Ravi Bommakanti, CTO i App Orchid – Intervju-serie

Ravi Bommakanti, Chief Technology Officer i App Orchid, leder selskapets misjon om å hjelpe bedrifter å operasjonalisere AI over applikasjoner og beslutningsprosesser. App Orchids flaggskipprodukt, Easy Answers, gjør det mulig for brukerne å samhandle med data ved hjelp av naturlig språk for å generere AI-drevne dashboards, innsikt og anbefalte handlinger.

Plattformen integrerer strukturert og ustrukturert data – inkludert sanntidsinndata og ansattkunnskap – i en prediktiv data-vev som støtter strategiske og operative beslutninger. Med minne-i-store-data-teknologi og en brukervennlig grensesnitt, strømlinjeformer App Orchid AI-tilpasning gjennom rask utrulling, lavkostnadsimplementering og minimal forstyrrelse av eksisterende systemer.

La oss starte med det store bildet – hva betyr “agentic AI” for deg, og hvordan er det forskjellig fra tradisjonelle AI-systemer?

Agentic AI representerer en fundamental skift fra den statiske utførelsen som er typisk for tradisjonelle AI-systemer til dynamisk orkestrering. For meg handler det om å gå fra stive, forhåndsprogrammerte systemer til autonome, tilpasningsdyktige problemløsere som kan grunne, planlegge og samarbeide.

Hva som virkelig skiller agentic AI fra andre systemer er evnen til å utnytte den distribuerte naturen til kunnskap og ekspertise. Tradisjonell AI opererer ofte innen faste grenser, følger forhåndsbestemte stier. Agentic-systemer kan derimot dekomponere komplekse oppgaver, identifisere de riktige spesialiserte agenter for underoppgaver – potensielt oppdage og utnytte dem gjennom agent-registre – og orkestrere deres samhandling for å syntetisere en løsning. Dette konseptet med agent-registre gjør det mulig for organisasjoner å “leie” spesialiserte kapasiteter når som helst, på samme måte som menneskelige ekspertteam er sammensatt, i stedet for å bli tvunget til å bygge eller eie hver AI-funksjon internt.

Så, i stedet for monolittiske systemer, ligger fremtiden i å skape økosystemer hvor spesialiserte agenter kan samhandles dynamisk og koordineres – mye som en dyktig prosjektleder som leder et team – for å håndtere komplekse og utviklende forretningsutfordringer effektivt.

Hvordan akselererer Google (GOOGL ) Agentspace tilpasningen av agentic AI over bedrifter, og hva er App Orchids rolle i dette økosystemet?

Google Agentspace er en betydelig akselerator for bedrifts AI-tilpasning. Ved å tilby en felles grunnlag for å distribuere og håndtere intelligente agenter koblet til ulike arbeidsapplikasjoner, og utnytte Googles kraftige søk og modeller som Gemini, gjør Agentspace det mulig for selskaper å transformere siloet informasjon til handlebare innsikt gjennom et felles grensesnitt.

App Orchid fungerer som et kritisk semantisk aktiveringslag i dette økosystemet. Mens Agentspace tilbyr agent-infrastruktur og orkestreringsrammeverk, håndterer vår Easy Answers-plattform den kritiske bedriftsutfordringen med å gjøre kompleks data forståelig og tilgjengelig for agenter. Vi bruker en ontologi-drevet tilnærming for å bygge rike kunnskapsgrafer fra bedriftsdata, komplett med forretningskontekst og relasjoner – nøyaktig den forståelsen agenter trenger for å operere effektivt og levere meningsfulle forretningsinnsikt.

Dette skaper en kraftfull synergisme: Agentspace tilbyr robust agent-infrastruktur og orkestreringskapasiteter, mens App Orchid tilbyr den dype semantiske forståelsen av kompleks bedriftsdata som disse agentene trenger for å operere effektivt og levere meningsfulle forretningsinnsikt. Vårt samarbeid med Google Cloud Cortex Framework er et primært eksempel, som hjelper kunder å dramatisk reducere datatilberedningstid (opptil 85%) samtidig som de utnytter vår plattforms industri-ledende 99,8% tekst-til-SQL-nøyaktighet for naturlig språklig spørring. Sammen, gjør vi det mulig for organisasjoner å distribuere agentic AI-løsninger som virkelig forstår deres forretnings språk og data-intrikater, akselererende tid-til-verdi.

Hva er virkelige barrierer bedrifter møter når de tar i bruk agentic AI, og hvordan hjelper App Orchid dem å overvinne disse?

De primære barrierene vi ser, handler om datakvalitet, utfordringen med å utvikle sikkerhetsstandarder – spesielt å sikre agent-til-agent-tillit – og å håndtere den distribuerte naturen til bedrifts kunnskap og agent-kapasiteter.

Datakvalitet er fortsatt det grunnleggende problemet. Agentic AI, som alle AI, gir upålitelige utdata hvis den mates med dårlig data. App Orchid håndterer dette grunnleggende ved å skape et semantisk lag som kontekstualiserer ulike datakilder. Bygget på dette, våre unike crowdsourcing-funksjoner i Easy Answers engasjerer forretningsbrukere over hele organisasjonen – de som forstår dataens mening best – til å samarbeide om å identifisere og håndtere data-luker og inkonsistenser, betydelig forbedrer påliteligheten.

Sikkerhet presenterer en annen kritisk hindring, spesielt når agent-til-agent-kommunikasjon blir vanlig, potensielt spennende over interne og eksterne systemer. Å etablere robuste mekanismer for agent-til-agent-tillit og å vedlikeholde styring uten å hemme nødvendig interaksjon, er nøkkel. Vår plattform fokuserer på å implementere sikkerhetsrammeverk designet for disse dynamiske interaksjonene.

Til slutt, å utnytte distribuert kunnskap og kapasiteter effektivt, krever avansert orkestrering. App Orchid utnytter konsepter som Model Context Protocol (MCP), som er stadig mer avgjørende. Dette gjør det mulig for organisasjoner å dynamisk søke etter spesialiserte agenter fra repositoryer basert på kontekstuelle behov, og å fasilitere flytende, tilpasningsdyktige arbeidsflyter i stedet for stive, forhåndsdefinerte prosesser. Denne tilnærmingen er i tråd med fremvoksende standarder, som Googles Agent2Agent-protokoll, designet for å standardisere kommunikasjon i multi-agent-systemer. Vi hjelper organisasjoner å bygge tillitsfulle og effektive agentic AI-løsninger ved å håndtere disse barrierene.

Kan du gå gjennom hvordan Easy Answers fungerer – fra naturlig språklig spørring til innsiktsgenerering?

Easy Answers transformerer hvordan brukerne samhandler med bedriftsdata, gjør sofistikert analyse tilgjengelig gjennom naturlig språk. Her er hvordan det fungerer:

• Koble til: Vi starter med å koble til bedriftens datakilder – vi støtter over 200 vanlige databaser og systemer. Kritisk, skjer dette ofte uten å kreve dataflytting eller replikasjon, kobler trygt til data hvor det bor.
• Ontologi-oppbygging: Vår plattform analyserer automatisk den koblete data og bygger en omfattende kunnskapsgraf. Denne strukturerer data inn i forretnings-sentriske enheter vi kaller Managed Semantic Objects (MSOs), og fanger relasjonene mellom dem.
• Metadata-beriking: Denne ontologien berikes med metadata. Brukere gir høynivå-beskrivelser, og vår AI genererer detaljerte beskrivelser for hver MSO og dens attributter (felt). Denne kombinerede metadata gir dyp kontekst om dataens mening og struktur.
• Naturlig språklig spørring: En bruker stiller et spørsmål på vanlig forretnings-språk, som “Vis meg salgstrender for produkt X i den vestlige regionen sammenlignet med forrige kvartal.”
• Tolkning og SQL-generering: Vår NLP-motor bruker den rike metadata i kunnskapsgraf til å forstå brukerens intensjon, identifisere relevante MSOs og relasjoner, og oversette spørsmålet til presise data-spørringer (som SQL). Vi oppnår en industri-ledende 99,8% tekst-til-SQL-nøyaktighet her.
• Innsiktsgenerering (Curations): Systemet henter data og bestemmer den mest effektive måten å presentere svaret visuelt. I vår plattform, kalles disse interaktive visualiseringene “curations”. Brukere kan automatisk generere eller forhånds-konfigurere dem for å sammenligne med spesifikke behov eller standarder.
• Dypere analyse (Quick Insights): For mer komplekse spørsmål eller proaktive oppdagelser, kan brukerne utnytte Quick Insights. Denne funksjonen lar dem enkelt anvende ML-algoritmer som følger med plattformen til spesifikke datafelt for å automatisk oppdage mønster, identifisere anomalier eller validere hypoteser uten å trenge data-vitenskapelig ekspertise.

Denne hele prosessen, ofte fullført på få sekunder, demokratiserer data-tilgang og analyse, og gjør kompleks data-utforsking til en enkel samtale.

Hvordan broer Easy Answers siloet data i store bedrifter og sikrer at innsiktene er forklarbare og sporbar?

Data-siloer er en stor hindring i store bedrifter. Easy Answers håndterer denne grunnleggende utfordringen gjennom vår unike semantiske lag-tilnærming.

I stedet for kostbare og komplekse fysiske data-konsolidering, skaper vi en virtuell semantisk lag. Vår plattform bygger en felles logisk visning ved å koble til ulike datakilder hvor de bor. Denne laget er drevet av vår kunnskapsgraf-teknologi, som kartlegger data inn i Managed Semantic Objects (MSOs), definerer deres relasjoner, og beriker dem med kontekstuelle metadata. Dette skaper en felles forretnings-språk som er forståelig for både mennesker og AI, og effektivt broer tekniske data-strukturer (tabeller, kolonner) med forretnings-mening (kunder, produkter, salg), uavhengig av hvor data fysisk bor.

Sikring av at innsiktene er pålitelige, krever både sporbarhet og forklarbarhet:

• Sporbarhet: Vi tilbyr omfattende data-linje-sporing. Brukere kan bore ned fra noen curations eller innsikt tilbake til kilde-data, og se alle anvendte transformasjoner, filtre og beregninger. Dette gir full transparens og auditabilitet, avgjørende for validering og overholdelse.
• Forklarbarhet: Innsiktene er ledsaget av naturlig språklig forklaringer. Disse summerer hva data viser og hvorfor det er viktig i forretnings-termer, og oversetter komplekse funn til handlebare forståelse for et bredt publikum.

Denne kombinasjonen broer siloer ved å skape en felles semantisk visning og bygger tillit gjennom klar sporbarhet og forklarbarhet.

Hvordan sikrer din system transparens i innsikt, spesielt i regulerte industrier hvor data-linje er kritisk?

Transparens er absolutt uhåndgripelig for AI-drevne innsikt, spesielt i regulerte industrier hvor auditabilitet og forsvarbarhet er avgjørende. Vår tilnærming sikrer transparens over tre nøkkel-dimensjoner:

• Data-linje: Dette er grunnleggende. Som nevnt, tilbyr Easy Answers omfattende data-linje-sporing. Hvert innsikt, visualisering eller tall kan spores tilbake nøyaktig gjennom hele livssyklusen – fra de opprinnelige data-kildene, gjennom alle koblinger, transformasjoner, aggregasjoner eller filtre som er anvendt – og gir den verifiserbare data-proveniens som er nødvendig for regulatorer.
• Metode-synlighet: Vi unngår “black box”-problemet. Når analytiske eller ML-modeller brukes (for eksempel via Quick Insights), dokumenterer plattformen tydelig metoden som er brukt, parameterne som er brukt, og relevante evaluering-metrikker. Dette sikrer at “hvordan” bak innsiktet er like transparent som “hva”.
• Naturlig språklig forklaring: Oversettelse av tekniske utdata til forståelig forretnings-kontekst er avgjørende for transparens. Hvert innsikt er ledsaget av enkle språklig forklaringer som beskriver funnene, deres betydning og potensielle begrensninger, og sikrer klarhet for alle interessenter, inkludert overholdelses-offiserer og revisorer.

Videre, inkorporerer vi ytterligere styringsfunksjoner for industrier med spesifikke overholdelsesbehov, som rolle-basert tilgangskontroll, godkjenningsarbeidsflyt for bestemte handlinger eller rapporter, og omfattende audit-logger som sporer brukeraktivitet og system-operasjoner. Denne fler-lagete tilnærmingen sikrer at innsiktene er nøyaktige, fullstendig transparente, forklarbare og forsvarbare.

Hvordan omgjør App Orchid AI-genererte innsikt til handling med funksjoner som Generative Actions?

Generering av innsikt er verdifullt, men det virkelige målet er å drive forretnings-resultater. Med riktig data og kontekst, kan et agentic-økosystem drive handlinger for å broe den kritiske gapet mellom innsikt-oppdagelse og tangibel handling, og flytte analytics fra en passiv rapporteringsfunksjon til en aktiv driver for forbedring.

Her er hvordan det fungerer:
Når Easy Answers-plattformen identifiserer et betydelig mønster, trend, anomali eller mulighet gjennom sin analyse, anvender den AI til å foreslå spesifikke, kontekstuell relevante handlinger som kan utføres som respons.

Disse er ikke vagt foreslåtte handlinger; de er konkrete anbefalinger. For eksempel, i stedet for bare å flagge kunder med høy risiko for avhopping, kan det anbefale spesifikke tilbud tilpasset ulike segmenter, potensielt beregne den forventede effekten eller ROI, og sogar utarbeide kommunikasjonsmaler. Når generering av disse anbefalingene, tar systemet i betraktning forretningsregler, begrensninger, historisk data og mål.

Kritisk, dette opprettholder menneskelig oversikt. Anbefalte handlinger presenteres til de relevante brukerne for gjennomgang, modifikasjon, godkjenning eller avvisning. Dette sikrer at forretnings-dømmekraft forblir sentral i beslutningsprosessen, mens AI håndterer den tunge arbeidet med å identifisere muligheter og formulere potensielle responser.

Når en handling er godkjent, kan vi utløse en agentic flyt for sømløs utførelse gjennom integrasjoner med operative systemer. Dette kan bety å utløse en arbeidsflyt i et CRM-system, oppdatere en prognose i et ERP-system, lansere en målrettet markedsføringsoppgave eller initiere en annen relevant forretningsprosess – og dermed lukke gapet fra innsikt direkte til resultat.

Hvordan er kunnskapsgrafer og semantiske data-modeller sentrale for din plattforms suksess?

Kunnskapsgrafer og semantiske data-modeller er den absolutte kjerne i Easy Answers-plattformen; de hever den over tradisjonelle BI-verktøy som ofte behandler data som frakoblet tabeller og kolonner uten virkelig verdens forretnings-kontekst. Vår plattform bruker dem til å bygge et intelligent semantisk lag over bedriftsdata.

Denne semantiske grunnlaget er sentral for vår suksess av flere nøkkel-årsaker:

• Aktiverer sant naturlig språklig interaksjon: Den semantiske modellen, strukturert som en kunnskapsgraf med Managed Semantic Objects (MSOs), egenskaper og definerte relasjoner, fungerer som en “Rosetta Stone”. Den oversetter nyansene i menneskelig språk og forretnings-terminologi til de presise spørringene som er nødvendige for å hente data, og lar brukerne stille spørsmål naturlig uten å kjenne til underliggende skjemaer. Dette er nøkkel til vår høye tekst-til-SQL-nøyaktighet.
• Bevarer kritisk forretnings-kontekst: I motsetning til enkle relasjoner, fanger vår kunnskapsgraf uttrykkelig den rike, komplekse weben av relasjoner mellom forretnings-enheter (for eksempel hvordan kunder interagerer med produkter gjennom support-billetter og bestillinger). Dette gjør det mulig for dypere, mer kontekstuell analyse som reflekterer hvordan forretningsvirksomheten opererer.
• Tilbyr tilpasning og skalerbarhet: Semantiske modeller er mer fleksible enn stive skjema. Når forretningsbehov endrer seg eller nye data-kilder legges til, kan kunnskapsgrafen utvides og modifiseres inkrementelt uten å kreve en fullstendig ombygging, og opprettholder konsistens mens den tilpasser seg endring.

Denne dype forståelsen av data-kontekst som vårt semantiske lag gir, er grunnleggende for alt Easy Answers gjør, fra grunnleggende Q&A til avansert mønster-oppdagelse med Quick Insights, og danner den essensielle grunnlaget for våre fremtidige agentic AI-kapasiteter, og sikrer at agenter kan grunne over data meningsfullt.

Hva er grunnmodellene du støtter, og hvordan lar du organisasjoner bringe sine egne AI/ML-modeller inn i arbeidsflyten?

Vi tror på en åpen og fleksibel tilnærming, og erkjenner den raske utviklingen av AI, og respekterer organisasjoners eksisterende investeringer.

For grunnmodeller, opprettholder vi integrasjoner med ledende alternativer fra flere leverandører, inkludert Googles Gemini-familie, OpenAIs GPT-modeller og fremtredende åpne kilde-alternativer som Llama. Dette lar organisasjoner velge modeller som best passer deres ytelses-, kostnads-, styrings- eller spesifikke kapasitetsbehov. Disse modellene driver ulike plattform-funksjoner, inkludert naturlig språklig forståelse for spørringer, SQL-generering, innsikt-sammendrag og metadata-generering.

Utenfor disse, tilbyr vi robuste veier for organisasjoner å bringe sine egne tilpassede AI/ML-modeller inn i Easy Answers-arbeidsflyten:

• Modeller utviklet i Python kan ofte integreres direkte via vår AI-motor.
• Vi tilbyr sømløse integrasjonsmuligheter med store cloud-ML-plattformer som Google Vertex AI og Amazon (AMZN ) SageMaker, og lar modeller som er trent og vertet der, bli aktivert.

Kritisk, spiller vårt semantiske lag en nøkkelrolle i å gjøre disse potensielt komplekse tilpassede modellene tilgjengelige. Ved å koble modell-inndata og -utdata til forretnings-konseptene definert i vår kunnskapsgraf (MSOs og egenskaper), lar vi ikke-tekniske forretningsbrukere utnytte avanserte prediktive, klassifiserings- eller årsaks-modeller (for eksempel via Quick Insights) uten å måtte forstå den underliggende data-vitenskapen – de samhandler med familiære forretnings-termer, og plattformen håndterer den tekniske oversettelsen. Dette demokratiserer tilgangen til sofistikerte AI/ML-kapasiteter.

Ser fremover, hva trender ser du som former den neste bølgen av bedrifts AI – spesielt i agent-markeder og ikke-kode agent-design?

Den neste bølgen av bedrifts AI beveger seg mot høyt dynamiske, samansatte og samarbeidende økosystemer. Flere konvergerende trender driver denne:

• Agent-markeder og registre: Vi vil se en betydelig økning i agent-markeder som fungerer sammen med interne agent-registre. Dette faciliterer en skift fra monolittiske bygginger til en “leie og komponer”-modell, hvor organisasjoner kan dynamisk oppdage og integrere spesialiserte agenter – internt eller eksternt – med spesifikke kapasiteter når som helst, dramatisk akselererende løsning-utvikling.
• Standardisert agent-kommunikasjon: For disse økosystemene å fungere, trenger agenter felles språk. Standardiserte agent-til-agent-kommunikasjonsprotokoller, som MCP (Model Context Protocol), som vi utnytter, og initiativer som Googles Agent2Agent-protokoll, blir avgjørende for å muliggjøre sømløs samarbeid, kontekst-delning og oppgave-delegering mellom agenter, uavhengig av hvem som bygget dem eller hvor de kjører.
• Dynamisk orkestrering: Statiske, forhåndsdefinerte arbeidsflyter vil gi plass til dynamisk orkestrering. Intelligente orkestreringslag vil velge, konfigurere og koordinere agenter på kjøretid basert på den spesifikke problem-konteksten, og føre til langt mer tilpasningsdyktige og resiliente systemer.
• Ikke-kode/low-kode agent-design: Demokratiseringen vil utvides til agent-oppbygging. Ikke-kode og low-kode-plattformer vil gi forretnings-ekspertene, ikke bare AI-spesialister, mulighet til å designe og bygge agenter som inkorporerer spesifikke domene-kunnskap og forretnings-logikk, og ytterligere berike puljen av tilgjengelige spesialiserte kapasiteter.

App Orchids rolle er å tilby den kritiske semantiske grunnlaget for denne fremtiden. For agenter i disse dynamiske økosystemene å samarbeide effektivt og utføre meningsfulle oppgaver, trenger de å forstå bedriftsdata. Vår kunnskapsgraf og semantiske lag tilbyr nettopp denne kontekstuelle forståelsen, og muliggjør at agenter kan grunne og handle over data på meningsfulle måter.

Hvordan ser du på utviklingen av CTO-rollen i en fremtid hvor beslutnings-intelligens demokratiseres gjennom agentic AI?

Demokratiseringen av beslutnings-intelligens via agentic AI hever fundamentalt CTO-rollen. Den skifter fra å være primært en forvalter av teknologi-infrastruktur til å bli en strategisk orkestrator av organisatorisk intelligens.

Nøkkel-utviklinger inkluderer:

• Fra system-forvalter til økosystem-arkitekt: Fokus skifter fra å forvalte siloet applikasjoner til å designe, kuratere og styre dynamiske økosystemer av samhandlende agenter, data-kilder og analytiske kapasiteter. Dette inkluderer å utnytte agent-markeder og registre effektivt.
• Data-strategi som kjerne-forretnings-strategi: Sikring av at data ikke bare er tilgjengelig, men også semantisk rik, pålitelig og tilgjengelig, blir avgjørende. CTO-en vil være sentral i byggingen av kunnskapsgraf-grunnlaget som driver intelligente systemer over hele bedriften.
• Utvikling av nye styrings-paradigmer: Nye styringsmodeller vil være nødvendige for agentic AI – som omfatter agent-tillit, sikkerhet, etisk AI-bruk, auditabilitet av automatiserte beslutninger og håndtering av emergente atferd i agent-samarbeid.
• Championing tilpasning: CTO-en vil være avgjørende i å inkorporere tilpasning i organisasjonens tekniske og operative stoff, og skape miljøer hvor AI-drevne innsikt fører til rask respons og kontinuerlig læring.
• Fremme menneske-AI-samarbeid: En nøkkel-aspekt vil være å dyrke en kultur og designe systemer hvor mennesker og AI-agenter samarbeider synergisk, og supplere hverandres styrker.

Til slutt, blir CTO-en mindre fokusert på å forvalte IT-kostnader og mer på å maksimere organisasjonens “intelligens-potensial”. Det er en skift mot å være en strategisk partner, og å muliggjøre hele bedriften å operere mer intelligently og tilpasningsdyktig i en stadig mer kompleks verden.

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