Jito Chadha, Nventrin perustaja ja toimitusjohtaja – Haastattelusarja

Jito Chadha, Nventrin perustaja ja toimitusjohtaja, on kokenut teknologiajohtaja ja sijoittaja, jonka ura ulottuu tekoälyyn, data-analytiikkaan, venture capitaliin ja liiketoimintakehitykseen. Perustettuaan Nventrin vuonna 2019, hän on johtanut yhtiön kehitystä yritysten tekoälytekniikkojen parissa, samalla toimien ennustavan analytiikan yhtiö Rule14:n toimitusjohtajana. Chadha on ollut mukana HandsOn Global Managementissa vuodesta 2007 ja tuli yhtiön osakkaaksi vuonna 2013, osallistuen useiden transaktioiden etsintään, rakenteeseen ja arvonluomiseen sekä johtien sijoituksia venture capitaliin, data-analytiikkaan ja luonnonvaroihin.

Nventr on Los Angelesiin perustettu yritysten tekoälyyhtiö, joka kehittää teknologiaa älykkäiden sovellusten ja automaattisten työnkulkujen luomiseen, käyttöönottoon ja hallintaan. Sen alusta yhdistää tekoälyagentit, koneoppimismallit, neuroverkkomallit, datahallinnan, älykkään asiakirjahallinnan, visualisoinnin ja kehitystyökalut. Tuotteisiin kuuluvat Agent IO, joka on autonomisten agenttien orkesterointijärjestelmä liiketoimintafunktioita varten, ja nQube, joka on työnkulunrakentaja, joka tukee no-code-, low-code- ja full-code-kehitystä sekä käyttöönottoa pilvi-, paikallisiin- ja reuna-ympäristöihin.

Ennen kuin johtajaksi Nventriin ja Rule14:ään, vietit vuosia etsimällä sijoituksia, luomalla arvoa portfolioyhtiöissä ja työskentelemällä data-analytiikka aloitteiden parissa monimutkaisissa organisaatioissa. Miten se kokemus vaikutti päätökseesi rakentaa yritysten tekoälyalusta, joka keskittyy työnkulkuun eikä yksittäisiin työkaluihin?

Työskentelemällä portfolioyhtiöiden parissa paljastui sama malli eri liiketoimissa. Jokaisessa organisaatiossa tieto kulki useiden ihmisten, järjestelmien ja hyväksyntöjen kautta ennen kuin prosessi voitiin suorittaa.

Sellaista kokemusta hyödyntäen Nventr keskittyi työnkulkuun eikä yksittäisiin työkaluihin. Yhden tehtävän parantaminen on rajattua arvoa, jos tulosta ei voida siirtää tehokkaasti koko organisaation läpi. Keskityimme koko prosessin rakentamiseen ja sen suorittamiseen suuressa mittakaavassa.

Nventr yhdistää agenteille suunnattuja toimintoja, koneoppimismalleja ja neuroverkkomalleja skaalautuvissa yritysten työnkulkuissa. Mitkä rajoitukset havaittiin perinteisissä automaatioalustoissa, jotka johtivat laajemman arkkitehtuurin kehittämiseen? 

Vuosien ajan yritykset toimivat kokoelmana pilvipalveluista ja paikallisesti isännöidyistä SaaS-sovelluksista, jotka voivat olla kömpelöitä, jähmeitä ja kalliita. Työnkulujärjestelmä, mallit, agentit ja yrityksen tiedot käsiteltiin yleensä erillisinä kerroksina, mikä teki laajemman automaation vaikeammaksi.

Kehitimme arkkitehtuurin, jossa nämä komponentit voivat toimia yhdessä ja skaalautua itsenäisesti tarpeen mukaan. Prosessi ei tarvitse pakottaa yhteen sovellukseen tai yhteen tietokoneympäristöön.

Monet organisaatiot aloittavat tekoälystrategiansa valitsemalla mallin tai käynnistämällä chat-robotin. Kokemuksestasi, mitä perustavaa työtä tietojen, lupien, prosessien ja järjestelmien integroinnin osalta on tehtävä ennen kuin tekoälykäyttöönotto voi tuottaa merkittäviä tuloksia? 

Yrityksen on määriteltävä prosessi, tunnistettava, mitä tietoa agentti tarvitsee, ja määriteltävä, missä tämä tieto sijaitsee. Tämä voi vaatia tietokantoja, tiedostovaroitimia, PDF-tiedostoja, artikkeleita, sähköpostijärjestelmiä tai muita yrityksen tietolähteitä, jotka on tehtävä agentin saataville käytettävässä muodossa.

Yrityksen on sitten määriteltävä, mitä tapahtuu, kun agentti vastaanottaa tämän tiedon. Keskustelu voi tuottaa vastauksen, yhteenvedon, seuraavan jonon tai toisen agenteille suunnatun työnkulun. Hyväksyttyjen työkalujen, tietojen lupien ja käyttöoikeuksien on oltava määriteltynä roolittain, jotta jokainen toiminto tapahtuu määritellyssä prosessissa.

nQube on suunniteltu auttamaan sekä data-analyytikkoja että liiketoimintanalyytikkoja luomaan, testaamaan, käyttöönottoon ja seuraamaan tekoälyvoimaisia työnkulkuja. Miten te teette nämä ominaisuudet saataville ei-asiantuntijoille säilyttäen samalla tuotantoympäristössä vaadittavat tekniset valvontamekanismit?

Ihmiset ajattelevat tekoälyä ja ohjelmistotuotteita oman roolinsa kautta ja siitä, miten tuote voi tehdä heidän työnsä helpommaksi tai antaa heidän olla tuottavampia. Käyttöliittymän on annettava heidän kuvailla, mitä he tarvitsevat, kysyä kysymyksiä ja säätää agenttia tai työnkulkua normaalin kielen ja äänen kautta.

Työnkulut, laskentaprosessit ja skaalaus säilyvät tämän vuorovaikutuksen alla. Organisaatio säilyttää edelleen valvonnan työkaluista, tietolähteistä ja käyttöoikeuksista, jotka on määriteltynä kullekin roolille, joten liiketoimintanalyytikko voi käyttää järjestelmää ilman, että hänen tarvitsee hallita infrastruktuuria suoraan.

Nventrin agenttiohjelmisto käyttää koordinoivaa agenttia ohjaamaan erikoistuneita agenteja sekventiaalisissa ja iteraatiossa olevissa työnkulkuissa. Miten alusta määrittää, mikä agentti käsittelee kunkin tehtävän, säilyttää kontekstin agenttien välillä ja käsittelee epäluotettavan tuloksen? 

Työnkulku määrittää, miten pyyntö siirtyy määritellyn prosessin kautta, haarojen ja erikoistuneiden agenttien kautta. Tiedot yhdestä vaiheesta voidaan yhteenvedon muodossa siirtää eteenpäin, jotta seuraava agentti ymmärtää, mitä tapahtui, mitä pyydettiin ja mitä seuraavaa toimintaa tulisi tehdä.

Epäluotettavan tuloksen käsittely riippuu prosessista ja toiminnan seurauksista. Työnkulun valvontamekanismit on oltava sellaiset, että järjestelmä voi jatkaa toimintaa ja siirtää tuloksen tarkastettavaksi, kun se vaatii sitä.

Yritykset haluavat yhä enemmän joustavuutta käyttää eri suuria kielen mallisia, erikoistuneita koneoppimisjärjestelmiä ja kolmannen osapuolen agenteja. Miten organisaatioiden on suunniteltava tekoälyinfrastruktuuria välttääkseen riippuvuuden yhdestä mallintarjoajasta tai teknologiapinosta? 

Infrastruktuurin on oltava monien mallien tuki ja sallia niiden toimia rinnakkain samassa työnkulussa. Yksi tarjoaja voi hoitaa puhe-puhe-komponentin, kun taas toinen malli suorittaa päättelyä tai prosessointia sen takana.

Työkalun on valittava asiakkaan kustannuksen, suorituskyvyn, turvallisuuden, viiveen ja avoimuuden perusteella kolmannen osapuolen palveluntarjoajille. Jotkut yritykset ovat tyytyväisiä yhdistämään tarjoajia, kun taas toiset haluavat agentin omalle pilvelle tai omistamalleen infrastruktuurille. Arkkitehtuurin on oltava kykenevä tukemaan molempia lähestymistapoja.

Kun tekoälyagentti pääsee käsiksi yrityksen tietoihin ja suorittaa toimintoja liiketoimintajärjestelmissä, turvallisuus muodostuu monimutkaisemmaksi kuin vain keskusteluliittymän suojaaminen. Mitkä valvontamekanismit tulisi ohjata agentin lupia, autonomiaa ja kykyä aloittaa merkittäviä toimia?

Pääsyoikeuksien on oltava roolittain, projektiittain ja työnkulkuittain säädelty. Agentin on oltava kykenevä käyttämään vain hyväksyttyjä tietoja, työkaluja ja toimia kyseisessä kontekstissa, ja pyynnöt tämän ulottuvuuden ulkopuolelle on lähetettävä hyväksyntää varten.

Toiminnan autonomian on oltava sidottu tiedon herkkyuteen ja toiminnan seurauksiin. Transaktioissa, jotka liittyvät rahaan, yksityisiin tietoihin tai muihin merkittäviin tuloksiin, yrityksen on oltava nähtävissä, mitä agentti tekee, ja vaadittava hyväksyntää ennen valmistumista.

Nventr esittää sovelluksia asiakirjojen käsittelyyn, asiakaspalveluun, raportointiin, terveydenhuollon viestintään ja petosten havaitsemiseen. Mitkä tekniset tai operatiiviset ominaisuudet tekevät työnkulusta soveltuvan agenteille automaatiolle, ja mitkä prosessit tulisi säilyttää pääasiassa ihmisten johdolla? 

Me tasapainotamme prosessiin liittyvien ihmisten tai kustannusten määrää prosessin monimutkaisuuden ja automaation kannattavuuden kanssa. Prosessi voi olla kallis tai työvoimavaltaisesti raskas, mutta se voi olla väärä paikka aloittaa, jos se on liian monimutkainen tai epävakaa automaatioon.

Yleinen lähestymistapa on valita alin riippuva hedelmä suurimmalla vaikutuksella. Tämä kaava on fraktaalinen, koska se voidaan soveltaa yhteen henkilön rooliin, useisiin osastoihin tai koko organisaatioon. Prosessit, jotka sisältävät epävarmuutta tai merkittävää arviointia, tulisi jatkaa ihmisten johdolla.

Olet keskustellut ideasta, jossa työntekijöillä on tekoälyvastineet, jotka käsittelevät toistuvia osia heidän työstään. Miten tämä voi muuttaa organisaatioiden rakenteita, ja mitä johtajien on tehtävä varmistamaan, että nämä järjestelmät vahvistavat ihmisten arviointikykyä eikä poista sitä tärkeistä päätöksistä? 

Idea on antaa kullekin palkkalistalla olevalle henkilölle agenttivastine, joka voi oppia osia työstä ajan myötä. Laajemmassa mittakaavassa tämä luo keskitetyn älyn ja optimoinnin organisaatiota ylitse, eikä rajoitu yhteen tai kahteen työntekijään.

Agentti voi ottaa hoitoonsa toistuvan työn, kuten tietojen keräämisen, tietojen siirtämisen tai rutiininomaisen esitysten luomisen. Tämä antaa ihmisille enemmän aikaa tärkeille keskusteluille ja päätöksille, samalla kun organisaatio säilyttää valvonnan herkillä tiedoilla ja merkittävillä toimilla.

Kun tekoälyagentit kehittyvät avustajista monimutkaisten organisaatioiden toimintakerroksi, mitkä kyvyt on parannettava ennen kuin yritykset voivat turvallisesti automatisoida työnkulkuja, jotka kattavat koko osastot tai liiketoimintayksiköt? 

Agenteille on tarjottava alhaisempi viive ja vahvemmat integraatiot yritysten tietokantoihin, tiedostoihin ja laajempiin järjestelmiin. Tiedon on siirrettävä roolien ja osastojen läpi ilman, että ihmiset tarvitsevät siirtää sitä manuaalisesti tai luoda uusia pullonkauloja.

Vuorovaikutuskerros on myös parannettava. Ääniohjaimet tulisi tuntua normaalilta keskustelulta, jossa henkilö voi keskeyttää ja muuttaa suuntaa, ja yrityksillä on lopulta tarve suorille tavoille hyväksyttyjen agenttien vuorovaikutukseen heidän järjestelmiensä kanssa. Selainautomaatio voi silittää tätä kuilua, mutta teollisuus siirtyy kohti tehokkaampaa rakennetta, koska laskenta ja infrastruktuuri ovat kalliita.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Nventr:ssa.