Jito Chadha, Założyciel i Dyrektor Generalny Nventr – Seria Wywiadów

Jito Chadha, Założyciel i Dyrektor Generalny Nventr, jest doświadczonym menedżerem i inwestorem, którego kariera obejmuje sztuczną inteligencję, naukę o danych, venture capital oraz rozwój biznesu. Od założenia Nventr w 2019 roku, kierował rozwojem technologii sztucznej inteligencji dla przedsiębiorstw, jednocześnie pełniąc funkcję Dyrektora Generalnego firmy analitycznej Rule14. Chadha jest częścią HandsOn Global Management od 2007 roku i został partnerem w 2013 roku, przyczyniając się do pozyskiwania, strukturyzacji i tworzenia wartości licznych transakcji, jednocześnie kierując inwestycjami w venture capital, naukę o danych i zasoby naturalne.

Nventr to firma z Los Angeles, specjalizująca się w rozwoju technologii sztucznej inteligencji dla przedsiębiorstw, które umożliwiają budowanie, wdrażanie i zarządzanie inteligentnymi aplikacjami i automatyzowanymi procesami roboczymi. Ich platforma łączy agenci sztucznej inteligencji, modele uczenia maszynowego, sieci neuronowe, zarządzanie danymi, przetwarzanie dokumentów, wizualizację i narzędzia developerskie. Produkty obejmują Agent IO, system operacyjny do koordynowania autonomicznych agentów w różnych funkcjach biznesowych, oraz nQube, narzędzie do budowy procesów roboczych, które obsługuje rozwój bez kodu, z minimalnym kodem i pełnym kodem, a także wdrożenie w chmurze, na miejscu i na krawędzi.

Przed objęciem stanowiska w Nventr i Rule14, spędziłeś lata na pozyskiwaniu inwestycji, tworzeniu wartości w portfelowych firmach i pracy z inicjatywami związanymi z nauką o danych w ramach złożonych organizacji. Jak doświadczenie to ukształtowało Twoją decyzję o budowie platformy sztucznej inteligencji dla przedsiębiorstw skupiającej się na procesach roboczych, a nie na samodzielnych narzędziach?

Praca w różnych firmach portfelowych ujawniła ten sam wzorzec w różnych biznesach. Każda organizacja miała informacje przepływające przez wiele osób, systemów i zatwierdzeń, zanim proces mógł zostać ukończony.

To doświadczenie ukształtowało Nventr wokół procesów roboczych, a nie samodzielnych narzędzi. Poprawa jednego zadania ma ograniczoną wartość, jeśli wynik nie może być efektywnie przeniesiony do reszty organizacji. Skoncentrowaliśmy się na ustrukturyzowaniu całego procesu i jego uruchomieniu w skali.

Nventr łączy działania agenci, modele uczenia maszynowego i sieci neuronowe w ramach skalowalnych procesów roboczych dla przedsiębiorstw. Jakie ograniczenia zaobserwowałeś w konwencjonalnych platformach automatyki, które skłoniły Cię do rozwoju tej szerszej architektury? 

Przez lata firmy działały za pomocą kolekcji aplikacji SaaS hostowanych w chmurze i na miejscu, które mogły być niewydajne, sztywne i drogie. System przepływu pracy, modele, agenci i dane firmy były zwykle traktowane jako oddzielne warstwy, co utrudniało szerszą automatykę.

Opracowaliśmy architekturę, w której te komponenty mogą działać razem i skalować się niezależnie wraz ze zmianą popytu. Proces nie musi być wymuszony do jednej aplikacji lub jednego typu środowiska obliczeniowego.

Wiele organizacji rozpoczyna swoje strategie sztucznej inteligencji, wybierając model lub uruchamiając czatbota. Twoim doświadczeniu, jakie prace podstawowe dotyczące danych, uprawnień, procesów i integracji systemów muszą nastąpić, zanim wdrożenie sztucznej inteligencji może przynieść znaczące rezultaty? 

Firma musi najpierw zdefiniować proces, określić, jakie informacje są potrzebne agentowi, i ustalić, gdzie te informacje się znajdują. Może to obejmować bazy danych, repozytoria plików, pliki PDF, artykuły, systemy pocztowe lub inne źródła danych firmy, które muszą być udostępnione agentowi w przydatnej formie.

Firma musi następnie zdefiniować, co się dzieje po otrzymaniu tych informacji przez agenta. Rozmowa może wyprodukować odpowiedź, podsumowanie, kolejną kolejkę lub inny przepływ pracy agenci. Ustalone narzędzia, uprawnienia do danych i uprawnienia użytkowników muszą być ustalone według roli, tak aby każda akcja zachodziła w ramach określonego procesu.

nQube został zaprojektowany, aby pomóc zarówno naukowcom danych, jak i analitykom biznesowym w budowaniu, testowaniu, wdrażaniu i monitorowaniu procesów roboczych zasilanych sztuczną inteligencją. Jak udostępniasz te możliwości osobom niebędącym specjalistami, jednocześnie zachowując kontrolę techniczną wymaganą dla środowisk produkcyjnych?

Ludzie myślą o sztucznej inteligencji i produktach oprogramowania przez pryzmat swojej własnej roli i tego, jak produkt może ułatwić im pracę lub pozwolić im być bardziej produktywnymi. Interfejs powinien pozwolić im opisać, czego potrzebują, zadać pytania i dostosować agenta lub przepływ pracy za pomocą normalnego języka i głosu.

Przepływy pracy, procesy obliczeniowe i skalowanie pozostają pod tym interfejsem. Organizacja nadal kontroluje narzędzia, źródła danych i dostęp przypisany do każdej roli, więc analityk biznesowy może używać systemu bez potrzeby bezpośredniego zarządzania infrastrukturą.

System operacyjny agenta Nventr wykorzystuje koordynującego agenta do kierowania specjalistycznymi agentami w sekwencyjnych i iteracyjnych przepływach pracy. Jak platforma określa, który agent powinien obsłużyć każde zadanie, zachować kontekst między agentami i obsłużyć niepewny wynik? 

Przepływ pracy określa, jak żądanie przechodzi przez określone kroki, gałęzie i specjalistyczne agenci. Informacje z jednego etapu mogą być podsumowane i przekazane dalej, tak aby następny agent zrozumiał, co się wydarzyło, co zostało zażądane i jaki powinien być następny krok.

Obsługa niepewnego wyniku zależy od procesu i konsekwencji akcji. Kontrole przepływu pracy muszą odzwierciedlać, gdzie system może kontynuować i gdzie wynik wymaga przeglądu.

Przedsiębiorstwa coraz częściej chcą mieć elastyczność w używaniu różnych dużych modeli językowych, specjalistycznych systemów uczenia maszynowego i agentów zewnętrznych. Jak powinny zaprojektować swoją infrastrukturę sztucznej inteligencji, aby uniknąć uzależnienia od jednego dostawcy modelu lub stosu technologicznego? 

Infrastruktura powinna wspierać wiele modeli i pozwalać im działać równolegle w ramach tego samego przepływu pracy. Jeden dostawca może obsługiwać składnik mowy na mowę, podczas gdy inny model wykonuje rozumność lub przetwarzanie za nim.

Narzędzie powinno być wybrane zgodnie z kosztem klienta, wydajnością, bezpieczeństwem, opóźnieniem i otwartością na usługodawców zewnętrznych. Niektóre przedsiębiorstwa są komfortowe z łączeniem dostawców, podczas gdy inne chcą agenta na własnej chmurze lub dedykowanej infrastrukturze. Architektura musi wspierać oba podejścia.

Gdy agent sztucznej inteligencji może uzyskać dostęp do danych firmy i podejmować działania w różnych systemach biznesowych, bezpieczeństwo staje się bardziej złożone niż ochrona interfejsu konwersacyjnego. Jakie kontrole powinny rządzić uprawnieniami agenta, autonomią i możliwością inicjowania istotnych działań?

Dostęp powinien być kontrolowany przez rolę, projekt i przepływ pracy. Agent powinien mieć możliwość korzystania tylko z informacji, narzędzi i działań zatwierdzonych dla tego kontekstu, a żądania poza tym zakresem powinny być wysłane do autoryzacji.

Stopień autonomii powinien odzwierciedlać wrażliwość danych i konsekwencje akcji. Dla transakcji, które obejmują pieniądze, informacje prywatne lub inny istotny wynik, firma powinna mieć możliwość zobaczenia, co robi agent, i wymagać autoryzacji przed ukończeniem.

Nventr prezentuje aplikacje w różnych obszarach, w tym przetwarzanie dokumentów, obsługa klienta, raportowanie, komunikacja w ochronie zdrowia i wykrywanie oszustw. Jakie cechy techniczne lub operacyjne sprawiają, że przepływ pracy jest odpowiedni do automatyki agenci, a które procesy powinny pozostać głównie kierowane przez ludzi? 

Bilansujemy liczbę osób lub kosztów związanych z procesem wobec jego złożoności i przydatności do automatyki. Proces może być drogi lub wymagający pod względem pracy i nadal być niewłaściwym miejscem do rozpoczęcia, jeśli jest zbyt złożony lub niepewny do skutecznej automatyki.

Ogólny podejście polega na wyborze najłatwiejszych przypadków z największym wpływem. To sformułowanie jest fraktalne, ponieważ może być stosowane do jednej roli, kilku departamentów lub całej organizacji. Procesy, które obejmują niepewność lub istotne osądy, powinny nadal obejmować ludzi.

Omówiłeś pomysł, że pracownicy będą mieli w przyszłości odpowiedniki sztucznej inteligencji, które zajmą się powtarzalnymi elementami ich pracy. Jak to mogłoby zmienić struktury organizacyjne, a co powinni zrobić liderzy, aby upewnić się, że te systemy wzmacniają ludzkie osądy, a nie stopniowo je usuwają z ważnych decyzji? 

Pomysł polega na tym, aby dać każdej osobie na liście płac odpowiednik agenta, który może nauczyć się części pracy w czasie. W całej organizacji tworzy to scentralizowaną inteligencję i optymalizację nad schematem organizacyjnym, a nie tylko ogranicza korzyści do jednego lub dwóch pracowników.

Agent może przejąć powtarzalną pracę, taką jak zbieranie informacji, przenoszenie danych lub tworzenie rutynowych prezentacji. To daje ludziom więcej czasu na ważne dyskusje i decyzje, podczas gdy organizacja zachowuje kontrolę nad wrażliwymi informacjami i istotnymi akcjami.

Gdy agenci sztucznej inteligencji ewoluują z asystentów w warstwę operacyjną dla złożonych organizacji, jakie możliwości muszą się najbardziej poprawić, zanim firmy będą mogły bezpiecznie zautomatyzować przepływy pracy, które obejmują całe departamenty lub jednostki biznesowe? 

Agenci potrzebują niższej latencji i silniejszych integracji z bazami danych firm, plikami i większymi systemami. Informacje muszą przepływać przez role i departamenty bez konieczności ręcznego przenoszenia ich przez ludzi lub tworzenia nowych wąskich gardeł.

Warstwa interakcji również musi się poprawić. Agenci głosowi powinni sprawiać wrażenie normalnej rozmowy, w której osoba może przerwać i zmienić kierunek, a firmy w końcu będą potrzebować bezpośrednich sposobów, aby upoważnieni agenci mogli wchodzić w interakcje ze swoimi systemami. Automatyzacja przeglądarki może pomóc w zamknięciu tej luki, ale branża będzie ewoluować w kierunku bardziej wydajnej struktury, ponieważ obliczenia i infrastruktura mają koszt. Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Nventr.