Jito Chadha, Fondatore e Amministratore Delegato di Nventr – Serie di Interviste

Jito Chadha, Fondatore e Amministratore Delegato di Nventr, è un esperto di tecnologia e investitore con una carriera che spazia nell’intelligenza artificiale, nella scienza dei dati, nel venture capital e nello sviluppo aziendale. Dalla fondazione di Nventr nel 2019, ha guidato lo sviluppo delle tecnologie di intelligenza artificiale aziendale, ricoprendo anche il ruolo di Amministratore Delegato di Rule14, una società di analisi predittive. Chadha fa parte di HandsOn Global Management dal 2007 e ne è diventato partner nel 2013, contribuendo alla ricerca, alla strutturazione e alla creazione di valore di numerose transazioni, guidando investimenti in vari settori, tra cui il venture capital, la scienza dei dati e le risorse naturali.

Nventr è un’azienda di intelligenza artificiale con sede a Los Angeles che sviluppa tecnologie per la costruzione, la distribuzione e la gestione di applicazioni intelligenti e workflow automatizzati. La sua piattaforma unisce agenti di intelligenza artificiale, modelli di apprendimento automatico, reti neurali, gestione dei dati, elaborazione di documenti intelligenti, visualizzazione e strumenti di sviluppo. I prodotti includono Agent IO, un sistema operativo per l’orchestrazione di agenti autonomi attraverso funzioni aziendali, e nQube, uno strumento di creazione di workflow che supporta lo sviluppo senza codice, a codice ridotto e a codice completo, con distribuzione su cloud, on-premises e ambienti edge.

Prima di guidare Nventr e Rule14, hai trascorso anni a cercare investimenti, creare valore all’interno di aziende del portafoglio e lavorare con iniziative di scienza dei dati all’interno di organizzazioni complesse. Come ha influenzato questa esperienza la tua decisione di costruire una piattaforma di intelligenza artificiale aziendale focalizzata sui workflow piuttosto che su strumenti autonomi?

L’esperienza mi ha mostrato lo stesso modello in diverse aziende. Ogni organizzazione aveva informazioni che fluivano attraverso diverse persone, sistemi e approvazioni prima che un processo potesse essere completato.

Questa esperienza ha plasmato Nventr intorno ai workflow piuttosto che a strumenti autonomi. Migliorare una sola attività ha un valore limitato se il risultato non può muoversi efficientemente attraverso il resto dell’organizzazione. Ci siamo concentrati sulla strutturazione dell’intero processo e sulla sua esecuzione su larga scala.

Nventr combina azioni agentiche, modelli di apprendimento automatico e reti neurali all’interno di workflow aziendali scalabili. Quali limitazioni hai osservato nelle piattaforme di automazione convenzionali che ti hanno portato a sviluppare questa architettura più ampia? 

Per anni, le aziende hanno operato attraverso raccolte di applicazioni SaaS ospitate su cloud e localmente, che potevano essere goffe, rigide ed economicamente onerose. Il sistema di workflow, i modelli, gli agenti e i dati aziendali erano solitamente trattati come strati separati, il che rendeva più difficile l’automazione su larga scala.

Abbiamo sviluppato un’architettura in cui questi componenti possano operare insieme e scalare in modo indipendente con il cambiare della domanda. Il processo non deve essere costretto in una sola applicazione fissa o in un solo tipo di ambiente di calcolo.

Molte organizzazioni iniziano le loro strategie di intelligenza artificiale selezionando un modello o lanciando un chatbot. Secondo la tua esperienza, quale lavoro fondamentale riguardante i dati, le autorizzazioni, i processi e l’integrazione dei sistemi deve avvenire prima che un deploy di intelligenza artificiale possa produrre risultati significativi? 

Un’azienda deve prima definire il processo, identificare quali informazioni l’agente necessita e determinare dove vive quell’informazione. Ciò potrebbe coinvolgere database, repository di file, PDF, articoli, sistemi di posta elettronica o altre fonti di dati aziendali che devono essere rese disponibili all’agente in una forma utilizzabile.

L’azienda deve poi definire cosa accade dopo che l’agente riceve quell’informazione. Una conversazione potrebbe produrre una risposta, un riassunto, una coda di follow-up o un altro workflow agente. Gli strumenti approvati, le autorizzazioni dei dati e le autorizzazioni degli utenti devono essere stabiliti per ruolo in modo che ogni azione si verifichi all’interno di un processo definito.

nQube è progettato per aiutare sia gli scienziati dei dati che gli analisti aziendali a costruire, testare, distribuire e monitorare workflow potenziati da intelligenza artificiale. Come rendi queste capacità accessibili ai non esperti mantenendo i controlli tecnici necessari per gli ambienti di produzione?

Le persone pensano all’intelligenza artificiale e ai prodotti software attraverso la prospettiva del proprio ruolo e di come il prodotto possa rendere il loro lavoro più facile o permettere loro di essere più produttivi. L’interfaccia dovrebbe permettere loro di descrivere cosa necessitano, porre domande e regolare un agente o un workflow attraverso un linguaggio e una voce normali.

I workflow, i processi di calcolo e la scalabilità rimangono sotto quell’interazione. L’organizzazione mantiene ancora il controllo sugli strumenti, le fonti di dati e l’accesso assegnato a ogni ruolo, quindi un analista aziendale può utilizzare il sistema senza dover gestire direttamente l’infrastruttura.

Il sistema operativo degli agenti di Nventr utilizza un agente coordinatore per dirigere agenti specializzati attraverso workflow sequenziali e iterativi. Come determina la piattaforma quale agente debba gestire ogni attività, conserva il contesto tra gli agenti e gestisce un risultato non affidabile? 

Il workflow determina come una richiesta si muova attraverso passaggi definiti, rami e agenti specializzati. Le informazioni da una fase possono essere riassunte e passate in avanti in modo che l’agente successivo capisca cosa è accaduto, cosa è stato richiesto e quale follow-up debba verificarsi.

La gestione di un risultato non affidabile dipende dal processo e dalle conseguenze dell’azione. I controlli del workflow devono riflettere dove il sistema possa continuare e dove il risultato richieda una revisione.

Le aziende desiderano sempre più la flessibilità di utilizzare diversi modelli di linguaggio, sistemi di apprendimento automatico specializzati e agenti di terze parti. Come dovrebbero progettare la loro infrastruttura di intelligenza artificiale per evitare di diventare dipendenti da un solo fornitore di modelli o tecnologia? 

L’infrastruttura dovrebbe supportare una moltitudine di modelli e permettere loro di operare in parallelo all’interno dello stesso workflow. Un fornitore potrebbe gestire il componente di conversione discorso-discorso, mentre un altro modello esegue il ragionamento o l’elaborazione dietro di esso.

Lo strumento dovrebbe essere scelto in base al costo, alle prestazioni, alla sicurezza, alla latenza e all’apertura a fornitori di servizi di terze parti per il cliente. Alcune aziende sono disposte a combinare fornitori, mentre altre desiderano l’agente sul proprio cloud o su un’infrastruttura dedicata. L’architettura deve supportare entrambi gli approcci.

Una volta che un agente di intelligenza artificiale può accedere ai dati aziendali e intraprendere azioni attraverso sistemi aziendali, la sicurezza diventa più complessa che proteggere un’interfaccia conversazionale. Quali controlli dovrebbero governare le autorizzazioni, l’autonomia e la capacità di un agente di intraprendere azioni con conseguenze significative?

L’accesso dovrebbe essere controllato per ruolo, progetto e workflow. Un agente dovrebbe essere in grado di utilizzare solo le informazioni, gli strumenti e le azioni approvate per quel contesto, con richieste al di fuori di quella portata inviate per autorizzazione.

Il livello di autonomia dovrebbe riflettere la sensibilità dei dati e le conseguenze dell’azione. Per transazioni che coinvolgono denaro, informazioni private o altri risultati significativi, l’azienda dovrebbe essere in grado di vedere cosa sta facendo l’agente e richiedere l’approvazione prima del completamento.

Nventr presenta applicazioni in aree che includono l’elaborazione di documenti, il servizio clienti, la segnalazione, la comunicazione sanitaria e la rilevazione di frodi. Quali caratteristiche tecniche o operative rendono un workflow adatto all’automazione agente e quali processi dovrebbero rimanere principalmente guidati dagli esseri umani? 

Bilanciamo il numero di persone o il costo associato a un processo con la sua complessità e la sua idoneità per l’automazione. Un processo può essere costoso o richiedere molto lavoro e comunque essere il posto sbagliato per iniziare se è troppo complesso o inaffidabile per l’automazione efficace.

L’approccio generale è quello di andare per il “frutto a portata di mano” con l’impatto più grande. Questa formula è frattale perché può essere applicata al ruolo di una persona, a diversi dipartimenti o a un’intera organizzazione. I processi che coinvolgono incertezza o giudizio consequenziale dovrebbero continuare a includere gli esseri umani.

Hai discusso l’idea di dipendenti che avranno eventualmente controparti di intelligenza artificiale che gestiranno gli elementi ripetitivi del loro lavoro. Come potrebbe cambiare questa la struttura organizzativa e cosa dovrebbero fare i leader per assicurarsi che questi sistemi rafforzino il giudizio umano piuttosto che rimuoverlo gradualmente dalle decisioni importanti? 

L’idea è quella di dare a ogni persona in forza un agente corollario che possa imparare parti del lavoro nel tempo. Su una percentuale più ampia dell’organizzazione, ciò crea intelligenza centralizzata e ottimizzazione sull’organigramma piuttosto che limitare il beneficio a uno o due dipendenti.

L’agente può assumere il lavoro ripetitivo come raccogliere informazioni, spostare dati o costruire presentazioni di routine. Ciò dà alle persone più tempo per discussioni e decisioni importanti, mentre l’organizzazione mantiene l’autorità sulle informazioni sensibili e sulle azioni con conseguenze.

Man mano che gli agenti di intelligenza artificiale evolvono da assistenti a un livello operativo per organizzazioni complesse, quali capacità devono migliorare di più affinché le aziende possano automatizzare in modo sicuro i workflow che attraversano interi dipartimenti o unità aziendali? 

Gli agenti necessitano di una latenza più bassa e di integrazioni più solide con i database aziendali, i file e i sistemi più grandi. Le informazioni devono muoversi attraverso ruoli e dipartimenti senza richiedere ai dipendenti di trasferirle manualmente o creare nuovi collo di bottiglia.

Il livello di interazione deve anche migliorare. Gli agenti vocali dovrebbero sembrare una conversazione normale in cui una persona può interrompere e cambiare direzione, e le aziende eventualmente avranno bisogno di modi diretti per far interagire gli agenti autorizzati con i loro sistemi. L’automazione del browser può colmare il divario, ma l’industria si muoverà verso una struttura più efficiente perché il calcolo e l’infrastruttura hanno un costo. Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Nventr.