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

Ravi Bommakanti、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を運用化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パワードのダッシュボード、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データと非構造化データを、戦略的および運用上の意思決定をサポートする予測データファブリックに統合します。インメモリBig Dataテクノロジー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混乱を通じて、AIの採用を簡素化しています。

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

アジェンティック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。私にとって、それは、堅固な、事前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。そうした解決者は、理由を付ける、計画する、協力することができます。

アジェンティックAIを真正に際立たせるのは、その知識と専門知識の分散性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、アジェンティックシステムは、複雑なタスクを分解し、サブタスクに適した適切なエージェントを特定し、ソリューションを合成するためにその相互作用をオーケストレートすることができます。エージェント・レジストリの概念により、企業は必要に応じて専門能力を「レンタル」することができ、AI機能をすべて内部で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のと同様に、実現します。

したがって、モノリシックなシステムではなく、専門化された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未来が来ています。そうしたエコシステムでは、複雑で進化するビジネス上の課題に対処するために、熟練したプロジェクトマネージャーがチームを率いるように、効果的に対処できます。

Google Agentspaceは、企業全体でアジェンティック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採用を大幅に促進する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、GeminiなどのGoogleの強力な検索およびモデルを活用することで、企業は情報のシロをアクション可能なインテリジェンスに変えることができます。共通のインターフェイスを通じて。

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し、有意義なビジネス洞察を提供するために必要な、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取り組んでいます。ビジネス・コンテキストと関係を備えた豊富なノウハジ・グラフを、企業のデータから構築するために、オントロジー・ドリブン・アプローチを使用しています。そうした理解が、エージェントに必要です。

これにより、強力なシナジーが生まれます。Agentspaceは、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、エージェントが効果的に動作し、有意義なビジネス洞察を提供するために必要な、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大幅に削減する（最大85％）のを助け、プラットフォームの業界最高の99.8％のテキストからSQLの精度を利用することで、顧客がアジェンティックAIソリューションを展開し、ビジネス言語とデータの複雑さを真正に理解することを可能にします。時間あたりの価値を加速します。

企業がアジェンティックAIを採用する際に直面するリアルな障壁は何ですか。また、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、データの品質、セキュリティ基準の進化（特にエージェント間の信頼を確保すること）、および企業の知識とエージェントの能力の分散性の管理の課題です。

データ品質は基本的な問題です。アジェンティックAIは、他のAIと同様に、低品質のデータを入力すると、信頼できない出力を生成します。App Orchidは、データの基盤にセマンティック・レイヤーを構築することでこの問題に取り組みます。異なるデータ・ソースを接続し、ビジネス・ユーザーがデータの意味を最もよく理解している人たちを、データのギャップや不一致を共同で特定し、対処するために参加させることで、信頼性を大幅に改善します。

セキュリティは別の重要な障壁です。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跨ぐ可能性があります。エージェント間の信頼を確保し、必要な相互作用を妨げないようにガバナンスを維持するための堅牢なメカニズムを確立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・フレームワークの実装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、高度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、リポジトリから専門化されたエージェントをダイナミックにソーシングし、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。Googleのエージェント間プロトコルなどのエージェント間コミュニケーションの標準化を反映しています。App Orchidは、これらの障壁に対処することで、信頼性が高く効果的なアジェンティックAIソリューションを構築するために企業を支援します。

Easy Answers™の動作を、自然言語クエリから洞察の生成まで説明してください。

Easy Answersは、企業のデータとやり取りするユーザーの方法を変革します。高度な分析を自然言語でアクセス可能にします。以下がその方法です：

• 接続: 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やシステムをサポートしています。重要なのは、これが多くの場合、データの移動や複製を必要とせず、データが存在する場所に直接接続することで実現することです。
• オントロジー生成: プラットフォームは、接続されたデータを分析し、包括的なノウハジ・グラフを自動的に構築します。これにより、データはビジネス・セントリックなエンティティ、つまりマネージド・セマンティック・オブジェクト（MSO）に構造化され、関係がキャプチャされます。
• 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、前四半期と比較して表示してください」。
• 解釈とSQL生成: NLPエンジンは、ノウハジ・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、質問を正確なデータ・クエリ（SQLなど）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、回答を視覚的に提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は「キュレーション」と呼ばれます。ユーザーは、特定のニーズや標準に合わせて、これらを自動的に生成または事前に構成できます。
• 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、パターンを自動的に検出、異常を特定、仮説を検証するために、指定されたデータ・フィールドにMLアルゴリズムを簡単に適用できます。データ・サイエンスの専門知識が不要です。

このプロセス全体は、多くの場合数秒で完了し、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単純な会話に変えます。

Easy Answersは、大企業における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、大企業における大きな障害です。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、ノウハジ・グラフ技術を使用して、多様なデータ・ソースを接続し、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・メタデータでそれらを強化します。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）とビジネス上の意味（顧客、製品、販売）を、データが物理的に存在する場所に関係なく、橋渡しします。

洞察が信頼できるものであることを保証するには、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・ライナージ・トラッキングを提供します。ユーザーは、キュレーションや洞察から、適用された変換、フィルタリング、計算を表示しながら、元のデータまでドリルダウンできます。これにより、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、自然言語による説明に付随します。これらの要約は、データが何を示し、ビジネス上でなぜ重要であるかを、複雑な発見をアクション可能な理解に翻訳するために、ビジネス用語で説明します。

この組み合わせにより、シロを橋渡しすることで、統一されたセマンティック・ビューを作成し、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・ライナージが重要な場合、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におけるAI駆動の洞察にとって、絶対に必要です。アプローチにより、透明性が3つの重要な次元で確保されます：

• データ・ライナージ: これは基盤です。Easy Answersは、エンドツーエンドのデータ・ライナージ・トラッキングを提供します。各洞察、視覚化、または数字は、データの完全なライフサイクルを通じて、元のデータ・ソースから、適用されたジョイン、変換、集約、またはフィルタリングを通じて、検証と規制要件に必要な検証可能なデータの出典を提供するために、追跡できます。
• 方法論の可視化: 黒箱の問題を避けます。分析またはMLモデルが使用される場合（たとえば、クイック・インサイトを通じて）、プラットフォームは、使用された方法論、パラメータ、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、洞察の「何」と同じくらい透明になることを保証します。
• 自然言語による説明: 技術的な出力をビジネス用語で理解できるものに翻訳することは、透明性のために不可欠です。各洞察は、ビジネス用語で、その発見、重要性、潜在的な限界について説明するプレーンな言語による説明に付随します。これにより、コンプライアンス・オフィサー、監査人を含むすべての利害関係者にとって、明確性が確保されます。

さらに、規制要件のある業界向けに、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、およびユーザー活動とシステム操作を追跡する包括的な監査ログなどの追加のガバナンス機能を組み込んでいます。この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を保証します。

App Orchidは、ジェネレーティブ・アクションズなどの機能を使用して、AI生成の洞察をアクションに変えますか。

洞察を生成することは価値がありますが、真の目標はビジネス成果を駆り立てることです。適切なデータとコンテキストがあると、アジェンティック・エコシステムは、洞察の発見と有形なアクションの間にある重要なギャップを埋めることで、分析を、受動的な報告機能から、改善のアクティブな推進力に変えることができます。

ここで、その方法を説明します。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、対応する具体的な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、単に顧客が脱会のリスクが高いことをフラグするのではなく、さまざまなセグメントに合わせた特定のリテンション・オファーを推奨することがあります。期待される影響またはROIを計算し、さらにはコミュニケーション・テンプレートを下書きすることがあります。推奨事項を生成する際に、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央に留ま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ることです。これにより、ビジネス上の判断が中心となることを保証しながら、AIが洞察の特定と潜在的な対応の策定の重い負担を担うことができます。

承認されたアクションは、運用システムとの統合を通じて、エージェントのフローをトリガーして、シームレスに実行できます。これにより、CRM内のワークフローをトリガーすること、ERPシステム内の予測を更新すること、ターゲット・マーケティング・タスクを開始すること、または別の関連するビジネス・プロセスを開始することなど、実行可能な結果がもたらされます。洞察から直接結果へのループが閉じられます。

ノウハジ・グラフとセマンティック・データ・モデルは、プラットフォームの成功の鍵となります。どのようにですか。

ノウハジ・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ツールがしばしばデータを、ビジネス上のコンテキストを欠いた、切り離されたテーブルと列として扱うのとは異なり、プラットフォームを超えています。プラットフォームは、これらを使用して、企業のデータ上に、インテリジェントなセマンティック・レイヤーを構築します。

このセマンティック・ファウンデーションは、プラットフォームの成功のために、いくつかの重要な理由で中心的な役割を果たします：

• 真の自然言語のやり取りを可能にする: マネージド・セマンティック・オブジェクト（MSO）、プロパティ、定義された関係で構造化されたセマンティック・モデルは、ロゼッタ・ストーンとして機能します。人間の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、自然に質問をすることができます。これは、プラットフォームの高いテキストからSQLへの精度の重要な要因です。
• 重要なビジネス・コンテキストを保存する: 単純なリレーショナル・ジョインとは異なり、ノウハジ・グラフは、ビジネス・エンティティ間の複雑な関係の豊富なウェブを明示的にキャプチャします。たとえば、顧客がサポート・チケットや注文を通じて製品とどのように関わるか。これにより、ビジネスがどのように運営されるかを反映した、より深い、よりコンテキストのある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、堅固なスキーマよりも柔軟です。ビジネス上のニーズが進化したり、新しいデータ・ソースが追加されたりすると、ノウハジ・グラフは増分的に拡張および変更できます。オーバーホールを必要とせずに、一貫性を維持しながら変化に適応します。

このセマンティック・レイヤーを通じて提供されるデータのコンテキストの深い理解は、Easy Answersが行うすべてのことの基本です。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、将来のアジェンティックAI機能のための基本的な基盤を形成し、エージェントがデータを有意義に推論し、行動できるようにします。

基礎となるモデルはどれをサポートしていますか。また、組織はどのようにして独自のAI/MLモデルをワークフローに取り込むことができますか。

オープンで柔軟なアプローチを取り入れ、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。

基礎となるモデルについては、複数のプロバイダーからの主要なオプション、たとえばGoogleのGeminiファミリ、OpenAIのGPTモデル、および著名なオープンソースの代替品であるLlama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、メタデータの生成などのプラットフォームの機能を提供します。

これらに加えて、組織は独自のカスタムAI/MLモデルをEasy Answersのワークフローに取り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、多くの場合、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ます。そこでトレーニングおよびホストされているモデルは、呼び出されることができます。

重要なのは、セマンティック・レイヤーが、これらの複雑なカスタム・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、ノウハジ・グラフで定義されたビジネス・コンセプト（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、クイック・インサイト（たとえば）を介して高度な予測、分類、または因果モデルを活用できるようにします。ユーザーは、技術的なデータ・サイエンス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になりますか。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・デザインのトレンドについてはどうですか。

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への移行です。いくつかの収束するトレンドがこれを推進しています：

• 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・レジストリとともに、重要性を増すことを見込んでいます。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化されたエージェントをダイナミックに発見して統合できるため、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間のコミュニケーション: これらのエコシステムが機能するには、エージェントは共通言語が必要です。エージェント間のコミュニケーションを可能にする標準化されたプロトコル、たとえばモデル・コンテキスト・プロトコル（MCP）、およびGoogleのエージェント間プロトコルのようなイニシアチブは、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・レイヤーは、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、適応性と回復力のある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・プラットフォームは、ビジネス専門家が、ドメインの知識とビジネス・ロジックをカプセル化したエージェントを設計および構築できるようにします。利用可能な専門化された能力のプールをさらに豊富にします。

App Orchidの役割は、この未来のための重要なセマンティック・ファウンデーション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、有意義なタスクを実行するには、企業のデータを理解する必要があります。ノウハジ・グラフとセマンティック・レイヤーが、エージェントがデータを有意義に推論し、行動できるように、必要なコンテキストを提供します。

CTOの役割は、意思決定のインテリジェンスがアジェンティックAIによって民主化された将来にどのように進化するでしょうか。

意思決定のインテリジェンスの民主化は、CTOの役割を根本的に高めます。それは、主に技術インフラストラクチャの管理者から、組織的インテリジェンスの戦略的なオーケストレーターへの役割の変化です。

重要な進化には以下が含まれます：

• 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、至上命令です。CTOは、企業全体にわたるインテリジェントなシステムを推進する、ノウハジ・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: アジェンティックAIには、新しいガバナンス・モデルが必要です。エージェントの信頼、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の出現する動作の管理を扱うものです。
• 適応性の推進: CTOは、技術的および運用上の組織の布に、適応性を組み込む上で重要な役割を果たします。AI駆動の洞察が迅速な対応と継続的な学習につながる環境を作り出すことです。
• 人間とAIのコラボレーションの促進: 重要な側面は、人間とAIエージェントが相互の長所を補完するように協力する文化とシステムを育むことです。

最終的には、CTOは、ITコストの管理ではなく、組織の「インテリジェンスの可能性」を最大化することに重点を置く、真の戦略的パートナーになります。これは、組織が、ますます複雑になる世界で、より賢く、より適応性の高い方法で運営できるようにするための変化です。