Ravi Bommakanti, App Orchidin CTO – Haastattelusarja

Ravi Bommakanti, App Orchidin teknologiajohtaja, johtaa yrityksen tehtävää auttaa yrityksiä käyttämään AI:ta sovelluksissa ja päätöksentekoprosesseissa. App Orchidin lippulaiva-tuote, Easy Answers, mahdollistaa käyttäjien vuorovaikutuksen tietojen kanssa luonnollisen kielen avulla ja luo AI-pohjaiset kojut, oivallukset ja suositukset.

Alusta yhdistää rakenteiset ja rakenteettomat tiedot, mukaan lukien reaaliaikaiset syötteet ja työntekijöiden tietämys, ennustavaan tietopohjaan, joka tukee strategisia ja operatiivisia päätöksiä. Muistissa olevan Big Data -teknologian ja käyttäjäystävällisen käyttöliittymän avulla App Orchid sujuvoittaa AI:n omaksumisen nopean käyttöönoton, edullisen toteutuksen ja vähäisen häiriön olemassa oleviin järjestelmiin.

Aloita suurella kuvalla – mitä “agentic AI” tarkoittaa sinulle, ja miten se eroaa perinteisistä AI-järjestelmistä?

Agentic AI edustaa perustavaa muutosta staattisesta suorituksesta, joka on tyypillistä perinteisille AI-järjestelmille, dynaamiseen orkestraatioon. Se on siirtymistä joustamattomista, ennalta ohjelmoituista järjestelmistä autonomisiin, sopeutuvaisiin ongelmanratkaisijoihin, jotka voivat päättää, suunnitella ja tehdä yhteistyötä.

Se, mikä erottaa agentic AI:n todella, on sen kyky hyödyntää tietämyksen ja asiantuntemuksen jakautuneisuutta. Perinteinen AI toimii usein kiinteiden rajojen sisällä, seuraamalla ennalta määrättyjä polkuja. Agentic-järjestelmät voivat kuitenkin hajottaa monimutkaisia tehtäviä, tunnistaa oikeat erikoistuneet agentit alitehtäville – mahdollisesti löytämällä ja hyödyntämällä niitä agenttirekistereiden kautta – ja orkesteroida niiden vuorovaikutusta syntetisoidakseen ratkaisun. Tämä agenttirekisterien käsite mahdollistaa organisaatioiden “vuokrata” erikoistuneita kykyjä tarpeen mukaan, jäljitellen siten, miten ihmisten asiantuntijatiimit kootaan, eikä jokaisen AI-toiminnon rakentamista tai omistamista sisällä.

Joten, sen sijaan, että olisimme monoliittisia järjestelmiä, tulevaisuus on luomassa ekosysteemejä, joissa erikoistuneet agentit voidaan dynaamisesti koostaa ja koordinoida – kuin taitava projektipäällikkö, joka johtaa tiimiä – ratkaisemaan monimutkaisia ja kehittyviä liiketoimintahaasteita tehokkaasti.

Miten Google (GOOGL ) Agentspace kiihdyttää agentic AI:n omaksumista yrityksissä, ja mikä on App Orchidin rooli tässä ekosysteemissä?

Google Agentspace on merkittävä kiihdyttäjä yritysten AI-omaksumiselle. Tarjoamalla yhdenmukaisen perustan älykkäiden agenttien käyttöönotolle ja hallinnolle, jotka liittyvät eri työsovelluksiin, ja hyödyntämällä Google:n voimakasta hakua ja malleja, kuten Gemini, Agentspace mahdollistaa yritysten muuttaa eristetyt tiedot toimivaksi älykkyydeksi yhteisen käyttöliittymän kautta.

App Orchid toimii elintärkeänä semanttisena mahdollistamisena tässä ekosysteemissä. Kun Agentspace tarjoaa agenttien infrastruktuurin ja orkestraatiopohjan, Easy Answers -alustamme ratkaisee kriittisen yritysten haasteen, tehdä monimutkaiset tiedot ymmärrettäviksi ja saataviksi agenteille. Käytämme ontologiajohtoisia lähestymistapaa rakentamaan rikkaat tietämyksenhakemistot yritysten tietojen perusteella, jotka sisältävät liiketoimintakontekstin ja suhteet – täsmälleen ymmärrys, jota agenteille tarvitaan.

Tämä luo voimakkaan synergian: Agentspace tarjoaa vahvan agenttien infrastruktuurin ja orkestraatiokapasiteetit, kun taas App Orchid tarjoaa syvän semanttisen ymmärryksen monimutkaisista yritysten tietoja, joita nämä agentit tarvitsevat toimimaan tehokkaasti ja tarjoamaan merkityksellisiä liiketoimintaoivalluksia. Yhteistyömme Google Cloud Cortex Frameworkin kanssa on esimerkki tästä, joka auttaa asiakkaita vähentämään tietojen valmisteluaikaa jopa 85 prosentilla, samalla kun hyödyntää alustamme johtavaa 99,8 prosentin teksti-SQL-tarkkuutta luonnollisen kielen kyselyiden osalta. Yhdessä me mahdollistamme yritysten käyttöönottoon agentic AI -ratkaisuja, jotka todella ymmärtävät heidän liiketoimintakieltään ja tietojen yksityiskohtia, kiihdyttäen ajan arvoon.

Mitä ovat todelliset esteet, joita yritykset kohtaavat agentic AI:n omaksumisessa, ja miten App Orchid auttaa heitä voittamaan nämä?

Pääesteet, joita näemme, liittyvät tietojen laatuun, turvallisuusstandardeiden kehittymiseen – erityisesti varmistaen agenttien luottamuksellisuutta – ja hallitsemaan tietämyksen ja agenttien kykyjen jakautuneisuutta.

Tietojen laatu on edelleen perusongelma. Agentic AI, kuten mikä tahansa AI, tarjoaa epäluotettavia tuloksia, jos sille syötetään huonoja tietoja. App Orchid ratkaisee tämän perustavanlaatuisesti luomalla semanttisen kerroksen, joka kontekstualisoi erilaiset tietolähteet. Tämän päälle rakentamalla ainutlaatuinen joukkorahoitusominaisuus Easy Answersissa kutsuu liiketoimintakäyttäjiä koko organisaatiosta – niitä, jotka ymmärtävät parhaiten tietojen merkityksen – yhteistyöhön tunnistamaan ja osoittamaan tietojen aukkoja ja epäjohdonmukaisuuksia, parantaen merkittävästi luotettavuutta.

Turvallisuus esittää toisen kriittisen esteen, erityisesti kun agenttien välinen viestintä yleistyy, mahdollisesti kattaa sekä sisäisiä että ulkoisia järjestelmiä. Varmistaaksesi luotettavat mekanismit agenttien luottamukselle ja ylläpitääkseen hallintoa ilman tarpeettoman vuorovaikutuksen tukahduttamista on avainasemassa. Alustamme keskittyy toteuttamaan turvallisuuskehyksiä, jotka on suunniteltu näille dynaamisille vuorovaikutuksille.

Lopulta, tietämyksen ja kykyjen hyödyntäminen tehokkaasti edellyttää edistynyttä orkestraatiota. App Orchid hyödyntää käsitteitä, kuten Model Context Protocol (MCP), josta tulee yhä tärkeämpää. Tämä mahdollistaa dynaamisen erikoistuneiden agenttien lähdekanavien perusteella kontekstuaalisista tarpeista, helpottaen virtaavia, sopeutuvia työnkulkuja sen sijaan, että olisi joustamattomia, ennalta määriteltyjä prosesseja. Tämä lähestymistapa on linjassa kehittyvien standardien kanssa, kuten Google Agent2Agent -protokollan, joka on suunniteltu standardoimaan monien agenttien järjestelmissä tapahtuvaa viestintää. Autamme organisaatioita rakentamaan luotettavia ja tehokkaita agentic AI -ratkaisuja osoittamalla nämä esteet.

Voitko kuljettaa meidät läpi Easy Answersin toiminnan – luonnollisesta kielen kyselystä oivalluksen luomiseen?

Easy Answers muuttaa, miten käyttäjät vuorovaikuttavat yritysten tietojen kanssa, tehdäkseen sofistikoituneen analytiikan saataville luonnollisen kielen kautta. Tässä on, miten se toimii:

• Yhdistäminen: Aloitan yhdistämällä yrityksen tietolähteisiin – tuemme yli 200 yleistä tietokantaa ja järjestelmää. Olennaisesti, tämä usein tapahtuu ilman tietojen siirtämistä tai monistamista, yhdistäen turvallisesti tietoihin, missä ne sijaitsevat.
• Ontologian luominen: Alustamme analysoi automaattisesti yhdistetyt tiedot ja luo kattavan tietämyksenhakemiston. Tämä rakentaa tiedot liiketoimintakeskeisiin entiteetteihin, jotka kutsuvat Managed Semantic Objects (MSO):ksi, ja tallentaa niiden väliset suhteet.
• Metatietojen rikastaminen: Tämä ontologia rikastetaan metatiedoilla. Käyttäjät antavat yleiskuvauksia, ja AI generoi yksityiskohtaiset kuvaukset kullekin MSO:lle ja sen ominaisuuksille (kentille). Tämä yhdistetty metatieto tarjoaa syvän kontekstin tietojen merkityksestä ja rakenteesta.
• Luonnollinen kielen kysely: Käyttäjä esittää kysymyksen selkeällä liiketoimintakielenä, kuten “Näytä myyntitrendit tuotteelle X länsialueella verrattuna edelliseen neljännekseen.”
• Tulkinta ja SQL:n generointi: NLP-moottorimme käyttää rikasta metatietoa tietämyksenhakemistossa ymmärtääkseen käyttäjän aikomuksen, tunnistaa relevantit MSO:t ja suhteet ja kääntää kysymyksen tarkkaan tietokyselyiksi (kuten SQL). Saavutamme johtavan 99,8 prosentin teksti-SQL-tarkkuuden tässä.
• Oivalluksen luominen (Curations): Järjestelmä hakee tiedot ja määrittää tehokkaimman tavan esittää vastauksen visuaalisesti. Alustassamme nämä interaktiiviset visualisoinnit ovat “curations”. Käyttäjät voivat automaattisesti generoida tai esikonfiguroida ne vastaamaan tiettyjä tarpeita tai standardeja.
• Syvempi analyysi (Quick Insights): Monimutkaisempiin kysymyksiin tai proaktiiviseen löytämiseen käyttäjät voivat hyödyntää Quick Insights -ominaisuutta. Tämä ominaisuus mahdollistaa heidän soveltaa ML-algoritmeja, jotka toimitetaan alustan kanssa, määriteltyihin tietokenttiin automaattisesti havaitsemaan kuvioita, tunnistamaan poikkeamat tai vahvistamaan hypoteeseja ilman tarvitsevaan data-analytiikan asiantuntemusta.

Koko tämä prosessi, usein valmis sekunneissa, demokratisoi tietojen käytön ja analytiikan, muuttaen monimutkaisen tietojen tutkimisen yksinkertaiseksi keskusteluksi.

Miten Easy Answers siltaa eristyneitä tietoja suurissa yrityksissä ja varmistaa, että oivallukset ovat selitettävissä ja jäljitettävissä?

Tietosilot ovat suuri este suurissa yrityksissä. Easy Answers ratkaisee tämän perusongelman ainutlaatuisella semanttisella kerroksella.

Sen sijaan, että fyysisesti konsolidoitaisiin tietoja, luomme virtuaalisen semanttisen kerroksen. Alustamme luo yhdenmukaisen loogisen näkymän yhdistämällä erilaisiin tietolähteisiin, missä ne sijaitsevat. Tämä kerros on voimassa tietämyksenhakemistoteknologialla, joka kartoittaa tiedot liiketoimintakeskeisiin entiteetteihin (MSO), määrittää niiden suhteet ja rikastaa ne kontekstuaalisilla metatiedoilla. Tämä luo yhteisen liiketoimintakielen, joka on ymmärrettävissä sekä ihmisille että AI:lle, siltaa tehokkaasti tekniset tietorakenteet (taulut, sarakkeet) liiketoimintamerkitykseen (asiakkaat, tuotteet, myynti), riippumatta siitä, missä tiedot fyysisesti sijaitsevat.

Varmistaaksesi, että oivallukset ovat luotettavia, tarvitaan sekä jäljitettävyys että selitettävyys:

• Jäljitettävyys: Tarjoamme kattavan tietojen jäljityksen. Käyttäjat voivat tarkastella curationsista tai oivalluksista alkuperäisiin tietoihin, nähdä kaikki sovelletut muunnokset, suodattimet ja laskelmat. Tämä tarjoaa täydellisen läpinäkyvyyden ja tarkastelukelpoisuuden, joka on välttämätöntä validointiin ja vaatimustenmukaisuuteen.
• Selitettävyys: Oivallukset ovat luonnollisen kielen selitysten kanssa. Nämä yhteenvedot kuvaavat, mitä tiedot osoittavat ja miksi se on merkittävää liiketoiminnan kannalta, kääntäen monimutkaiset löydökset toimivaksi ymmärrykseksi laajalle yleisölle.

Tämä yhdistää siltoja luomalla yhdenmukaisen semanttisen näkymän ja rakentaa luottamusta selkeän jäljitettävyyden ja selitettävyyden kautta.

Miten järjestelmänne varmistaa läpinäkyvyyden oivalluksissa, erityisesti säännellyissä aloissa, joissa tietojen jäljittäminen on kriittistä?

Läpinäkyvyys on ehdottoman välttämätöntä AI-pohjaisissa oivalluksissa, erityisesti säännellyissä aloissa, joissa tarkasteltavuus ja puolustettavuus ovat olennaisia. Lähestymistapamme varmistaa läpinäkyvyyden kolmella avainalueella:

• Tietojen jäljittäminen: Tämä on perustavanlaatuista. Kuten mainittu, Easy Answers tarjoaa loppupäähän tietojen jäljityksen. Jokainen oivallus, visualisointi tai numero voidaan jäljittää tarkasti koko elinkaarensa ajan – alkuperäisistä tietolähteistä läpi kaikki sovelletut muunnokset, suodattimet ja laskelmat – tarjoamalla verifioidun tietojen alkuperän, jota sääntelijät vaativat.
• Menetelmän näkyvyys: Vältämme “mustan laatikon” ongelman. Kun analytiikkaa tai ML-malleja käytetään (esim. Quick Insightsin kautta), alusta dokumentoi selvästi käytetyn menetelmän, käytetyt parametrit ja relevantit arviointimittarit. Tämä varmistaa, että “miten” taustalla oivallukselle on yhtä läpinäkyvää kuin “mitä” itse oivallus.
• Luonnollisen kielen selitys: Kääntäminen teknisiä tuloksia ymmärrettävään liiketoimintakontekstiin on olennaisen tärkeää läpinäkyvyydelle. Jokainen oivallus on pariskunnassa luonnollisen kielen selitysten kanssa, jotka kuvaavat löydökset, niiden merkityksen ja mahdolliset rajoitukset, varmistaen selkeän ymmärryksen kaikille sidosryhmille, mukaan lukien noudattamisjohtajat ja tarkastajat.

Lisäksi sisällytämme lisäksi hallintotoimintoja aloille, joilla on tietyt vaatimukset, kuten roolipohjaiset pääsyoikeudet, hyväksymisvirrat tiettyjen toimien tai raporttien osalta ja kattavat audit-lokit, jotka seuraavat käyttäjän toimintaa ja järjestelmän toimintoja. Tämä usean kerroksen lähestymistapa varmistaa, että oivallukset ovat tarkkoja, täysin läpinäkyviä, selitettäviä ja puolustettavissa.

Miten App Orchid muuttaa AI-pohjaiset oivallukset toimiin ominaisuuksilla, kuten Generative Actions?

Oivallusten generointi on arvokasta, mutta todellinen tavoite on ajaa liiketoimintatuloksia. Oikeiden tietojen ja kontekstin kanssa agentic-ekosysteemi voi ajaa toimia siltaamaan kriittisen aukon oivalluksen löytämisestä konkreettiseen toimeen, siirtäen analytiikkaa passiivisesta raportointifunktiosta aktiiviseksi parantamisen ajureksi.

Tässä on, miten se toimii: Kun Easy Answers -alusta tunnistaa merkittävän kuvion, trendin, poikkeaman tai mahdollisuuden analyysinsä kautta, se käyttää AI:ta ehdottamaan tarkasti määriteltyjä, kontekstuaalisesti relevantteja toimia, joita voidaan tehdä vastauksena.

Nämä ehdotukset eivät ole epämääräisiä ehdotuksia; ne ovat konkreettisia suosituksia. Esimerkiksi sen sijaan, että pelkästään merkintä asiakkaista, joilla on korkea vaara siirtyä pois, se saattaa suositella tarkasti kohdennettuja pidätys tarjouksia eri segmenteille, mahdollisesti laskien odotetun vaikutuksen tai ROI:n ja jopa luoden viestintäpohjia. Kun generoimassa näitä suosituksia, järjestelmä ottaa huomioon liiketoimintasäännöt, rajoitukset, historialliset tiedot ja tavoitteet.

Olivatpa suositukset olennaisia. Suositeltuja toimia esitetään asianmukaisille käyttäjille tarkastelua, muokkausta, hyväksymistä tai hylkäämistä varten. Tämä varmistaa, että liiketoimintapäätöksenteko säilyy keskeisellä asemalla päätöksentekoprosessissa, kun taas AI hoitaa raskaan työn oivallusten tunnistamisessa ja potentiaalisten vastausten muotoilussa.

Kun toimi on hyväksytty, voimme käynnistää agentic-virtauksen vaivattomaan suorittamiseen integraatioiden kautta operatiivisilla järjestelmillä. Tämä voi tarkoittaa työnkulkujen käynnistämistä CRM-järjestelmässä, ennusteiden päivittämistä ERP-järjestelmässä, kohdennettujen markkinointitehtävien käynnistämistä tai muiden relevanttien liiketoimintaprosessien aloittamista – sulkiessaan siten aukon oivalluksesta suoraan tulokseen.

Miten tietämyksenhakemistot ja semanttiset tietomallit ovat alustanne menestyksen avain?

Tietämyksenhakemistot ja semanttiset tietomallit ovat absoluuttinen ydin Easy Answers -alustalle; ne korottavat sen perinteisten BI-työkalujen yläpuolelle, jotka usein kohdeltavat tietoja irrallaan olevina tauluina ja sarakkeina, joilta puuttuu todellinen liiketoimintakonteksti. Alustamme käyttää niitä luomaan älykkään semanttisen kerroksen yritysten tietojen ylle.

Tämä semanttinen perusta on keskeinen menestyksemme kannalta useista avainsyistä:

• Mahdollistaa todellisen luonnollisen kielen vuorovaikutuksen: Semanttinen malli, joka on rakennettu tietämyksenhakemistona Managed Semantic Objects (MSO) -kohteilla, ominaisuuksilla ja määritellyillä suhteilla, toimii “Rosetta-kivenä”. Se kääntää ihmisten kielen ja liiketoimintasanaston hienoudet tarkkaan tietokyselyiksi (kuten SQL), jotta käyttäjät voivat esittää kysymyksiä luonnollisella tavalla ilman, että heidän tarvitsee tietää perustuvia skeemoja. Tämä on avainasemassa saavuttamassa korkeaa teksti-SQL-tarkkuutta.
• Säilyttää kriittisen liiketoimintakontekstin: Toisin kuin yksinkertaiset relaatiot, tietämyksenhakemistomme tallentaa eksplisiittisesti rikkaan, monimutkaisen verkon suhteita liiketoimintakohteiden välillä (esim. miten asiakkaat vuorovaikuttavat tuotteiden kanssa tukipyyntöjen ja ostotilauksien kautta). Tämä mahdollistaa syvemmän, kontekstuaalisemman analyysin, joka heijastaa, miten liiketoiminta toimii.
• Tarjoaa sopeutumiskyvyn ja skaalautuvuuden: Semanttiset mallit ovat joustavampia kuin joustamattomat skeemat. Kun liiketoimintatarpeet kehittyvät tai uusia tietolähteitä lisätään, tietämyksenhakemisto voidaan laajentaa ja muokata asteittain ilman, että koko uudelleenrakennusta vaaditaan, säilyttäen johdonmukaisuutta sopeutuessa muutokseen.

Tämä syvä ymmärrys tietokontekstista, jonka semanttinen kerros tarjoaa, on perustavanlaatuista kaikelle, mitä Easy Answers tekee, aina perus kysymys-vastaus -toiminnosta edistyneisiin kuvioita havainnoivaan Quick Insightsiin, ja se muodostaa olennaisen perustan tuleville agentic AI -ominaisuuksille, varmistaen, että agentit voivat päättää tietojen merkityksellisyydestä.

Mitä perusmalleja tuette, ja miten sallitte organisaatioiden tuoda omat AI/ML-mallit työnkulkuun?

Uskomme avoimeen ja joustavaan lähestymistapaan, tunnustaen AI:n nopean kehityksen ja kunnioittaen organisaatioiden olemassa olevia investointeja.

Perusmallien osalta ylläpidämme integraatioita johtavien vaihtoehtojen kanssa useilta toimittajilta, mukaan lukien Google Gemini -perhe, OpenAI:n GPT-mallit ja merkittävät avoimen lähdekoodin vaihtoehdot, kuten Llama. Tämä mahdollistaa organisaatioiden valita mallit, jotka parhaiten sopivat heidän suorituskyvyn, kustannus-, hallinto- tai erityistarpeisiinsa. Nämä mallit voimaavat useita alustan ominaisuuksia, mukaan lukien luonnollisen kielen ymmärtäminen kyselyissä, SQL:n generointi, oivalluksen yhteenveto ja metatiedon generointi.

Lisäksi tarjoamme vahvat reitit organisaatioille tuoda omat mukautetut AI/ML-mallit Easy Answers -työnkulkuun:

• Malleja, jotka on kehitetty Pythonilla, voidaan usein integroida suoraan AI-moottorimme kautta.
• Tarjoamme helpon integraatiomahdollisuuden suurten pilvi-ML-alustojen kanssa, kuten Google Vertex AI ja Amazon (AMZN ) SageMaker, jolloin mallit, jotka on koulutettu ja isännöity siellä, voidaan kutsua.

Olennaisesti, semanttinen kerros pelaa tärkeän roolin tekemällä näistä mahdollisesti monimutkaisista mukautetuista malleista saatavilla ei-tekniikkaisten liiketoimintakäyttäjien käyttöön. Linkkimällä mallien syötteet ja tulosteen liiketoimintakäsitteisiin, jotka on määritelty tietämyksenhakemistossa (MSO ja ominaisuudet), mahdollistamme ei-tekniikkaisten liiketoimintakäyttäjien hyödyntää edistyneitä ennustavia, luokittelumalleja tai kausaalisia malleja (esim. Quick Insightsin kautta) ilman, että heidän tarvitsee ymmärtää perustavaa data-analytiikkaa – he vuorovaikuttavat tuttuja liiketoimintatermejä, ja alusta huolehtii teknisestä käännöksestä. Tämä todella demokratisoi pääsyn edistyneisiin AI/ML-kykyihin.

Mitä trendejä näet muotoilevan seuraavan aallon yritysten AI:ta – erityisesti agenttien markkinapaikoissa ja ei-koodin agenttien suunnittelussa?

Seuraava aalto yritysten AI:ta on siirtymässä dynaamisiin, koostettaviin ja yhteistyöhön perustuviin ekosysteemeihin. Useat yhdistyvät trendit ajavat tätä:

• Agenttien markkinapaikat ja rekisterit: Näemme merkittävän kasvun agenttien markkinapaikoissa, jotka toimivat rinnakkain sisäisten agenttirekisterien kanssa. Tämä siirtää monoliittisista rakenteista “vuokraa ja koosta” -malliin, jossa yritykset voivat dynaamisesti löytää ja integroida erikoistuneita agenteja – sisäisiä tai ulkoisia – tietyillä kyvyillä tarpeen mukaan, nopeuttaen ratkaisujen käyttöönottoa dramaattisesti.
• Standardoitu agenttien viestintä: Nämä ekosysteemit toimimaan, agenteille tarvitaan yhteisiä kieliä. Standardoidut agenttien välisen viestinnän protokollat, kuten MCP (Model Context Protocol), jota käytämme, ja aloitteet, kuten Google Agent2Agent -protokolla, ovat olennaisia mahdollistaakseen vaivattoman yhteistyön, kontekstin jakamisen ja tehtävien siirtämisen agenttien välillä, riippumatta siitä, kuka ne on rakentanut tai missä ne toimivat.
• Dynaaminen orkestraatio: Statiset, ennalta määrätyt työnkulut antavat tilaa dynaamiselle orkestraatiolle. Älykkäät orkestraatiokerrokset valitsevat, konfiguroivat ja koordinoivat agenteja suoritusajassa tietyssä ongelman kontekstissa, johtaen paljon sopeutuvampiin ja kestävämmpiin järjestelmiin.
• Ei-koodi/low-koodi agenttien suunnittelu: Demokratia laajenee agenttien luomiseen. Ei-koodi- ja low-koodi-alustat voivat valtuuttaa liiketoimintatutkijoita, ei vain AI-asiantuntijoita, suunnittelemaan ja rakentamaan agenteja, jotka sisältävät tietyt toimialatiedot ja liiketoimintalogiikkaa, edelleen rikastamaan saatavilla olevien erikoistuneiden kykyjen varastoa.

App Orchidin rooli on tarjoamalla kriittinen semanttinen perusta tulevaisuudelle. Agenttien tässä dynaamisessa ekosysteemissä heidän on ymmärrettävä yritysten tietoja. Semanttinen kerros ja tietämyksenhakemisto tarjoavat tämän kontekstuaalisen ymmärryksen, mahdollistaen agenteille päättää ja toimia tietojen merkityksellisyydestä relevantissa liiketoimintatermeissä.

Miten näet CTO:n roolin kehittyvän tulevaisuudessa, jossa päätöksenteko on demokratisoitu agentic AI:n kautta?

Agentic AI:n kautta tapahtuva päätöksenteon demokratisointi kohottaa CTO:n roolia olennaisesti. Se siirtää fokuksen pääasiassa teknologia-infrastruktuurin huoltajasta strategiseksi orkestraattoriksi organisaation älykkyydelle.

Avainkehityksiä ovat:

• Järjestelmien hallinnasta ekosysteemien arkkitehdiksi: Fokus siirtyy hallinnoimasta eristyneitä sovelluksia suunnittelemiseen, kuraamiseen ja hallinnoimiseen dynaamisiin agenttien, tietolähteiden ja analytiikkaominaisuuksien ekosysteemeihin. Tämä sisältää hyödyntämisen agenttien markkinapaikkoja ja rekisterejä.
• Tietostrategia keskeisenä liiketoimintastrategiana: Varmistaminen, että tiedot eivät ole vain saatavilla, vaan myös semanttisesti rikkaat, luotettavat ja saatavilla, tulee olennaiseksi. CTO on keskeisessä asemassa rakentamassa tietämyksenhakemistoperustaa, joka voimaa älykkäitä järjestelmiä koko yrityksessä.
• Uudet hallintamallit: Uudet hallintamallit tulevat olemaan tarpeen agentic AI:lle – koskien agenttien luottamusta, turvallisuutta, eettistä AI-käyttöä, automaattisten päätösten tarkasteltavuutta ja emergenttisten käyttäytymisen hallintaa agenttien yhteistyössä.
• Sopeutuvuuden edistäminen: CTO on avainasemassa upottamassa sopeutuvuutta organisaation tekniseen ja operatiiviseen kangasosaan, luomalla ympäristöjä, joissa AI-pohjaiset oivallukset johtavat nopeisiin vastauksiin ja jatkuvaan oppimiseen.
• Ihmisen ja AI:n yhteistyön edistäminen: Tärkeä asia on kasvattaa kulttuuria ja suunnitella järjestelmiä, joissa ihmiset ja AI-agentit työskentelevät synergisesti, täydentäen toistensa vahvuuksia.

Lopulta, CTO muuttuu enemmän kuin pelkästään IT-kustannusten hallinnasta maksimoimaan organisaation “älykkyyden potentiaalia”. Se on siirtymä kohti olemista todellisena strategisena kumppanina, mahdollistaen koko liiketoiminnan toimia älykkäämmin ja sopeutuvammin yhä monimutkaisemmassa maailmassa.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla App Orchid -sivustolla.