Jito Chadha, Pendiri dan CEO Nventr – Seri Wawancara

Jito Chadha, Pendiri dan CEO Nventr, adalah eksekutif teknologi berpengalaman dan investor yang karirnya meliputi kecerdasan buatan, ilmu data, modal ventura, dan pengembangan bisnis. Sejak mendirikan Nventr pada 2019, ia telah memimpin pengembangan teknologi AI perusahaan, sementara juga menjabat sebagai CEO perusahaan analitik prediktif Rule14. Chadha telah menjadi bagian dari HandsOn Global Management sejak 2007 dan menjadi mitra pada 2013, berkontribusi pada sumber, struktur, dan penciptaan nilai dari berbagai transaksi sambil memimpin investasi di bidang modal ventura, ilmu data, dan sumber daya alam.

Nventr adalah perusahaan AI perusahaan yang berbasis di Los Angeles yang mengembangkan teknologi untuk membangun, mengirim, dan mengelola aplikasi cerdas dan alur kerja otomatis. Platformnya menggabungkan agen AI, model pembelajaran mesin, jaringan saraf, manajemen data, pemrosesan dokumen cerdas, visualisasi, dan alat pengembangan. Produknya termasuk Agent IO, sistem operasi untuk mengatur agen otonom di seluruh fungsi bisnis, dan nQube, pembangun alur kerja yang mendukung pengembangan no-code, low-code, dan full-code, serta penerapan di awan, on-premises, dan lingkungan edge.

Sebelum memimpin Nventr dan Rule14, Anda menghabiskan waktu bertahun-tahun untuk mencari investasi, menciptakan nilai di perusahaan portofolio, dan bekerja dengan inisiatif ilmu data di dalam organisasi kompleks. Bagaimana pengalaman itu membentuk keputusan Anda untuk membangun platform AI perusahaan yang fokus pada alur kerja daripada alat mandiri?

Bekerja di seluruh perusahaan portofolio memperlihatkan pola yang sama di berbagai bisnis. Setiap organisasi memiliki informasi yang bergerak melalui beberapa orang, sistem, dan persetujuan sebelum proses dapat diselesaikan.

Pengalaman itu membentuk Nventr di sekitar alur kerja daripada alat mandiri. Meningkatkan satu tugas memiliki nilai terbatas jika hasilnya tidak dapat bergerak secara efisien melalui sisa organisasi. Kami fokus pada struktur proses keseluruhan dan menjalankannya pada skala besar.

Nventr menggabungkan tindakan agen, model pembelajaran mesin, dan jaringan saraf dalam alur kerja perusahaan yang dapat diskalakan. Apa keterbatasan yang Anda amati dalam platform otomatisasi konvensional yang membuat Anda mengembangkan arsitektur yang lebih luas ini? 

Selama bertahun-tahun, perusahaan beroperasi melalui koleksi aplikasi SaaS yang dihosting di awan dan lokal yang dapat kaku, rigid, dan mahal. Sistem alur kerja, model, agen, dan data perusahaan biasanya diperlakukan sebagai lapisan terpisah, yang membuat otomatisasi lebih luas lebih sulit.

Kami mengembangkan arsitektur di mana komponen-komponen tersebut dapat beroperasi bersama dan diskalakan secara independen seiring perubahan permintaan. Proses tidak perlu dipaksa ke dalam satu aplikasi tetap atau satu jenis lingkungan komputasi.

Banyak organisasi memulai strategi AI mereka dengan memilih model atau meluncurkan chatbot. Dalam pengalaman Anda, apa pekerjaan dasar yang melibatkan data, izin, proses, dan integrasi sistem yang perlu dilakukan sebelum penerapan AI dapat memberikan hasil yang berarti? 

Perusahaan pertama-tama harus mendefinisikan proses, mengidentifikasi apa informasi yang dibutuhkan agen, dan menentukan di mana informasi itu berada. Ini mungkin melibatkan database, repositori file, PDF, artikel, sistem email, atau sumber data perusahaan lain yang harus dibuat tersedia untuk agen dalam bentuk yang dapat digunakan.

Perusahaan kemudian harus mendefinisikan apa yang terjadi setelah agen menerima informasi tersebut. Percakapan mungkin menghasilkan respons, ringkasan, antrian tindak lanjut, atau alur kerja agen lain. Alat yang disetujui, izin data, dan izin pengguna harus ditetapkan berdasarkan peran sehingga setiap tindakan terjadi dalam proses yang ditentukan.

nQube dirancang untuk membantu ilmuwan data dan analis bisnis membangun, menguji, mengirim, dan memantau alur kerja yang ditenagai AI. Bagaimana Anda membuat kemampuan ini tersedia untuk non-spesialis sambil mempertahankan kontrol teknis yang diperlukan untuk lingkungan produksi?

Orang-orang berpikir tentang AI dan produk perangkat lunak melalui ruang lingkup peran mereka sendiri dan bagaimana produk tersebut dapat membuat pekerjaan mereka lebih mudah atau memungkinkan mereka menjadi lebih produktif. Antarmuka harus memungkinkan mereka untuk menjelaskan apa yang mereka butuhkan, mengajukan pertanyaan, dan menyesuaikan agen atau alur kerja melalui bahasa dan suara normal.

Alur kerja, proses komputasi, dan penskalaan tetap di bawah interaksi tersebut. Organisasi masih mengontrol alat, sumber data, dan akses yang ditetapkan untuk setiap peran, sehingga analis bisnis dapat menggunakan sistem tanpa harus mengelola infrastruktur secara langsung.

Sistem operasi agen Nventr menggunakan agen koordinasi untuk mengarahkan agen khusus melalui alur kerja berurutan dan iteratif. Bagaimana platform menentukan agen mana yang harus menangani setiap tugas, mempertahankan konteks antara agen, dan menangani hasil yang tidak dapat diandalkan? 

Alur kerja menentukan bagaimana permintaan bergerak melalui langkah-langkah yang ditentukan, cabang, dan agen khusus. Informasi dari satu tahap dapat diringkas dan diteruskan sehingga agen berikutnya memahami apa yang terjadi, apa yang diminta, dan apa tindakan lanjutan yang harus terjadi.

Menangani hasil yang tidak dapat diandalkan tergantung pada proses dan konsekuensi tindakan. Kontrol alur kerja harus mencerminkan di mana sistem dapat melanjutkan dan di mana hasilnya memerlukan tinjauan.

Perusahaan semakin ingin memiliki fleksibilitas untuk menggunakan model bahasa besar yang berbeda, sistem pembelajaran mesin khusus, dan agen pihak ketiga. Bagaimana organisasi harus merancang infrastruktur AI mereka untuk menghindari ketergantungan pada satu penyedia model atau tumpukan teknologi? 

Infrastruktur harus mendukung sejumlah model dan memungkinkan mereka beroperasi secara paralel dalam alur kerja yang sama. Satu penyedia mungkin menangani komponen ucapan-ke-ucapan, sementara model lain melakukan penalaran atau pemrosesan di belakangnya.

Toolkit harus dipilih sesuai dengan biaya, kinerja, keamanan, latensi, dan keterbukaan penyedia layanan pihak ketiga. Beberapa perusahaan merasa nyaman menggabungkan penyedia, sementara yang lain ingin agen di awan mereka sendiri atau infrastruktur khusus. Arsitektur harus mendukung kedua pendekatan.

Saat agen AI dapat mengakses data perusahaan dan mengambil tindakan di seluruh sistem bisnis, keamanan menjadi lebih kompleks daripada melindungi antarmuka percakapan. Apa kontrol yang harus mengatur izin agen, otonomi, dan kemampuan untuk memulai tindakan yang berkonsekuensi?

Akses harus dikontrol oleh peran, proyek, dan alur kerja. Agen hanya harus dapat menggunakan informasi, alat, dan tindakan yang disetujui untuk konteks tersebut, dengan permintaan di luar cakupan tersebut dikirim untuk otorisasi.

Jumlah otonomi harus mencerminkan sensitivitas data dan konsekuensi tindakan. Untuk transaksi yang melibatkan uang, informasi pribadi, atau hasil signifikan lainnya, perusahaan harus dapat melihat apa yang dilakukan agen dan memerlukan persetujuan sebelum penyelesaian.

Nventr mempresentasikan aplikasi di berbagai bidang, termasuk pemrosesan dokumen, layanan pelanggan, pelaporan, komunikasi kesehatan, dan deteksi penipuan. Apa karakteristik teknis atau operasional yang membuat alur kerja cocok untuk otomatisasi agen, dan proses mana yang harus tetap dipimpin oleh manusia? 

Kami menyeimbangkan jumlah orang atau biaya yang terkait dengan proses tersebut dengan kompleksitas dan viabilitasnya untuk otomatisasi. Proses dapat mahal atau memerlukan banyak tenaga kerja dan masih menjadi tempat yang salah untuk memulai jika terlalu kompleks atau tidak dapat diandalkan untuk diotomatisasi.

Pendekatan umum adalah untuk memulai dengan buah yang paling mudah dipetik dengan dampak terbesar. Rumus ini bersifat fraktal karena dapat diterapkan pada satu peran, beberapa departemen, atau seluruh organisasi. Proses yang melibatkan ketidakpastian atau penilaian yang berkonsekuensi harus tetap melibatkan orang.

Anda telah membahas gagasan tentang karyawan yang akhirnya memiliki rekan AI yang menangani elemen berulang dari pekerjaan mereka. Bagaimana ini dapat mengubah struktur organisasi, dan apa yang harus dilakukan pemimpin untuk memastikan sistem ini memperkuat penilaian manusia daripada secara bertahap menghilangkannya dari keputusan penting? 

Gagasan ini adalah untuk memberi setiap orang di gaji agen yang dapat belajar bagian dari pekerjaan mereka dari waktu ke waktu. Di seluruh organisasi, ini menciptakan kecerdasan terpusat dan optimasi di atas bagan organisasi daripada membatasi manfaatnya pada satu atau dua karyawan.

Agen dapat mengambil alih pekerjaan berulang seperti mengumpulkan informasi, memindahkan data, atau membangun presentasi rutin. Ini memberi orang lebih banyak waktu untuk diskusi dan keputusan penting, sementara organisasi tetap mengontrol otoritas atas informasi sensitif dan tindakan yang berkonsekuensi.

Saat agen AI berkembang dari asisten menjadi lapisan operasional untuk organisasi kompleks, kemampuan apa yang harus ditingkatkan sebelum perusahaan dapat dengan aman mengotomatisasi alur kerja yang meliputi seluruh departemen atau unit bisnis? 

Agen memerlukan latensi yang lebih rendah dan integrasi yang lebih kuat dengan database perusahaan, file, dan sistem yang lebih besar. Informasi harus dapat bergerak di seluruh peran dan departemen tanpa memerlukan orang untuk mentransfernya secara manual atau menciptakan bottleneck baru.

Lapisan interaksi juga harus ditingkatkan. Agen suara harus terasa seperti percakapan normal di mana orang dapat memotong dan mengubah arah, dan bisnis akhirnya akan memerlukan cara langsung untuk agen yang berwenang berinteraksi dengan sistem mereka. Otomatisasi browser dapat menjembatani kesenjangan, tetapi industri akan bergerak menuju struktur yang lebih efisien karena komputasi dan infrastruktur memiliki biaya.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Nventr.