Jito Chadha, grunnlegger og administrerende direktør i Nventr – Intervju-serie

Jito Chadha, grunnlegger og administrerende direktør i Nventr, er en erfaren teknologi-eksekutiv og investor med en karriere som omfatter kunstig intelligens, datavitenskap, venturekapital og forretningsutvikling. Siden han grunnla Nventr i 2019, har han ledet selskapets utvikling av bedrifts kunstig intelligens-teknologier, samt vært administrerende direktør for selskapet Rule14, som driver med prediktiv analyse. Chadha har vært en del av HandsOn Global Management siden 2007 og ble partner i 2013, og har bidratt til å finne, strukturere og skape verdi i en rekke transaksjoner, samt ledet investeringer i venturekapital, datavitenskap og naturressurser.

Nventr er et Los Angeles-basert selskap som utvikler teknologi for å bygge, distribuere og forvalte intelligente applikasjoner og automatiserte arbeidsflyter. Plattformen bringer sammen kunstig intelligens-agenter, maskinlæringsmodeller, neurale nettverk, datahåndtering, intelligent dokumentbehandling, visualisering og utviklingsverktøy. Produktene inkluderer Agent IO, et operativsystem for å koordinere autonome agenter over bedriftsfunksjoner, og nQube, en arbeidsflyt-bygger som støtter utvikling uten kode, lavkode og fullkode, samt distribusjon over sky, lokale og kantmiljøer.

Før du ledet Nventr og Rule14, tilbrakte du år med å finne investeringer, skape verdi over porteføljeforretninger og arbeide med datavitenskaps-initiativer innen komplekse organisasjoner. Hvordan påvirkte denne erfaringen din beslutning om å bygge en bedrifts kunstig intelligens-plattform fokusert på arbeidsflyter i stedet for selvstendige verktøy?

Arbeidet over porteføljeforretninger avdekket samme mønster i forskjellige forretninger. Hver organisasjon hadde informasjon som flyttet gjennom flere personer, systemer og godkjenninger før en prosess kunne fullføres.

Denne erfaringen formede Nventr rundt arbeidsflyter i stedet for selvstendige verktøy. Forbedring av én oppgave har begrenset verdi hvis resultatet ikke kan flytte effektivt gjennom resten av organisasjonen. Vi fokuserte på å strukturere hele prosessen og kjøre den i skala.

Nventr kombinerer agenter, maskinlæringsmodeller og neurale nettverk innen skalerbare bedrifts arbeidsflyter. Hva begrensninger observerte du i konvensjonelle automatiseringsplattformer som ledet til utvikling av denne bredere arkitekturen? 

I mange år opererte selskaper gjennom samlinger av sky- og lokale SaaS-applikasjoner som kunne være klønete, stive og dyre. Arbeidsflyt-systemet, modellene, agentene og selskapets data ble vanligvis behandlet som separate lag, noe som gjorde bredere automatisering mer vanskelig.

Vi utviklet en arkitektur hvor disse komponentene kan operere sammen og skaleres uavhengig av hverandre når etterspørselen endrer seg. Prosessen trenger ikke å bli tvunget inn i én fast applikasjon eller én type datamaskinmiljø.

Mange organisasjoner starter sine AI-strategier med å velge en modell eller lansere en chatbot. I din erfaring, hva slags grunnleggende arbeid med data, tillatelser, prosesser og system-integrasjon må skje før en AI-utplassering kan levere meningsfulle resultater? 

Et selskap må først definere prosessen, identifisere hva informasjonen agenten trenger, og bestemme hvor den informasjonen bor. Det kan innebære databaser, filarkiver, PDF-er, artikler, e-postsystemer eller andre selskapsdatakilder som må gjøres tilgjengelige for agenten i en brukbar form.

Selskapet må deretter definere hva som skjer etter at agenten mottar den informasjonen. En samtale kan produsere en respons, en sammenfatting, en oppfølgingskø eller en annen agenter-arbeidsflyt. Godkjente verktøy, data-tillatelser og bruker-tillatelser må etableres etter rolle, så hver handling skjer innenfor en definert prosess.

nQube er designet for å hjelpe både data-vitere og forretnings-analytikere bygge, teste, distribuere og overvåke AI-drevne arbeidsflyter. Hvordan gjør du disse evnene tilgjengelige for ikke-spesialister samtidig som du beholder de tekniske kontrollene som kreves for produksjonsmiljøer?

Mennesker tenker på AI og programvare-produkter gjennom omfanget av deres egen rolle og hvordan produktet kan gjøre jobben enklere eller la dem være mer produktive. Grensesnittet bør la dem beskrive hva de trenger, stille spørsmål og justere en agent eller arbeidsflyt gjennom vanlig språk og tale.

Arbeidsflytene, datamaskin-prosessene og skaleringsmulighetene forbli under denne interaksjonen. Organisasjonen beholder kontroll over verktøyene, datakildene og tilgangen som er tildelt hver rolle, så en forretnings-analytiker kan bruke systemet uten å måtte håndtere infrastrukturen direkte.

Nventr sin agent-operativsystem bruker en koordinerende agent til å dirigere spesialiserte agenter gjennom sekvensielle og iterative arbeidsflyter. Hvordan bestemmer plattformen hvilken agent som skal håndtere hver oppgave, bevare kontekst mellom agenter og håndtere et ustabilt resultat? 

Arbeidsflyten bestemmer hvordan en forespørsel flytter gjennom definerte trinn, grener og spesialiserte agenter. Informasjon fra én fase kan sammenfattes og videreformidles, så den neste agenten forstår hva som skjedde, hva som ble bedt om og hva som bør skje videre.

Håndtering av et ustabilt resultat avhenger av prosessen og konsekvensene av handlingen. Arbeidsflyt-kontrollene må reflektere hvor systemet kan fortsette og hvor resultatet krever gjennsyn.

Bedrifter ønsker stadig mer fleksibilitet til å bruke forskjellige store språkmodeller, spesialiserte maskinlærings-systemer og tredjeparts-agenter. Hvordan bør organisasjoner designe sin AI-infrastruktur for å unngå å bli avhengige av én modell-leverandør eller teknologi-stakk? 

Infrastrukturen bør støtte en mengde modeller og la dem operere parallelt innen samme arbeidsflyt. En leverandør kan håndtere tale-til-tale-komponenten, mens en annen modell utfører begrunnelse eller prosessering bak det.

Verktøysamlingen bør velges etter kundens kostnad, ytelse, sikkerhet, latens og åpenhet for tredjeparts-tjenesteleverandører. Noen bedrifter er komfortable med å kombinere leverandører, mens andre ønsker agenten på deres egen sky eller dedikert infrastruktur. Arkitekturen må støtte begge tilnærmingene.

Når en AI-agent kan aksessere selskapsdata og utføre handlinger over bedriftssystemer, blir sikkerheten mer kompleks enn å beskytte en samtale-grensesnitt. Hva kontroller bør styre en agents tillatelser, autonomi og evne til å initiere konsekvensfulle handlinger?

Tilgang bør kontrolleres etter rolle, prosjekt og arbeidsflyt. En agent bør bare kunne bruke informasjonen, verktøyene og handlingene som er godkjent for den konteksten, med forespørsler utenfor den omfanget sendt for godkjenning.

Autonomi-nivået bør reflektere sensitiviteten av dataene og konsekvensene av handlingen. For transaksjoner som involverer penger, private informasjon eller andre betydelige resultater, bør selskapet kunne se hva agenten gjør og kreve godkjenning før fullføring.

Nventr presenterer applikasjoner over områder som inkluderer dokumentbehandling, kundeservice, rapportering, helsekommunikasjon og svindel-avdekking. Hva tekniske eller operative egenskaper gjør en arbeidsflyt egnet for agenter-automatisering, og hvilke prosesser bør forbløffe hovedsakelig menneske-ledet? 

Vi balanserer antallet mennesker eller kostnadene forbundet med en prosess mot dens kompleksitet og mulighet for automatisering. En prosess kan være dyrt eller arbeidskrevende og likevel være feil sted å begynne hvis den er for kompleks eller ustabilt til å automatisere effektivt.

Den generelle tilnærmingen er å gå for det laveste hengende frukten med den største innvirkningen. Den formelen er fraktal, fordi den kan brukes på én persons rolle, flere avdelinger eller en hel organisasjon. Prosesser som involverer usikkerhet eller konsekvensfulle dommer bør fortsette å inkludere mennesker.

Du har diskutert ideen om at ansatte til slutt vil få AI-motparter som håndterer gjentakende elementer av deres arbeid. Hvordan kan dette endre organisatoriske strukturer, og hva bør ledere gjøre for å sikre at disse systemene styrker menneskelig dømmekraft i stedet for å fjerne den gradvis fra viktige beslutninger? 

Ideen er å gi hver person på lønningslisten en agent-motpart som kan lære deler av jobben over tid. Over en større prosentdel av organisasjonen, skaper dette sentralisert intelligens og optimalisering over organisasjonskartet, i stedet for å begrense fordelen til én eller to ansatte.

Agenten kan ta på seg gjentakende arbeid som innhenting av informasjon, flytting av data eller bygging av vanlige presentasjoner. Dette gir mennesker mer tid for viktige diskusjoner og beslutninger, mens organisasjonen beholder autoritet over sensitive informasjon og konsekvensfulle handlinger.

Når AI-agenter utvikler seg fra assistenter til en operativ lag for komplekse organisasjoner, hvilke evner må forbedres mest før selskaper kan trygt automatisere arbeidsflyter som omfatter hele avdelinger eller forretningsenheter? 

Agenter trenger lavere latens og sterkere integrasjoner med selskapsdatabaser, filer og større systemer. Informasjon må flytte over roller og avdelinger uten å kreve at mennesker overfører det manuelt eller skaper nye flaskehaler.

Interaksjonslaget må også forbedres. Tale-agenter bør føles som en normal samtale hvor en person kan avbryte og endre retning, og bedrifter vil til slutt trenger direkte måter for autoriserte agenter til å samhandle med deres systemer. Browser-automatisering kan brolegge gapet, men industrien vil bevege seg mot en mer effektiv struktur fordi beregning og infrastruktur har en kostnad.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Nventr.