Ravi Bommakanti, CTO de App Orchid – Serie de entrevistas

Ravi Bommakanti, Director de Tecnología de App Orchid, lidera la misión de la empresa para ayudar a las empresas a operacionalizar la IA en aplicaciones y procesos de toma de decisiones. El producto insignia de App Orchid, Easy Answers™, permite a los usuarios interactuar con los datos utilizando lenguaje natural para generar paneles de control, información y acciones recomendadas impulsadas por IA.

La plataforma integra datos estructurados y no estructurados, incluidas entradas en tiempo real y conocimiento de los empleados, en un tejido de datos predictivos que respalda decisiones estratégicas y operativas. Con tecnología de Big Data en memoria y una interfaz de usuario amigable, App Orchid simplifica la adopción de la IA a través de la implementación rápida, la implementación de bajo costo y la mínima interrupción de los sistemas existentes.

Comencemos con la visión general: ¿qué significa “IA agente” para usted, y cómo difiere de los sistemas de IA tradicionales?

La IA agente representa un cambio fundamental desde la ejecución estática típica de los sistemas de IA tradicionales a la orquestación dinámica. Para mí, se trata de pasar de sistemas rígidos y preprogramados a resolutores de problemas autónomos y adaptables que pueden razonar, planificar y colaborar.

Lo que realmente distingue a la IA agente es su capacidad para aprovechar la naturaleza distribuida del conocimiento y la experiencia. La IA tradicional a menudo opera dentro de límites fijos, siguiendo caminos predeterminados. Los sistemas agente, sin embargo, pueden descomponer tareas complejas, identificar a los agentes especializados adecuados para subtareas, potencialmente descubriéndolos y aprovechándolos a través de registros de agentes, y orquestar su interacción para sintetizar una solución. Este concepto de registros de agentes permite a las organizaciones “alquilar” capacidades especializadas según sea necesario, imitando la forma en que se ensamblan los equipos de expertos humanos, en lugar de verse obligados a construir o poseer cada función de IA internamente.

Así, en lugar de sistemas monolíticos, el futuro radica en la creación de ecosistemas donde los agentes especializados puedan componerse y coordinarse de forma dinámica, al igual que un gerente de proyecto experimentado que lidera un equipo, para abordar desafíos comerciales complejos y en evolución de manera efectiva.

¿Cómo está acelerando Google Agentspace la adopción de la IA agente en las empresas, y cuál es el papel de App Orchid en este ecosistema?

Google Agentspace es un acelerador significativo para la adopción de la IA empresarial. Al proporcionar una base unificada para implementar y administrar agentes inteligentes conectados a varias aplicaciones de trabajo, y aprovechar la poderosa búsqueda y modelos como Gemini de Google, Agentspace permite a las empresas transformar la información aislada en inteligencia accionable a través de una interfaz común.

App Orchid actúa como una capa de habilitación semántica vital dentro de este ecosistema. Mientras que Agentspace proporciona la infraestructura de agente y el marco de orquestación, nuestra plataforma Easy Answers aborda el desafío crítico de hacer que los datos complejos sean comprensibles y accesibles para los agentes. Utilizamos un enfoque impulsado por ontología para construir gráficos de conocimiento ricos a partir de los datos empresariales, completos con contexto empresarial y relaciones, precisamente la comprensión que los agentes necesitan.

Esto crea una poderosa sinergia: Agentspace proporciona la robusta infraestructura de agente y las capacidades de orquestación, mientras que App Orchid proporciona la profunda comprensión semántica de los datos empresariales complejos que estos agentes requieren para operar de manera efectiva y brindar información comercial significativa. Nuestra colaboración con el marco de trabajo Google Cloud Cortex es un ejemplo principal, lo que ayuda a los clientes a reducir drásticamente el tiempo de preparación de datos (hasta un 85%) mientras aprovecha la precisión líder en la industria de nuestro plataforma de 99,8% de texto a SQL para la consulta de lenguaje natural. Juntos, permitimos que las organizaciones implementen soluciones de IA agente que realmente comprendan el lenguaje y las complejidades de los datos empresariales, acelerando el tiempo de valor.

¿Cuáles son las barreras reales que enfrentan las empresas al adoptar la IA agente, y cómo las ayuda App Orchid a superarlas?

Las barreras principales que vemos giran en torno a la calidad de los datos, el desafío de los estándares de seguridad en evolución, particularmente para garantizar la confianza entre los agentes, y la gestión de la naturaleza distribuida del conocimiento y las capacidades empresariales.

La calidad de los datos sigue siendo el problema fundamental. La IA agente, como cualquier IA, proporciona resultados no confiables si se alimenta con malos datos. App Orchid aborda este problema fundamentalmente creando una capa semántica que contextualiza las fuentes de datos dispares. Sobre esta base, nuestras características únicas de crowdsourcing dentro de Easy Answers involucran a los usuarios comerciales en toda la organización, aquellos que mejor entienden el significado de los datos, para colaborar en la identificación y el abordaje de las brechas y las inconsistencias de los datos, mejorando significativamente la confiabilidad.

La seguridad presenta otro obstáculo crítico, especialmente a medida que la comunicación entre los agentes se vuelve común, potencialmente abarcando sistemas internos y externos. Establecer mecanismos robustos para la confianza entre los agentes y mantener la gobernanza sin sofocar la interacción necesaria es clave. Nuestra plataforma se centra en implementar marcos de seguridad diseñados para estas interacciones dinámicas.

Finalmente, aprovechar eficazmente el conocimiento y las capacidades distribuidas requiere una orquestación avanzada. App Orchid aprovecha conceptos como el Protocolo de Contexto de Modelo (MCP), que es cada vez más crucial. Esto permite la fuente dinámica de agentes especializados de repositorios basados en necesidades contextuales, facilitando flujos de trabajo fluidos y adaptables en lugar de procesos rígidos y predefinidos. Este enfoque se alinea con los estándares emergentes, como el protocolo Agent2Agent de Google, diseñado para estandarizar la comunicación en sistemas de múltiples agentes. Ayudamos a las organizaciones a construir soluciones de IA agente confiables y efectivas abordando estas barreras.

¿Puede explicarnos cómo funciona Easy Answers, desde la consulta de lenguaje natural hasta la generación de información?

Easy Answers transforma la forma en que los usuarios interactúan con los datos empresariales, haciendo que el análisis sofisticado sea accesible a través del lenguaje natural. Así es como funciona:

• Conectividad: Comenzamos conectándonos a las fuentes de datos de la empresa, apoyamos más de 200 bases de datos y sistemas comunes. Crucialmente, esto a menudo sucede sin requerir el movimiento o la replicación de datos, conectándose de forma segura a los datos donde residen.
• Creación de ontología: Nuestra plataforma analiza automáticamente los datos conectados y construye un gráfico de conocimiento integral. Esto estructura los datos en entidades centradas en el negocio que llamamos Objetos Semánticos Administrados (MSO), capturando las relaciones entre ellos.
• Enriquecimiento de metadatos: Esta ontología se enriquece con metadatos. Los usuarios proporcionan descripciones de alto nivel, y nuestra IA genera descripciones detalladas para cada MSO y sus atributos (campos). Este metadato combinado proporciona un contexto profundo sobre el significado y la estructura de los datos.
• Consulta de lenguaje natural: Un usuario hace una pregunta en lenguaje comercial plano, como “Muestre las tendencias de ventas para el producto X en la región oeste en comparación con el último trimestre.”
• Interpretación y generación de SQL: Nuestro motor de NLP utiliza los metadatos ricos en el gráfico de conocimiento para comprender la intención del usuario, identificar los MSO y las relaciones relevantes, y traducir la pregunta en consultas de datos precisas (como SQL). Logramos una precisión líder en la industria del 99,8% de texto a SQL aquí.
• Generación de información (Curaciones): El sistema recupera los datos y determina la forma más efectiva de presentar la respuesta visualmente. En nuestra plataforma, estas visualizaciones interactivas se llaman “curaciones”. Los usuarios pueden generarlas automáticamente o preconfigurarlas para que se alineen con necesidades o estándares específicos.
• Análisis más profundo (Insights rápidos): Para preguntas más complejas o descubrimiento proactivo, los usuarios pueden aprovechar Insights rápidos. Esta función les permite aplicar fácilmente algoritmos de ML que vienen con la plataforma a campos de datos especificados para detectar automáticamente patrones, identificar anomalías o validar hipótesis sin necesidad de experiencia en ciencia de datos.

Todo este proceso, a menudo completado en segundos, democratiza el acceso a los datos y el análisis, convirtiendo la exploración de datos complejos en una conversación sencilla.

¿Cómo hace Easy Answers para tender puentes sobre los datos aislados en las grandes empresas y garantizar que las informaciones sean explicables y rastreables?

Los silos de datos son un impedimento importante en las grandes empresas. Easy Answers aborda este desafío fundamental a través de nuestro enfoque de capa semántica única.

En lugar de la consolidación física costosa y compleja de los datos, creamos una capa semántica virtual. Nuestra plataforma construye una vista lógica unificada conectándose a diversas fuentes de datos donde residen. Esta capa está impulsada por nuestra tecnología de gráfico de conocimiento, que mapea los datos en Objetos Semánticos Administrados (MSO), define sus relaciones y los enriquece con metadatos contextuales. Esto crea un lenguaje comercial común comprensible tanto para humanos como para la IA, efectivamente conectando estructuras de datos técnicos (tablas, columnas) con significado comercial (clientes, productos, ventas), independientemente de dónde resida físicamente los datos.

Garantizar que las informaciones sean confiables requiere tanto rastreabilidad como explicabilidad:

• Rastreabilidad: Proporcionamos un seguimiento completo de la línea de datos. Los usuarios pueden profundizar desde cualquier curación o información hasta los datos de origen, viendo todas las transformaciones, filtros y cálculos aplicados. Esto proporciona transparencia y auditoría completa, crucial para la validación y el cumplimiento.
• Explicabilidad: Las informaciones van acompañadas de explicaciones en lenguaje natural. Estos resúmenes articulan qué muestra los datos y por qué es significativo en términos comerciales, traduciendo hallazgos complejos en comprensión accionable para una audiencia amplia.

Esto conecta los silos creando una vista semántica unificada y construye confianza a través de una rastreabilidad y explicabilidad claras.

¿Cómo garantiza su sistema la transparencia en las informaciones, especialmente en industrias reguladas donde la línea de datos es crítica?

La transparencia es absolutamente innegociable para las informaciones impulsadas por la IA, especialmente en industrias reguladas donde la auditoría y la defensibilidad son primordiales. Nuestro enfoque garantiza la transparencia en tres dimensiones clave:

• Línea de datos: Esto es fundamental. Como se mencionó, Easy Answers proporciona un seguimiento de la línea de datos de extremo a extremo. Cada información, visualización o número puede rastrearse meticulosamente a lo largo de su ciclo de vida completo, desde las fuentes de datos originales, a través de cualquier unión, transformación, agregación o filtro aplicado, proporcionando la procedencia de datos verificable que requieren los reguladores.
• Visibilidad de la metodología: Evitamos el problema de la “caja negra”. Cuando se utilizan modelos analíticos o de ML (por ejemplo, a través de Insights rápidos), la plataforma documenta claramente la metodología empleada, los parámetros utilizados y las métricas de evaluación relevantes. Esto garantiza que el “cómo” detrás de la información es tan transparente como el “qué”.
• Explicación en lenguaje natural: Traducir los resultados técnicos al contexto empresarial es crucial para la transparencia. Cada información viene acompañada de explicaciones en lenguaje plano que describen los hallazgos, su importancia y potencialmente sus limitaciones, garantizando claridad para todas las partes interesadas, incluidos los funcionarios de cumplimiento y auditores.

Además, incorporamos características de gobernanza adicionales para industrias con necesidades de cumplimiento específicas, como controles de acceso basados en roles, flujos de trabajo de aprobación para ciertos informes o acciones, y registros de auditoría completos que rastrean la actividad del usuario y las operaciones del sistema. Este enfoque en capas garantiza que las informaciones sean precisas, completamente transparentes, explicables y defendibles.

¿Cómo está convirtiendo App Orchid las informaciones generadas por la IA en acción con características como Acciones generativas?

Generar informaciones es valioso, pero el objetivo real es impulsar resultados comerciales. Con los datos y el contexto adecuados, un ecosistema agente puede impulsar acciones para tender el puente crítico entre el descubrimiento de informaciones y la acción tangible, moviendo el análisis desde una función de informes pasiva a un conductor activo de mejora.

Así es como funciona: cuando la plataforma Easy Answers identifica un patrón significativo, tendencia, anomalía u oportunidad a través de su análisis, aprovecha la IA para proponer acciones específicas, contextualmente relevantes, que podrían tomarse en respuesta.

Estas no son sugerencias vagas; son recomendaciones concretas. Por ejemplo, en lugar de simplemente marcar a los clientes con alto riesgo de abandono, podría recomendar ofertas de retención específicas adaptadas a diferentes segmentos, potencialmente calculando el impacto esperado o el ROI, y incluso redactando plantillas de comunicación. Al generar estas recomendaciones, el sistema considera las reglas comerciales, las limitaciones, los datos históricos y los objetivos.

Crucialmente, esto mantiene la supervisión humana. Las acciones recomendadas se presentan a los usuarios adecuados para su revisión, modificación, aprobación o rechazo. Esto garantiza que el juicio comercial siga siendo central en el proceso de toma de decisiones, mientras que la IA maneja la carga pesada de identificar oportunidades y formular posibles respuestas.

Una vez que se aprueba una acción, podemos activar un flujo agente para una ejecución sin problemas a través de integraciones con sistemas operativos. Esto podría significar activar un flujo de trabajo en un CRM, actualizar un pronóstico en un sistema ERP, lanzar una tarea de marketing dirigida o iniciar otro proceso comercial relevante, cerrando así el ciclo desde la información hasta el resultado.

¿Cómo son los gráficos de conocimiento y los modelos de datos semánticos centrales para el éxito de su plataforma?

Los gráficos de conocimiento y los modelos de datos semánticos son el núcleo absoluto de la plataforma Easy Answers; los elevan más allá de las herramientas de inteligencia empresarial tradicionales que a menudo tratan los datos como tablas y columnas desconectadas, carentes de contexto empresarial real. Nuestra plataforma utiliza estos gráficos para construir una capa semántica inteligente sobre los datos empresariales.

Esta base semántica es central para nuestro éxito por varias razones clave:

• Habilita la interacción real de lenguaje natural: El modelo semántico, estructurado como un gráfico de conocimiento con Objetos Semánticos Administrados (MSO), propiedades y relaciones definidas, actúa como una “piedra Rosetta”. Traduce las sutilezas del lenguaje humano y la terminología comercial en las consultas de datos precisas necesarias para recuperar los datos, permitiendo a los usuarios hacer preguntas de forma natural sin conocer los esquemas subyacentes. Esto es clave para nuestra alta precisión de texto a SQL.
• Preserva el contexto empresarial crítico: A diferencia de las uniones relacionales simples, nuestro gráfico de conocimiento captura explícitamente la rica y compleja red de relaciones entre las entidades empresariales (por ejemplo, cómo los clientes interactúan con los productos a través de tickets de soporte y pedidos de compra). Esto permite un análisis más profundo y contextual que refleja cómo opera el negocio.
• Proporciona adaptabilidad y escalabilidad: Los modelos semánticos son más flexibles que los esquemas rígidos. A medida que evolucionan las necesidades empresariales o se agregan nuevas fuentes de datos, el gráfico de conocimiento puede extenderse y modificarse de forma incremental sin requerir una revisión completa, manteniendo la coherencia mientras se adapta al cambio.

Esta comprensión profunda del contexto de los datos proporcionada por nuestra capa semántica es fundamental para todo lo que hace Easy Answers, desde preguntas y respuestas básicas hasta la detección de patrones avanzada con Insights rápidos, y forma la base esencial para nuestras futuras capacidades de IA agente, garantizando que los agentes puedan razonar significativamente sobre los datos.

¿Qué modelos fundamentales admite y cómo permite a las organizaciones incorporar sus propios modelos de IA/ML en el flujo de trabajo?

Creemos en un enfoque abierto y flexible, reconociendo la rápida evolución de la IA y respetando las inversiones existentes de las organizaciones.

Para los modelos fundamentales, mantenemos integraciones con opciones líderes de varios proveedores, incluida la familia Gemini de Google, los modelos GPT de OpenAI y alternativas de código abierto prominentes como Llama. Esto permite a las organizaciones elegir modelos que se ajusten mejor a sus necesidades de rendimiento, costo, gobernanza o capacidad específica. Estos modelos alimentan varias características de la plataforma, incluida la comprensión del lenguaje natural para las consultas, la generación de SQL, la resumen de informaciones y la generación de metadatos.

Más allá de estos, proporcionamos sólidas vías para que las organizaciones incorporen sus propios modelos de IA/ML personalizados en el flujo de trabajo de Easy Answers:

• Los modelos desarrollados en Python a menudo se pueden integrar directamente a través de nuestro Motor de IA.
• Ofrecemos capacidades de integración sin problemas con principales plataformas de ML en la nube, como Google Vertex AI y Amazon SageMaker, lo que permite que los modelos entrenados y alojados allí se invoquen.

Crucialmente, nuestra capa semántica juega un papel clave al hacer que estos modelos de IA/ML potencialmente complejos sean accesibles. Al vincular las entradas y salidas de los modelos a los conceptos empresariales definidos en nuestro gráfico de conocimiento (MSO y propiedades), permitimos que los usuarios comerciales no técnicos aprovechen capacidades de IA/ML avanzadas (por ejemplo, a través de Insights rápidos) sin necesidad de comprender la ciencia de datos subyacente, interactuando con términos comerciales familiares, y la plataforma maneja la traducción técnica. Esto verdaderamente democratiza el acceso a capacidades de IA/ML sofisticadas.

¿Hacia dónde se dirige el próximo oleaje de la IA empresarial, particularmente en los mercados de agentes y el diseño de agentes sin código?

El próximo oleaje de la IA empresarial se está moviendo hacia ecosistemas altamente dinámicos, componibles y colaborativos. Varios tendencias convergentes están impulsando esto:

• Mercados y registros de agentes: Veremos un aumento significativo en los mercados de agentes que funcionan junto con registros de agentes internos. Esto facilita un cambio de construcciones monolíticas a un modelo de “alquiler y composición”, donde las organizaciones pueden descubrir y integrar dinámicamente agentes especializados, internos o externos, con capacidades específicas según sea necesario, acelerando drásticamente la implementación de soluciones.
• Comunicación de agentes estandarizada: Para que estos ecosistemas funcionen, los agentes necesitan lenguajes comunes. Protocolos de comunicación de agente a agente estandarizados, como el Protocolo de Contexto de Modelo (MCP), que aprovechamos, y las iniciativas como el protocolo Agent2Agent de Google, son esenciales para permitir la colaboración sin problemas, el intercambio de contexto y la delegación de tareas entre agentes, independientemente de quién los construyó o dónde se ejecutan.
• Orquestación dinámica: Los flujos de trabajo estáticos y predefinidos darán paso a la orquestación dinámica. Las capas de orquestación inteligentes seleccionarán, configurarán y coordinarán a los agentes en tiempo de ejecución en función del contexto específico del problema, lo que conducirá a sistemas mucho más adaptables y resilientes.
• Diseño de agentes sin código/bajo código: La democratización se extenderá a la creación de agentes. Las plataformas sin código y de bajo código permitirán a los expertos en negocios, no solo a los especialistas en IA, diseñar y construir agentes que encapsulen conocimiento y lógica de dominio específicos, enriqueciendo aún más el grupo de capacidades especializadas disponibles.

El papel de App Orchid es proporcionar la base semántica crítica para este futuro. Para que los agentes en estos ecosistemas dinámicos colaboren de manera efectiva y realicen tareas significativas, necesitan comprender los datos empresariales. Nuestra capa semántica y nuestro gráfico de conocimiento proporcionan precisamente esta comprensión contextual, permitiendo que los agentes razonen y actúen sobre los datos de manera relevante y significativa en términos comerciales.

¿Cómo visualiza el papel del CTO evolucionando en un futuro donde la inteligencia de decisión se democratiza a través de la IA agente?

La democratización de la inteligencia de decisión a través de la IA agente eleva fundamentalmente el papel del CTO. Se desplaza desde ser principalmente un administrador de la infraestructura tecnológica a convertirse en un orquestador estratégico de la inteligencia organizacional.

Las evoluciones clave incluyen:

• De gerente de sistemas a arquitecto de ecosistemas: El enfoque se mueve más allá de la gestión de aplicaciones aisladas para diseñar, curar y gobernar ecosistemas dinámicos de agentes interactuantes, fuentes de datos y capacidades analíticas. Esto implica aprovechar los mercados y registros de agentes de manera efectiva.
• Estrategia de datos como estrategia empresarial central: Garantizar que los datos no solo estén disponibles, sino que sean ricos, confiables y accesibles, se vuelve primordial. El CTO será central en la construcción de la base de gráfico de conocimiento que impulsa los sistemas inteligentes en toda la empresa.
• Paradigmas de gobernanza en evolución: Se necesitarán nuevos modelos de gobernanza para la IA agente, abordando la confianza del agente, la seguridad, el uso ético de la IA, la auditoría de decisiones automatizadas y la gestión de comportamientos emergentes en las colaboraciones de agentes.
• Defensor de la adaptabilidad: El CTO será crucial para incorporar la adaptabilidad en el tejido técnico y operativo de la organización, creando entornos donde las informaciones impulsadas por la IA conduzcan a respuestas rápidas y aprendizaje continuo.
• Fomentar la colaboración humano-IA: Un aspecto clave será cultivar una cultura y diseñar sistemas donde los humanos y los agentes de IA trabajen en sinergia, aumentando las fortalezas del otro.

En última instancia, el CTO se convierte en menos un gestor de costos de TI y más en un socio estratégico, permitiendo que toda la empresa opere de manera más inteligente y adaptativa en un mundo cada vez más complejo.

Gracias por la excelente entrevista, los lectores que deseen aprender más deben visitar App Orchid.