Ράβι Μπόμμαντι, CTO της App Orchid – Σειρά Συνεντεύξεων

Ράβι Μπόμμαντι, Chief Technology Officer στην App Orchid, ηγείται της αποστολής της εταιρείας να βοηθήσει τις επιχειρήσεις να λειτουργούν τον AI σε εφαρμογές και процесσούς λήψης αποφάσεων. Το flagship προϊόν της App Orchid, Easy Answers™, επιτρέπει στους χρήστες να αλληλεπιδρούν με δεδομένα χρησιμοποιώντας φυσική γλώσσα για να δημιουργήσουν πίνακες ελέγχου, επισημάνσεις και συνιστώμενες ενέργειες που βασίζονται στον AI.

Η πλατφόρμα ενσωματώνει δομημένα και μη δομημένα δεδομένα, συμπεριλαμβανομένων πραγματικών εισροών και γνώσεων εργαζομένων, σε ένα προφητικό υφάδι δεδομένων που υποστηρίζει στρατηγικές και επιχειρησιακές αποφάσεις. Με την τεχνολογία Big Data στην μνήμη και ένα φιλικό προς τον χρήστη διασύνδεσμο, η App Orchid διευκολύνει την υιοθέτηση του AI μέσω γρήγορης ανάπτυξης, χαμηλού κόστους εφαρμογής και ελάχιστης διατάραξης των υφιστάμενων συστημάτων.

Ας ξεκινήσουμε με το μεγάλο πλάνο – τι σημαίνει για σας ο “agentic AI” και πώς διαφέρει από τα παραδοσιακά συστήματα AI;

Ο agentic AI αντιπροσωπεύει μια θεμελιώδη μετατόπιση από την στατική εκτέλεση που είναι τυπική για τα παραδοσιακά συστήματα AI προς τη δυναμική ορχήστρα. Για μένα, πρόκειται για την μετατόπιση από ρητές, προγραμματισμένες συστήματα σε αυτόνομους, προσαρμοστικούς λύτες προβλημάτων που μπορούν να συλλογιστούν, να σχεδιάσουν και να συνεργαστούν.

Αυτό που πραγματικά διακρίνει τον agentic AI είναι η ικανότητά του να εκμεταλλευτεί τη διανεμημένη φύση της γνώσης και της εξειδίκευσης. Τα παραδοσιακά συστήματα AI λειτουργούν συχνά μέσα σε καθορισμένα όρια, ακολουθώντας προκαθορισμένες διαδρομές. Τα συστήματα agentic, ωστόσο, μπορούν να αναλύσουν σύνθετα καθήκοντα, να αναγνωρίσουν τους σωστούς εξειδικευμένους πράκτορες για υπο-καθήκοντα – потенτικά ανακαλύπτοντας και εκμεταλλευόμενοι τους μέσω καταλόγων πρακτόρων – και να ορχηστρώσουν την αλληλεπίδραση τους για να συνθέσουν μια λύση. Αυτό το概念 των καταλόγων πρακτόρων επιτρέπει στις οργανώσεις να “νοικιάζουν” εξειδικευμένες ικανότητες ανάλογα με τις ανάγκες, αντανακλώντας τον τρόπο με τον οποίο οι ομάδες ανθρώπινων εμπειρογνωμόνων συναθροίζονται, αντί να αναγκάζονται να κατασκευάσουν ή να κατέχουν κάθε λειτουργία AI εσωτερικά.

Έτσι, αντί για μονολιθικά συστήματα, το μέλλον βρίσκεται στη δημιουργία οικοσυστημάτων όπου εξειδικευμένοι πράκτορες μπορούν να συνθέτονται δυναμικά και να συντονιστούν – πολύ σαν ένας ικανός διευθυντής έργου που ηγείται μιας ομάδας – για να αντιμετωπίσουν σύνθετες και εξελισσόμενες επιχειρησιακές προκλήσεις αποτελεσματικά.

Πώς η Google (GOOGL ) Agentspace επιταχύνει την υιοθέτηση του agentic AI σε επιχειρήσεις και ποια είναι ο ρόλος της App Orchid σε αυτό το οικοσύστημα;

Η Google Agentspace είναι ένας σημαντικός επιταχυντής για την υιοθέτηση του AI στις επιχειρήσεις. Παρέχοντας μια ενιαία βάση για την ανάπτυξη και τη διαχείριση έξυπνων πρακτόρων που συνδέονται με διάφορες εργασιακές εφαρμογές και εκμεταλλευόμενοι την ισχυρή αναζήτηση και τα μοντέλα της Google όπως το Gemini, η Agentspace επιτρέπει στις εταιρείες να μετατρέψουν απομονωμένες πληροφορίες σε ενεργό νοημοσύνη μέσω ενός κοινού διασύνδεσμου.

Η App Orchid λειτουργεί ως ζωτικός συντακτικός ενεργοποιητής στο εσωτερικό αυτού του οικοσυστήματος. Ενώ η Agentspace παρέχει την υποδομή πρακτόρων και το πλαίσιο ορχήστρας, η πλατφόρμα Easy Answers μας αντιμετωπίζει την κρίσιμη επιχειρησιακή πρόκληση της καθοδήγησης σύνθετων δεδομένων για τους πράκτορες. Χρησιμοποιούμε μια προσέγγιση που βασίζεται σε οντολογία για να κατασκευάσουμε πλούσιους γράφους γνώσεων από επιχειρησιακά δεδομένα, πλήρεις με επιχειρησιακό контέκστ και σχέσεις – ακριβώς η κατανόηση που χρειάζονται οι πράκτορες.

Αυτό δημιουργεί μια ισχυρή συμμαχία: Η Agentspace παρέχει την ισχυρή υποδομή πρακτόρων και τις ικανότητες ορχήστρας, ενώ η App Orchid παρέχει τη βαθιά συντακτική κατανόηση των σύνθετων επιχειρησιακών δεδομένων που απαιτούνται από αυτούς τους πράκτορες για να λειτουργήσουν αποτελεσματικά και να παράγουν σημαντικές επιχειρησιακές επισημάνσεις. Η συνεργασία μας με το πλαίσιο Google Cloud Cortex Framework είναι ένα εξαιρετικό παράδειγμα, βοηθώντας τους πελάτες να μειώσουν δραματικά τον χρόνο προετοιμασίας δεδομένων (έως και 85%) ενώ εκμεταλλευόμαστε την βιομηχανική ηγετική ακρίβεια 99,8% του text-to-SQL για φυσική γλώσσα ερωτήσεων. Μαζί, ενδυναμώνουμε τις οργανώσεις να αναπτύξουν λύσεις agentic AI που πραγματικά κατανοούν τη γλώσσα και τις λεπτομέρειες των δεδομένων τους, επιταχύνοντας τον χρόνο για απόδοση.

Ποια είναι τα πραγματικά εμπόδια που αντιμετωπίζουν οι εταιρείες κατά την υιοθέτηση του agentic AI και πώς η App Orchid τις βοηθά να τα υπερβούν;

Τα κύρια εμπόδια που βλέπουμε περιστρέφονται γύρω από την ποιότητα των δεδομένων, την πρόκληση της εξέλιξης των προτύπων ασφαλείας – ιδιαίτερα διασφαλίζοντας την εμπιστοσύνη μεταξύ πρακτόρων – και τη διαχείριση της διανεμημένης φύσης της επιχειρησιακής γνώσης και των ικανοτήτων των πρακτόρων.

Η ποιότητα των δεδομένων παραμένει το θεμελιώδες ζήτημα. Ο agentic AI, όπως και κάθε AI, παρέχει αξιόπιστα αποτελέσματα εάν ταΐζεται με κακά δεδομένα. Η App Orchid αντιμετωπίζει αυτό το ζήτημα με την κατασκευή ενός συντακτικού στρώματος που δίνει контέκστ στις διαφορετικές πηγές δεδομένων. Κτίζοντας πάνω σε αυτό, τα μοναδικά χαρακτηριστικά crowdsourcing εντός του Easy Answers εμπλέκουν τους επιχειρησιακούς χρήστες σε όλη την οργάνωση – αυτούς που κατανοούν καλύτερα τη σημασία των δεδομένων – για να αναγνωρίσουν και να αντιμετωπίσουν κενά και ασυνέπειες δεδομένων, βελτιώνοντας σημαντικά την αξιοπιστία.

Η ασφάλεια παρουσιάζει ένα άλλο κρίσιμο εμπόδιο, ιδιαίτερα καθώς η επικοινωνία μεταξύ πρακτόρων γίνεται κοινή, потенτικά διασχίζοντας εσωτερικά και εξωτερικά συστήματα. Η καθιέρωση ισχυρών μηχανισμών για την εμπιστοσύνη μεταξύ πρακτόρων και τη διατήρηση της κυβερνοσύνεσης χωρίς να στερήσει την απαραίτητη αλληλεπίδραση είναι κλειδί. Η πλατφόρμα μας επικεντρώνεται στην εφαρμογή πλαισίων ασφαλείας που σχεδιάζονται για αυτές τις δυναμικές αλληλεπιδράσεις.

Τέλος, η εκμετάλλευση της διανεμημένης γνώσης και των ικανοτήτων απαιτεί προηγμένη ορχήστρα. Η App Orchid εκμεταλλεύεται έννοιες όπως το Πρωτόκολλο Πλαισίου Μοντέλου (MCP), το οποίο γίνεται ολοένα και πιο κρίσιμο. Αυτό ermögίζει τη δυναμική πηγή εξειδικευμένων πρακτόρων από αποθήκες με βάση τις контεκστικές ανάγκες, διευκολύνοντας ρευστές και προσαρμοστικές ροές εργασίας αντί για ρητές, προκαθορισμένες διαδικασίες. Αυτή η προσέγγιση ευθυγραμμίζεται με τις αναδυόμενες προδιαγραφές, όπως το πρωτόκολλο Agent2Agent της Google, που σχεδιάζεται για να стандαρδοποιήσει την επικοινωνία σε συστήματα πολλαπλών πρακτόρων. Βοηθάμε τις οργανώσεις να κατασκευάσουν αξιόπιστες και αποτελεσματικές λύσεις agentic AI αντιμετωπίζοντας αυτά τα εμπόδια.

Μπορείτε να μας οδηγήσετε μέσα από το πώς λειτουργεί το Easy Answers – από φυσική γλώσσα ερώτησης σε γεννήτρια επισημάνσεων;

Το Easy Answers μεταμορφώνει τον τρόπο με τον οποίο οι χρήστες αλληλεπιδρούν με επιχειρησιακά δεδομένα, καθιστώντας τη σύνθετη ανάλυση προσβάσιμη μέσω φυσικής γλώσσας. Εδώ είναι πώς λειτουργεί:

• Σύνδεση: Ξεκινάμε συνδέοντας τις πηγές δεδομένων της επιχείρησης – υποστηρίζουμε πάνω από 200 κοινές βάσεις δεδομένων και συστήματα. Κρίσιμο, αυτό συχνά συμβαίνει χωρίς να απαιτείται μετακίνηση ή αναπαραγωγή δεδομένων, συνδέοντας ασφαλώς με τα δεδομένα όπου βρίσκονται.
• Δημιουργία Οντολογίας: Η πλατφόρμα μας αναλύει αυτόματα τα συνδεδεμένα δεδομένα και κατασκευάζει einen πλήρη γράφο γνώσεων. Αυτό δομεί τα δεδομένα σε επιχειρησιακές οντότητες που ονομάζουμε Διαχειριζόμενες Συντακτικές Αντικείμενα (MSOs), καταγράφοντας τις σχέσεις μεταξύ τους.
• Πλουσιοποίηση Μετα-δεδομένων: Αυτή η οντολογία εμπλουτίζεται με μετα-δεδομένα. Οι χρήστες παρέχουν υψηλού επιπέδου περιγραφές, και το AI μας γεννάει λεπτομερείς περιγραφές για κάθε MSO και τα χαρακτηριστικά τους (πεδία). Αυτό το συνδυασμένο μετα-δεδομένο παρέχει βαθύ контέκστ για τη σημασία και τη δομή των δεδομένων.
• Φυσική Γλώσσα Ερώτησης: Ο χρήστης ζητάει μια ερώτηση σε απλή επιχειρησιακή γλώσσα, όπως “Δείξτε μου τις τάσεις πωλήσεων για προϊόν X στην δυτική περιοχή σε σύγκριση με το προηγούμενο τρίμηνο.”
• Ερμηνεία και Γεννήτρια SQL: Ο μηχανισμός NLP μας χρησιμοποιεί το πλούσιο μετα-δεδομένο στον γράφο γνώσεων για να κατανοήσει την πρόθεση του χρήστη, να αναγνωρίσει τα σχετικά MSOs και σχέσεις, και να μεταφράσει την ερώτηση σε ακριβείς ερωτήματα δεδομένων (όπως SQL). Επιτυγχάνουμε μια ηγετική 99,8% ακρίβεια text-to-SQL εδώ.
• Γεννήτρια Επισημάνσεων (Curations): Το σύστημα ανακτά τα δεδομένα και καθορίζει τον πιο αποτελεσματικό τρόπο για να παρουσιάσει την απάντηση οπτικά. Στην πλατφόρμα μας, αυτές οι αλληλεπιδραστικές οπτικές ονομάζονται ‘curations’. Οι χρήστες μπορούν να τις γεννήσουν αυτόματα ή να τις προ-ρυθμίσουν για να ευθυγραμμιστούν με συγκεκριμένες ανάγκες ή πρότυπα.
• Βαθύτερη Ανάλυση (Quick Insights): Για πιο σύνθετες ερωτήσεις ή προαктивή ανακάλυψη, οι χρήστες μπορούν να εκμεταλλευτούν τα Quick Insights. Αυτή η λειτουργία τους επιτρέπει να εφαρμόσουν εύκολα αλγόριθμους ML που παρέχονται με την πλατφόρμα σε καθορισμένα πεδία δεδομένων για να ανακαλύψουν αυτόματα μοτίβα, να αναγνωρίσουν ανωμαλίες ή να επικυρώσουν υποθέσεις χωρίς να χρειάζεται εμπειρογνωσία δεδομένων.

Αυτή η ολόκληρη διαδικασία, συχνά ολοκληρωμένη σε δευτερόλεπτα, δημοκρατείζει την πρόσβαση και ανάλυση δεδομένων, μετατρέποντας τη σύνθετη εξερεύνηση δεδομένων σε μια απλή συνομιλία.

Πώς το Easy Answers γεφυρώνει τα απομονωμένα δεδομένα σε μεγάλες επιχειρήσεις και εξασφαλίζει ότι οι επισημάνσεις είναι εξηγήσιμες και αναλυτικές;

Τα απομονωμένα δεδομένα είναι ένα σημαντικό εμπόδιο στις μεγάλες επιχειρήσεις. Το Easy Answers αντιμετωπίζει αυτή τη θεμελιώδη πρόκληση μέσω της μοναδικής προσέγγισης του συντακτικού στρώματος.

Αντί της δαπανηρής και σύνθετης φυσικής συνένωσης δεδομένων, δημιουργούμε ένα εικονικό συντακτικό στρώμα. Η πλατφόρμα μας κατασκευάζει μια ενιαία λογική άποψη συνδέοντας με διάφορες πηγές δεδομένων όπου βρίσκονται. Αυτό το στρώμα είναι ενισχυμένο με την τεχνολογία γράφου γνώσεων, η οποία χαρτογραφεί τα δεδομένα σε Διαχειριζόμενες Συντακτικές Αντικείμενα (MSOs), ορίζει τις σχέσεις μεταξύ τους, και εμπλουτίζει με контεκστικά μετα-δεδομένα. Αυτό δημιουργεί μια κοινή επιχειρησιακή γλώσσα που κατανοείται και από ανθρώπους και από AI, γεφυρώνοντας αποτελεσματικά τις τεχνικές δομές δεδομένων (πίνακες, στήλες) με την επιχειρησιακή σημασία (πελάτες, προϊόντα, πωλήσεις), ανεξάρτητα από το πού φυσικά ζουν τα δεδομένα.

Εξασφαλίζοντας ότι οι επισημάνσεις είναι αξιόπιστες απαιτεί και αναλυσιμότητα:

• Αναλυσιμότητα: Παρέχουμε πλήρη ιχνηλασιμότητα δεδομένων. Οι χρήστες μπορούν να αναλυθούν από οποιαδήποτε curations ή επισημάνσεις πίσω στη πηγή δεδομένων, εμφανίζοντας όλες τις εφαρμοσμένες μετατροπές, φίλτρα και υπολογισμούς. Αυτό παρέχει πλήρη διαφάνεια και ελεγκτότητα, κρίσιμη για επικύρωση και συμμόρφωση.
• Εξηγησιμότητα: Οι επισημάνσεις συνοδεύονται από εξηγήσεις φυσικής γλώσσας. Αυτές οι περίληψεις εκφράζουν τι δείχνουν τα δεδομένα και γιατί είναι σημαντικά σε επιχειρησιακούς όρους, μεταφράζοντας σύνθετα ευρήματα σε ενεργό κατανόηση για ένα ευρύ κοινό.

Αυτή η συνδυασμένη προσέγγιση γεφυρώνει τα απομονωμένα δεδομένα δημιουργώντας μια ενιαία συντακτική άποψη και χτίζει εμπιστοσύνη μέσω σαφούς αναλυσιμότητας και εξηγησιμότητας.

Πώς το σύστημα σας εξασφαλίζει διαφάνεια στις επισημάνσεις, ιδιαίτερα σε ρυθμιζόμενους τομείς όπου η ιχνηλασιμότητα δεδομένων είναι κρίσιμη;

Η διαφάνεια είναι απολύτως αδιαπραγμάτευτη για τις επισημάνσεις που οδηγούνται από τον AI, ιδιαίτερα σε ρυθμιζόμενους τομείς όπου η ελεγκτότητα και η αμυντική είναι परमόντα. Η προσέγγισή μας εξασφαλίζει διαφάνεια σε τρεις κρίσιμες διαστάσεις:

• Ιχνηλασιμότητα Δεδομένων: Αυτό είναι θεμελιώδες. Όπως αναφέρθηκε, το Easy Answers παρέχει πλήρη ιχνηλασιμότητα δεδομένων. Κάθε επισημάνση, οπτική ή αριθμός μπορεί να αναλυθεί με ακρίβεια σε όλη τη διάρκεια ζωής του – από τις αρχικές πηγές δεδομένων, μέσω οποιασδήποτε ενωμένων, μετατροπών, συναθροίσεων ή φίλτρων που εφαρμόστηκαν – παρέχοντας την επικυρώσιμη προέλευση δεδομένων που απαιτείται από τους ρυθμιστές.
• Ορατότητα Μεθόδου: Αποφεύγουμε το πρόβλημα του “μαύρου κουτιού”. Όταν αναλυτικά ή μοντέλα ML χρησιμοποιούνται (π.χ. μέσω Quick Insights), η πλατφόρμα μας καταγράφει σαφώς τη μέθοδο που χρησιμοποιείται, τις παραμέτρους που χρησιμοποιούνται και τις σχετικές μετρήσεις αξιολόγησης. Αυτό εξασφαλίζει ότι το “πώς” πίσω από την επισημάνση είναι τόσο διαφανές όσο και το “τι”.
• Εξήγηση Φυσικής Γλώσσας: Η μετάφραση τεχνικών εξόδων σε επιχειρησιακό контέκστ είναι κρίσιμη για τη διαφάνεια. Κάθε επισημάνση συνοδεύεται από περιγραφές φυσικής γλώσσας που περιγράφουν τα ευρήματα, τη σημασία τους και πιθανώς τους περιορισμούς τους, εξασφαλίζοντας σαφήνεια για όλους τους ενδιαφερόμενους, συμπεριλαμβανομένων των υπεύθυνων συμμόρφωσης και ελεγκτών.

Επιπλέον, ενσωματώνουμε πρόσθετα χαρακτηριστικά κυβερνοσύνεσης για τομείς με συγκεκριμένες απαιτήσεις συμμόρφωσης, όπως έλεγχοι πρόσβασης με βάση τον ρόλο, εργοροές έγκρισης για ορισμένες ενέργειες ή αναφορές, και πλήρη αρχείο καταγραφής που καταγράφει την δραστηριότητα χρήστη και τις λειτουργίες του συστήματος. Αυτή η πολλαπλή προσέγγιση εξασφαλίζει ότι οι επισημάνσεις είναι ακριβείς, πλήρως διαφανείς, εξηγήσιμες και αμυντικές.

Πώς η App Orchid μετατρέπει τις από τον AI παραγώμενες επισημάνσεις σε δράση με χαρακτηριστικά όπως οι Γεννητικές Ενέργειες;

Η παραγωγή επισημάνσεων είναι πολύτιμη, αλλά ο πραγματικός στόχος είναι η οδήγηση επιχειρησιακών αποτελεσμάτων. Με τα σωστά δεδομένα και контέκστ, ένα οικοσύστημα agentic μπορεί να οδηγήσει ενέργειες για να γεφυρώσει το κρίσιμο χάσμα μεταξύ ανακάλυψης επισημάνσεων και ουσιαστικής δράσης, μεταφέροντας την ανάλυση από μια παθητική λειτουργία αναφοράς σε एक ενεργό οδηγό βελτίωσης.

Εδώ είναι πώς λειτουργεί: Όταν η πλατφόρμα Easy Answers αναγνωρίζει ένα σημαντικό μοτίβο, τάση, ανωμαλία ή ευκαιρία μέσω της ανάλυσης της, εκμεταλλεύεται τον AI για να προτείνει συγκεκριμένες, контεκστικά σχετικές ενέργειες που θα μπορούσαν να ληφθούν ως απάντηση.

Αυτές δεν είναι αόριστες προτάσεις, αλλά συγκεκριμένες συστάσεις. Για παράδειγμα, αντί να σηματοδοτούν μόνο τους πελάτες που βρίσκονται σε υψηλό κίνδυνο αποχώρησης, μπορεί να προτείνουν συγκεκριμένες προσφορές διατήρησης που προσαρμόζονται σε διαφορετικά τμήματα, υπολογίζοντας πιθανώς το αναμενόμενο αντίκτυπο ή το ROI, και ακόμη και σχεδιάζοντας προτύπου επικοινωνίας. Όταν γεννάει αυτές τις συστάσεις, το σύστημα λαμβάνει υπόψη επιχειρησιακές κανόνες, περιορισμούς, ιστορικά δεδομένα και στόχους.

Κρίσιμο, αυτό διατηρεί την ανθρώπινη εποπτεία. Οι προτεινόμενες ενέργειες παρουσιάζονται στους κατάλληλους χρήστες για αναθεώρηση, τροποποίηση, έγκριση ή απόρριψη. Αυτό εξασφαλίζει ότι η επιχειρησιακή κρίση παραμένει κεντρική στη διαδικασία λήψης αποφάσεων, ενώ ο AI χειρίζεται την ağır εργασία της αναγνώρισης ευκαιριών και της διαμόρφωσης πιθανών απαντήσεων.

Μόλις μια ενέργεια εγκριθεί, μπορούμε να ενεργοποιήσουμε μια ροή agentic για άρτια εκτέλεση μέσω ολοκληρώσεων με λειτουργικά συστήματα. Αυτό μπορεί να σημαίνει την ενεργοποίηση μιας ροής εργασίας σε ένα CRM, την ενημέρωση ενός προγράμματος σε ένα σύστημα ERP, την εκκίνηση ενός στοχευμένου εργαλείου μάρκετινγκ ή την έναρξη μιας άλλης σχετικής επιχειρησιακής διαδικασίας – κλείνοντας έτσι το κύκλο από επισημάνσεις απευθείας σε αποτελέσματα.

Πώς οι γράφοι γνώσεων και τα συντακτικά μοντέλα δεδομένων είναι κεντρικά στην επιτυχία της πλατφόρμας σας;

Οι γράφοι γνώσεων και τα συντακτικά μοντέλα δεδομένων είναι το απόλυτο κέντρο της πλατφόρμας Easy Answers, και την υψώνουν πέρα από τα παραδοσιακά εργαλεία BI που συχνά αντιμετωπίζουν τα δεδομένα ως απομονωμένους πίνακες και στήλες χωρίς πραγματικό επιχειρησιακό контέκστ. Η πλατφόρμα μας χρησιμοποιεί αυτά για να κατασκευάσει ένα έξυπνο συντακτικό στρώμα πάνω από τα επιχειρησιακά δεδομένα.

Αυτή η συντακτική βάση είναι κεντρική στην επιτυχία μας για διάφορους κρίσιμους λόγους:

• Ενεργοποιεί την Αληθινή Αλληλεπίδραση Φυσικής Γλώσσας: Το συντακτικό μοντέλο, δομημένο ως γράφος γνώσεων με Διαχειριζόμενες Συντακτικές Αντικείμενα (MSOs), ιδιότητες και καθορισμένες σχέσεις, λειτουργεί ως “Ροζέτα”. Μεταφράζει τις νюανς της ανθρώπινης γλώσσας και της επιχειρησιακής ορολογίας σε ακριβείς ερωτήματα που απαιτούνται για την ανάκτηση δεδομένων, επιτρέποντας στους χρήστες να ζητούν ερωτήσεις φυσικά χωρίς να γνωρίζουν τις υποκείμενες σχήματα.
• Διατηρεί το Κρίσιμο Επιχειρησιακό Κοντέκστ: Αντί για απλές σχεσιακές ενώσεις, ο γράφος γνώσεων μας καταγράφει ρητά το πλούσιο, σύνθετο δίκτυο σχέσεων μεταξύ επιχειρησιακών οντοτήτων (π.χ. πώς οι πελάτες αλληλεπιδρούν με προϊόντα μέσω ετικετών υποστήριξης και παραγγελιών αγοράς). Αυτό επιτρέπει σε βάθος και πιο контεκστική ανάλυση που αντανακλά τον τρόπο με τον οποίο λειτουργεί η επιχείρηση.
• Παρέχει Προσαρμοστικότητα και Κλιμακωσιμότητα: Τα συντακτικά μοντέλα είναι πιο ευέλικτα από τα ρητά σχήματα. Όσο οι επιχειρησιακές ανάγκες εξελίσσονται ή προστίθενται νέες πηγές δεδομένων, ο γράφος γνώσεων μπορεί να επεκταθεί και να τροποποιηθεί σταδιακά χωρίς να απαιτείται πλήρης ανακατασκευή, διατηρώντας τη συνεκτικότητα ενώ προσαρμόζεται στην αλλαγή.

Αυτή η βαθιά κατανόηση του контέκστ δεδομένων που παρέχεται από το συντακτικό στρώμα μας είναι θεμελιώδους σημασίας για όλα όσα κάνει το Easy Answers, από βασική ερώτηση και απάντηση μέχρι προηγμένη ανίχνευση μοτίβων με τα Quick Insights, και σχηματίζει τη βασική βάση για τις μελλοντικές μας ικανότητες agentic AI, εξασφαλίζοντας ότι οι πράκτορες μπορούν να συλλογιστούν και να δράσουν πάνω στα δεδομένα με νόημα.

Ποια θεμελιώδη μοντέλα υποστηρίζετε και πώς επιτρέπετε στις οργανώσεις να φέρουν τα δικά τους μοντέλα AI/ML στο ρου;

Πιστεύουμε σε μια ανοιχτή και ευέλικτη προσέγγιση, αναγνωρίζοντας την ταχεία εξέλιξη του AI και σεβόμενοι τις υφιστάμενες επενδύσεις των οργανώσεων.

Για τα θεμελιώδη μοντέλα, διατηρούμε ολοκληρώσεις με leading επιλογές από πολλούς παρόχους, συμπεριλαμβανομένων της οικογένειας Gemini της Google, των μοντέλων GPT της OpenAI και εξέχοντων ανοιχτών εναλλακτικών όπως το Llama. Αυτό επιτρέπει στις οργανώσεις να επιλέξουν μοντέλα που ταιριάζουν καλύτερα στις ανάγκες απόδοσης, κόστους, κυβερνοσύνεσης ή συγκεκριμένων ικανοτήτων. Αυτά τα μοντέλα ενεργοποιούν διάφορες λειτουργίες της πλατφόρμας, συμπεριλαμβανομένης της φυσικής γλώσσας για ερωτήσεις, γεννήτριας SQL, επισημάνσεων και γεννήτριας μετα-δεδομένων.

Πέρα από αυτά, παρέχουμε ισχυρά μονοπάτια για τις οργανώσεις να φέρουν τα δικά τους προσαρμοσμένα μοντέλα AI/ML στο ρου του Easy Answers:

• Μοντέλα που αναπτύχθηκαν σε Python μπορούν συχνά να ολοκληρωθούν απευθείας μέσω του AI Engine μας.
• Προσφέρουμε άρτια ικανότητες ολοκλήρωσης με μεγάλες cloud ML πλατφόρμες όπως το Google Vertex AI και το Amazon (AMZN ) SageMaker, επιτρέποντας μοντέλα που εκπαιδεύονται και φιλοξενούνται εκεί να καλούνται.

Κρίσιμο, το συντακτικό στρώμα μας παίζει βασικό ρόλο στην κάνωντας αυτά τα πιθανώς σύνθετα μοντέλα προσβάσιμα. Σύνδεοντας τις εισόδους και εξόδους μοντέλων με τις επιχειρησιακές έννοιες που ορίζονται στον γράφο γνώσεων μας (MSOs και ιδιότητες), επιτρέπουμε στους μη τεχνικούς επιχειρησιακούς χρήστες να εκμεταλλευτούν προηγμένα προβλεπτικά, ταξινομητικά ή αιτιολογικά μοντέλα (π.χ. μέσω Quick Insights) χωρίς να χρειάζεται να κατανοήσουν την υποκείμενη επιστήμη δεδομένων – αλληλεπιδρούν με οικείες επιχειρησιακές όρους, και η πλατφόρμα χειρίζεται την τεχνική μετάφραση. Αυτό πραγματικά δημοκρατείζει την πρόσβαση σε προηγμένες ικανότητες AI/ML.

Ποιες τάσεις βλέπετε να διαμορφώνουν την επόμενη κυμαία του επιχειρησιακού AI – ιδιαίτερα σε agent marketplaces και no-code agent design;

Η επόμενη κυμαία του επιχειρησιακού AI κινείται προς δυναμικά, συνθετικά και συνεργατικά οικοσυστήματα. Πολλές συγκλίνουσες τάσεις οδηγούν σε αυτό:

• Agent Marketplaces και Καταλόγοι: Θα δούμε μια σημαντική άνοδο σε agent marketplaces που λειτουργούν παράλληλα με εσωτερικούς καταλόγους πρακτόρων. Αυτό διευκολύνει μια μετατόπιση από μονολιθικές κατασκευές σε ένα “ενοικίαση και σύνθεση” μοντέλο, όπου οι οργανώσεις μπορούν να ανακαλύψουν και να ολοκληρώσουν δυναμικά εξειδικευμένους πράκτορες – εσωτερικούς ή εξωτερικούς – με συγκεκριμένες ικανότητες ανάλογα με τις ανάγκες, δραματικά επιταχύνοντας την ανάπτυξη λύσεων.
• Σταθερή Επικοινωνία Πρακτόρων: Για αυτά τα οικοσυστήματα να λειτουργήσουν, οι πράκτορες χρειάζονται κοινές γλώσσες. Σταθερά πρωτόκολλα επικοινωνίας πρακτόρων, όπως το MCP (Πρωτόκολλο Πλαισίου Μοντέλου), το οποίο εκμεταλλευόμαστε, και πρωτοβουλίες όπως το πρωτόκολλο Agent2Agent της Google, γίνονται απαραίτητα για την ενεργοποίηση ατελούς συνεργασίας, κοινού контέκστ και αναθέσεων εργασιών μεταξύ πρακτόρων, ανεξάρτητα από το ποιος τους κατασκεύασε ή πού τρέχουν.
• Δυναμική Ορχήστρα: Στατικές, προκαθορισμένες ροές εργασίας θα δώσουν τη θέση τους σε δυναμική ορχήστρα. Έξυπνες στρώσεις ορχήστρας θα επιλέγουν, ρυθμίζουν και συντονίζουν πράκτορες σε χρόνο εκτέλεσης με βάση το συγκεκριμένο πρόβλημα контέκστ, οδηγώντας σε πολύ πιο προσαρμοστικά και ανθεκτικά συστήματα.
• No-Code/Low-Code Σχεδιασμός Πρακτόρων: Η δημοκρατία θα επεκταθεί στην κατασκευή πρακτόρων. Πλατφόρμες no-code και low-code θα ενδυναμώσουν τους επιχειρησιακούς εμπειρογνώμονες, όχι μόνο τους ειδικούς AI, να σχεδιάσουν και να κατασκευάσουν πράκτορες που ενσωματώνουν συγκεκριμένες γνώσεις τομέα και επιχειρησιακή λογική, περαιτέρω εμπλουτίζοντας τη συλλογή διαθέσιμων εξειδικευμένων ικανοτήτων.

Ο ρόλος της App Orchid είναι η παροχή της κρίσιμης συντακτικής βάσης για αυτό το μέλλον. Για τους πράκτορες σε αυτά τα δυναμικά οικοσυστήματα να συνεργαστούν αποτελεσματικά και να εκτελέσουν σημαντικά καθήκοντα, χρειάζονται να κατανοήσουν τα επιχειρησιακά δεδομένα. Ο γράφος γνώσεων και το συντακτικό στρώμα μας παρέχουν ακριβώς αυτή την κρίσιμη κατανόηση, ενεργοποιώντας τους πράκτορες να συλλογιστούν και να δράσουν πάνω στα δεδομένα με νόημα.

Πώς ορατίζετε τον ρόλο του CTO να εξελίσσεται σε ένα μέλλον όπου η νοημοσύνη λήψης αποφάσεων δημοκρατείεται μέσω του agentic AI;

Η δημοκρατία της νοημοσύνης λήψης αποφάσεων μέσω του agentic AI ανυψώνει θεμελιωδώς τον ρόλο του CTO. Μετατοπίζει από τον ρόλο του διαχειριστή τεχνολογικής υποδομής σε αυτόν του στρατηγικού ορχηστρατή της οργανωσιακής νοημοσύνης.

Κρίσιμες εξελίξεις περιλαμβάνουν:

• Από Διαχειριστής Συστημάτων σε Αρχιτέκτονα Οικοσυστήματος: Η εστίαση μετατοπίζεται πέρα από τη διαχείριση απομονωμένων εφαρμογών σε σχεδιασμό, επιμέλεια και κυβερνοσύνεση δυναμικών οικοσυστημάτων αλληλεπιδρώντων πρακτόρων, πηγών δεδομένων και αναλυτικών ικανοτήτων. Αυτό περιλαμβάνει την αποτελεσματική εκμετάλλευση των agent marketplaces και καταλόγων.
• Στρατηγική Δεδομένων ως Κεντρική Επιχειρησιακή Στρατηγική: Εξασφαλίζοντας ότι τα δεδομένα δεν είναι μόνο διαθέσιμα αλλά και συντακτικά πλούσια, αξιόπιστα και προσβάσιμα γίνεται परमόντα. Ο CTO θα είναι κεντρικός στη δημιουργία της βάσης γράφου γνώσεων που ενεργοποιεί έξυπνα συστήματα σε όλη την επιχείρηση.
• Εξελισσόμενες Παραδείγματα Κυβερνοσύνεσης: Νέα μοντέλα κυβερνοσύνεσης θα χρειαστούν για το agentic AI – αντιμετωπίζοντας την εμπιστοσύνη πρακτόρων, την ασφάλεια, την ηθική χρήση του AI, την ελεγκτότητα των αυτοματοποιημένων αποφάσεων και τη διαχείριση των αναδυόμενων συμπεριφορών στις συνεργασίες πρακτόρων.
• Προώθηση Προσαρμοστικότητας: Ο CTO θα είναι κρίσιμος στη διοχέτευση της προσαρμοστικότητας στο τεχνικό και λειτουργικό υφάδι της οργάνωσης, δημιουργώντας περιβάλλοντα όπου οι επισημάνσεις που οδηγούνται από τον AI οδηγούν σε γρήγορες απαντήσεις και συνεχής μάθηση.
• Προαγωγή Ανθρώπινης-ΑΙ Συνεργασίας: Ένας κρίσιμος τομέας θα είναι η καλλιέργεια μιας κουλτούρας και ο σχεδιασμός συστημάτων όπου οι άνθρωποι και οι πράκτορες AI εργάζονται συnerγικά, αυξάνοντας τις αντίστοιχες ισχύες.

Τελικά, ο CTO γίνεται λιγότερο διαχειριστής IT κόστους και περισσότερο ο μέγιστος της οργανωσιακής “νοημοσύνης”. Είναι μια μετατόπιση προς τον ρόλο του στρατηγικού εταίρου, ενδυναμώνοντας όλη την επιχείρηση να λειτουργεί πιο έξυπνα και προσαρμοστικά σε ένα ολοένα και πιο σύνθετο κόσμο.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν την App Orchid.