Ravi Bommakanti、App OrchidのCTO – インタビュー・シリーズ

ラヴィ・ボンマカンティ、App Orchidの最高技術責任者は、企業がアプリケーションや意思決定プロセス全体でAIを活用できるようにするという会社の使命を牽引しています。App Orchidの旗艦製品であるEasy Answers™により、ユーザーは自然言語を使用してデータとやり取りし、AI駆動のダッシュボード、洞察、推奨アクションを生成できます。

このプラットフォームは、リアルタイム入力や従業員の知識を含む構造化されたデータと非構造化されたデータを予測データファブリックに統合し、戦略的および運用上の意思決定をサポートします。インメモリのビッグデータ技術とユーザーフレンドリーなインターフェイスを備えたApp Orchidは、迅速な展開、低コストの実装、既存のシステムへの最小限の影響を通じて、AIの導入を容易にします。

大きな絵から始めましょう。アジェンティクAIとはあなたにとって何を意味し、従来のAIシステムとはどう違うのか。

アジェンティクAIは、従来のAIシステムの静的な実行からダイナミックなオーケストレーションへの根本的なシフトを表します。私の考えでは、それは、堅固にプログラムされたシステムから自律的で適応可能な問題解決者への移行です。これらの問題解決者は、理由を付けて、計画を立てて、協力することができます。

アジェンティクAIを真正に際立たせるのは、その分散された知識と専門知識の性質を活用する能力です。従来のAIは、固定された境界内で動作し、予め決定されたパスに従います。一方、アジェンティクシステムは、複雑なタスクを分解し、サブタスクに適した専門エージェントを特定し、エージェント・レジストリを介してこれらのエージェントを発見して活用することができます。このエージェント・レジストリの概念により、組織は必要に応じて専門能力を「レンタル」し、内部ですべてのAI機能を構築または所有することを強いられるのではなく、人間の専門家チームが組み立てられるようにします。

したがって、モノリシックなシステムではなく、専門エージェントがダイナミックに構成され、調整されるエコシステムを作成することが未来にあります。これは、熟練したプロジェクトマネージャーがチームを率いるのと同様に、複雑で進化するビジネス上の課題に対処するためのものです。

Google (GOOGL ) Agentspaceは、企業全体でアジェンティクAIの採用をどのように促進していますか。また、App Orchidはこのエコシステムにおける役割は何ですか。

Google Agentspaceは、企業のAI採用を促進するための重要なアクセラレーターです。さまざまなワークアプリケーションに接続されたインテリジェントエージェントを展開および管理するための統一された基盤を提供し、Googleの強力な検索とGeminiなどのモデルを活用することで、企業は共通のインターフェイスを介してシロ化された情報を実行可能なインテリジェンスに変えることができます。

App Orchidは、このエコシステム内で重要なセマンティック・エナブリング・レイヤーとして機能します。Agentspaceがエージェントのインフラストラクチャとオーケストレーション・フレームワークを提供する一方で、Easy Answersプラットフォームは、エージェントが効果的に動作するために必要な、複雑なデータを理解し、アクセス可能にするという企業の重要な課題に対処します。オントロジー・ドリブンのアプローチを使用して、ビジネス・コンテキストと関係を備えた豊富なノウledgeグラフを企業データから構築します。つまり、エージェントが必要とする理解です。

これにより、強力なシナジーが生まれます。Agentspaceが堅牢なエージェント・インフラストラクチャとオーケストレーション能力を提供する一方で、App Orchidは、これらのエージェントが効果的に動作するために必要な、複雑な企業データの深いセマンティック理解を提供します。Google Cloud Cortex Frameworkとのコラボレーションは、顧客がデータ準備時間を最大85％削減しながら、プラットフォームの業界最高の99.8％のテキストからSQLへの精度で自然言語クエリを活用できることを示す主要な例です。共に、ビジネス言語とデータの複雑さを真正に把握したアジェンティクAIソリューションを展開することで、組織を時間内に価値を提供することを可能にします。

企業がアジェンティクAIを採用する際に直面するリアルな障壁とは何ですか。App Orchidはこれらの障壁をどのように克服するのですか。

私たちが見る主な障壁は、データ品質、セキュリティ基準の進化、特にエージェント間の信頼性を確保すること、そして企業の知識とエージェントの能力の分散性を管理することの挑戦です。

データ品質は根底的な問題です。アジェンティクAIは、他のAIと同様に、低品質のデータを入力すると信頼できない出力が生成されます。App Orchidは、異なるデータソースを文脈化するセマンティックレイヤーを構築することで、この問題を根本的に解決します。このレイヤーを基盤として、Easy Answersプラットフォームのユニークなクラウドソーシング機能により、ビジネスユーザーは組織全体でデータギャップや不一致を特定して対処することができ、信頼性が大幅に向上します。

セキュリティも重要な障壁です。特に、エージェント間のコミュニケーションが一般的になるにつれて、内部および外部システムをまたいで動作する可能性があります。エージェント間の信頼を確立し、必要な相互作用を妨げることなくガバナンスを維持するメカニズムを実装することが重要です。プラットフォームは、ダイナミックな相互作用に設計されたセキュリティフレームワークを実装することに重点を置いています。

最後に、分散された知識と能力を効果的に活用するには、先進的なオーケストレーションが必要です。App Orchidは、モデルコンテキストプロトコル（MCP）などの概念を活用しています。これは、コンテキストに基づいてサブタスクに適したエージェントを動的にソーシングし、流動的で適応可能なワークフローを促進するために、ますます重要になっています。このアプローチは、エージェント間のコミュニケーションを標準化するために設計されたGoogleのエージェントツーエージェントプロトコルなどの新興標準に合致しています。私たちは、これらの障壁に対処することで、信頼できる効果的なアジェンティクAIソリューションを構築することを支援しています。

Easy Answersがどのように機能するか、自然言語クエリから洞察の生成までを説明してください。

Easy Answersは、ユーザーが企業データとやり取りする方法を変革し、自然言語を使用して高度な分析を可能にします。以下がその方法です：

• 接続性：企業のデータソースに接続から始めます。200以上の一般的なデータベースとシステムをサポートしています。重要なのは、データの移動や複製を必要とせずに、データが存在する場所にセキュアに接続できることです。
• オントロジーの作成：プラットフォームは、接続されたデータを分析し、ビジネス中心のエンティティであるマネージド・セマンティック・オブジェクト（MSO）を含む包括的なノウレッジグラフを構築します。これにより、データはビジネス中心のエンティティと関係に構造化されます。
• メタデータの強化：このオントロジーは、メタデータで強化されます。ユーザーは高レベルの説明を提供し、AIは各MSOとその属性（フィールド）に対する詳細な説明を生成します。この組み合わせたメタデータにより、データの意味と構造について深いコンテキストが提供されます。
• 自然言語クエリ：ユーザーは、ビジネス言語で質問をします。たとえば、「西部地域の製品Xの販売トレンドを、先月と比較して表示してください」。
• 解釈とSQLの生成：NLPエンジンは、ノウレッジグラフの豊富なメタデータを使用して、ユーザーの意図を理解し、関連するMSOと関係を特定し、質問をデータクエリ（SQL）に翻訳します。ここで、99.8％のテキストからSQLへの精度を達成します。
• 洞察の生成（キュレーション）：システムはデータを取得し、回答を視覚的に表示する最も効果的な方法を決定します。プラットフォームでは、これらのインタラクティブな視覚化が「キュレーション」と呼ばれます。ユーザーは、これらを自動的に生成または事前に構成して、特定のニーズまたは標準に合わせることができます。
• より深い分析（クイックインサイト）：より複雑な質問やプロアクティブな発見のために、ユーザーはクイックインサイトを活用できます。この機能により、ユーザーは、データフィールドにMLアルゴリズムを適用して、パターンを自動的に検出、異常を特定、または仮説を検証することができ、データサイエンスの専門知識を必要としません。

このプロセスは、通常数秒で完了し、データアクセスと分析を民主化し、複雑なデータの探索をシンプルな会話に変えます。

Easy Answersは、大規模な企業でシロ化されたデータをどのようにブリッジし、洞察が説明可能で追跡可能であることを保証しますか。

データシロは、大規模な企業で大きな障害です。Easy Answersは、独自のセマンティックレイヤー・アプローチを通じて、この基本的な課題に対処します。

高価で複雑な物理的なデータ統合ではなく、仮想的なセマンティックレイヤーを作成します。プラットフォームは、ノウレッジグラフ技術を使用して、データをマネージドセマンティックオブジェクト（MSO）にマッピングし、関係を定義し、コンテキストメタデータで強化します。これにより、人間とAIの両方が理解できる共通のビジネス言語が作成され、技術的なデータ構造（テーブル、列）とビジネス意味（顧客、製品、販売）を橋渡しします。データが物理的に存在する場所に関係なく。

信頼性のある洞察を保証するには、追跡可能性と説明可能性の両方が必要です。

• 追跡可能性：包括的なデータの血統を追跡します。ユーザーは、キュレーションまたは洞察から、適用された変換、フィルタリング、計算を表示しながら、元のデータソースに戻ることができます。これにより、完全な透明性と監査可能性が提供され、検証とコンプライアンスに不可欠です。
• 説明可能性：洞察は、ビジネス上の重要性を説明する自然言語の要約とともに提示されます。これらの要約は、複雑な発見を幅広い聴衆にとって実行可能な理解に翻訳します。

この組み合わせにより、シロを橋渡しし、透明性と説明可能性を通じて信頼を築きます。

特に規制された業界でデータの血統が重要である場合、システムはどのようにして洞察の透明性を確保していますか。

透明性は、特に監査可能性と防御可能性が重要な規制された業界で、AI駆動の洞察において絶対に必要です。私たちのアプローチは、透明性を3つの重要な次元で保証します。

• データの血統：これは基盤です。Easy Answersは、データの完全なライフサイクルを通じて、データソースから変換、フィルタリング、集計まで、エンドツーエンドのデータの血統を追跡します。監査とコンプライアンスに必要な検証可能なデータの出所を提供します。
• 方法の可視性：「ブラックボックス」の問題を避けます。分析またはMLモデルが使用される場合（例：クイックインサイトを介して）、プラットフォームは使用される方法、パラメーター、関連する評価メトリックを明確に文書化します。これにより、洞察の「方法」が「何」であるのと同じくらい透明になることが保証されます。
• 自然言語による説明：技術的な出力をビジネス上のコンテキストに翻訳することは不可欠です。各洞察は、ビジネス上の重要性とその制限について説明するプレーンテキストの要約とともに提示されます。これにより、コンプライアンスオフィサーと監査人を含むすべての利害関係者にとって明確性が保証されます。

さらに、ロールベースのアクセス制御、特定のアクションまたはレポートの承認ワークフロー、およびユーザーの活動とシステムの操作を追跡する包括的な監査ログなどのガバナンス機能を組み込んでいます。多層的なアプローチにより、洞察が正確で、完全に透明で、説明可能で、防御可能であることが保証されます。

App Orchidは、ジェネレーティブ・アクションなどの機能を使用して、AI生成の洞察をどのようにアクションに変えているのですか。

洞察を生成することは価値がありますが、ビジネス成果を達成することが実際の目標です。適切なデータとコンテキストがあると、アジェンティク・エコシステムは、洞察の発見と有形なアクションの間の重要なギャップを埋め、分析をパッシブなレポート機能からアクティブな改善のドライバーに変えることができます。

以下がその方法です：Easy Answersプラットフォームが分析を通じて重要なパターン、トレンド、異常、または機会を特定すると、AIを使用して、対応する特定の、コンテキストに応じたアクションを提案します。

これらは漠然とした提案ではありません。具体的な推奨事項です。たとえば、顧客が退会するリスクが高い場合、特定のセグメントに合わせたリテンション・オファーを提案するのではなく、期待される影響またはROIを計算し、コミュニケーション・テンプレートを起草する場合があります。推奨アクションを生成する際に、システムはビジネス・ルール、制約、歴史的データ、および目標を考慮します。

重要なのは、人間の判断が意思決定プロセスの中核を占めることを保証するため、推奨されるアクションは、レビュー、変更、承認、または却下のために適切なユーザーに提示されます。これにより、ビジネス上の判断がAIが機会を特定し、潜在的な対応を策定するという重い負担から解放されます。

アクションが承認されると、オペレーショナル・システムとの統合を通じてシームレスな実行を可能にするアジェンティク・フローをトリガーできます。これにより、CRM内のワークフローをトリガーしたり、ERPシステム内の予測を更新したり、ターゲット・マーケティング・タスクを起動したり、他の関連するビジネス・プロセスを開始したりすることができます。つまり、洞察から成果までのループを閉じることになります。

ノウレッジグラフとセマンティックデータモデルは、あなたのプラットフォームの成功にどのように貢献していますか。

ノウレッジグラフとセマンティックデータモデルは、Easy Answersプラットフォームの絶対的な核心です。これらは、従来のBIツールがデータを分離されたテーブルと列として扱うのではなく、企業データにインテリジェントなセマンティックレイヤーを構築することで、プラットフォームを超えています。

このセマンティック基盤は、私たちの成功のためにいくつかの重要な理由で中心的です。

• 真の自然言語のやり取りを可能にする：セマンティックモデルは、ノウレッジグラフとして構造化され、マネージドセマンティックオブジェクト（MSO）、プロパティ、定義された関係を含みます。これは、ビジネス言語とビジネス用語のニュアンスを、データを取得するために必要な正確なクエリに翻訳する「ロゼッタストーン」の役割を果たします。ユーザーは、基礎となるスキーマを知らなくても、自然に質問をしてデータとやり取りすることができます。これは、私たちの高いテキストからSQLへの精度の重要な要素です。
• 重要なビジネス・コンテキストを保存する：単純な関係の結合とは異なり、私たちのノウレッジグラフは、ビジネス・エンティティ（例：顧客がサポート・チケットと購入注文を通じて製品とどのように関わるか）間の豊富で複雑な関係のネットワークを明示的に捉えます。これにより、ビジネスがどのように機能するかを反映した、より深い、よりコンテキストに応じた分析が可能になります。
• 適応性とスケーラビリティを提供する：セマンティックモデルは、剛性のあるスキーマよりも柔軟です。ビジネス上のニーズが変化したり、新しいデータソースが追加されたりすると、ノウレッジグラフは、整合性を維持しながら増分的に拡張および変更できます。

Easy Answersが行うすべてのことの基盤となるのは、このセマンティックレイヤーによって提供されるデータのコンテキストの深い理解です。基本的なQ&Aから、クイックインサイトを使用した高度なパターン検出まで、そして将来のアジェンティクAIの機能性を可能にするものです。

あなたはどのような基礎モデルをサポートしていますか。また、組織は独自のAI/MLモデルをワークフローに組み込む方法をどのように提供していますか。

オープンで柔軟なアプローチを採用しており、AIの急速な進化を認識し、組織の既存の投資を尊重しています。

基礎モデルの場合、複数のプロバイダーの主要なオプション、GoogleのGeminiファミリー、OpenAIのGPTモデル、およびLlamaなどの著名なオープンソースの代替品との統合を維持しています。これにより、組織はパフォーマンス、コスト、ガバナンス、または特定の機能のニーズに最も適したモデルを選択できます。これらのモデルは、自然言語の理解、SQLの生成、洞察の要約、メタデータの生成を含むプラットフォームのさまざまな機能を提供します。

これらに加えて、組織が独自のカスタムAI/MLモデルをEasy Answersのワークフローに組み込むための堅牢なパスを提供します。

• Pythonで開発されたモデルは、AIエンジンを介して直接統合できます。
• Google Vertex AIやAmazon SageMakerなどの主要なクラウドMLプラットフォームとのシームレスな統合機能を提供し、そこでトレーニングおよびホストされているモデルを呼び出すことができます。

重要なのは、セマンティックレイヤーがこれらのカスタムモデルをアクセス可能にする上で重要な役割を果たしていることです。モデル入力と出力をビジネス概念（MSOとプロパティ）にリンクすることで、非技術的なビジネスユーザーが、Quick Insights（例：予測、分類、因果モデル）を介して高度なAI/ML機能を活用できるようにします。ユーザーは、データサイエンスの技術的な側面を理解する必要なく、馴染みのあるビジネス用語でやり取りし、プラットフォームが技術的な翻訳を処理します。

企業のAIの次の波はどのようなものになりそうですか。特にエージェント・マーケットプレイスとノーコード・エージェント・デザインの分野ではどうなりそうですか。

企業のAIの次の波は、高度にダイナミックで、構成可能で、協調的なエコシステムに向かって進化しています。いくつかの収束するトレンドがこの進化を推進しています。

• エージェント・マーケットプレイスとレジストリ：エージェント・マーケットプレイスが内部のエージェント・レジストリと並んで、重要性を増すことが予想されます。これにより、モノリシックな構築から「レンタルして構成する」モデルへの移行が可能になり、組織は必要に応じて内部または外部の専門エージェントを動的に検出して統合できます。これにより、ソリューションの展開が大幅に加速されます。
• 標準化されたエージェント通信：これらのエコシステムが機能するには、エージェントが共通の言語を必要とします。エージェント間の標準化された通信プロトコル、たとえばMCP（モデル・コンテキスト・プロトコル）を私たちが活用しているものや、Googleのエージェントツーエージェント・プロトコルなどの取り組みは、エージェント間のシームレスなコラボレーション、コンテキストの共有、タスクの委任を可能にするために不可欠です。
• ダイナミック・オーケストレーション：静的な、事前に定義されたワークフローは、ダイナミック・オーケストレーションに取って代わられます。インテリジェントなオーケストレーション層は、特定の問題のコンテキストに基づいて、ランタイム時にエージェントを選択、構成、調整します。これにより、適応性と回復力が大幅に向上したシステムが実現します。
• ノーコード/ローコード・エージェント・デザイン：民主化はエージェントの作成にまで拡大します。ノーコードとローコードのプラットフォームにより、AIの専門家だけでなく、ビジネス上の専門家が、特定のドメインの知識とビジネス・ロジックをエンコードしたエージェントを設計および構築できるようになります。これにより、利用可能な専門能力のプールがさらに豊富になります。

App Orchidの役割は、この未来のために重要なセマンティック基盤を提供することです。これらのダイナミックなエコシステム内のエージェントが効果的に協力し、意味のあるタスクを実行するには、企業データを理解する必要があります。私たちのノウレッジグラフとセマンティックレイヤーは、エージェントがビジネス上の関連性のある方法でデータを推論し、行動できるようにする、コンテキストの理解を提供します。

アジェンティクAIが企業の意思決定を民主化する将来では、CTOの役割はどのように進化するでしょうか。

アジェンティクAIによる意思決定の民主化は、CTOの役割を根本的に高めます。これは、主に技術インフラストラクチャの管理者から、組織の知能の戦略的なオーケストレーターへの移行です。

主な進化は次のとおりです。

• システム・マネージャーからエコシステム・アーキテクトへ：焦点は、シロ化されたアプリケーションの管理から、ダイナミックに相互作用するエージェント、データ・ソース、分析機能のエコシステムを設計、キュレーション、ガバナンスすることに移ります。これには、エージェント・マーケットプレイスとレジストリを効果的に活用することが含まれます。
• データ戦略はコアビジネス戦略：データが利用可能であるだけでなく、セマンティックに豊かで、信頼性が高く、アクセス可能であることを保証することが重要になります。CTOは、企業全体で知能システムを動かすノウレッジグラフの基盤を構築する上で中心的な役割を果たします。
• ガバナンスの新しいパラダイム：アジェンティクAIには、新しいガバナンスモデルが必要になります。エージェントの信頼性、セキュリティ、倫理的なAIの使用、自動化された意思決定の監査可能性、エージェントの協力による新たな動作の管理が含まれます。
• 適応性の推進：CTOは、AIの洞察が迅速な対応と継続的な学習につながるように、適応性を組織の技術的および運用的ファブリックに組み込む上で重要な役割を果たします。
• 人間とAIの協力の促進：重要な側面は、人間とAIエージェントが相互の強みを高め合う文化とシステムを育むことです。

最終的には、CTOはITコストの管理から、組織の「知能の可能性」を最大化することに重点を置くようになります。これは、ビジネス全体をより知的に、適応的に動作させるための真の戦略的パートナーへの移行です。複雑な世界で。

素晴らしいインタビュー、ありがとうございました。読者がもっと学びたい場合は、App Orchidを訪けてください。