Jito Chadha, Fondateur et PDG de Nventr – Série d’entretiens

Jito Chadha, Fondateur et PDG de Nventr, est un dirigeant expérimenté dans le domaine de la technologie et un investisseur dont la carrière s’étend à l’intelligence artificielle, à la science des données, au capital-risque et au développement commercial. Depuis la création de Nventr en 2019, il a dirigé le développement des technologies d’intelligence artificielle d’entreprise, tout en occupant également le poste de PDG de la société d’analyse prédictive Rule14. Chadha fait partie de HandsOn Global Management depuis 2007 et est devenu associé en 2013, contribuant à la recherche, à la structuration et à la création de valeur de nombreuses transactions tout en dirigeant des investissements dans le capital-risque, la science des données et les ressources naturelles.

Nventr est une entreprise d’intelligence artificielle d’entreprise basée à Los Angeles qui développe des technologies pour la création, le déploiement et la gestion d’applications intelligentes et de flux de travail automatisés. Sa plateforme réunit des agents d’intelligence artificielle, des modèles d’apprentissage automatique, des réseaux de neurones, une gestion de données, un traitement de documents intelligents, une visualisation et des outils de développement. Les produits comprennent Agent IO, un système d’exploitation pour l’orchestration d’agents autonomes à travers les fonctions commerciales, et nQube, un constructeur de flux de travail qui prend en charge le développement sans code, à faible code et à code complet, ainsi que le déploiement dans les environnements cloud, sur site et de pointe.

Avant de diriger Nventr et Rule14, vous avez passé des années à rechercher des investissements, à créer de la valeur au sein des sociétés du portefeuille et à travailler sur des initiatives de science des données au sein d’organisations complexes. Comment cette expérience a-t-elle influencé votre décision de créer une plateforme d’intelligence artificielle d’entreprise axée sur les flux de travail plutôt que sur des outils autonomes ?

Le travail au sein des sociétés du portefeuille a révélé le même schéma dans différents entreprises. Chaque organisation avait des informations qui passaient par plusieurs personnes, systèmes et approbations avant que le processus puisse être terminé.

Cette expérience a façonné Nventr autour des flux de travail plutôt que des outils autonomes. L’amélioration d’une seule tâche a une valeur limitée si le résultat ne peut pas passer efficacement à travers le reste de l’organisation. Nous nous sommes concentrés sur la structuration de l’ensemble du processus et sur son exécution à grande échelle.

Nventr combine des actions d’agents, des modèles d’apprentissage automatique et des réseaux de neurones dans des flux de travail d’entreprise évolutifs. Quelles limites avez-vous observées dans les plates-formes d’automatisation conventionnelles qui vous ont conduit à développer cette architecture plus large ? 

Pendant des années, les entreprises fonctionnaient à l’aide de collections d’applications SaaS hébergées dans le cloud et sur site qui pouvaient être lourdes, rigides et coûteuses. Le système de flux de travail, les modèles, les agents et les données de l’entreprise étaient généralement traités comme des couches séparées, ce qui rendait l’automatisation plus large plus difficile.

Nous avons développé une architecture où ces composants peuvent fonctionner ensemble et évoluer de manière indépendante à mesure que la demande change. Le processus n’a pas besoin d’être forcé dans une application fixe ou un type d’environnement de calcul spécifique.

De nombreuses organisations commencent leurs stratégies d’intelligence artificielle en sélectionnant un modèle ou en lançant un chatbot. Selon votre expérience, quels travaux fondamentaux impliquant les données, les autorisations, les processus et l’intégration des systèmes doivent avoir lieu avant qu’un déploiement d’intelligence artificielle puisse produire des résultats significatifs ? 

Une entreprise doit d’abord définir le processus, identifier les informations dont l’agent a besoin et déterminer où ces informations se trouvent. Cela peut impliquer des bases de données, des référentiels de fichiers, des PDF, des articles, des systèmes de messagerie électronique ou d’autres sources de données de l’entreprise qui doivent être rendues disponibles pour l’agent sous une forme utilisable.

L’entreprise doit ensuite définir ce qui se passe après que l’agent reçoive ces informations. Une conversation peut produire une réponse, un résumé, une file d’attente de suivi ou un autre flux de travail d’agent. Des outils approuvés, des autorisations de données et des autorisations d’utilisateur doivent être établis par rôle afin que chaque action se déroule dans un processus défini.

nQube est conçu pour aider les scientifiques des données et les analystes commerciaux à créer, tester, déployer et surveiller des flux de travail alimentés par l’intelligence artificielle. Comment rendez-vous ces capacités accessibles aux non-spécialistes tout en conservant les contrôles techniques nécessaires pour les environnements de production ?

Les gens pensent à l’intelligence artificielle et aux produits logiciels à travers la portée de leur propre rôle et à la manière dont le produit peut rendre leur travail plus facile ou leur permettre d’être plus productif. L’interface devrait leur permettre de décrire ce dont ils ont besoin, de poser des questions et d’ajuster un agent ou un flux de travail à l’aide d’un langage et d’une voix normaux.

Les flux de travail, les processus de calcul et la mise à l’échelle restent en dessous de cette interaction. L’organisation contrôle toujours les outils, les sources de données et les accès attribués à chaque rôle, de sorte qu’un analyste commercial peut utiliser le système sans avoir à gérer directement l’infrastructure.

Le système d’exploitation d’agent de Nventr utilise un agent de coordination pour diriger des agents spécialisés à travers des flux de travail séquentiels et itératifs. Comment la plateforme détermine-t-elle quel agent doit gérer chaque tâche, préserver le contexte entre les agents et gérer un résultat non fiable ? 

Le flux de travail détermine comment une demande passe à travers des étapes définies, des branches et des agents spécialisés. Les informations d’une étape peuvent être résumées et transmises à l’étape suivante afin que l’agent suivant comprenne ce qui s’est passé, ce qui a été demandé et quel suivi doit avoir lieu.

La gestion d’un résultat non fiable dépend du processus et des conséquences de l’action. Les contrôles du flux de travail doivent refléter où le système peut continuer et où le résultat nécessite un examen.

Les entreprises souhaitent de plus en plus utiliser différents modèles de langage à grande échelle, des systèmes d’apprentissage automatique spécialisés et des agents tiers. Comment les organisations doivent-elles concevoir leur infrastructure d’intelligence artificielle pour éviter de devenir dépendantes d’un fournisseur de modèle ou d’une pile technologique ? 

L’infrastructure doit prendre en charge une multitude de modèles et les permettre de fonctionner en parallèle dans le même flux de travail. Un fournisseur peut gérer le composant parole-parole, tandis qu’un autre modèle effectue le raisonnement ou le traitement derrière.

L’outillage doit être choisi en fonction du coût, des performances, de la sécurité, de la latence et de l’ouverture aux fournisseurs de services tiers du client. Certaines entreprises sont à l’aise avec la combinaison de fournisseurs, tandis que d’autres veulent l’agent sur leur propre cloud ou infrastructure dédiée. L’architecture doit prendre en charge les deux approches.

Une fois qu’un agent d’intelligence artificielle peut accéder aux données de l’entreprise et effectuer des actions à travers les systèmes commerciaux, la sécurité devient plus complexe que la protection d’une interface de conversation. Quels contrôles doivent régir les autorisations, l’autonomie et la capacité d’un agent à initier des actions ayant des conséquences ?

L’accès doit être contrôlé par rôle, projet et flux de travail. Un agent ne doit être en mesure d’utiliser les informations, les outils et les actions approuvés pour ce contexte, avec des demandes en dehors de cette portée envoyées pour autorisation.

Le niveau d’autonomie doit refléter la sensibilité des données et les conséquences de l’action. Pour les transactions impliquant de l’argent, des informations privées ou d’autres résultats importants, l’entreprise doit être en mesure de voir ce que l’agent fait et exiger une approbation avant l’achèvement.

Nventr présente des applications dans des domaines tels que le traitement de documents, le service client, la création de rapports, la communication dans le domaine de la santé et la détection de la fraude. Quels caractéristiques techniques ou opérationnelles rendent un flux de travail adapté à l’automatisation d’agents, et quels processus devraient rester principalement dirigés par les humains ? 

Nous équilibrons le nombre de personnes ou le coût associé à un processus par rapport à sa complexité et à sa viabilité pour l’automatisation. Un processus peut être coûteux ou exiger beaucoup de main-d’œuvre et être encore le mauvais endroit pour commencer s’il est trop complexe ou peu fiable pour être automatisé de manière efficace.

L’approche générale consiste à viser les fruits les plus bas avec l’impact le plus important. Cette formule est fractale car elle peut être appliquée à un rôle, à plusieurs départements ou à une organisation entière. Les processus impliquant l’incertitude ou des jugements ayant des conséquences devraient continuer à impliquer des humains.

Vous avez discuté de l’idée selon laquelle les employés auront finalement des homologues d’intelligence artificielle qui gèrent les éléments répétitifs de leur travail. Comment cela pourrait-il modifier les structures organisationnelles, et qu’est-ce que les dirigeants devraient faire pour s’assurer que ces systèmes renforcent le jugement humain plutôt que de le supprimer progressivement des décisions importantes ? 

L’idée est de donner à chaque personne sur la feuille de paie un agent corollaire qui peut apprendre des parties du travail au fil du temps. À travers une plus grande partie de l’organisation, cela crée une intelligence et une optimisation centralisées sur l’organigramme plutôt que de limiter le bénéfice à un ou deux employés.

L’agent peut prendre en charge le travail répétitif tel que la collecte d’informations, le déplacement de données ou la création de présentations routinières. Cela donne aux gens plus de temps pour les discussions et les décisions importantes, tandis que l’organisation conserve l’autorité sur les informations sensibles et les actions ayant des conséquences.

À mesure que les agents d’intelligence artificielle évoluent d’assistants à une couche d’exploitation pour les organisations complexes, quels sont les capacités qui doivent s’améliorer le plus avant que les entreprises puissent automatiser en toute sécurité les flux de travail qui s’étendent sur l’ensemble des départements ou des unités commerciales ? 

Les agents ont besoin d’une latence plus faible et d’intégrations plus solides avec les bases de données de l’entreprise, les fichiers et les grands systèmes. Les informations doivent passer d’un rôle à un autre et d’un département à l’autre sans nécessiter que les gens les transfèrent manuellement ou créent de nouveaux goulets d’étranglement.

L’interaction doit également s’améliorer. Les agents vocaux devraient ressembler à une conversation normale où une personne peut interrompre et changer de direction, et les entreprises finauront besoin de moyens directs pour que les agents autorisés interagissent avec leurs systèmes. L’automatisation du navigateur peut combler le fossé, mais l’industrie évoluera vers une structure plus efficace car le calcul et l’infrastructure ont un coût.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Nventr.