Ravi Bommakanti, CTO d’App Orchid – Série d’entretiens

Ravi Bommakanti, Directeur technique d’App Orchid, dirige la mission de l’entreprise pour aider les entreprises à opérationnaliser l’IA à travers les applications et les processus de prise de décision. Le produit phare d’App Orchid, Easy Answers™, permet aux utilisateurs d’interagir avec les données à l’aide de langage naturel pour générer des tableaux de bord, des insights et des actions recommandées alimentés par l’IA.

La plateforme intègre les données structurées et non structurées, y compris les entrées en temps réel et les connaissances des employés, dans un tissu de données prédictives qui soutiennent les décisions stratégiques et opérationnelles. Avec la technologie Big Data en mémoire et une interface utilisateur conviviale, App Orchid rationalise l’adoption de l’IA grâce à un déploiement rapide, une mise en œuvre à faible coût et une perturbation minimale des systèmes existants.

Commençons par le tableau d’ensemble – qu’est-ce que signifie “l’IA agente” pour vous, et comment diffère-t-elle des systèmes d’IA traditionnels ?

L’IA agente représente un changement fondamental par rapport à l’exécution statique typique des systèmes d’IA traditionnels vers une orchestration dynamique. Pour moi, il s’agit de passer de systèmes rigides et préprogrammés à des résolveurs de problèmes autonomes et adaptables qui peuvent raisonner, planifier et collaborer.

Ce qui distingue vraiment l’IA agente, c’est sa capacité à exploiter la nature distribuée des connaissances et de l’expertise. Les systèmes d’IA traditionnels fonctionnent souvent dans des limites fixes, suivant des chemins prédéterminés. Les systèmes agents, cependant, peuvent décomposer des tâches complexes, identifier les agents spécialisés appropriés pour les sous-tâches – potentiellement en les découvrant et en les exploitant via des registres d’agents – et orchestrer leur interaction pour synthétiser une solution. Ce concept de registres d’agents permet aux organisations d’« emprunter » des capacités spécialisées au besoin, en miroir de la façon dont les équipes d’experts humains sont assemblées, plutôt que d’être forcées de construire ou de posséder chaque fonctionnalité d’IA à l’interne.

Au lieu de systèmes monolithiques, l’avenir réside dans la création d’écosystèmes où des agents spécialisés peuvent être composés et coordonnés de manière dynamique – comme un chef de projet expérimenté dirigeant une équipe – pour répondre efficacement aux défis commerciaux complexes et évolutifs.

Comment Google (GOOGL ) Agentspace accélère-t-il l’adoption de l’IA agente dans les entreprises, et quel est le rôle d’App Orchid dans cet écosystème ?

Google Agentspace est un accélérateur significatif pour l’adoption de l’IA d’entreprise. En fournissant une fondation unifiée pour déployer et gérer des agents intelligents connectés à diverses applications de travail, et en exploitant la puissante recherche et les modèles de Google tels que Gemini, Agentspace permet aux entreprises de transformer les informations cloisonnées en intelligence actionnable via une interface commune.

App Orchid agit comme une couche d’activation sémantique essentielle dans cet écosystème. Alors qu’Agentspace fournit l’infrastructure et le cadre d’orchestration des agents, notre plateforme Easy Answers s’attaque au défi critique de l’entreprise consistant à rendre les données complexes compréhensibles et accessibles aux agents. Nous utilisons une approche basée sur l’ontologie pour construire des graphes de connaissances riches à partir des données d’entreprise, complètes avec le contexte commercial et les relations – exactement la compréhension dont les agents ont besoin.

Cela crée une synergie puissante : Agentspace fournit la robuste infrastructure des agents et les capacités d’orchestration, tandis qu’App Orchid fournit la profonde compréhension sémantique des données d’entreprise complexes que ces agents nécessitent pour fonctionner efficacement et fournir des insights commerciaux significatifs. Notre collaboration avec le cadre Google Cloud Cortex Framework est un exemple premier, aidant les clients à réduire considérablement le temps de préparation des données (jusqu’à 85 %) tout en exploitant l’industrie la précision de 99,8 % du texte-à-SQL de notre plateforme pour l’interrogation en langage naturel. Ensemble, nous permettons aux organisations de déployer des solutions d’IA agente qui comprennent vraiment leur langage commercial et les complexités de leurs données, accélérant ainsi le temps de valorisation.

Quels sont les obstacles réels que les entreprises rencontrent lors de l’adoption de l’IA agente, et comment App Orchid les aide à les surmonter ?

Les principaux obstacles que nous voyons tournent autour de la qualité des données, du défi de l’évolution des normes de sécurité – en particulier pour assurer la confiance entre les agents – et de la gestion de la nature distribuée des connaissances et des capacités d’entreprise.

La qualité des données reste le problème fondamental. L’IA agente, comme toute IA, fournit des sorties non fiables si elle est alimentée par de mauvaises données. App Orchid aborde cela de manière fondamentale en créant une couche sémantique qui contextualise les sources de données disparates. En s’appuyant sur cela, nos fonctionnalités de crowdsourcing uniques au sein d’Easy Answers impliquent les utilisateurs métier de l’entreprise – ceux qui comprennent le mieux le sens des données – pour identifier et résoudre de manière collaborative les lacunes et les incohérences des données, améliorant ainsi considérablement la fiabilité.

La sécurité présente un autre obstacle critique, en particulier à mesure que la communication entre les agents devient courante, potentiellement s’étendant à des systèmes internes et externes. Établir des mécanismes solides pour la confiance entre les agents et maintenir la gouvernance sans entraver les interactions nécessaires est clé. Notre plateforme se concentre sur la mise en œuvre de cadres de sécurité conçus pour ces interactions dynamiques.

Enfin, l’exploitation efficace des connaissances et des capacités distribuées nécessite une orchestration avancée. App Orchid exploite des concepts tels que le Protocole de contexte de modèle (MCP), qui est de plus en plus crucial. Cela permet la recherche dynamique d’agents spécialisés à partir de référentiels en fonction des besoins contextuels, facilitant ainsi des flux de travail fluides et adaptables plutôt que des processus rigides et prédéfinis. Cette approche s’aligne sur les normes émergentes, telles que le protocole Agent2Agent de Google, conçu pour normaliser la communication dans les systèmes multi-agents. Nous aidons les organisations à construire des solutions d’IA agente fiables et efficaces en abordant ces obstacles.

Pouvez-vous nous guider à travers le fonctionnement d’Easy Answers – de la requête en langage naturel à la génération d’insights ?

Easy Answers transforme la façon dont les utilisateurs interagissent avec les données d’entreprise, rendant l’analyse sophistiquée accessible via le langage naturel. Voici comment cela fonctionne :

• Connectivité : Nous commençons par nous connecter aux sources de données de l’entreprise – nous prenons en charge plus de 200 bases de données et systèmes courants. De manière cruciale, cela se produit souvent sans nécessiter le déplacement ou la réplication des données, en nous connectant de manière sécurisée aux données là où elles résident.
• Création d’ontologie : Notre plateforme analyse automatiquement les données connectées et construit un graphique de connaissances complet. Cela structure les données en entités métier que nous appelons Objets sémantiques gérés (OSG), capturant les relations entre elles.
• Enrichissement des métadonnées : Cette ontologie est enrichie de métadonnées. Les utilisateurs fournissent des descriptions de haut niveau, et notre IA génère des descriptions détaillées pour chaque OSG et ses attributs (champs). Ces métadonnées combinées fournissent un contexte profond sur le sens et la structure des données.
• Requête en langage naturel : Un utilisateur pose une question en langage commercial ordinaire, comme « Montrez-moi les tendances des ventes pour le produit X dans la région occidentale par rapport au trimestre dernier. »
• Interprétation et génération de SQL : Notre moteur de langage naturel utilise les métadonnées riches du graphique de connaissances pour comprendre l’intention de l’utilisateur, identifier les OSG et les relations pertinentes, et traduire la question en requêtes de données précises (comme SQL). Nous atteignons une précision de 99,8 % du texte-à-SQL ici.
• Génération d’insights (Curations) : Le système récupère les données et détermine la manière la plus efficace de présenter la réponse visuellement. Dans notre plateforme, ces visualisations interactives sont appelées « curations ». Les utilisateurs peuvent générer automatiquement ou préconfigurer celles-ci pour correspondre à des besoins ou à des normes spécifiques.
• Analyse plus approfondie (Quick Insights) : Pour des questions plus complexes ou une découverte proactive, les utilisateurs peuvent exploiter Quick Insights. Cette fonctionnalité leur permet d’appliquer facilement des algorithmes d’apprentissage automatique livrés avec la plateforme à des champs de données spécifiés pour détecter automatiquement des modèles, identifier des anomalies ou valider des hypothèses sans nécessiter d’expertise en science des données.

Ce processus entier, souvent terminé en quelques secondes, démocratise l’accès aux données et à l’analyse, transformant l’exploration de données complexes en une simple conversation.

Comment Easy Answers relie-t-il les données cloisonnées dans les grandes entreprises et assure-t-il que les insights sont explicables et traçables ?

Les silos de données sont un obstacle majeur dans les grandes entreprises. Easy Answers répond à ce défi fondamental grâce à notre approche de couche sémantique unique.

Au lieu d’une consolidation physique de données coûteuse et complexe, nous créons une couche sémantique virtuelle. Notre plateforme construit une vue logique unifiée en se connectant à diverses sources de données là où elles résident. Cette couche est alimentée par notre technologie de graphique de connaissances, qui mappe les données en Objets sémantiques gérés (OSG), définit leurs relations et les enrichit de métadonnées contextuelles. Cela crée un langage commercial commun compréhensible à la fois par les humains et l’IA, reliant efficacement les structures de données techniques (tables, colonnes) au sens commercial (clients, produits, ventes), indépendamment de l’emplacement physique des données.

Assurer que les insights soient fiables nécessite à la fois la traçabilité et l’explicabilité :

• Traçabilité : Nous fournissons un suivi complet de la lignée des données. Les utilisateurs peuvent revenir à la source des données à partir de toute curation ou insight, en visualisant toutes les transformations, les filtres et les calculs appliqués. Cela fournit une transparence et une auditabilité totales, cruciales pour la validation et la conformité.
• Explicabilité : Les insights sont accompagnés d’explications en langage naturel. Ces résumés articulent ce que les données montrent et pourquoi elles sont importantes en termes commerciaux, traduisant des constatations complexes en une compréhension actionnable pour un large public.

Ceci relie les silos en créant une vue sémantique unifiée et construit la confiance à travers une traçabilité et une explicabilité claires.

Comment votre système assure-t-il la transparence dans les insights, en particulier dans les industries réglementées où la lignée des données est critique ?

La transparence est absolument non négociable pour les insights alimentés par l’IA, en particulier dans les industries réglementées où l’auditabilité et la défensabilité sont primordiales. Notre approche assure la transparence sur trois dimensions clés :

• Lignée des données : C’est fondamental. Comme mentionné, Easy Answers fournit un suivi de la lignée des données de bout en bout. Chaque insight, visualisation ou nombre peut être traçé avec précision à travers son cycle de vie complet – depuis les sources de données originales, à travers les jointures, les transformations, les agrégations ou les filtres appliqués – fournissant la provenance des données vérifiable requise par les régulateurs.
• Visibilité de la méthodologie : Nous évitons le problème de la « boîte noire ». Lorsque des modèles analytiques ou d’apprentissage automatique sont utilisés (par exemple, via Quick Insights), la plateforme documente clairement la méthodologie employée, les paramètres utilisés et les métriques d’évaluation pertinentes. Cela garantit que le « comment » derrière l’insight est aussi transparent que le « quoi ».
• Explication en langage naturel : Traduire les sorties techniques en contexte commercial compréhensible est crucial pour la transparence. Chaque insight est associé à des explications en langage ordinaire décrivant les constatations, leur signification et potentiellement leurs limites, garantissant la clarté pour toutes les parties prenantes, y compris les responsables de la conformité et les auditeurs.

De plus, nous intégrons des fonctionnalités de gouvernance supplémentaires pour les industries ayant des besoins de conformité spécifiques, telles que des contrôles d’accès basés sur les rôles, des flux de travail d’approbation pour certaines actions ou rapports, et des journaux d’audit complets suivant l’activité des utilisateurs et les opérations du système. Cette approche à plusieurs couches garantit que les insights sont précis, entièrement transparents, explicables et défendables.

Comment App Orchid transforme-t-il les insights générés par l’IA en actions avec des fonctionnalités comme les Actions génératives ?

Générer des insights est précieux, mais l’objectif réel est de conduire à des résultats commerciaux. Avec les bonnes données et le contexte, un écosystème agente peut conduire à des actions pour combler le fossé critique entre la découverte d’insights et l’action tangible, faisant passer l’analyse d’une fonction de rapportage passive à un moteur actif d’amélioration.

Voici comment cela fonctionne : Lorsque la plateforme Easy Answers identifie un modèle, une tendance, une anomalie ou une opportunité significative à travers son analyse, elle utilise l’IA pour proposer des actions spécifiques et contextuellement pertinentes qui pourraient être prises en réponse.

Ces recommandations ne sont pas des suggestions vagues ; ce sont des recommandations concrètes. Par exemple, au lieu de simplement signaler les clients à haut risque de churn, il pourrait recommander des offres de rétention spécifiques adaptées à différents segments, calculant potentiellement l’impact ou le ROI attendu, et même rédigeant des modèles de communication. Lors de la génération de ces recommandations, le système prend en compte les règles commerciales, les contraintes, les données historiques et les objectifs.

De manière cruciale, cela maintient la supervision humaine. Les actions recommandées sont présentées aux utilisateurs appropriés pour examen, modification, approbation ou rejet. Cela garantit que le jugement commercial reste central dans le processus de prise de décision, tandis que l’IA gère la charge lourde de l’identification des opportunités et de la formulation de réponses potentielles.

Une fois qu’une action est approuvée, nous pouvons déclencher un flux agente pour une exécution sans accroc via des intégrations avec des systèmes opérationnels. Cela pourrait signifier déclencher un flux de travail dans un CRM, mettre à jour une prévision dans un système ERP, lancer une tâche marketing ciblée ou initier un autre processus commercial pertinent – refermant ainsi la boucle de l’insight directement au résultat.

Comment les graphes de connaissances et les modèles de données sémantiques sont-ils centraux dans le succès de votre plateforme ?

Les graphes de connaissances et les modèles de données sémantiques sont l’absolu cœur de la plateforme Easy Answers ; ils l’élèvent au-delà des outils de BI traditionnels qui traitent souvent les données comme des tables et des colonnes déconnectées et dépourvues de véritable contexte commercial. Notre plateforme utilise ces derniers pour construire une couche sémantique intelligente sur les données d’entreprise.

Cette fondation sémantique est centrale dans notre succès pour plusieurs raisons clés :

• Permet une véritable interaction en langage naturel : Le modèle sémantique, structuré sous forme de graphique de connaissances avec des Objets sémantiques gérés (OSG), des propriétés et des relations définies, agit comme une « pierre de Rosette ». Il traduit les nuances du langage humain et de la terminologie commerciale en requêtes de données précises nécessaires pour récupérer les données, permettant aux utilisateurs de poser des questions naturellement sans connaître les schémas sous-jacents. C’est la clé de notre précision de 99,8 % du texte-à-SQL.
• Préserve le contexte commercial critique : Contrairement aux simples jointures relationnelles, notre graphique de connaissances capture explicitement la riche toile complexe de relations entre les entités commerciales (par exemple, comment les clients interagissent avec les produits via les tickets de support et les commandes). Cela permet une analyse plus approfondie et plus contextuelle reflétant la façon dont l’entreprise opère.
• Fournit de l’adaptabilité et de la scalabilité : Les modèles sémantiques sont plus flexibles que les schémas rigides. À mesure que les besoins commerciaux évoluent ou que de nouvelles sources de données sont ajoutées, le graphique de connaissances peut être étendu et modifié de manière incrémentale sans nécessiter une refonte complète, maintenant la cohérence tout en s’adaptant au changement.

Cette compréhension profonde du contexte des données fournie par notre couche sémantique est fondamentale pour tout ce que fait Easy Answers, depuis les questions et réponses de base jusqu’à la détection de modèles avancée avec Quick Insights, et elle constitue la fondation essentielle pour nos futures capacités d’IA agente, garantissant que les agents puissent raisonner sur les données de manière significative.

Quels modèles fondamentaux prenez-vous en charge, et comment permettez-vous aux organisations d’intégrer leurs propres modèles d’IA/ML dans le flux de travail ?

Nous croyons en une approche ouverte et flexible, reconnaissant l’évolution rapide de l’IA et respectant les investissements existants des organisations.

Pour les modèles fondamentaux, nous maintenons des intégrations avec des options de premier plan provenant de plusieurs fournisseurs, notamment la famille de modèles Gemini de Google, les modèles GPT d’OpenAI et des alternatives open source éminentes comme Llama. Cela permet aux organisations de choisir des modèles qui conviennent le mieux à leurs besoins en termes de performance, de coût, de gouvernance ou de capacités spécifiques. Ces modèles alimentent diverses fonctionnalités de la plateforme, notamment la compréhension du langage naturel pour les requêtes, la génération de SQL, la résumé d’insights et la génération de métadonnées.

Au-delà de ceux-ci, nous offrons des voies robustes pour que les organisations intègrent leurs propres modèles d’IA/ML personnalisés dans le flux de travail d’Easy Answers :

• Les modèles développés en Python peuvent souvent être intégrés directement via notre Moteur d’IA.
• Nous proposons des capacités d’intégration transparentes avec les principales plateformes de ML en cloud telles que Google Vertex AI et Amazon (AMZN ) SageMaker, permettant aux modèles formés et hébergés là-bas d’être invoqués.

De manière cruciale, notre couche sémantique joue un rôle clé pour rendre ces modèles personnalisés potentiellement complexes accessibles. En reliant les entrées et les sorties des modèles aux concepts commerciaux définis dans notre graphique de connaissances (OSG et propriétés), nous permettons aux utilisateurs métier non techniques d’exploiter des modèles prédictifs, de classification ou de causalité avancés (par exemple, via Quick Insights) sans avoir à comprendre la science des données sous-jacente – ils interagissent avec des termes commerciaux familiers, et la plateforme gère la traduction technique. Cela démocratise véritablement l’accès aux capacités d’IA/ML sophistiquées.

Quels sont les tendances que vous voyez façonner la prochaine vague de l’IA d’entreprise – en particulier dans les marchés d’agents et la conception d’agents sans code ?

La prochaine vague de l’IA d’entreprise se dirige vers des écosystèmes hautement dynamiques, composites et collaboratifs. Plusieurs tendances convergentes sont à l’origine de ce mouvement :

• Marchés d’agents et référentiels : Nous allons assister à une montée en puissance significative des marchés d’agents fonctionnant aux côtés de référentiels d’agents internes. Cela facilite un passage de constructions monolithiques à un modèle « louer et composer », où les organisations peuvent découvrir et intégrer dynamiquement des agents spécialisés – internes ou externes – avec des capacités spécifiques selon les besoins, accélérant ainsi considérablement le déploiement de solutions.
• Communication standardisée entre les agents : Pour que ces écosystèmes fonctionnent, les agents ont besoin de langages communs. Les protocoles de communication standardisés entre les agents, tels que le Protocole de contexte de modèle (MCP) que nous exploitons, et des initiatives comme le protocole Agent2Agent de Google, sont essentiels pour permettre une collaboration transparente, le partage de contexte et la délégation de tâches entre les agents, indépendamment de qui les a construits ou où ils s’exécutent.
• Orchestration dynamique : Les flux de travail statiques et prédéfinis laisseront place à une orchestration dynamique. Les couches d’orchestration intelligentes sélectionneront, configureront et coordonneront les agents à l’exécution en fonction du contexte spécifique du problème, conduisant à des systèmes beaucoup plus adaptables et résilients.
• Conception d’agents sans code/à faible code : La démocratisation s’étendra à la création d’agents. Les plateformes sans code et à faible code permettront aux experts métier, et non seulement aux spécialistes de l’IA, de concevoir et de construire des agents qui encapsulent des connaissances et une logique commerciale spécifiques, enrichissant ainsi davantage le bassin de capacités spécialisées disponibles.

Le rôle d’App Orchid est de fournir la fondation sémantique critique pour cet avenir. Pour que les agents dans ces écosystèmes dynamiques puissent collaborer efficacement et accomplir des tâches significatives, ils ont besoin de comprendre les données d’entreprise. Notre graphique de connaissances et notre couche sémantique fournissent cette compréhension contextuelle, permettant aux agents de raisonner et d’agir sur les données de manière pertinente en termes commerciaux.

Comment voyez-vous l’évolution du rôle du DSI dans un avenir où l’intelligence de décision est démocratisée à travers l’IA agente ?

La démocratisation de l’intelligence de décision via l’IA agente élève fondamentalement le rôle du DSI. Elle passe d’être principalement un gestionnaire d’infrastructures technologiques à devenir un orchestrateur stratégique de l’intelligence organisationnelle.

Les évolutions clés incluent :

• De gestionnaire de systèmes à architecte d’écosystème : L’accent se déplace au-delà de la gestion d’applications cloisonnées pour concevoir, curatoriser et gouverner des écosystèmes dynamiques d’agents interactifs, de sources de données et de capacités analytiques. Cela implique d’exploiter efficacement les marchés d’agents et les référentiels.
• Stratégie de données comme stratégie commerciale de base : Garantir que les données ne sont pas seulement disponibles mais également riches sur le plan sémantique, fiables et accessibles devient primordial. Le DSI sera central dans la construction de la fondation de graphique de connaissances qui alimente les systèmes intelligents à travers l’entreprise.
• Évolution des paradigmes de gouvernance : De nouveaux modèles de gouvernance seront nécessaires pour l’IA agente – abordant la confiance des agents, la sécurité, l’utilisation éthique de l’IA, l’auditabilité des décisions automatisées et la gestion des comportements émergents dans les collaborations d’agents.
• Champion de l’adaptabilité : Le DSI sera crucial pour intégrer l’adaptabilité dans le tissu technique et opérationnel de l’organisation, créant des environnements où les insights générés par l’IA conduisent à des réponses rapides et à un apprentissage continu.
• Favoriser la collaboration humain-IA : Un aspect clé sera de cultiver une culture et de concevoir des systèmes où les humains et les agents d’IA travaillent en synergie, renforçant mutuellement leurs forces.

En fin de compte, le DSI devient moins axé sur la gestion des coûts informatiques et plus sur la maximisation du « potentiel d’intelligence » de l’organisation. C’est un déplacement vers un rôle de partenaire stratégique, permettant à l’ensemble de l’entreprise d’opérer de manière plus intelligente et plus adaptative dans un monde de plus en plus complexe.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter App Orchid.