라비 보마칸티, 앱 오케스트라 CTO – 인터뷰 시리즈

라비 보마칸티, 앱 오케스트라의 최고 기술 책임자(CTO)는 기업이 애플리케이션과 의사 결정 프로세스 전반에 걸쳐 인공지능(AI)을 구현하는 것을 돕는 회사의 사명을 이끌고 있습니다. 앱 오케스트라의 주력 제품인 Easy Answers는 사용자가 자연어를 사용하여 데이터와 상호 작용하여 AI 기반 대시보드, 통찰력 및 추천 조치를 생성할 수 있도록 합니다.

이 플랫폼은 실시간 입력 및 직원 지식을 포함한 구조화된 데이터와 비구조화된 데이터를 예측 데이터 패브릭으로 통합하여 전략적 및 운영적 의사 결정에 지원합니다. 인메모리 빅데이터 기술과 사용자 친화적인 인터페이스를 통해 앱 오케스트라는 기존 시스템에 대한 최소한의 간섭으로 빠른 배포, 저렴한 구현 및 AI의 원활한 채택을 가능하게 합니다.

먼저 큰 그림부터 시작해 볼까요. “에이전트형 AI”란 무엇이며, 전통적인 AI 시스템과 어떻게 다릅니까?

에이전트형 AI는 전통적인 AI 시스템의 정적인 실행에서 동적인 오케스트레이션으로의 근본적인 전환을 나타냅니다. 내게 그것은剛性 있고 사전 프로그래밍된 시스템에서 자율적이고 적응 가능한 문제 해결자로의 이동을 의미합니다. 이들은 이유, 계획 및 협력을 통해 작동할 수 있습니다.

에이전트형 AI를真正로 구별하는 것은 지식과 전문가의 분산된 특성을 활용하는 능력입니다. 전통적인 AI는 일반적으로 고정된 경계 내에서 작동하며 사전 정의된 경로를 따릅니다. 에이전트형 시스템은 그러나 복잡한 작업을 분해하고 하위 작업을 위한 적절한 전문 에이전트를 식별할 수 있으며 에이전트 레지스트리 통해 이러한 에이전트를 발견하고 활용할 수 있습니다. 이 에이전트 레지스트리의 개념은 조직이 내부적으로 모든 AI 기능을 구축하거나 소유할 필요 없이 필요한 기능을 효과적으로 “임대”할 수 있도록 합니다.

따라서 미래는 동적으로 구성되고 조정될 수 있는 전문 에이전트의 생태계를 생성하는 데 있으며, 이는 숙련된 프로젝트 관리자가 팀을 이끄는 것과 유사합니다. 이렇게 하면 복잡하고 진화하는 비즈니스 도전을 효과적으로 해결할 수 있습니다.

Google (GOOGL ) Agentspace는 어떻게 기업에서 에이전트형 AI를 채택하는 것을 가속화하고 있으며, 앱 오케스트라는 이 생태계에서 어떤 역할을 하나요?

Google Agentspace는 기업에서 AI를 채택하는 데 중요한 가속기입니다. 다양한 작업 애플리케이션에 연결된 지능형 에이전트를 배포 및 관리하는統一된 기반을 제공하고, Google의 강력한 검색 및 Gemini와 같은 모델을 활용하여, Agentspace는 회사들이 정보의 고립을 공동 인터페이스를 통해 작동하는 지능형으로 변환할 수 있도록 합니다.

앱 오케스트라는 이 생태계 내에서 필수적인 의미적 구현 레이어로 작동합니다. Agentspace는 에이전트 인프라와 오케스트레이션 프레임워크를 제공하는 반면, Easy Answers 플랫폼은 기업에서 복잡한 데이터를 에이전트가 이해하고 접근할 수 있도록 하는 임무에 집중합니다. 우리는 온톨로지 주도 접근 방식을 사용하여 기업 데이터에서 풍부한 지식 그래프를 구축하며, 비즈니스 컨텍스트와 관계를 포함합니다. 이 이해는 에이전트가 효과적으로 작동하고 유의미한 비즈니스 통찰력을 제공하는 데 필요합니다.

이것은 강력한 시너지를 창조합니다. Agentspace는 강력한 에이전트 인프라와 오케스트레이션 기능을 제공하는 반면, 앱 오케스트라는 에이전트가 효과적으로 작동하기 위해 필요한 복잡한 기업 데이터에 대한 깊은 의미적 이해를 제공합니다. Google Cloud Cortex Framework와의 협력은 고객이 데이터 준비 시간을 크게 줄일 수 있도록(최대 85%) 도와주면서, 동시에 플랫폼의 업계 최고 수준인 99.8%의 텍스트-SQL 정확도를 자연어 쿼리에서 달성하는 데 도움이 됩니다. 함께 우리는 조직이 비즈니스 언어와 데이터의 복잡성을真正로 이해하는 에이전트형 AI 솔루션을 배포할 수 있도록 합니다.

기업이 에이전트형 AI를 채택할 때 직면하는 실제 장벽은 무엇이며, 앱 오케스트라는 어떻게 이러한 장벽을 극복하는 데 도움을 주나요?

우리가 보는 주요 장벽은 데이터 품질, 보안 표준의 진화(특히 에이전트 간 신뢰를 보장하는 것), 그리고 기업 지식과 에이전트 기능의 분산된 특성을 관리하는 데 있습니다.

데이터 품질은 여전히 기본적인 문제입니다. 에이전트형 AI는 다른 AI와 마찬가지로 데이터가 좋지 않으면 신뢰할 수 없는 출력을 제공합니다. 앱 오케스트라는 이 기본 문제를 해결하기 위해 의미적 레이어를 생성하여 이질적인 데이터 소스를 컨텍스트화합니다. 이를 기반으로, Easy Answers 내의 고유한 크라우드소싱 기능을 통해 조직 전체의 비즈니스 사용자가 데이터의 의미를 가장 잘 이해하는 사람들로 하여금 데이터 격차와 일관성 없는 점을 공동으로 식별하고 해결할 수 있도록 합니다. 이는 신뢰성을 크게 향상시킵니다.

보안은 특히 에이전트 간 통신이 일반화됨에 따라 내부 및 외부 시스템을 아우르는 경우에 또 다른 중요한 장벽을 나타냅니다. 에이전트 간 신뢰를 위한 강력한 메커니즘을 구축하고, 필요한 상호 작용을 방해하지 않는 거버넌스를 유지하는 것이 핵심입니다. 플랫폼은 이러한 동적인 상호 작용을 위한 보안 프레임워크를 구현하는 데 중점을 두고 있습니다.

마지막으로, 분산된 지식과 기능을 효과적으로 활용하기 위해서는 고급 오케스트레이션이 필요합니다. 앱 오케스트라는 모델 컨텍스트 프로토콜(MCP)와 같은 개념을 활용합니다. 이는 컨텍스트에 따라 전문 에이전트를 동적으로 소싱하고, 유연한 워크플로우를 촉진하며,剛性 있고 사전 정의된 프로세스를 따르지 않습니다. 이 접근 방식은 Google의 에이전트-에이전트 프로토콜과 같은 다중 에이전트 시스템에서 통신을 표준화하기 위한 것으로, 조직이 신뢰할 수 있고 효과적인 에이전트형 AI 솔루션을 구축하는 데 도움을 줍니다.

Easy Answers가 작동하는 방식을 설명해 주시겠습니까? 자연어 쿼리에서 통찰력 생성까지?

Easy Answers는 기업 데이터와의 사용자 상호 작용 방식을 혁신적으로 바꾸어 줍니다. 사용자는 자연어를 통해 복잡한 분석을 수행할 수 있습니다. 여기 작동 방식이 있습니다:

• 연결성: 우리는 기업의 데이터 소스에 연결하기 시작합니다. 우리는 200개 이상의 일반 데이터베이스와 시스템을 지원하며, 이는 종종 데이터 이동이나 복제 없이 데이터가 있는 곳에서 안전하게 연결되는 것을 의미합니다.
• 온톨로지 생성: 플랫폼은 연결된 데이터를 자동으로 분석하여 비즈니스 중심의 개체인 관리되는 의미적 개체(MSO)로 구조화된 포괄적인 지식 그래프를 구축합니다.
• 메타데이터 강화: 이 온톨로지는 메타데이터로 강화됩니다. 사용자는 높은 수준의 설명을 제공하며, 우리의 AI는 각 MSO와 속성(필드)에 대한 자세한 설명을 생성합니다. 이 결합된 메타데이터는 데이터의 의미와 구조에 대한 깊은 컨텍스트를 제공합니다.
• 자연어 쿼리: 사용자는 비즈니스 언어로 질문을 합니다. 예를 들어, “제품 X의 판매 트렌드를 지난 분기와 비교하여 서부 지역에서 보여주세요.”
• 해석 및 SQL 생성: 우리의 NLP 엔진은 지식 그래프의 풍부한 메타데이터를 사용하여 사용자의 의도를 이해하고, 관련 MSO와 관계를 식별하며, 질문을 데이터 쿼리(예: SQL)로 번역합니다. 여기서 우리는 업계 최고 수준인 99.8%의 텍스트-SQL 정확도를 달성합니다.
• 통찰력 생성(キュ레이션): 시스템은 데이터를 검색하고 사용자에게 가장 효과적으로 답을 시각적으로 표시하는 방법을 결정합니다. 우리의 플랫폼에서는 이러한 상호 작용 가능한 시각화를 ‘キュ레이션’이라고 합니다. 사용자는 자동으로 생성하거나 특정 요구 사항 또는 표준에 맞게 미리 구성할 수 있습니다.
• 더 깊은 분석(퀵 인사이트): 더 복잡한 질문이나 적극적인 발견을 위해 사용자는 플랫폼에 포함된 기계 학습 알고리즘을 지정된 데이터 필드에 쉽게 적용하여 패턴을 자동으로 감지하거나, 이상을 식별하거나, 가설을 검증할 수 있습니다. 이는 데이터 과학 전문 지식이 필요 없습니다.

이 전체 프로세스는 종종 몇 초 안에 완료되며, 데이터 접근과 분석을 민주화하여 복잡한 데이터 탐색을 단순한 대화로 전환합니다.

Easy Answers는 어떻게 대규모 기업의 분리된 데이터를 연결하며, 통찰력이 설명 가능하고 추적 가능한지 설명해 주시겠습니까?

데이터 실로는 대규모 기업에서 주요 장벽입니다. Easy Answers는 우리의 고유한 의미적 레이어 접근 방식을 통해 이 기본적인 도전을 해결합니다.

비용이 많이 들고 복잡한 물리적 데이터 통합 대신, 우리는 데이터가 실제로 있는 곳에서 데이터 소스에 연결하여統一된 논리적 뷰를 생성합니다. 이 레이어는 지식 그래프 기술로 구동되며, 데이터를 관리되는 의미적 개체(MSO)로 매핑하고, 관계를 정의하며, 컨텍스트 메타데이터로 강화합니다. 이는 인간과 AI 모두에게 이해할 수 있는 공통의 비즈니스 언어를 생성하며, 기술 데이터 구조(테이블, 열)와 비즈니스 의미(고객, 제품, 판매) 간의 간격을 메웁니다.

신뢰할 수 있는 통찰력을 보장하려면 추적 가능성과 설명 가능성이 모두 필요합니다:

• 추적 가능성: 우리는 전체 데이터 계보 추적을 제공합니다. 사용자는キュ레이션 또는 통찰력에서 원본 데이터로 드릴 다운하여 모든 적용된 변환, 필터 및 계산을 볼 수 있습니다. 이는 검증 및 준수에 필요한 전체 투명성과 감사를 제공합니다.
• 설명 가능성: 통찰력은 자연어 요약으로 동반됩니다. 이러한 요약은 데이터가 무엇을 보여주고, 비즈니스 관점에서 왜 중요한지 설명합니다. 이는 복잡한 결과를 광범위한 청중을 위한 작동 가능한 이해로 번역합니다.

이 조합은 의미적 뷰를통한 실로를 연결하고, 투명한 추적 가능성과 설명 가능성을 통해 신뢰를 구축합니다.

특히 데이터 계보가 중요한 규제 산업에서, 시스템은 어떻게 통찰력이 투명한지 설명해 주시겠습니까?

투명성은 AI 기반 통찰력에 절대적으로 필요하며, 특히 감사 가능성과 방어 가능성이 중요한 규제 산업에서 더욱 중요합니다. 우리의 접근 방식은 세 가지 주요 차원에서 투명성을 보장합니다:

• 데이터 계보: 이것은 기본적입니다. 앞서 언급했듯이, Easy Answers는 종단 간 데이터 계보 추적을 제공합니다. 통찰력, 시각화 또는 숫자는 모두 원본 데이터 소스에서 시작하여 모든 조인, 변환, 집계 또는 필터링을 통해 추적할 수 있습니다. 이는 규제 기관이 요구하는 검증 가능한 데이터 출처를 제공합니다.
• 방법론 가시성: 우리는 ‘블랙 박스’ 문제를 피합니다. 분석 또는 기계 학습 모델을 사용하는 경우(예: 퀵 인사이트를 통해), 플랫폼은 사용된 방법론, 매개 변수 및 관련 평가 지표를 명확하게 문서화하여 통찰력의 ‘어떻게’가 ‘무엇’과同じ 정도로 투명하도록 합니다.
• 자연어 설명: 기술적 출력을 비즈니스 컨텍스트로 번역하는 것은 투명성에 필수적입니다. 모든 통찰력은 그 발견, 중요성 및 잠재적인 제한에 대한 설명을 제공하는 평범한 언어 요약으로 сопров