Ravi Bommakanti, CTO App Orchid – Seria wywiadów

Ravi Bommakanti, Chief Technology Officer w firmie App Orchid, kieruje misją firmy, aby pomóc przedsiębiorstwom wdrożyć sztuczną inteligencję w aplikacjach i procesach decyzyjnych. Flagowy produkt App Orchid, Easy Answers ™, umożliwia użytkownikom interakcję z danymi za pomocą języka naturalnego w celu generowania pulpity sztucznej inteligencji, wglądów i zalecanych działań.

Platforma łączy dane strukturalne i niestrukturalne, w tym dane w czasie rzeczywistym i wiedzę pracowników, w przewidywalną tkaninę danych, która wspiera strategiczne i operacyjne decyzje. Dzięki technologii Big Data w pamięci i przyjaznym interfejsie użytkownika, App Orchid upraszcza wdrożenie sztucznej inteligencji poprzez szybką wdrożenie, niskokosztową implementację i minimalne zakłócenia istniejących systemów.

Zacznijmy od dużego obrazu – co “agentic AI” oznacza dla Ciebie i jak różni się od tradycyjnych systemów AI?

Agentic AI reprezentuje fundamentalną zmianę od statycznej realizacji typowej dla tradycyjnych systemów AI do dynamicznej orkiestracji. Dla mnie chodzi o to, aby przesunąć się od sztywnych, zaprogramowanych systemów do autonomicznych, adaptacyjnych rozwiązywania problemów, które mogą rozumieć, planować i współpracować.

To, co naprawdę odróżnia agentic AI, to jego zdolność do wykorzystania rozproszonej natury wiedzy i ekspertyzy. Tradycyjna AI często działa w ramach ustalonych granic, podążając za wcześniej określonymi ścieżkami. Systemy agentic, jednak, mogą rozłożyć złożone zadania, zidentyfikować odpowiednich specjalistów do podzadań – potencjalnie odkrywając i wykorzystując je za pośrednictwem rejestrów agentów – i zorganizować ich interakcję w celu syntezy rozwiązania. Ten koncept rejestrów agentów pozwala organizacjom skutecznie “wynająć” specjalistyczne możliwości, tak jak ludzkie zespoły ekspertów są zmontowane, zamiast być zmuszonymi do budowy lub posiadania każdej funkcji AI wewnętrznie.

W związku z tym, zamiast monolitycznych systemów, przyszłość leży w tworzeniu ekosystemów, w których specjalistyczni agenci mogą być dynamicznie składani i koordynowani – podobnie jak doświadczony menedżer projektu prowadzący zespół – aby skutecznie rozwiązać złożone i ewoluujące wyzwania biznesowe.

Jak Google Agentspace przyspiesza wdrożenie agentic AI w przedsiębiorstwach, a jaka jest rola App Orchid w tym ekosystemie?

Google Agentspace jest znaczącym przyspieszaczem wdrożenia sztucznej inteligencji w przedsiębiorstwach. Poprzez zapewnienie jednolitej podstawy do wdrożenia i zarządzania inteligentnymi agentami połączonymi z różnymi aplikacjami pracy i wykorzystując potężne możliwości wyszukiwania i modele, takie jak Gemini, Agentspace umożliwia firmom przekształcić izolowaną informację w aktywną inteligencję za pomocą wspólnego interfejsu.

App Orchid działa jako niezbędna warstwa umożliwiająca semantykę w tym ekosystemie. Podczas gdy Agentspace zapewnia infrastrukturę agenta i ramy orkiestracji, nasza platforma Easy Answers rozwiązuje krytyczne wyzwanie przedsiębiorstw, czyniąc złożone dane zrozumiałymi i dostępnymi dla agentów. Używamy podejścia opartego na ontologii do budowy bogatych grafów wiedzy z danych przedsiębiorstwa, wraz z kontekstem biznesowym i relacjami – dokładnie to zrozumienie, którego agenci potrzebują, aby działać skutecznie i dostarczać znaczące wglądy biznesowe.

To tworzy potężną synergję: Agentspace zapewnia solidną infrastrukturę agenta i możliwości orkiestracji, podczas gdy App Orchid zapewnia głębokie zrozumienie złożonych danych przedsiębiorstwa, które te agenci wymagają, aby działać skutecznie i dostarczać znaczące wglądy biznesowe. Nasza współpraca z ramą Google Cloud Cortex Framework jest przykładem, który pomaga klientom znacznie zredukować czas przygotowania danych (do 85%), wykorzystując naszą platformę o przewodzącej w branży dokładności 99,8% przy zapytaniach w języku naturalnym. Razem umożliwiamy organizacjom wdrożenie rozwiązań agentic AI, które naprawdę rozumieją język biznesu i złożoności danych, przyspieszając czas dostarczania wartości.

Jakie są prawdziwe bariery, z którymi firmy spotykają się przy wdrożeniu agentic AI, i jak App Orchid pomaga im je pokonać?

Główne bariery, których doświadczamy, dotyczą jakości danych, wyzwania ewoluujących standardów bezpieczeństwa – szczególnie zapewnienia zaufania między agentami – oraz zarządzania rozproszoną naturą wiedzy i możliwości przedsiębiorstwa.

Jakość danych pozostaje podstawowym problemem. Agentic AI, jak każda AI, dostarcza niepewne dane wyjściowe, jeśli są karmione złymi danymi. App Orchid rozwiązuje to podstawowo, tworząc warstwę semantyczną, która kontekstualizuje różne źródła danych. Budując na tym, nasze unikalne funkcje crowdsourcingu w Easy Answers angażują użytkowników biznesowych w całej organizacji – tych, którzy najlepiej rozumieją znaczenie danych – aby współpracować w identyfikowaniu i rozwiązywaniu luk i nieścisłości w danych, znacznie poprawiając niezawodność.

Bezpieczeństwo stanowi kolejną krytyczną przeszkodę, szczególnie gdy komunikacja między agentami staje się powszechna, potencjalnie obejmując systemy wewnętrzne i zewnętrzne. Ustanowienie solidnych mechanizmów zaufania między agentami i utrzymanie zarządzania bez hamowania niezbędnej interakcji jest kluczem. Nasza platforma koncentruje się na wdrażaniu ram bezpieczeństwa zaprojektowanych dla tych dynamicznych interakcji.

Wreszcie, wykorzystanie rozproszonej wiedzy i możliwości wymaga zaawansowanej orkiestracji. App Orchid wykorzystuje koncepcje, takie jak Model Context Protocol (MCP), które staje się coraz bardziej istotne. Umożliwia to dynamiczne pozyskiwanie specjalistycznych agentów z repozytoriów na podstawie kontekstowych potrzeb, ułatwiając płynne i adaptacyjne przepływy pracy, a nie sztywne, predefiniowane procesy. To podejście jest zgodne z pojawiającymi się standardami, takimi jak protokół Agent2Agent firmy Google, zaprojektowany w celu standaryzacji komunikacji w systemach wieloagentowych. Pomagamy organizacjom budować zaufane i skuteczne rozwiązania agentic AI, rozwiązując te bariery.

Czy możesz nas zaprowadzić przez to, jak Easy Answers ™ działa – od zapytania w języku naturalnym do generowania wglądów?

Easy Answers transformuje sposób, w jaki użytkownicy interakcjują z danymi przedsiębiorstwa, czyniąc zaawansowaną analizę dostępną za pomocą języka naturalnego. Oto, jak to działa:

• Łączność: Zaczynamy od połączenia się z źródłami danych przedsiębiorstwa – obsługujemy ponad 200 wspólnych baz danych i systemów. Istotne jest to, że często dzieje się to bez wymogu przenoszenia lub replikowania danych, łącząc się bezpiecznie z danymi, gdzie się znajdują.
• Tworzenie ontologii: Nasza platforma automatycznie analizuje połączone dane i tworzy kompletny graf wiedzy. Strukturyzuje dane w biznesowe obiekty, które nazywamy Zarządzanymi Obiektami Semantycznymi (MSO), przechwytując relacje między nimi.
• Wzbogacenie metadanych: Ta ontologia jest wzbogacana o metadane. Użytkownicy dostarczają opisy wysokiego poziomu, a nasz AI generuje szczegółowe opisy dla każdego MSO i jego atrybutów (pól). To połączone metadane zapewnia głęboki kontekst dotyczący znaczenia i struktury danych.
• Zapytanie w języku naturalnym: Użytkownik zadaje pytanie w zwykłym języku biznesowym, takim jak “Pokaż mi trendy sprzedaży produktu X w regionie zachodnim w porównaniu z poprzednim kwartałem”.
• Interpretacja i generowanie SQL: Nasz silnik NLP wykorzystuje bogate metadane w grafie wiedzy, aby zrozumieć intencję użytkownika, zidentyfikować odpowiednie MSO i relacje, a następnie przetłumaczyć pytanie na precyzyjne zapytania danych (takie jak SQL). Osiągamy przewodzącą w branży dokładność 99,8% w tym przypadku.
• Generowanie wglądów (Kuracje): System pobiera dane i określa najskuteczniejszy sposób prezentacji odpowiedzi wizualnie. Na naszej platformie te interaktywne wizualizacje nazywane są “kuracjami”. Użytkownicy mogą automatycznie generować je lub prekonfigurować, aby odpowiadały określonym potrzebom lub standardom.
• Głębsza analiza (Szybkie wglądy): Dla bardziej złożonych pytań lub proaktywnej odkrywczości użytkownicy mogą wykorzystać Szybkie wglądy. Ta funkcja pozwala im łatwo stosować algorytmy ML dostarczane z platformą do określonych pól danych, aby automatycznie wykrywać wzorce, identyfikować anomalie lub weryfikować hipotezy bez potrzeby specjalistycznej wiedzy z zakresu nauki o danych.

Cały ten proces, często zakończony w kilka sekund, demokratyzuje dostęp do danych i analizy, zmieniając złożoną eksplorację danych w prostą rozmowę.

Jak Easy Answers mostuje izolowane dane w dużych przedsiębiorstwach i zapewnia, że wglądy są wyjaśnialne i śledzące?

Izolowane dane są główną przeszkodą w dużych przedsiębiorstwach. Easy Answers rozwiązuje ten fundamentalny problem za pomocą naszego unikalnego podejścia warstwy semantycznej.

Zamiast kosztownej i złożonej konsolidacji fizycznej, tworzymy wirtualną warstwę semantyczną. Nasza platforma tworzy ujednolicony logiczny widok, łącząc się z różnymi źródłami danych, gdzie się znajdują. Ta warstwa jest napędzana przez naszą technologię grafu wiedzy, która mapuje dane w Zarządzane Obiekty Semantyczne (MSO), definiuje ich relacje i wzbogaca je o kontekstowe metadane. To tworzy wspólny język biznesowy zrozumiały zarówno dla ludzi, jak i AI, skutecznie mostując struktury techniczne (tabel, kolumn) z znaczeniem biznesowym (klienci, produkty, sprzedaż), niezależnie od tego, gdzie dane fizycznie się znajdują.

Zapewnienie, że wglądy są godne zaufania, wymaga zarówno śledzenia, jak i wyjaśnialności:

• Śledzenie: Zapewniamy kompleksowe śledzenie pochodzenia danych. Użytkownicy mogą kliknąć na dowolne kuracje lub wglądy, aby zobaczyć źródłowe dane, wszystkie zastosowane transformacje, filtry i obliczenia. To zapewnia pełną przejrzystość i audytowalność, co jest kluczowe dla walidacji i zgodności.
• Wyjaśnialność: Wglądy są acompañowane przez wyjaśnienia w języku naturalnym. Te podsumowania opisują, co dane pokazują i dlaczego są istotne w kontekście biznesowym, tłumacząc złożone wyniki w zrozumiałe i działające zrozumienie dla szerokiej publiczności.

To łączy mosty poprzez tworzenie ujednoliconego widoku semantycznego i buduje zaufanie poprzez klarowne śledzenie i wyjaśnialność.

Jak Wasz system zapewnia przejrzystość w wglądach, szczególnie w branżach regulowanych, gdzie pochodzenie danych jest kluczowe?

Przejrzystość jest absolutnie niezbędna dla wglądów napędzanych przez AI, szczególnie w branżach regulowanych, gdzie audytowalność i obronność są najważniejsze. Nasze podejście zapewnia przejrzystość w trzech kluczowych wymiarach:

• Pochodzenie danych: Jest to podstawowe. Jak już wspomniano, Easy Answers zapewnia śledzenie pochodzenia danych na całej długości. Każdy wgląd, wizualizacja lub liczba może być śledzona wstecznie przez cały ich cykl życia – od oryginalnych źródeł danych, przez wszystkie połączenia, transformacje, agregacje lub filtry – dostarczając wymaganą przez regulatorów pochodność danych.
• Widoczność metodyki: Unikamy problemu “czarnej skrzynki”. Gdy wykorzystywane są modele analityczne lub ML (np. za pomocą Szybkich wglądów), platforma klarownie dokumentuje zastosowaną metodykę, parametry i odpowiednie metryki oceny. To zapewnia, że “jak” za wglądem jest równie przejrzyste, co “co”.
• Wyjaśnienia w języku naturalnym: Tłumaczenie technicznych wyników w kontekst biznesowy jest kluczowe dla przejrzystości. Każdy wgląd jest accompagné przez wyjaśnienia w języku naturalnym, opisujące wyniki, ich znaczenie i potencjalne ograniczenia, zapewniając klarowność dla wszystkich interesariuszy, w tym oficerów compliance i auditorów.

Ponadto włączamy dodatkowe funkcje zarządzania dla branż o specyficznych potrzebach zgodności, takich jak role-based access controls, approval workflows dla określonych działań lub raportów oraz kompleksowe rejestry audytowe śledzące aktywność użytkowników i operacje systemu. To wielowarstwowe podejście zapewnia, że wglądy są dokładne, w pełni przejrzyste, wyjaśnialne i obronione.

Jak App Orchid zmienia wglądy AI w działania za pomocą funkcji takich jak Generative Actions?

Generowanie wglądów jest cenne, ale prawdziwym celem jest napędzanie wyników biznesowych. Z odpowiednimi danymi i kontekstem, ekosystem agentic może napędzać działania, aby zmostować krytyczną lukę między odkryciem wglądów a konkretnymi działaniami, przenosząc analitykę z funkcji raportowania do aktywnego kierowania poprawą.

Oto, jak to działa: Gdy platforma Easy Answers identyfikuje znaczący wzorzec, trend, anomalie lub okazję za pomocą swojej analizy, wykorzystuje AI, aby zaproponować specyficzne, kontekstowo istotne działania, które można podjąć w odpowiedzi.

Te nie są mgliste sugestie; są to konkretnie zalecane działania. Na przykład, zamiast po prostu flagować klientów o wysokim ryzyku churnu, może ono zalecić specjalne oferty retencyjne dostosowane do różnych segmentów, potencjalnie obliczając oczekiwany wpływ lub ROI, a nawet draftując szablony komunikacji. Gdy generuje te rekomendacje, system uwzględnia reguły biznesowe, ograniczenia, dane historyczne i cele.

Kluczowo, utrzymuje to nadzór ludzki. Zalecane działania są przedstawiane odpowiednim użytkownikom do przeglądu, modyfikacji, zatwierdzenia lub odrzucenia. To zapewnia, że osąd biznesowy pozostaje centralnym w procesie decyzyjnym, podczas gdy AI zajmuje się ciężką pracą identyfikacji możliwości i formułowania potencjalnych odpowiedzi.

Gdy działanie zostanie zatwierdzone, możemy wyzwolić agentic flow do bezproblemowej realizacji za pomocą integracji z systemami operacyjnymi. To może oznaczać wyzwolenie przepływu pracy w CRM, aktualizację prognozy w systemie ERP, uruchomienie ukierunkowanego zadania marketingowego lub inicjowanie innego istotnego procesu biznesowego – zamykając w ten sposób pętlę od wglądu bezpośrednio do wyniku.

Jak grafy wiedzy i modele danych semantycznych są kluczowe dla sukcesu Waszej platformy?

Grafy wiedzy i modele danych semantycznych są absolutnym rdzeniem platformy Easy Answers; podnoszą ją ponad tradycyjne narzędzia BI, które często traktują dane jako odłączone tabele i kolumny pozbawione prawdziwego kontekstu biznesowego. Nasza platforma wykorzystuje je do budowy inteligentnej warstwy semantycznej nad danymi przedsiębiorstwa.

Ten semantyczny fundament jest centralny dla naszego sukcesu z kilku powodów:

• Włącza prawdziwą interakcję w języku naturalnym: Model semantyczny, zorganizowany jako graf wiedzy z Zarządzanymi Obiektami Semantycznymi (MSO), właściwościami i zdefiniowanymi relacjami, działa jako “Kamień Rozeta”. Tłumaczy nuansy języka ludzkiego i terminologii biznesowej w precyzyjne zapytania potrzebne do pobrania danych, pozwalając użytkownikom zadawać pytania naturalnie bez znajomości podstawowych schematów. To jest kluczowe dla naszej wysokiej dokładności text-to-SQL.
• Zachowuje krytyczny kontekst biznesowy: W przeciwieństwie do prostych relacyjnych połączeń, nasz graf wiedzy jawnie przechwytuje bogatą, złożoną sieć relacji między jednostkami biznesowymi (np. jak klienci interakcjują z produktami za pomocą biletów wsparcia i zamówień). To pozwala na głębszą, bardziej kontekstową analizę, odzwierciedlającą, jak działa biznes.
• Zapewnia adaptacyjność i skalowalność: Modele semantyczne są bardziej elastyczne niż sztywne schematy. Gdy potrzeby biznesowe ewoluują lub dodawane są nowe źródła danych, graf wiedzy może być rozszerzony i modyfikowany stopniowo bez potrzeby całkowitej przebudowy, utrzymując spójność podczas adaptacji do zmian.

To głębokie zrozumienie kontekstu danych dostarczane przez naszą warstwę semantyczną jest fundamentalne dla wszystkiego, co robi Easy Answers, od podstawowych Q&A po zaawansowane wykrywanie wzorców za pomocą Szybkich wglądów, i stanowi niezbędny fundament dla naszych przyszłych możliwości agentic AI, zapewniając, że agenci mogą rozumować nad danymi w znaczący sposób.

Jakie modele podstawowe obsługujecie, i jak umożliwiają organizacjom włączenie własnych modeli AI/ML do przepływu pracy?

Wierzymy w otwarte i elastyczne podejście, rozpoznając szybką ewolucję AI i respektując istniejące inwestycje organizacji.

Dla modeli podstawowych utrzymujemy integracje z wiodącymi opcjami od wielu dostawców, w tym rodziną Gemini od Google, modelami GPT od OpenAI i wybitnymi alternatywami open-source, takimi jak Llama. To pozwala organizacjom wybrać modele, które najlepiej pasują do ich wymagań wydajności, kosztów, zarządzania lub specyficznych możliwości. Te modele napędzają różne funkcje platformy, w tym zrozumienie języka naturalnego dla zapytań, generowanie SQL, podsumowanie wglądów i generowanie metadanych.

Ponadto zapewniamy solidne ścieżki dla organizacji, aby włączyć swoje niestandardowe modele AI/ML do przepływu pracy Easy Answers:

• Modele opracowane w Pythonie mogą być często zintegrowane bezpośrednio za pomocą naszego silnika AI.
• Oferujemy możliwości integracji z głównymi platformami ML w chmurze, takimi jak Google Vertex AI i Amazon SageMaker, umożliwiając modelom szkoleniowym i hostowanym tam wywoływanie.

Kluczowo, nasza warstwa semantyczna odgrywa istotną rolę w uczynieniu tych potencjalnie złożonych niestandardowych modeli dostępnymi. Łącząc dane wejściowe i wyjściowe modelu z pojęciami biznesowymi zdefiniowanymi w naszym grafie wiedzy (MSO i właściwości), umożliwiamy nie-technicznym użytkownikom biznesowym wykorzystywanie zaawansowanych predykcyjnych, klasyfikacyjnych lub przyczynowych modeli (np. za pomocą Szybkich wglądów) bez potrzeby zrozumienia podstawowej nauki o danych – oni interakcjują z znanymi pojęciami biznesowymi, a platforma zajmuje się technicznym tłumaczeniem. To naprawdę demokratyzuje dostęp do zaawansowanych możliwości AI/ML.

Spójrzając w przyszłość, jakie trendy widzisz, które będą kształtować następną falę przedsiębiorczej AI – szczególnie na rynkach agentów i w projektowaniu agentów bez kodu?

Następna fala przedsiębiorczej AI porusza się w kierunku dynamicznych, komponowalnych i współpracujących ekosystemów. Kilka konwergentnych trendów napędza to:

• Rynki agentów i rejestry: Zobaczymy znaczny wzrost rynków agentów funkcjonujących obok wewnętrznych rejestrów agentów. To ułatwi przesunięcie od monolitycznych budów do modelu “wynajmij i złoż”, gdzie organizacje mogą dynamicznie odkrywać i integrować specjalistycznych agentów – wewnętrznych lub zewnętrznych – z określonymi możliwościami, gdy są one potrzebne, dramatycznie przyspieszając wdrożenie rozwiązań.
• Standardowa komunikacja agentów: Dla tych ekosystemów agenci potrzebują wspólnych języków. Standardowe protokoły komunikacji między agentami, takie jak MCP (Model Context Protocol), które wykorzystujemy, i inicjatywy, takie jak protokół Agent2Agent od Google, stają się niezbędne do umożliwienia bezproblemowej współpracy, dzielenia kontekstu i delegowania zadań między agentami, niezależnie od tego, kto je zbudował lub gdzie działają.
• Dynamiczna orkiestracja: Statyczne, predefiniowane przepływy pracy ustąpią miejsca dynamicznej orkiestracji. Warstwy orkiestracji będą wybierać, konfigurować i koordynować agenty w czasie wykonywania na podstawie konkretnego kontekstu problemu, prowadząc do o wiele bardziej adaptacyjnych i wytrzymałych systemów.
• Projektowanie agentów bez kodu / niskiego kodu: Demokratyzacja sięgnie także tworzenia agentów. Platformy bez kodu i niskiego kodu umożliwią ekspertom biznesowym, a nie tylko specjalistom AI, projektowanie i budowanie agentów, które ujmują specyficzną wiedzę domenową i logikę biznesową, dalej wzbogacając pulę dostępnych specjalistycznych możliwości.

Rola App Orchid polega na zapewnieniu krytycznego fundamentu semantycznego dla tej przyszłości. Dla agentów w tych dynamicznych ekosystemach, aby współpracować skutecznie i wykonywać znaczące zadania, potrzebują zrozumienia danych przedsiębiorstwa. Nasza warstwa wiedzy i semantyczna warstwa dostarczają dokładnie to kontekstowe zrozumienie, umożliwiając agentom rozumowanie i działanie w odniesieniu do danych w istotnych kategoriach biznesowych.

Jak widzisz ewolucję roli CTO w przyszłości, w której inteligencja decyzyjna jest demokratyzowana przez agentic AI?

Demokratyzacja inteligencji decyzyjnej za pomocą agentic AI fundamentalnie podnosi rolę CTO. Przenosi ją z bycia głównie opiekunem infrastruktury technologicznej do bycia strategicznym orkiestratorem inteligencji organizacyjnej.

Kluczowe ewolucje obejmują:

• Od menedżera systemów do architekta ekosystemu: Fokus przenosi się od zarządzania aplikacjami w izolacji do projektowania, kuracji i zarządzania dynamicznymi ekosystemami interakcji agentów, źródeł danych i możliwości analitycznych. To obejmuje efektywne wykorzystanie rynków agentów i rejestrów.
• Strategia danych jako podstawowa strategia biznesowa: Zapewnienie, że dane nie są tylko dostępne, ale także semantycznie bogate, niezawodne i dostępne, staje się kluczowe. CTO będzie centralnym w budowaniu fundamentu grafu wiedzy, który napędza inteligentne systemy w całym przedsiębiorstwie.
• Ewolucja paradygmatów zarządzania: Nowe modele zarządzania będą potrzebne dla agentic AI – zajmujące się zaufaniem agentów, bezpieczeństwem, etycznym użyciem AI, audytowalnością zautomatyzowanych decyzji i zarządzaniem zachowaniami, które wynikają z współpracy agentów.
• Promowanie adaptacyjności: CTO będzie kluczowy w wbudowywaniu adaptacyjności w techniczne i operacyjne tkanki organizacji, tworząc środowiska, w których wglądy AI prowadzą do szybkich reakcji i ciągłego uczenia się.
• Wspieranie współpracy człowiek-AI: Kluczowym aspektem będzie kultura i systemy, w których ludzie i agenci AI współpracują synergistycznie, wzmacniając wzajemne punkty silne.

Ostatecznie CTO staje się mniej zajęty zarządzaniem kosztami IT i bardziej maksymalizuje “potencjał inteligencji” organizacji. To przesunięcie w kierunku bycia prawdziwym partnerem strategicznym, umożliwiając całemu biznesowi działać bardziej inteligentnie i adaptacyjnie w coraz bardziej złożonym świecie.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić App Orchid.