Ravi Bommakanti, CTO van App Orchid – Interviewreeks

Ravi Bommakanti, Chief Technology Officer bij App Orchid, leidt het bedrijf in zijn missie om ondernemingen te helpen bij het operationaliseren van AI in applicaties en besluitvormingsprocessen. Het vlaggenschipproduct van App Orchid, Easy Answers, stelt gebruikers in staat om met natuurlijke taal te communiceren met gegevens om AI-gegenereerde dashboards, inzichten en aanbevolen acties te creëren.

Het platform integreert gestructureerde en ongestructureerde gegevens, waaronder real-time invoer en kennis van medewerkers, in een predictief datadoek dat strategische en operationele beslissingen ondersteunt. Met in-memory Big Data-technologie en een gebruikersvriendelijke interface, stroomlijnt App Orchid de adoptie van AI via snelle implementatie, lage implementatiekosten en minimale verstoring van bestaande systemen.

Laten we beginnen met het grote plaatje – wat betekent “agentic AI” voor u, en hoe verschilt het van traditionele AI-systemen?

Agentic AI vertegenwoordigt een fundamentele verschuiving van de statische uitvoering die typisch is voor traditionele AI-systemen naar dynamische orkestratie. Voor mij gaat het erom om over te schakelen van starre, vooraf geprogrammeerde systemen naar autonome, aanpasbare probleemoplossers die kunnen redeneren, plannen en samenwerken.

Wat agentic AI echt onderscheidt, is de mogelijkheid om de gedistribueerde aard van kennis en expertise te benutten. Traditionele AI werkt vaak binnen vaste grenzen, volgt vooraf bepaalde paden. Agentic systemen kunnen complexe taken ontleden, de juiste gespecialiseerde agenten voor subtaken identificeren – mogelijk door middel van agentenregisters – en hun interactie orkestreren om een oplossing te synthetiseren. Dit concept van agentenregisters stelt organisaties in staat om effectief gespecialiseerde capaciteiten te “huren” wanneer dat nodig is, net zoals menselijke expertteams worden samengesteld, in plaats van verplicht te zijn om elke AI-functie intern te bouwen of te bezitten.

Dus, in plaats van monolithische systemen, ligt de toekomst in het creëren van ecosystemen waarin gespecialiseerde agenten dynamisch kunnen worden samengesteld en gecoördineerd – net zoals een ervaren projectmanager een team leidt – om complexe en evoluerende bedrijfsuitdagingen effectief aan te pakken.

Hoe versnelt Google (GOOGL ) Agentspace de adoptie van agentic AI in ondernemingen, en wat is de rol van App Orchid in dit ecosysteem?

Google Agentspace is een belangrijke versneller voor de adoptie van AI in ondernemingen. Door een uniforme basis te bieden voor het implementeren en beheren van intelligente agenten die zijn verbonden met verschillende werktoepassingen en door gebruik te maken van Google’s krachtige zoekfunctie en modellen zoals Gemini, stelt Agentspace bedrijven in staat om geïsoleerde informatie om te zetten in actiegerichte intelligentie via een gemeenschappelijke interface.

App Orchid fungeert als een vitaal semantisch enablementlaag binnen dit ecosysteem. Terwijl Agentspace de agenteninfrastructuur en orkestratieframework biedt, richt onze Easy Answers-platform zich op de kritieke ondernemingsuitdaging om complexe gegevens begrijpelijk en toegankelijk te maken voor agenten. We gebruiken een op ontologie gebaseerde aanpak om rijke kennisgrafieken van ondernemingsgegevens te bouwen, compleet met bedrijfscontext en relaties – precies het begrip dat agenten nodig hebben.

Dit creëert een krachtige synergie: Agentspace biedt de robuuste agenteninfrastructuur en orkestratiecapaciteiten, terwijl App Orchid de diepe semantische kennis van complexe ondernemingsgegevens biedt die deze agenten nodig hebben om effectief te opereren en zinvolle bedrijfsinzichten te leveren. Onze samenwerking met het Google Cloud Cortex Framework is een voorbeeld, waarmee klanten de datavoorbereidingstijd aanzienlijk kunnen verkorten (tot 85%) en onze platformleidende 99,8% tekst-naar-SQL-nauwkeurigheid voor natuurlijke taalquery’s kunnen benutten. Samen empoweren we ondernemingen om agentic AI-oplossingen te implementeren die de bedrijfstaal en gegevensintricaties echt begrijpen, waardoor de tijd tot waarde wordt versneld.

Wat zijn de echte barrières die bedrijven tegenkomen bij het adopteren van agentic AI, en hoe helpt App Orchid hen deze te overwinnen?

De primaire barrières waar we mee te maken krijgen, hebben betrekking op gegevenskwaliteit, de uitdaging van evoluerende beveiligingsnormen – met name het waarborgen van agent-tot-agent-vertrouwen – en het beheersen van de gedistribueerde aard van ondernemingskennis en agentcapaciteiten.

Gegevenskwaliteit blijft een fundamenteel probleem. Agentic AI, net als elke AI, levert onbetrouwbare uitvoer als het slechte gegevens krijgt. App Orchid tackelt dit fundamenteel door een semantische laag te creëren die uiteenlopende gegevensbronnen contextualiseert. Hierop voortbouwend, bevatten onze unieke crowdsourcingfuncties binnen Easy Answers bedrijfsgebruikers in de hele organisatie – die het beste de betekenis van de gegevens begrijpen – om samen gegevenslacunes en inconsistenties te identificeren en aan te pakken, waardoor de betrouwbaarheid aanzienlijk wordt verbeterd.

Beveiliging vormt een andere kritieke hindernis, vooral als agent-tot-agentcommunicatie gemeengoed wordt, mogelijk overspannend interne en externe systemen. Het implementeren van robuuste mechanismen voor agent-tot-agent-vertrouwen en het handhaven van governance zonder noodzakelijke interactie te belemmeren, is cruciaal. Ons platform richt zich op het implementeren van beveiligingskaders die zijn ontworpen voor deze dynamische interacties.

Tenslotte vereist het effectief benutten van gedistribueerde kennis en capaciteiten geavanceerde orkestratie. App Orchid maakt gebruik van concepten zoals het Model Context Protocol (MCP), dat steeds belangrijker wordt. Dit stelt ons in staat om gespecialiseerde agenten dynamisch te sourcen uit repositories op basis van contextuele behoeften, waardoor vloeibare, aanpasbare workflows in plaats van starre, vooraf gedefinieerde processen mogelijk worden. Deze aanpak sluit aan bij opkomende standaarden, zoals Google’s Agent2Agent-protocol, dat is ontworpen om communicatie in multi-agentsystemen te standaardiseren. We helpen ondernemingen om vertrouwde en effectieve agentic AI-oplossingen te bouwen door deze barrières aan te pakken.

Kunt u ons doorlopen hoe Easy Answers werkt – van natuurlijke taalquery tot inzichtgeneratie?

Easy Answers verandert de manier waarop gebruikers interactie hebben met ondernemingsgegevens, waardoor geavanceerde analyse toegankelijk wordt via natuurlijke taal. Hier is hoe het werkt:

• Connectiviteit: We beginnen met het verbinden van de ondernemingsgegevensbronnen – we ondersteunen meer dan 200 gangbare databases en systemen. Cruciaal is dat dit vaak gebeurt zonder dat gegevensverplaatsing of -replicatie nodig is, door veilig verbinding te maken met gegevens waar ze zich bevinden.
• Ontologiecreatie: Ons platform analyseert de verbonden gegevens automatisch en bouwt een uitgebreide kennisgraaf. Dit structureert de gegevens in bedrijfsgerichte entiteiten die we Managed Semantic Objects (MSO’s) noemen, en vangt de relaties tussen hen op.
• Metadataverrijking: Deze ontologie wordt verrijkt met metadata. Gebruikers bieden hoogwaardige beschrijvingen, en onze AI genereert gedetailleerde beschrijvingen voor elke MSO en hun attributen (velden). Deze gecombineerde metadata biedt diepe context over de betekenis en structuur van de gegevens.
• Natuurlijke taalquery: Een gebruiker stelt een vraag in gewone bedrijfstaal, zoals “Laat me de verkoopstrends zien voor product X in de westelijke regio in vergelijking met het vorige kwartaal.”
• Interpretatie en SQL-generatie: Onze NLP-engine gebruikt de rijke metadata in de kennisgraaf om de bedoeling van de gebruiker te begrijpen, de relevante MSO’s en relaties te identificeren en de vraag te vertalen in precieze gegevensquery’s (zoals SQL). We bereiken hier een industrieleidende 99,8% tekst-naar-SQL-nauwkeurigheid.
• Inzichtgeneratie (Curations): Het systeem haalt de gegevens op en bepaalt de meest effectieve manier om het antwoord visueel te presenteren. In ons platform worden deze interactieve visualisaties “curations” genoemd. Gebruikers kunnen deze automatisch genereren of vooraf configureren om te voldoen aan specifieke behoeften of standaarden.
• Diepere analyse (Quick Insights): Voor meer complexe vragen of proactieve ontdekking kunnen gebruikers Quick Insights gebruiken. Deze functie stelt hen in staat om gemakkelijk ML-algoritmen die met het platform worden geleverd, toe te passen op gespecificeerde gegevensvelden om automatisch patronen te detecteren, afwijkingen te identificeren of hypothesen te valideren zonder dat er deskundige kennis van gegevenswetenschap nodig is.

Dit hele proces, vaak voltooid in seconden, democratiseert gegevenstoegang en -analyse, en verandert complexe gegevensverkenning in een eenvoudig gesprek.

Hoe brugt Easy Answers geïsoleerde gegevens in grote ondernemingen en zorgt ervoor dat inzichten verklaarbaar en traceerbaar zijn?

Gegevenssilos vormen een grote belemmering in grote ondernemingen. Easy Answers adresseert deze fundamentele uitdaging met onze unieke semantische laagbenadering.

In plaats van kostbare en complexe fysieke gegevensconsolidatie, creëren we een virtuele semantische laag. Ons platform bouwt een uniforme logische weergave door verbinding te maken met diverse gegevensbronnen waar ze zich bevinden. Deze laag wordt aangedreven door onze kennisgraaftechnologie, die gegevens in beheerde semantische objecten (MSO’s) in kaart brengt, hun relaties definieert en verrijkt met contextuele metadata. Dit creëert een gemeenschappelijke bedrijfstaal die zowel door mensen als door AI kan worden begrepen, waardoor technische gegevensstructuren (tabellen, kolommen) effectief worden verbonden met bedrijfsbetekenis (klanten, producten, verkoop), ongeacht waar de gegevens fysiek worden opgeslagen.

Om ervoor te zorgen dat inzichten betrouwbaar zijn, is zowel traceerbaarheid als verklarebaarheid nodig:

• Traceerbaarheid: We bieden uitgebreide gegevenslijntracking. Gebruikers kunnen vanuit elke curatie of inzicht terug naar de brongegevens drillen, waarbij alle toegepaste transformaties, filters en berekeningen zichtbaar zijn. Dit biedt volledige transparantie en controleerbaarheid, cruciaal voor validatie en naleving.
• Verklarebaarheid: Inzichten worden vergezeld van natuurlijke taalverklaringen. Deze samenvattingen articuleren wat de gegevens laten zien en waarom het belangrijk is in bedrijfsbegrippen, waardoor complexe bevindingen worden vertaald in actiegerichte begrip voor een breed publiek.

Deze combinatie brugt silos door een uniforme semantische weergave te creëren en vertrouwen op te bouwen door duidelijke traceerbaarheid en verklarebaarheid.

Hoe zorgt uw systeem voor transparantie in inzichten, vooral in gereguleerde industrieën waar gegevenslijn een kritieke factor is?

Transparantie is absoluut ononderhandelbaar voor AI-gegenereerde inzichten, vooral in gereguleerde industrieën waar controleerbaarheid en verdedigbaarheid van het grootste belang zijn. Onze aanpak zorgt voor transparantie op drie sleutelgebieden:

• Gegevenslijn: Dit is fundamenteel. Zoals eerder vermeld, biedt Easy Answers uitgebreide gegevenslijntracking. Elk inzicht, visualisatie of nummer kan nauwkeurig worden getraceerd doorheen de hele levenscyclus – van de oorspronkelijke gegevensbronnen, via eventuele joins, transformaties, aggregaties of filters die zijn toegepast – waardoor de verifieerbare gegevensherkomst wordt geboden die door regulators wordt vereist.
• Methodologiezichtbaarheid: We vermijden het ‘black box’-probleem. Wanneer analytische of ML-modellen worden gebruikt (bijv. via Quick Insights), documenteert het platform duidelijk de gebruikte methodologie, parameters en relevante evaluatiemetrics. Dit zorgt ervoor dat de ‘hoe’ achter het inzicht even transparant is als het ‘wat’.
• Natuurlijke taalverklaring: Het vertalen van technische uitvoer in begrijpelijke bedrijfscontext is cruciaal voor transparantie. Elk inzicht wordt vergezeld van eenvoudige taalverklaringen die de bevindingen, hun belang en potentieel hun beperkingen beschrijven, waardoor duidelijkheid wordt geboden voor alle stakeholders, inclusief compliance-officers en auditors.

Bovendien integreren we aanvullende governancefuncties voor industrieën met specifieke nalevingsbehoeften, zoals rolgebaseerde toegangscontroles, goedkeuringsworkflows voor bepaalde acties of rapporten en uitgebreide auditlogs die gebruikersactiviteit en systeemoperaties volgen. Deze multilayerbenadering zorgt ervoor dat inzichten accuraat, volledig transparant, verklaarbaar en verdedigbaar zijn.

Hoe zet App Orchid AI-gegenereerde inzichten om in actie met functies zoals Generative Actions?

Het genereren van inzichten is waardevol, maar het echte doel is het stimuleren van bedrijfsresultaten. Met de juiste gegevens en context kan een agentic ecosysteem acties stimuleren om de kritieke kloof tussen inzichtontdekking en tastbare actie te overbruggen, waardoor analytics veranderen van een passieve rapportagefunctie in een actieve driver van verbetering.

Hier is hoe het werkt: wanneer het Easy Answers-platform een significante patroon, trend, afwijking of kans identificeert via zijn analyse, gebruikt het AI om specifieke, contextueel relevante acties voor te stellen die kunnen worden ondernomen als reactie.

Deze zijn geen vage suggesties; het zijn concrete aanbevelingen. In plaats van alleen klanten met een hoog risico op churn te markeren, kan het bijvoorbeeld specifieke retentieaanbiedingen aanbevelen die zijn afgestemd op verschillende segmenten, mogelijk berekent het de verwachte impact of ROI, en zelfs communicatiesjablonen opstelt. Bij het genereren van deze aanbevelingen houdt het systeem rekening met bedrijfsregels, beperkingen, historische gegevens en doelstellingen.

Cruciaal is dat dit menselijke toezicht behoudt. Aanbevolen acties worden gepresenteerd aan de juiste gebruikers voor beoordeling, wijziging, goedkeuring of afkeuring. Dit zorgt ervoor dat bedrijfsoordelen centraal blijven in het besluitvormingsproces, terwijl AI het zware werk doet van het identificeren van kansen en het formuleren van potentiële reacties.

Als een actie is goedgekeurd, kunnen we een agentic flow triggeren voor naadloze uitvoering via integraties met operationele systemen. Dit kan betekenen dat een workflow in een CRM wordt geactiveerd, een prognose in een ERP-systeem wordt bijgewerkt, een gerichte marketingtaak wordt gelanceerd of een andere relevante bedrijfsproces wordt geïnitieerd – waardoor de cirkel van inzicht naar resultaat wordt gesloten.

Hoe zijn kennisgrafieken en semantische datamodellen centraal in het succes van uw platform?

Kennisgrafieken en semantische datamodellen vormen de absolute kern van het Easy Answers-platform; ze tillen het boven traditionele BI-tools die vaak gegevens behandelen als losse tabellen en kolommen zonder echte bedrijfscontext. Ons platform gebruikt ze om een intelligente semantische laag over ondernemingsgegevens te bouwen.

Deze semantische basis is centraal voor ons succes om verschillende belangrijke redenen:

• Stelt echte natuurlijke taalinteractie mogelijk: Het semantische model, gestructureerd als een kennisgraaf met Managed Semantic Objects (MSO’s), eigenschappen en gedefinieerde relaties, fungeert als een ‘Rosetta Stone’. Het vertaalt de nuances van menselijke taal en bedrijfsbegrippen in de precieze query’s die nodig zijn om gegevens op te halen, waardoor gebruikers vragen kunnen stellen in gewone bedrijfstaal zonder de onderliggende schema’s te kennen.
• Bewaart kritieke bedrijfscontext: In tegenstelling tot eenvoudige relationele joins, vangt onze kennisgraaf de rijke, complexe web van relaties tussen bedrijfsentiteiten (bijv. hoe klanten interactie hebben met producten via ondersteunings tickets en bestelorders) expliciet. Dit stelt diepere, meer contextuele analyse in staat die weerspiegelt hoe het bedrijf werkt.
• Biedt aanpasbaarheid en schaalbaarheid: Semantische modellen zijn flexibeler dan starre schema’s. Naarmate bedrijfsbehoeften evolueren of nieuwe gegevensbronnen worden toegevoegd, kan de kennisgraaf incrementeel worden uitgebreid en gewijzigd zonder dat een complete herziening nodig is, waardoor consistentie wordt gehandhaafd terwijl aanpassing aan verandering plaatsvindt.

Deze diepe kennis van gegevenscontext die door onze semantische laag wordt geboden, is fundamenteel voor alles wat Easy Answers doet, van basis Q&A tot geavanceerde patroondetectie met Quick Insights, en vormt de essentiële basis voor onze toekomstige agentic AI-mogelijkheden, waardoor agenten zinvol over gegevens kunnen redeneren.

Welke basismodellen ondersteunt u, en hoe laten u organisaties hun eigen AI/ML-modellen in de workflow integreren?

We geloven in een open en flexibele aanpak, erkennend de snelle evolutie van AI en respecterend de bestaande investeringen van organisaties.

Voor basismodellen onderhouden we integraties met toonaangevende opties van meerdere providers, waaronder Google’s Gemini-familie, OpenAI’s GPT-modellen en prominente open-sourcealternatieven zoals Llama. Dit stelt organisaties in staat om modellen te kiezen die het best aansluiten bij hun prestaties, kosten, governance- of specifieke capaciteitsbehoeften. Deze modellen drijven verschillende platformfuncties aan, waaronder natuurlijke taalbegrip voor query’s, SQL-generatie, inzichtsamenvatting en metadatageneratie.

Naast deze bieden we robuuste paden voor organisaties om hun eigen aangepaste AI/ML-modellen in de Easy Answers-workflow te integreren:

• Modellen ontwikkeld in Python kunnen vaak rechtstreeks via onze AI-engine worden geïntegreerd.
• We bieden naadloze integratiecapaciteiten met grote cloud ML-platforms zoals Google Vertex AI en Amazon (AMZN ) SageMaker, waardoor modellen die zijn getraind en gehost op deze platforms, kunnen worden aangeroepen.

Critisch is dat onze semantische laag een sleutelrol speelt bij het toegankelijk maken van deze potentieel complexe aangepaste modellen. Door modelinput en -output te koppelen aan de bedrijfsconcepten gedefinieerd in onze kennisgraaf (MSO’s en eigenschappen), stellen we non-technische bedrijfsgebruikers in staat om geavanceerde predictieve, classificatie- of causale modellen (bijv. via Quick Insights) te benutten zonder dat ze de onderliggende datascience hoeven te begrijpen – ze interacteren met vertrouwde bedrijfsbegrippen, en het platform behandelt de technische vertaling. Dit democratiseert echt de toegang tot geavanceerde AI/ML-mogelijkheden.

Welke trends ziet u vormgeven voor de volgende golf van ondernemings-AI – met name in agentmarkten en no-code agentontwerp?

De volgende golf van ondernemings-AI beweegt zich in de richting van zeer dynamische, componeren en samenwerkende ecosystemen. Verschillende convergerende trends drijven dit:

• Agentmarkten en -registers: We zullen een significante toename zien in agentmarkten die functioneren naast interne agentregisters. Dit faciliteert een verschuiving van monolithische bouw naar een ‘huur en compositie’-model, waarbij organisaties dynamisch gespecialiseerde agenten kunnen ontdekken en integreren – intern of extern – met specifieke capaciteiten wanneer dat nodig is, waardoor oplossingsimplementatie aanzienlijk wordt versneld.
• Standaardisatie van agentcommunicatie: Voor deze ecosystemen om te functioneren, hebben agenten een gemeenschappelijke taal nodig. Standaardisatie van agent-tot-agent-communicatieprotocollen, zoals MCP (Model Context Protocol), dat wij gebruiken, en initiatieven zoals Google’s Agent2Agent-protocol, worden essentieel voor het mogelijk maken van naadloze samenwerking, contextdeling en taakdelegatie tussen agenten, ongeacht wie ze heeft gebouwd of waar ze worden uitgevoerd.
• Dynamische orkestratie: Statische, vooraf gedefinieerde workflows zullen plaatsmaken voor dynamische orkestratie. Intelligentie orkestratielagen zullen agenten op runtime selecteren, configureren en coördineren op basis van de specifieke probleemcontext, leidend tot veel aanpasbaardere en veerkrachtigere systemen.
• No-code/low-code agentontwerp: Democratie zal zich uitstrekken tot agentcreatie. No-code en low-code-platforms zullen bedrijfsexperts, niet alleen AI-specialisten, in staat stellen om agenten te ontwerpen en te bouwen die specifieke domeinkennis en bedrijfslogica bevatten, waardoor het aanbod van gespecialiseerde capaciteiten verder wordt verrijkt.

App Orchid’s rol is het bieden van de kritieke semantische basis voor deze toekomst. Voor agenten in deze dynamische ecosystemen om effectief samen te werken en zinvolle taken uit te voeren, moeten ze de ondernemingsgegevens begrijpen. Onze kennisgraaf en semantische laag bieden precies die contextuele begrip, waardoor agenten zinvol over gegevens kunnen redeneren en handelen.

Hoe ziet u de rol van de CTO evolueren in een toekomst waarin beslissingsintelligentie wordt gedemocratiseerd via agentic AI?

De democratisering van beslissingsintelligentie via agentic AI verheft de rol van de CTO fundamenteel. Het verschuift van een primair technisch infrastructuurbeheerder naar een strategische orkestrator van organisatorische intelligentie.

Sleutelontwikkelingen zijn:

• Van systeembeheerder tot ecosysteemarchitect: De focus verschuift van het beheren van geïsoleerde toepassingen naar het ontwerpen, cureren en besturen van dynamische ecosystemen van interactieve agenten, gegevensbronnen en analytische capaciteiten. Dit omvat het effectief gebruik van agentmarkten en -registers.
• Gegevensstrategie als kernbedrijfsstrategie: Het waarborgen dat gegevens niet alleen beschikbaar zijn maar semantisch rijk, betrouwbaar en toegankelijk, wordt essentieel. De CTO zal centraal staan in het opbouwen van de kennisgrafiekbasis die intelligente systemen in de hele onderneming aandrijft.
• Evolutionaire governanceparadigma’s: Nieuwe governancemodellen zullen nodig zijn voor agentic AI – het aanpakken van agentvertrouwen, beveiliging, ethische AI-gebruik, controleerbaarheid van geautomatiseerde beslissingen en het beheersen van emergente gedragingen binnen agentensamenwerking.
• Bevordering van aanpasbaarheid: De CTO zal cruciaal zijn in het inbedden van aanpasbaarheid in de technische en operationele stof van de organisatie, het creëren van omgevingen waar AI-gegenereerde inzichten leiden tot snelle reacties en voortdurend leren.
• Bevordering van menselijke AI-samenwerking: Een belangrijk aspect zal zijn het cultiveren van een cultuur en het ontwerpen van systemen waarin mensen en AI-agenten synergistisch samenwerken, elkaars sterke punten versterkend.

Uiteindelijk wordt de CTO minder gefocust op het beheren van IT-kosten en meer op het maximaliseren van het ‘intelligentiepotentieel’ van de organisatie. Het is een verschuiving naar het zijn van een echte strategische partner, waardoor de hele onderneming effectiever en adaptiever kan opereren in een steeds complexere wereld.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen App Orchid bezoeken.