Jito Chadha, Oprichter en CEO van Nventr – Interviewreeks

Jito Chadha, Oprichter en CEO van Nventr, is een ervaren technologie-executive en investeerder wiens carrière zich uitstrekt over kunstmatige intelligentie, datawetenschap, venture capital en business development. Sinds de oprichting van Nventr in 2019, heeft hij de ontwikkeling van enterprise AI-technologieën geleid, evenals het dienen als CEO van het bedrijf voor predictieve analytics Rule14. Chadha maakt deel uit van HandsOn Global Management sinds 2007 en werd partner in 2013, waarmee hij bijdroeg aan het vinden, structureren en creëren van waarde van talloze transacties, evenals investeringen leidde in venture capital, datawetenschap en natuurlijke hulpbronnen.

Nventr is een in Los Angeles gevestigd enterprise AI-bedrijf dat technologie ontwikkelt voor het bouwen, implementeren en beheren van intelligente toepassingen en geautomatiseerde workflows. Het platform brengt AI-agents, machine learning-modellen, neurale netwerken, gegevensbeheer, intelligente documentverwerking, visualisatie en ontwikkelhulpmiddelen samen. Producten omvatten Agent IO, een besturingssysteem voor het orkestreren van autonome agents over bedrijfsfuncties, en nQube, een workflow-bouwer die ondersteuning biedt voor no-code, low-code en full-code-ontwikkeling, evenals implementatie over cloud, on-premises en edge-omgevingen.

Voordat je Nventr en Rule14 leidde, bracht je jaren door met het vinden van investeringen, het creëren van waarde bij portefeuillebedrijven en het werken met datawetenschapsinitiatieven binnen complexe organisaties. Hoe heeft die ervaring je beslissing beïnvloed om een enterprise kunstmatige intelligentie-platform te bouwen dat zich richt op workflows in plaats van losse tools?

Werken met portefeuillebedrijven bracht hetzelfde patroon in verschillende bedrijven aan het licht. Elk bedrijf had informatie die via meerdere mensen, systemen en goedkeuringen moest gaan voordat een proces kon worden voltooid.

Die ervaring vormde Nventr rond workflows in plaats van losse tools. Het verbeteren van één taak heeft beperkte waarde als het resultaat niet efficiënt door de rest van de organisatie kan gaan. We richtten ons op het structureren van het hele proces en het uitvoeren op grote schaal.

Nventr combineert agente-acties, machine learning-modellen en neurale netwerken binnen schaalbare enterprise workflows. Welke beperkingen zag je in conventionele automatiseringsplatforms die je ertoe brachten om deze bredere architectuur te ontwikkelen? 

Gedurende jaren werkten bedrijven via collecties van cloud- en lokaal gehoste SaaS-toepassingen die onhandig, rigide en duur konden zijn. Het workflowsysteem, modellen, agents en bedrijfsgegevens werden meestal als afzonderlijke lagen behandeld, waardoor bredere automatisering moeilijker werd.

We ontwikkelden een architectuur waarin die componenten samen kunnen werken en onafhankelijk kunnen schalen naarmate de vraag verandert. Het proces hoeft niet te worden gedwongen in één vaste toepassing of één type computermilieu.

Veel organisaties beginnen hun AI-strategieën door een model te selecteren of een chatbot te lanceren. Wat voor fundamentele werk met betrekking tot gegevens, machtigingen, processen en systeemintegratie moet gebeuren voordat een AI-implementatie betekenisvolle resultaten kan opleveren? 

Een bedrijf moet eerst het proces definiëren, bepalen welke informatie de agent nodig heeft en waar die informatie te vinden is. Dat kan databases, bestandsrepositories, PDF’s, artikelen, e-mailsystemen of andere bedrijfsgegevensbronnen omvatten die voor de agent in een bruikbare vorm beschikbaar moeten worden gemaakt.

Het bedrijf moet vervolgens definiëren wat er gebeurt nadat de agent die informatie heeft ontvangen. Een conversatie kan een antwoord, een samenvatting, een follow-upqueue of een andere agente-workflow opleveren. Goedgekeurde tools, gegevensmachtigingen en gebruikersmachtigingen moeten per rol worden ingesteld, zodat elke actie plaatsvindt binnen een gedefinieerd proces.

nQube is ontworpen om zowel datawetenschappers als businessanalisten te helpen bij het bouwen, testen, implementeren en monitoren van AI-gepowered workflows. Hoe maak je deze mogelijkheden toegankelijk voor niet-specialisten, terwijl je tegelijkertijd de technische controles behoudt die nodig zijn voor productieomgevingen?

Mensen denken aan AI en softwareproducten vanuit het perspectief van hun eigen rol en hoe het product hun werk gemakkelijker kan maken of hen productiever kan laten zijn. De interface moet hen in staat stellen om te beschrijven wat ze nodig hebben, vragen te stellen en een agent of workflow aan te passen met normale taal en spraak.

De workflows, compute-processen en schaling blijven onder die interactie. De organisatie houdt nog steeds de controle over de tools, gegevensbronnen en toegang die aan elke rol zijn toegewezen, zodat een businessanalist het systeem kan gebruiken zonder de infrastructuur direct te hoeven beheren.

Het agent-besturingssysteem van Nventr gebruikt een coördinerende agent om gespecialiseerde agents via sequentiële en iteratieve workflows te dirigeren. Hoe bepaalt het platform welke agent elke taak moet uitvoeren, het context tussen agents in stand houdt en een onbetrouwbaar resultaat afhandelt? 

De workflow bepaalt hoe een verzoek door gedefinieerde stappen, vertakkingen en gespecialiseerde agents gaat. Informatie van een stadium kan worden samengevat en doorgestuurd, zodat de volgende agent begrijpt wat er is gebeurd, wat is aangevraagd en welke follow-up moet plaatsvinden.

Het afhandelen van een onbetrouwbaar resultaat hangt af van het proces en de gevolgen van de actie. De workflow-controles moeten weerspiegelen waar het systeem kan doorgaan en waar het resultaat een review vereist.

Bedrijven willen steeds vaker de flexibiliteit hebben om verschillende grote taalmodellen, gespecialiseerde machine learning-systemen en derdepartij-agents te gebruiken. Hoe moeten organisaties hun AI-infrastructuur ontwerpen om te voorkomen dat ze afhankelijk worden van één modelaanbieder of technologie-stack? 

De infrastructuur moet ondersteuning bieden voor een veelvoud aan modellen en hen in staat stellen om parallel te werken binnen dezelfde workflow. Één aanbieder kan het spraak-naar-spraak-component afhandelen, terwijl een ander model redenering of verwerking erachter uitvoert.

Het toolkit moet worden gekozen op basis van de kosten, prestaties, beveiliging, latentie en openheid voor derdepartij-dienstverleners van de klant. Sommige bedrijven zijn comfortabel met het combineren van aanbieders, terwijl anderen de agent op hun eigen cloud of dedicated infrastructuur willen hebben. De architectuur moet beide benaderingen ondersteunen.

Als een AI-agent toegang heeft tot bedrijfsgegevens en acties kan uitvoeren over bedrijfssystemen, wordt beveiliging complexer dan het beschermen van een conversatie-interface. Welke controles moeten de machtigingen, autonomie en het vermogen van een agent om gevolgen te hebben, regelen?

Toegang moet worden gecontroleerd per rol, project en workflow. Een agent moet alleen de informatie, tools en acties kunnen gebruiken die zijn goedgekeurd voor die context, met verzoeken buiten die reikwijdte die worden doorgestuurd voor autorisatie.

Het niveau van autonomie moet de gevoeligheid van de gegevens en de gevolgen van de actie weerspiegelen. Voor transacties met betrekking tot geld, privé-informatie of een ander significant resultaat, moet het bedrijf in staat zijn om te zien wat de agent doet en goedkeuring te vereisen voordat deze wordt voltooid.

Nventr presenteert toepassingen op gebieden zoals documentverwerking, klantenservice, rapportage, gezondheidscommunicatie en fraudeopsporing. Welke technische of operationele kenmerken maken een workflow geschikt voor agente-automatisering, en welke processen moeten voornamelijk door mensen worden geleid? 

We balanceren het aantal mensen of de kosten die zijn gemoeid met een proces tegen de complexiteit en de haalbaarheid voor automatisering. Een proces kan duur of arbeidsintensief zijn en nog steeds de verkeerde plek zijn om te beginnen als het te complex of onbetrouwbaar is om effectief te automatiseren.

De algemene aanpak is om te gaan voor de laaghangende vruchten met de grootste impact. Deze formule is fractaal, omdat deze kan worden toegepast op één persoonsrol, meerdere afdelingen of een hele organisatie. Processen die onzekerheid of gevolgen van oordeel met zich meebrengen, moeten mensen blijven omvatten.

Je hebt het idee besproken van werknemers die uiteindelijk AI-tegenhangers hebben die de repetitieve elementen van hun werk afhandelen. Hoe kan dit de organisatorische structuren veranderen, en wat moeten leiders doen om ervoor te zorgen dat deze systemen de menselijke oordeel versterken in plaats van deze langzaam uit belangrijke beslissingen te verwijderen? 

Het idee is om elke persoon op de loonlijst een agent-tegenhanger te geven die delen van de baan over tijd kan leren. Over een groter percentage van de organisatie heen creëert dit centrale intelligentie en optimalisatie over de org-kaart in plaats van de voordelen te beperken tot één of twee werknemers.

De agent kan repetitief werk overnemen, zoals het verzamelen van informatie, het verplaatsen van gegevens of het maken van routine-presentaties. Dit geeft mensen meer tijd voor belangrijke discussies en beslissingen, terwijl de organisatie de autoriteit over gevoelige informatie en gevolgen van acties behoudt.

Naarmate AI-agents evolueren van assistenten naar een operationele laag voor complexe organisaties, welke capaciteiten moeten het meest verbeteren voordat bedrijven workflows kunnen automatiseren die hele afdelingen of bedrijfsonderdelen omvatten? 

Agents hebben lagere latentie en sterkere integraties met bedrijfsdatabases, bestanden en grotere systemen nodig. Informatie moet over rollen en afdelingen heen kunnen gaan zonder dat mensen deze handmatig moeten overdragen of nieuwe flessenhalzen creëren.

Het interactielayer moet ook verbeteren. Spraakagents moeten een normaal gesprek lijken waarin een persoon kan onderbreken en van richting veranderen, en bedrijven zullen uiteindelijk directe manieren nodig hebben voor geautoriseerde agents om met hun systemen te communiceren. Browser-automatisering kan de kloof overbruggen, maar de industrie zal naar een efficiëntere structuur evolueren omdat compute en infrastructuur kosten met zich meebrengen.

Bedankt voor het geweldige interview, lezers die meer willen leren, moeten Nventr bezoeken.