniske output til forståeligt forretningskontekst er afgørende for gennemsigtighed. Enhver indsigt ledsages af almindeligt sprogforklaringer, der beskriver fundene, deres betydning og potentiel begrænsninger, og sikrer klarhed for alle interessenter, herunder overholdelses- og revisionsmyndigheder.

Derudover inkorporerer vi yderligere governance-funktioner til brancher med specifikke overholdelsesbehov, såsom rollebaseret adgangskontrol, godkendelsesarbejdsgange for bestemte handlinger eller rapporter og omfattende revisionslogger, der sporer brugeraktivitet og systemoperationer. Denne flerlagede tilgang sikrer, at indsigt er nøjagtig, fuldt gennemsigtig, forklarlig og forsvarlig.

Hvordan omdanner App Orchid AI-genererede indsigt til handling med funktioner som Generative Handlinger?

At generere indsigt er værdifuldt, men det reelle mål er at drive forretningsresultater. Med den rette data og kontekst kan et agentic økosystem drive handlinger for at brohule den kritiske kløft mellem indsigtsoptagelse og konkrete handling, og flytte analytics fra en passiv rapporteringsfunktion til en aktiv driver for forbedring.

Her er, hvordan det fungerer: Når Easy Answers-platformen identificerer et betydeligt mønster, tendens, anomalie eller mulighed gennem sin analyse, anvender den AI til at foreslå specifikke, kontekstuelle relevante handlinger, der kan tages i respons.

Disse er ikke vagt formulerede forslag; de er konkrete anbefalinger. For eksempel, i stedet for kun at markere kunder med høj risiko for at forlade, kan det anbefale specifikke tilbud til retention, tilpasset forskellige segmenter, potentielt beregne den forventede effekt eller ROI, og endda udarbejde kommunikations-skabeloner. Når disse anbefalinger genereres, tager systemet forretningsregler, begrænsninger, historisk data og mål i betragtning.

Afgørende er, at dette opretholder menneskelig oversigt. Anbefalede handlinger præsenteres til de relevante brugere til gennemsyn, ændring, godkendelse eller afvisning. Dette sikrer, at forretningsdommen forbliver central i beslutningsprocessen, mens AI håndterer den tungt arbejde med at identificere muligheder og formulerer potentielle svar.

Når en handling er godkendt, kan vi udløse en agentic arbejdsgang for ubrudt udførelse gennem integrationer med operationelle systemer. Dette kan indebære udløsning af en arbejdsgang i et CRM, opdatering af en prognose i et ERP-system, lancering af en målrettet markedsføringsopgave eller initiering af en anden relevant forretningsproces – og lukker dermed cirklen fra indsigt direkte til resultat.

Hvordan er viden grafer og semantiske data-modeller centrale for jeres platforms succes?

Visen grafer og semantiske data-modeller er det absolutte centrum af Easy Answers-platformen; de løfter den ud over traditionelle BI-værktøjer, der ofte behandler data som afkoblede tabeller og kolonner uden reel forretningskontekst. Vores platform anvender dem til at bygge en intelligent semantisk lag over virksomhedsdata.

Denne semantiske grundlag er central for vores succes af flere grundlæggende årsager:

• Muliggør sandt naturligt sprog-interaktion: Den semantiske model, struktureret som en viden graf med Managed Semantic Objects (MSOs), egenskaber og definerede relationer, fungerer som en “Rosetta Stone”. Den oversætter nuancerne i menneskesprog og forretningsterminologi til præcise forespørgsler, der er nødvendige for at hente data, og giver brugerne mulighed for at stille spørgsmål på naturlig vis uden at skulle kende underliggende skemaer. Dette er nøgle til vores høje tekst-til-SQL-nøjagtighed.
• Bevarer kritisk forretningskontekst: I modsætning til simple relationelle sammenføjninger fanger vores viden graf eksplicit den rige, komplekse netværk af relationer mellem forretningsenheder (f.eks. hvordan kunder interagerer med produkter gennem supportsøgninger og købsordrer). Dette giver mulighed for dybere, mere kontekstuel analyse, der afspejler, hvordan forretningsvirksomheden opererer.
• Giver tilpasningsdygtighed og skalerbarhed: Semantiske modeller er mere fleksible end stive skemaer. Når forretningsbehov udvikler sig eller nye datakilder føjes til, kan viden grafen udvides og modificeres inkrementelt uden at kræve en komplet ombygning, og opretholder konsistens, mens den tilpasser sig til ændringer.

Denne dybe forståelse af datakontekst, som vores semantiske lag giver, er fundamental for alt, hvad Easy Answers gør, fra grundlæggende Q&A til avanceret mønsterdetektion med Hurtig indsigt, og danner den afgørende grundlag for vores fremtidige agentic AI-kapaciteter, og sikrer, at agenter kan resonere over data på en meningsfuld måde.

Hvilke grundlæggende modeller understøtter I, og hvordan giver I virksomheder mulighed for at bringe deres egne AI/ML-modeller ind i arbejdsgangen?

Vi tror på en åben og fleksibel tilgang, der erkender den hurtige udvikling af AI og respekterer virksomheders eksisterende investeringer.

For grundlæggende modeller opretholder vi integrationer med førende muligheder fra flere leverandører, herunder Googles Gemini-familie, OpenAIs GPT-modeller og fremtrædende open-source-alternativer som Llama. Dette giver virksomheder mulighed for at vælge modeller, der bedst passer deres ydelse, omkostninger, governance eller specifikke kapacitetsbehov. Disse modeller driver forskellige platformfunktioner, herunder naturligt sprogforståelse for forespørgsler, SQL-generering, indsigtssammenfatning og metadata-generering.

Ud over disse giver vi robuste muligheder for, at virksomheder kan bringe deres egne brugerdefinerede AI/ML-modeller ind i Easy Answers-arbejdsgangen:

• Modeller udviklet i Python kan ofte integreres direkte via vores AI-motor.
• Vi tilbyder ubesværet integrationsmuligheder med store cloud-ML-platforme som Google Vertex AI og Amazon (AMZN ) SageMaker, hvilket giver mulighed for at anvende modeller, der er trænet og hostet der, og kan invokeres.

Afgørende er, at vores semantiske lag spiller en nøglerolle i at gøre disse potentielt komplekse brugerdefinerede modeller tilgængelige. Ved at kobling modelindgang og -udgang til de forretningsbegreber, der er defineret i vores viden graf (MSOs og egenskaber), giver vi ikke-tekniske forretningsbrugere mulighed for at anvende avancerede prædiktive, klassificerings- eller årsagsmodeller (f.eks. via Hurtig indsigt) uden at skulle forstå den underliggende datavidenskab – de interagerer med velkendte forretningsbegreber, og platformen håndterer den tekniske oversættelse. Dette demokratiserer virkelig adgangen til avancerede AI/ML-kapaciteter.

Settende fremad, hvilke trends ser I, der vil forme den næste bølge af virksomheds AI – især i agent-markedspladser og ikke-kode-agent-design?

Den næste bølge af virksomheds AI bevæger sig mod højtdynamiske, sammensatte og samarbejdende økosystemer. Flere konvergerende trends driver dette:

• Agent-markedspladser og -registre: Vi vil se en betydelig stigning i agent-markedspladser, der fungerer sammen med interne agent-registre. Dette faciliterer en skift fra monolitiske bygninger til en “leje og sammensæt”-model, hvor virksomheder kan dynamisk opdage og integrere specialiserede agenter – internt eller eksternt – med specifikke kapaciteter, når det er nødvendigt, og dramatisk accelererer løsningsudviklingen.
• Standardiseret agent-kommunikation: Til disse økosystemer for at fungere har agenter brug for fælles sprog. Standardiserede agent-til-agent-kommunikationsprotokoller, såsom MCP (Model Context Protocol), som vi udnytter, og initiativer som Googles Agent2Agent-protokol, bliver afgørende for at muliggøre ubesværet samarbejde, kontekst-delning og opgave-delegation mellem agenter, uanset hvem der byggede dem eller hvor de kører.
• Dynamisk orkestrering: Statiske, foruddefinerede arbejdsgange vil give plads til dynamisk orkestrering. Intelligente orkestreringslag vil vælge, konfigurere og koordinere agenter på kørselstidspunktet baseret på det specifikke problemkontekst, hvilket fører til langt mere tilpasningsdygtige og resiliente systemer.
• Ikke-kode/low-kode-agent-design: Demokratiseringen vil udvides til agent-opbygning. Ikke-kode- og low-kode-platforme vil give forretnings-eksperter, ikke kun AI-specialister, mulighed for at designe og bygge agenter, der inkapslerer specifik domæneviden og forretningslogik, og yderligere beriger puljen af tilgængelige specialiserede kapaciteter.

App Orchids rolle er at give den kritiske semantiske grundlag for denne fremtid. For agenter i disse dynamiske økosystemer til at samarbejde effektivt og udføre meningsfulde opgaver har de brug for at forstå virksomhedsdata. Vores viden graf og semantiske lag giver præcis den kontekstuelle forståelse, der giver agenter mulighed for at resonere og handle over data på en meningsfuld måde.

Hvordan forestiller du dig, at rollen som CTO udvikler sig i en fremtid, hvor beslutningsintelligens demokratiseres gennem agentic AI?

Demokratiseringen af beslutningsintelligens via agentic AI løfter fundamentalt rollen som CTO. Det skifter fra at være primært en forvalter af teknologi-infrastruktur til at blive en strategisk orkestrator af organisations-intelligens.

Nøgle-udviklinger inkluderer:

• Fra systemadministrator til økosystem-arkitekt: Fokus skifter fra at administrere afgrænsede applikationer til at designe, kuraterer og styre dynamiske økosystemer af interagerende agenter, datakilder og analytiske kapaciteter. Dette involverer at udnytte agent-markedspladser og -registre effektivt.
• Datastrategi som kerneforretningsstrategi: At sikre, at data ikke kun er tilgængeligt, men også semantisk rigt, pålideligt og tilgængeligt, bliver afgørende. CTO’en vil være central i opbygningen af den viden graf-grundlag, der driver intelligente systemer på tværs af virksomheden.
• Udvikling af nye styre-modeller: Nye styre-modeller vil være nødvendige for agentic AI – omfattende agent-tillid, sikkerhed, etisk AI-brug, revision af automatiserede beslutninger og administration af emergent adfærd i agent-samarbejde.
• Fremme af tilpasningsdygtighed: CTO’en vil være afgørende i at indbygge tilpasningsdygtighed i virksomhedens tekniske og operationelle stof, og skabe miljøer, hvor AI-drevne indsigt fører til hurtige svar og kontinuerligt læring.
• Fremme af menneske-AI-samarbejde: En nøgle-aspekt vil være at dyrke en kultur og designe systemer, hvor mennesker og AI-agenter arbejder synergistisk og supplerer hinandens styrker.

Ultimat vil CTO’en blive mindre fokuseret på at administrere IT-omkostninger og mere på at maksimere virksomhedens “intelligens-potentiale”. Det er en skiftning mod at være en sand strategisk partner, der giver hele virksomheden mulighed for at operere mere intelligent og tilpasningsdygtigt i en stadig mere kompleks verden.

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