Ravi Bommakanti, CTO di App Orchid – Serie di interviste

Ravi Bommakanti, Chief Technology Officer di App Orchid, guida la missione dell’azienda per aiutare le imprese a operazionalizzare l’AI attraverso applicazioni e processi decisionali. Il prodotto principale di App Orchid, Easy Answers™, consente agli utenti di interagire con i dati utilizzando il linguaggio naturale per generare dashboard, informazioni e azioni consigliate basate sull’AI.

La piattaforma integra dati strutturati e non strutturati, inclusi input in tempo reale e conoscenze degli dipendenti, in un tessuto di dati predittivi che supporta decisioni strategiche e operative. Con la tecnologia Big Data in memoria e un’interfaccia utente facile da usare, App Orchid semplifica l’adozione dell’AI attraverso la rapida distribuzione, l’implementazione a basso costo e il minimo disturbo ai sistemi esistenti.

Iniziamo con il quadro generale: cosa significa “agentic AI” per te e come si differenzia dai sistemi AI tradizionali?

L’agentic AI rappresenta un passaggio fondamentale dall’esecuzione statica tipica dei sistemi AI tradizionali all’orchestrazione dinamica. Per me, si tratta di passare da sistemi rigidi e preprogrammati a problem solver autonomi e adattabili che possono ragionare, pianificare e collaborare.

Ciò che realmente distingue l’agentic AI è la sua capacità di sfruttare la natura distribuita della conoscenza e dell’esperienza. I sistemi AI tradizionali operano spesso all’interno di confini fissi, seguendo percorsi predeterminati. I sistemi agentic, invece, possono decomporre compiti complessi, identificare gli agenti specializzati giusti per i sottocompiti e orchestrare la loro interazione per sintetizzare una soluzione. Questo concetto di registri di agenti consente alle organizzazioni di “noleggiare” capacità specializzate come necessario, riflettendo il modo in cui vengono assemblati team di esperti umani, anziché essere costretti a costruire o possedere ogni funzione AI internamente.

Quindi, invece di sistemi monolitici, il futuro giace nella creazione di ecosistemi in cui agenti specializzati possono essere composti e coordinati dinamicamente – molto come un project manager esperto che guida un team – per affrontare efficacemente sfide aziendali complesse ed evolute.

Come Google (GOOGL ) Agentspace sta accelerando l’adozione di agentic AI nelle imprese e qual è il ruolo di App Orchid in questo ecosistema?

Google Agentspace è un acceleratore significativo per l’adozione dell’AI nelle imprese. Fornendo una base unificata per distribuire e gestire agenti intelligenti connessi a varie applicazioni di lavoro e sfruttando la potente ricerca e modelli come Gemini, Agentspace consente alle aziende di trasformare informazioni isolate in intelligence azionabile attraverso un’interfaccia comune.

App Orchid agisce come un livello di abilitazione semantica vitale all’interno di questo ecosistema. Mentre Agentspace fornisce l’infrastruttura degli agenti e il framework di orchestrazione, la nostra piattaforma Easy Answers affronta la sfida critica dell’impresa di rendere i dati complessi comprensibili e accessibili agli agenti. Utilizziamo un approccio basato su ontologia per costruire grafi di conoscenza ricchi da dati aziendali, completi di contesto aziendale e relazioni – esattamente la comprensione che gli agenti necessitano per operare efficacemente e fornire informazioni aziendali significative.

Questo crea una sinergia potente: Agentspace fornisce la robusta infrastruttura degli agenti e le capacità di orchestrazione, mentre App Orchid fornisce la profonda comprensione semantica dei dati aziendali complessi che questi agenti richiedono per operare efficacemente e fornire informazioni aziendali significative. La nostra collaborazione con il framework Google Cloud Cortex è un esempio primario, aiutando i clienti a ridurre drasticamente il tempo di preparazione dei dati (fino all’85%) mentre sfruttiamo la nostra piattaforma con un’accuratezza di text-to-SQL leader di settore del 99,8% per la query in linguaggio naturale. Insieme, consentiamo alle organizzazioni di distribuire soluzioni agentic AI che comprendono veramente il linguaggio aziendale e le sfumature dei dati, accelerando il tempo di valore.

Quali sono le barriere reali che le aziende affrontano nell’adozione di agentic AI e come App Orchid aiuta a superarle?

Le principali barriere che vediamo ruotano attorno alla qualità dei dati, alla sfida di standard di sicurezza in evoluzione – in particolare garantendo la fiducia tra agenti – e gestendo la natura distribuita della conoscenza e delle capacità degli agenti.

La qualità dei dati rimane il problema fondamentale. L’agentic AI, come qualsiasi AI, fornisce output non affidabili se alimentato con cattivi dati. App Orchid affronta questo fondamentalmente creando un livello semantico che contestualizza fonti di dati disparate. Costruendo su questo, le nostre funzionalità di crowdsourcing uniche all’interno di Easy Answers coinvolgono gli utenti aziendali in tutta l’organizzazione – coloro che comprendono meglio il significato dei dati – per collaborare all’identificazione e alla risoluzione di lacune e incongruenze dei dati, migliorando notevolmente l’affidabilità.

La sicurezza presenta un altro ostacolo critico, soprattutto poiché la comunicazione tra agenti diventa comune, potenzialmente attraversando sistemi interni ed esterni. Stabilire meccanismi robusti per la fiducia tra agenti e mantenere la governance senza soffocare le interazioni necessarie è fondamentale. La nostra piattaforma si concentra sull’implementazione di framework di sicurezza progettati per queste interazioni dinamiche.

Infine, sfruttare efficacemente la conoscenza e le capacità distribuite richiede un’orchestrazione avanzata. App Orchid sfrutta concetti come il Model Context Protocol (MCP), che è sempre più fondamentale. Ciò consente la ricerca dinamica di agenti specializzati da repository in base a esigenze contestuali, facilitando flussi di lavoro fluidi e adattabili anziché processi rigidi e predefiniti. Questo approccio si allinea con standard emergenti, come il protocollo Agent2Agent di Google, progettato per standardizzare la comunicazione nei sistemi multi-agente. Aiutiamo le organizzazioni a costruire soluzioni agentic AI affidabili ed efficaci affrontando queste barriere.

Posso chiederti di spiegare come funziona Easy Answers – dalla query in linguaggio naturale alla generazione di informazioni?

Easy Answers trasforma il modo in cui gli utenti interagiscono con i dati aziendali, rendendo l’analisi sofisticata accessibile attraverso il linguaggio naturale. Ecco come funziona:

• Connettività: Iniziamo connettendoci alle fonti di dati dell’impresa – supportiamo oltre 200 database e sistemi comuni. Fondamentalmente, ciò avviene spesso senza richiedere il trasferimento o la replica dei dati, connettendosi in modo sicuro ai dati dove risiedono.
• Creazione dell’ontologia: La nostra piattaforma analizza automaticamente i dati connessi e costruisce un grafo di conoscenza completo. Ciò struttura i dati in entità aziendali centrate sul business che chiamiamo Oggetti Semantici Gestiti (OSG), catturando le relazioni tra loro.
• Arricchimento dei metadati: Questa ontologia è arricchita con metadati. Gli utenti forniscono descrizioni di alto livello e il nostro AI genera descrizioni dettagliate per ogni OSG e le sue proprietà (campi). Questo metadati combinato fornisce un contesto profondo sul significato e la struttura dei dati.
• Query in linguaggio naturale: Un utente pone una domanda in linguaggio aziendale chiaro, come “Mostrami le tendenze delle vendite per il prodotto X nella regione occidentale rispetto al trimestre scorso.”
• Interpretazione e generazione SQL: Il nostro motore NLP utilizza i metadati ricchi nel grafo di conoscenza per comprendere l’intento dell’utente, identificare gli OSG e le relazioni rilevanti e tradurre la domanda in query di dati precise (come SQL). Raggiungiamo un’accuratezza di text-to-SQL leader di settore del 99,8% qui.
• Generazione di informazioni (Cura): Il sistema recupera i dati e determina il modo più efficace per presentare la risposta in modo visivo. Nella nostra piattaforma, queste visualizzazioni interattive sono chiamate ‘cura’. Gli utenti possono generare automaticamente o preconfigurare le cure per allinearsi con esigenze specifiche o standard.
• Analisi più approfondita (Quick Insights): Per domande più complesse o scoperta proattiva, gli utenti possono sfruttare Quick Insights. Questa funzionalità consente loro di applicare facilmente algoritmi ML forniti con la piattaforma a campi di dati specificati per rilevare automaticamente modelli, identificare anomalie o convalidare ipotesi senza richiedere competenze di data science.

Tutto questo processo, spesso completato in pochi secondi, democratizza l’accesso e l’analisi dei dati, trasformando l’esplorazione dei dati complessi in una semplice conversazione.

Come Easy Answers collega i dati isolati nelle grandi imprese e assicura che le informazioni siano spiegabili e tracciabili?

I silos di dati sono un grande ostacolo nelle grandi imprese. Easy Answers affronta questa sfida fondamentale attraverso il nostro approccio unico di livello semantico.

Invece di costosi e complessi consolidamenti fisici dei dati, creiamo un livello semantico virtuale. La nostra piattaforma costruisce una visione logica unificata connettendosi a diverse fonti di dati dove risiedono. Questo livello è alimentato dalla nostra tecnologia di grafo di conoscenza, che mappa i dati in Oggetti Semantici Gestiti (OSG), definisce le loro relazioni e li arricchisce con metadati contestuali. Ciò crea un linguaggio aziendale comune comprensibile sia dagli esseri umani che dall’AI, effettivamente collegando strutture di dati tecniche (tabelle, colonne) con il significato aziendale (clienti, prodotti, vendite), indipendentemente da dove i dati vivono fisicamente.

Assicurare che le informazioni siano degne di fiducia richiede sia tracciabilità che spiegabilità:

• Tracciabilità: Forniamo un tracciamento completo della linea di dati. Gli utenti possono analizzare qualsiasi cura o informazione tornando ai dati di origine, visualizzando tutte le trasformazioni, filtri e calcoli applicati. Ciò fornisce trasparenza completa e auditabilità, cruciale per la convalida e la conformità.
• Spiegabilità: Le informazioni sono accompagnate da spiegazioni in linguaggio naturale. Questi riassunti articolano cosa mostrano i dati e perché sono significativi in termini aziendali, traducendo risultati complessi in comprensione azionabile per un’ampia gamma di utenti.

Questa combinazione collega i silos creando una visione semantica unificata e costruisce fiducia attraverso tracciabilità e spiegabilità chiare.

Come il tuo sistema assicura la trasparenza nelle informazioni, soprattutto in settori regolamentati dove la linea di dati è critica?

La trasparenza è assolutamente non negoziabile per le informazioni guidate dall’AI, soprattutto in settori regolamentati dove l’auditabilità e la difendibilità sono fondamentali. Il nostro approccio assicura la trasparenza in tre dimensioni chiave:

• Linea di dati: Questo è fondamentale. Come menzionato, Easy Answers fornisce un tracciamento della linea di dati dall’inizio alla fine. Ogni informazione, visualizzazione o numero può essere tracciato meticolosamente attraverso l’intero ciclo di vita – dalle fonti di dati originali, attraverso eventuali join, trasformazioni, aggregazioni o filtri applicati – fornendo la provenienza dei dati verificabile richiesta dai regolatori.
• Visibilità della metodologia: Evitiamo il problema della “scatola nera”. Quando vengono utilizzati modelli analitici o ML (ad esempio, tramite Quick Insights), la piattaforma documenta chiaramente la metodologia utilizzata, i parametri utilizzati e le metriche di valutazione rilevanti. Ciò assicura che il “come” dietro l’informazione sia così trasparente come il “cosa”.
• Spiegazione in linguaggio naturale: Tradurre gli output tecnici in contesto aziendale comprensibile è cruciale per la trasparenza. Ogni informazione è accompagnata da spiegazioni in linguaggio chiaro che descrivono i risultati, la loro importanza e le loro potenziali limitazioni, assicurando chiarezza per tutti gli stakeholder, compresi funzionari di conformità e auditor.

Inoltre, incorporiamo funzionalità di governance aggiuntive per settori con esigenze di conformità specifiche, come controlli di accesso basati su ruolo, flussi di lavoro di approvazione per azioni o report specifici e registri di audit completi che tracciano l’attività degli utenti e le operazioni del sistema. Questo approccio multilivello assicura che le informazioni siano accurate, completamente trasparenti, spiegabili e difendibili.

Come App Orchid sta trasformando le informazioni generate dall’AI in azioni con funzionalità come Generative Actions?

Generare informazioni è prezioso, ma l’obiettivo reale è guidare i risultati aziendali. Con i dati e il contesto corretti, un ecosistema agentic può guidare azioni per colmare il divario critico tra la scoperta delle informazioni e l’azione tangibile, spostando l’analisi da una funzione di reporting passiva a un driver attivo di miglioramento.

Ecco come funziona: quando la piattaforma Easy Answers identifica un modello significativo, una tendenza, un’anomalia o un’opportunità attraverso la sua analisi, sfrutta l’AI per proporre azioni specifiche e contestualmente rilevanti che potrebbero essere intraprese in risposta.

Queste non sono suggerimenti vaghi; sono raccomandazioni concrete. Ad esempio, invece di semplicemente segnalare i clienti a rischio di abbandono, potrebbe raccomandare offerte di fidelizzazione specifiche per diversi segmenti, potenzialmente calcolando l’impatto previsto o il ROI e persino creando modelli di comunicazione. Quando genera queste raccomandazioni, il sistema considera regole aziendali, vincoli, dati storici e obiettivi.

Crucialmente, ciò mantiene la supervisione umana. Le azioni consigliate vengono presentate agli utenti appropriati per la revisione, la modifica, l’approvazione o il rifiuto. Ciò assicura che il giudizio aziendale rimanga centrale nel processo decisionale mentre l’AI gestisce il lavoro pesante di identificazione delle opportunità e formulazione di risposte potenziali.

Una volta approvata un’azione, possiamo attivare un flusso agentic per l’esecuzione senza soluzione di continuità attraverso l’integrazione con sistemi operativi. Ciò potrebbe significare attivare un flusso di lavoro in un CRM, aggiornare una previsione in un sistema ERP, lanciare un compito di marketing mirato o avviare un altro processo aziendale rilevante – chiudendo così il cerchio dalle informazioni direttamente al risultato.

Come i grafi di conoscenza e i modelli di dati semantici sono centrali nel successo della tua piattaforma?

I grafi di conoscenza e i modelli di dati semantici sono il nucleo assoluto della piattaforma Easy Answers; li elevano oltre gli strumenti di business intelligence tradizionali che spesso trattano i dati come tabelle e colonne isolate, prive di contesto aziendale reale. La nostra piattaforma utilizza questi modelli per costruire un livello semantico intelligente sui dati aziendali.

Questa fondazione semantica è centrale per il nostro successo per diverse ragioni chiave:

• Abilita la vera interazione in linguaggio naturale: Il modello semantico, strutturato come un grafo di conoscenza con Oggetti Semantici Gestiti (OSG), proprietà e relazioni definite, agisce come una “Pietra di Rosetta”. Traduce le sfumature del linguaggio umano e della terminologia aziendale in query di dati precise necessarie per recuperare i dati, consentendo agli utenti di porre domande naturalmente senza conoscere gli schemi sottostanti. Ciò è fondamentale per la nostra alta accuratezza di text-to-SQL.
• Conserva il contesto aziendale critico: A differenza delle semplici join relazionali, il nostro grafo di conoscenza cattura esplicitamente la ricca e complessa rete di relazioni tra entità aziendali (ad esempio, come i clienti interagiscono con i prodotti attraverso biglietti di supporto e ordini di acquisto). Ciò consente un’analisi più approfondita e contestualizzata che riflette il modo in cui opera l’azienda.
• Fornisce adattabilità e scalabilità: I modelli semantici sono più flessibili degli schemi rigidi. Man mano che le esigenze aziendali evolvono o vengono aggiunte nuove fonti di dati, il grafo di conoscenza può essere esteso e modificato in modo incrementale senza richiedere un completo ripristino, mantenendo la coerenza mentre si adatta al cambiamento.

Questa profonda comprensione del contesto dei dati fornita dal nostro livello semantico è fondamentale per tutto ciò che fa Easy Answers, dalla semplice domanda e risposta all’individuazione di modelli avanzati con Quick Insights, e costituisce la fondazione essenziale per le nostre future capacità agentic AI, assicurando che gli agenti possano ragionare sui dati in modo significativo.

Quali modelli fondamentali supporti e come consenti alle organizzazioni di portare i propri modelli AI/ML nel flusso di lavoro?

Crediamo in un approccio aperto e flessibile, riconoscendo l’evoluzione rapida dell’AI e rispettando gli investimenti esistenti delle organizzazioni.

Per i modelli fondamentali, manteniamo integrazioni con opzioni leader da più fornitori, tra cui la famiglia di modelli Gemini di Google, i modelli GPT di OpenAI e alternative open-source prominenti come Llama. Ciò consente alle organizzazioni di scegliere modelli che si adattino meglio alle loro esigenze di prestazioni, costo, governance o capacità specifiche. Questi modelli alimentano varie funzionalità della piattaforma, tra cui la comprensione del linguaggio naturale per le query, la generazione di SQL, la riassunto delle informazioni e la generazione dei metadati.

Oltre a questi, forniamo percorsi robusti per consentire alle organizzazioni di portare i propri modelli AI/ML personalizzati nel flusso di lavoro Easy Answers:

• I modelli sviluppati in Python possono spesso essere integrati direttamente tramite il nostro AI Engine.
• Offriamo capacità di integrazione senza soluzione di continuità con piattaforme di apprendimento automatico cloud principali come Google Vertex AI e Amazon (AMZN ) SageMaker, consentendo ai modelli addestrati e ospitati lì di essere invocati.

Crucialmente, il nostro livello semantico gioca un ruolo chiave nel rendere questi potenzialmente complessi modelli personalizzati accessibili. Collegando input e output dei modelli ai concetti aziendali definiti nel nostro grafo di conoscenza (OSG e proprietà), consentiamo agli utenti aziendali non tecnici di sfruttare capacità AI/ML avanzate (ad esempio, tramite Quick Insights) senza dover comprendere la scienza dei dati sottostante – interagiscono con termini aziendali familiari e la piattaforma gestisce la traduzione tecnica. Ciò democratizza veramente l’accesso a capacità AI/ML sofisticate.

Guardando avanti, quali tendenze vedi che plasmeranno l’onda successiva dell’AI aziendale – in particolare nei mercati degli agenti e nella progettazione degli agenti senza codice?

L’onda successiva dell’AI aziendale si sta muovendo verso ecosistemi altamente dinamici, componibili e collaborativi. Diverse tendenze convergenti stanno guidando questo:

• Mercati e registri degli agenti: Vedremo un aumento significativo dei mercati degli agenti che funzionano accanto ai registri degli agenti interni. Ciò favorisce un passaggio da costruzioni monolitiche a un modello “noleggia e compone”, in cui le organizzazioni possono scoprire e integrare dinamicamente agenti specializzati – interni o esterni – con capacità specifiche come necessario, accelerando drasticamente la distribuzione delle soluzioni.
• Comunicazione standardizzata degli agenti: Perché questi ecosistemi funzionino, gli agenti necessitano di linguaggi comuni. Protocolli di comunicazione standardizzati tra agenti, come il Model Context Protocol (MCP), che noi utilizziamo, e iniziative come il protocollo Agent2Agent di Google, stanno diventando essenziali per abilitare una collaborazione senza soluzione di continuità, la condivisione del contesto e la delega dei compiti tra agenti, indipendentemente da chi li abbia costruiti o dove vengano eseguiti.
• Orchestrazione dinamica: I flussi di lavoro statici e predefiniti lasceranno il posto all’orchestrazione dinamica. Strati di orchestrazione intelligenti selezioneranno, configureranno e coordineranno gli agenti in fase di esecuzione in base al contesto specifico del problema, portando a sistemi molto più adattabili e resilienti.
• Progettazione degli agenti senza codice/low-code: La democratizzazione si estenderà alla creazione degli agenti. Piattaforme senza codice e low-code abiliteranno gli esperti aziendali, non solo gli specialisti AI, a progettare e costruire agenti che incorporano conoscenza e logica aziendale specifica, arricchendo ulteriormente il pool di capacità specializzate disponibili.

Il ruolo di App Orchid è fornire la fondazione semantica critica per questo futuro. Perché gli agenti in questi ecosistemi dinamici collaborino efficacemente e eseguano compiti significativi, devono comprendere i dati aziendali. Il nostro grafo di conoscenza e il livello semantico forniscono esattamente questa comprensione del contesto, consentendo agli agenti di ragionare e agire sui dati in termini aziendali rilevanti.

Come ti immagini il ruolo del CTO evolversi in un futuro in cui l’intelligenza decisionale viene democratizzata attraverso l’agentic AI?

La democratizzazione dell’intelligenza decisionale attraverso l’agentic AI eleva fondamentalmente il ruolo del CTO. Si sposta da essere principalmente un tutore dell’infrastruttura tecnologica a diventare un orchestratore strategico dell’intelligenza organizzativa.

Le chiavi di evoluzione includono:

• Dal gestore dei sistemi all’architetto dell’ecosistema: L’attenzione si sposta oltre la gestione di applicazioni isolate per progettare, curare e governare dinamicamente ecosistemi di agenti interagenti, fonti di dati e capacità analitiche. Ciò include sfruttare efficacemente i mercati e i registri degli agenti.
• Strategia dei dati come strategia aziendale core: Assicurarsi che i dati non siano solo disponibili ma anche semantically ricchi, affidabili e accessibili diventa fondamentale. Il CTO sarà centrale nella costruzione della fondazione del grafo di conoscenza che alimenta sistemi intelligenti in tutta l’azienda.
• Paradigmi di governance in evoluzione: Saranno necessari nuovi modelli di governance per l’agentic AI – affrontando la fiducia degli agenti, la sicurezza, l’uso etico dell’AI, l’auditabilità delle decisioni automatizzate e la gestione dei comportamenti emergenti all’interno della collaborazione degli agenti.
• Sostenere l’adattabilità: Il CTO sarà cruciale nell’incorporare l’adattabilità nel tessuto tecnico e operativo dell’organizzazione, creando ambienti in cui le informazioni guidate dall’AI portino a risposte rapide e apprendimento continuo.
• Promuovere la collaborazione umano-AI: Un aspetto chiave sarà coltivare una cultura e progettare sistemi in cui esseri umani e agenti AI lavorino in sinergia, aumentando i punti di forza reciproci.

Alla fine, il CTO diventa meno concentrato sulla gestione dei costi IT e più sul massimizzare il “potenziale di intelligenza” dell’organizzazione. È un passaggio verso essere un vero partner strategico, abilitando l’intera azienda a operare in modo più intelligente e adattivo in un mondo sempre più complesso.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare App Orchid.