Raj Shukla, CTO de SymphonyAI – Serie de entrevistas

Raj Shukla impulsa la hoja de ruta tecnológica y la ejecución de SymphonyAI, liderando el equipo de ingeniería que construye la plataforma de inteligencia artificial Eureka Gen AI. Con casi 20 años de experiencia en ingeniería y investigación de inteligencia artificial y aprendizaje automático, Shukla también tiene una amplia experiencia en inteligencia artificial de empresa como servicio en sus roles de liderazgo en ingeniería en Microsoft (MSFT ), donde su carrera exitosa de 14 años incluyó liderar organizaciones globales de ciencia y ingeniería de inteligencia artificial en Azure, Dynamics 365, MSR y las divisiones de búsqueda y publicidad. Raj tiene una amplia experiencia en inteligencia artificial y aprendizaje automático en búsqueda, publicidad y inteligencia artificial de empresa, y ha construido varios productos de inteligencia artificial de empresa exitosos en dominios de consumo y negocio.

SymphonyAI es una empresa de inteligencia artificial de empresa que se centra en construir aplicaciones de inteligencia artificial específicas de la industria que entregan valor comercial inmediato. En lugar de modelos genéricos, proporciona soluciones verticales para minoristas, bienes de consumo, servicios financieros, fabricación, medios y TI, abordando desafíos como la previsión, la prevención de fraude, la optimización operativa y el análisis. Sus productos están impulsados por la plataforma de inteligencia artificial Eureka, que combina capacidades predictivas, generativas y de agente en flujos de trabajo adaptados a cada sector. Fundada en 2017, la empresa ha crecido hasta convertirse en un líder global en inteligencia artificial vertical, sirviendo a miles de clientes de empresa con soluciones escalables y enfocadas en dominio.

¿Qué te llevó originalmente al mundo de la inteligencia artificial de empresa, y cómo ha evolucionado tu perspectiva a lo largo de los años?

Mi viaje a la inteligencia artificial de empresa comenzó con una creencia fundamental de que las empresas deben implementar inteligencia artificial que resuelva problemas comerciales reales, no solo crear inteligencia artificial por el sake de la inteligencia artificial. He visto que las soluciones de inteligencia artificial genéricas y amplias rara vez entregan valor transformador. En SymphonyAI, hemos construido nuestra estrategia y cultura de empresa en desarrollar inteligencia artificial que comprenda desafíos específicos de la industria, desde la detección de delitos financieros hasta la mercadotecnia minorista enfocada en compradores hasta la capacitación de trabajadores industriales conectados. La preparación para la empresa agrega otra dimensión completa – la inteligencia artificial exitosa de la empresa requiere más que gran tecnología, exige una arquitectura de datos ejemplar y una colaboración y flujos de trabajo sofisticados y transparentes.

¿Cuáles son las deficiencias específicas que las empresas encuentran con los modelos preentrenados genéricos, particularmente en sectores altamente regulados como las finanzas o la salud? 

Los modelos preentrenados genéricos no están diseñados para entornos de alto riesgo y altamente regulados de finanzas, salud y comestibles. Los modelos preentrenados genéricos encuentran barreras críticas, incluyendo la necesidad de experiencia en dominio esencial para abordar matices específicos de la industria y cumplir con requisitos regulatorios y de cumplimiento estrictos que difieren en diferentes geografías. Lo más importante es que no pueden entregar la precisión y la trazabilidad que las empresas requieren, donde los errores podrían dañar a los consumidores o desencadenar violaciones regulatorias. Ya sea que se trate de cumplir con las regulaciones contra el blanqueo de dinero o permitir que una tienda de comestibles retire rápidamente artículos retirados de los centros de distribución y estantes, la tecnología de inteligencia artificial vertical de SymphonyAI está diseñada específicamente para las industrias en las que operamos y se entrena en las ontologías de esas industrias, lo que les permite tomar o automatizar decisiones que crean impacto comercial directo.

Combinar modelos preentrenados con lógica de dominio profunda se considera cada vez más la clave para desbloquear el retorno de la inversión de la empresa – ¿cuáles son los componentes esenciales, como el conocimiento de la industria, la alineación de los indicadores clave de rendimiento y las barreras regulatorias, que hacen que este enfoque sea efectivo? 

Combinar modelos preentrenados con lógica de dominio profunda desbloquea el valor al crear sistemas de inteligencia artificial que comprenden el contexto comercial y los requisitos operativos. Este enfoque tiene éxito cuando los modelos se mejoran con ontologías específicas de la industria, se alinean con los indicadores clave de rendimiento de la empresa para garantizar que las salidas sirvan directamente a objetivos comerciales medibles y están equipados con barreras regulatorias que proporcionan marcos de cumplimiento y registros de auditoría necesarios. Cuando estos elementos trabajan juntos, la inteligencia artificial genérica se transforma en soluciones críticas para los negocios que impulsan resultados medibles mientras mantienen la confiabilidad y el cumplimiento que las empresas exigen.

IBM adquirió recientemente Seek AI y lanzó Watsonx Labs en la ciudad de Nueva York, lo que indica un posible cambio estratégico en el panorama de la inteligencia artificial – ¿qué indica esto sobre el futuro de las tendencias de inversión y adquisiciones en inteligencia artificial de empresa? 

La adquisición de Seek AI por parte de IBM y el lanzamiento de Watsonx Labs es una validación del cambio fundamental que hemos estado anticipando: el panorama de la inteligencia artificial de empresa ha cambiado, lo que indica que la próxima ola de adquisiciones priorizará a las empresas con modelos de inteligencia artificial preentrenados verticales que llegan con experiencia en dominio profunda, arquitectura de gobernanza y guardias regulatorias, y indicadores clave de rendimiento orientados a resultados. Los adquirentes estratégicos como IBM reconocen que los agentes de inteligencia artificial centrados en los datos de la empresa entregan un retorno de la inversión inmediato cuando comprenden flujos de trabajo de la industria específicos. El mercado se está consolidando en torno al reconocimiento de que la inteligencia general necesita especialización vertical para impulsar la transformación de la empresa.

¿En qué punto evoluciona un modelo de base en un agente específico de dominio – ¿qué hitos arquitectónicos señalanican esta transición? 

Un modelo de base no evoluciona naturalmente en un agente de dominio; debe ser ingenierizado en uno. No hay un camino directo en el que un modelo general simplemente “se vuelva más inteligente” y se convierta en un investigador bancario. La transición solo ocurre cuando los equipos de ingeniería dejan de confiar en la inteligencia bruta del modelo y comienzan a construir la arquitectura gobernada alrededor de ella, específicamente inyectando una capa de contexto (como un gráfico de conocimiento) y una capa de orquestación para forzar al modelo a seguir un proceso comercial en lugar de sus propias tendencias probabilísticas.

¿Cuáles son los desafíos clave para construir flujos de trabajo de agente resistentes y específicos de dominio, y cómo aborda SymphonyAI estos desafíos? 

Los desafíos clave para construir flujos de trabajo de agente resistentes y específicos de dominio son mantener la confiabilidad a través de procesos complejos y multifacéticos. SymphonyAI aborda estos desafíos a través de su arquitectura en capas, que incorpora la experiencia en dominio directamente en el agente, implementa el manejo de errores con recuperación de fallas y mantiene la gestión persistente del contexto a través de procesos empresariales de sesión múltiple. Esto permite que nuestros agentes operen de manera confiable en entornos regulados de alto riesgo donde la resistencia significa mantener la precisión, el cumplimiento y la integridad operativa.

SymphonyAI enfatiza las sólidas bases de datos, los gráficos de conocimiento y las capas de metadatos – ¿por qué son estas capacidades críticas para los agentes de inteligencia artificial vertical, y por qué muchas empresas luchan por implementarlas? 

Las sólidas bases de datos y los gráficos de conocimiento son cruciales para que los agentes de inteligencia artificial vertical tengan fuentes significativas, proporcionen recomendaciones contextualizadas y permanezcan actualizados con los cambios en el mercado, los clientes y los procesos en todos los niveles de la empresa. La mayoría de las empresas luchan por implementar estas capacidades porque requieren una inversión inicial significativa en arquitectura de datos, experiencia en ontología especializada y cambios fundamentales en las prácticas de datos existentes que muchas organizaciones encuentran organizativa y técnicamente desalentadoras. Ahí es donde un socio tecnológico de inteligencia artificial con experiencia y conocimiento profundos en ese dominio es invaluable, incluyendo su capacidad para preentrenar la inteligencia artificial en vastas cantidades de datos de dominio y fuentes en múltiples clientes del mundo real en esa industria.

En escenarios del mundo real, como la detección de delitos financieros o la previsión minorista, ¿cómo combina SymphonyAI la inteligencia artificial predictiva, generativa y de agente en “habilidades” cohesivas?

SymphonyAI combina la inteligencia artificial predictiva, generativa y de agente en “habilidades” cohesivas al crear flujos de trabajo integrados donde cada producto de inteligencia artificial aborda un problema comercial específico. En la detección de delitos financieros, nuestros modelos predictivos identifican patrones de transacciones sospechosas, y la inteligencia artificial generativa crea informes de investigación detallados y evaluaciones de riesgo. Al mismo tiempo, la inteligencia artificial de agente orquesta todo el flujo de trabajo, escalando automáticamente los casos, coordinando con los equipos de cumplimiento y adaptando las estrategias de investigación en función de los hallazgos en tiempo real.

La clave es que estos no son herramientas de inteligencia artificial separadas, son capacidades integradas dentro de agentes de dominio específico que comprenden el contexto comercial, mantienen el estado del flujo de trabajo y pueden transitar sin problemas entre el análisis predictivo, la generación de contenido y la acción autónoma para entregar resultados comerciales completos en lugar de salidas de inteligencia artificial fragmentadas.

Has advertido que muchos agentes de inteligencia artificial de empresa pueden tropezar sin robustez – ¿cuáles son las características clave de un agente de inteligencia artificial de empresa bien diseñado y tolerante a fallas? 

Un agente de inteligencia artificial de empresa bien diseñado y tolerante a fallas requiere varias características críticas. Aunque muchas empresas están invirtiendo rápidamente en y desplegando agentes de inteligencia artificial para mejorar la eficiencia, la productividad y la innovación, a menudo subestiman los trabajos necesarios para el éxito. Algunos aspectos vitales que los agentes bien diseñados necesitan para tener éxito son:

• Los agentes de inteligencia artificial de empresa operan en datos de empresa, que a menudo están siloizados y carecen de acceso programático adecuado, permisos y controles de acceso. Los agentes necesitan estar equipados con las mismas disposiciones de autenticación y autorización que los empleados.
• Los agentes también necesitan recuperarse de todas las formas de fallas del sistema de empresa, cortes de red y puntos finales inestables. La capa de orquestación necesita permitir flujos de trabajo de ejecución prolongada, duradera y tolerante a fallas, lo que la mayoría de los orquestadores de LLM populares no hace.
• Los LLM serán no deterministas y fallarán en tareas. La recuperación de fallas, los reintentos y el descubrimiento de la ruta óptima necesitan ser características clave de los sistemas de agente.

Para los directores de tecnología que consideran construir plataformas de inteligencia artificial vertical internamente en lugar de asociarse con proveedores de nicho, ¿qué consejo ofrecerías? 

Construir soluciones de inteligencia artificial de empresa en múltiples industrias, incluyendo minoristas/CPG, industriales, servicios financieros y más, requiere dominar tanto la tecnología de inteligencia artificial de vanguardia como la experiencia en dominio profunda al mismo tiempo para lograr un valor real de las soluciones de inteligencia artificial de empresa. Nuestra plataforma de inteligencia artificial Eureka demuestra cómo las fuentes de datos específicas de la industria, los gráficos de conocimiento, los modelos predictivos y los agentes deben adaptarse a cada industria, pero esto representa años de inversión en investigación y iteración con clientes que la mayoría de los equipos internos carecen. Para las empresas y los directores de tecnología que buscan invertir en inteligencia artificial, les aconsejo que elijan soluciones que entreguen resultados reales desde el primer día. Las soluciones de inteligencia artificial vertical entregan esos resultados, proporcionando a los usuarios datos que pueden utilizar para crear valor comercial.

Mirando hacia adelante, ¿cómo imaginas que serán las arquitecturas de inteligencia artificial de empresa – ¿se convertirán los agentes verticales federados construidos en modelos de base compartidos en la norma?

No solo veremos “agentes federados”; veremos arquitecturas de agente gobernadas. Mientras que los modelos de base compartidos proporcionan el motor de razonamiento, son esencialmente bienes comunes. La “norma” para las empresas exitosas será desplegar agentes especializados y verticales que no solo “hablen” entre sí, sino que estén orquestados rigurosamente a través de una capa de contexto compartida. Si solo tienes “agentes federados” construidos en modelos de base, obtienes un sistema ruidoso y propenso a alucinaciones – lo que llamamos la “tubería con fugas” de la inteligencia artificial de empresa. Para hacer que esta arquitectura se escale a producción, necesitas tres capas específicas que van más allá de la simple federación:

• Contexto (El Gráfico de Conocimiento de Dominio): Los agentes necesitan compartir una sola fuente de verdad, no solo intercambiar probabilidades.
• Orquestación: Necesitas un “arquitecto maestro” que decida cuándo usar un agente especializado y cuándo mantener a un humano en el bucle.
• Gobernanza: La salida debe ser legal y operativamente segura antes de que salga del sistema.

Gracias por la gran entrevista, los lectores que deseen aprender más pueden visitar SymphonyAI.