Jito Chadha, Fundador e CEO da Nventr – Série de Entrevistas

Jito Chadha, Fundador e CEO da Nventr, é um executivo experiente em tecnologia e investidor cuja carreira abrange inteligência artificial, ciência de dados, capital de risco e desenvolvimento de negócios. Desde a fundação da Nventr em 2019, ele liderou o desenvolvimento de tecnologias de inteligência artificial empresarial da empresa, além de atuar como CEO da empresa de análise preditiva Rule14. Chadha faz parte da HandsOn Global Management desde 2007 e se tornou sócio em 2013, contribuindo para a origem, estruturação e criação de valor de numerous transações, liderando investimentos em capital de risco, ciência de dados e recursos naturais.

Nventr é uma empresa de inteligência artificial empresarial com sede em Los Angeles que desenvolve tecnologia para construir, implantar e gerenciar aplicações e fluxos de trabalho inteligentes. Sua plataforma reúne agentes de IA, modelos de aprendizado de máquina, redes neurais, gerenciamento de dados, processamento de documentos inteligentes, visualização e ferramentas de desenvolvimento. Os produtos incluem Agent IO, um sistema operacional para orquestrar agentes autônomos em funções de negócios, e nQube, um construtor de fluxos de trabalho que suporta desenvolvimento sem código, com pouco código e com código completo, além de implantação em nuvem, local e ambientes de borda.

Antes de liderar a Nventr e a Rule14, você passou anos originando investimentos, criando valor em empresas do portfólio e trabalhando com iniciativas de ciência de dados dentro de organizações complexas. Como essa experiência moldou sua decisão de construir uma plataforma de inteligência artificial empresarial focada em fluxos de trabalho em vez de ferramentas autônomas?

Trabalhar em empresas do portfólio expôs o mesmo padrão em diferentes negócios. Cada organização tinha informações passando por várias pessoas, sistemas e aprovações antes que um processo pudesse ser concluído.

Essa experiência moldou a Nventr em torno de fluxos de trabalho em vez de ferramentas autônomas. Melhorar uma tarefa tem valor limitado se o resultado não puder se mover eficientemente pelo resto da organização. Nós nos concentramos em estruturar todo o processo e executá-lo em escala.

A Nventr combina ações de agentes, modelos de aprendizado de máquina e redes neurais dentro de fluxos de trabalho empresariais escaláveis. Quais limitações você observou em plataformas de automação convencionais que o levaram a desenvolver essa arquitetura mais ampla? 

Por anos, as empresas operaram por meio de coleções de aplicativos SaaS hospedados em nuvem e local que podiam ser desajeitados, rígidos e caros. O sistema de fluxo de trabalho, modelos, agentes e dados da empresa geralmente eram tratados como camadas separadas, o que tornava a automação mais difícil.

Desenvolvemos uma arquitetura onde esses componentes podem operar juntos e escalar independentemente à medida que a demanda muda. O processo não precisa ser forçado a um aplicativo fixo ou um tipo de ambiente de computação.

Muitas organizações começam suas estratégias de IA selecionando um modelo ou lançando um chatbot. Em sua experiência, que trabalho fundamental envolvendo dados, permissões, processos e integração de sistemas precisa acontecer antes que uma implantação de IA possa produzir resultados significativos? 

Uma empresa primeiro precisa definir o processo, identificar o que o agente precisa e determinar onde essa informação vive. Isso pode envolver bancos de dados, repositórios de arquivos, PDFs, artigos, sistemas de e-mail ou outras fontes de dados da empresa que precisam ser tornadas disponíveis ao agente em uma forma utilizável.

A empresa então precisa definir o que acontece após o agente receber essa informação. Uma conversa pode produzir uma resposta, um resumo, uma fila de acompanhamento ou outro fluxo de trabalho de agente. Ferramentas aprovadas, permissões de dados e permissões de usuário precisam ser estabelecidas por papel para que cada ação ocorra dentro de um processo definido.

nQube é projetado para ajudar cientistas de dados e analistas de negócios a construir, testar, implantar e monitorar fluxos de trabalho alimentados por IA. Como você torna essas capacidades acessíveis a não especialistas enquanto retém os controles técnicos necessários para ambientes de produção?

As pessoas pensam sobre IA e produtos de software por meio do escopo de seu próprio papel e como o produto pode tornar seu trabalho mais fácil ou permitir que sejam mais produtivos. A interface deve permitir que eles descrevam o que precisam, façam perguntas e ajustem um agente ou fluxo de trabalho por meio de linguagem e voz normais.

Os fluxos de trabalho, processos de computação e escalabilidade permanecem abaixo dessa interação. A organização ainda controla as ferramentas, fontes de dados e acesso atribuído a cada papel, então um analista de negócios pode usar o sistema sem precisar gerenciar a infraestrutura diretamente.

O sistema operacional de agente da Nventr usa um agente coordenador para direcionar agentes especializados por meio de fluxos de trabalho sequenciais e iterativos. Como a plataforma determina qual agente deve lidar com cada tarefa, preserva o contexto entre agentes e lida com um resultado não confiável? 

O fluxo de trabalho determina como uma solicitação se move por meio de etapas definidas, ramificações e agentes especializados. Informações de uma etapa podem ser resumidas e passadas adiante para que o próximo agente entenda o que aconteceu, o que foi solicitado e o que deve ocorrer em seguida.

Lidar com um resultado não confiável depende do processo e das consequências da ação. Os controles do fluxo de trabalho precisam refletir onde o sistema pode continuar e onde o resultado requer revisão.

As empresas desejam cada vez mais ter a flexibilidade de usar diferentes modelos de linguagem grande, sistemas de aprendizado de máquina especializados e agentes de terceiros. Como as organizações devem projetar sua infraestrutura de IA para evitar se tornar dependente de um provedor de modelo ou pilha de tecnologia? 

A infraestrutura deve suportar uma multidão de modelos e permitir que eles operem em paralelo dentro do mesmo fluxo de trabalho. Um provedor pode lidar com o componente de fala-para-fala, enquanto outro modelo executa o raciocínio ou o processamento atrás dele.

A ferramenta deve ser escolhida de acordo com o custo, desempenho, segurança, latência e abertura para provedores de serviços de terceiros do cliente. Algumas empresas estão confortáveis em combinar provedores, enquanto outras desejam o agente em sua própria nuvem ou infraestrutura dedicada. A arquitetura precisa suportar ambas as abordagens.

Uma vez que um agente de IA possa acessar dados da empresa e tomar ações em sistemas de negócios, a segurança se torna mais complexa do que proteger uma interface conversacional. Quais controles devem governar as permissões, autonomia e capacidade do agente de iniciar ações consequenciais?

O acesso deve ser controlado por papel, projeto e fluxo de trabalho. Um agente deve ser capaz de usar apenas as informações, ferramentas e ações aprovadas para esse contexto, com solicitações fora desse escopo enviadas para autorização.

A quantidade de autonomia deve refletir a sensibilidade dos dados e as consequências da ação. Para transações que envolvem dinheiro, informações privadas ou outro resultado significativo, a empresa deve ser capaz de ver o que o agente está fazendo e exigir aprovação antes da conclusão.

A Nventr apresenta aplicações em áreas que incluem processamento de documentos, atendimento ao cliente, relatórios, comunicação de saúde e detecção de fraude. Quais características técnicas ou operacionais tornam um fluxo de trabalho adequado para automação de agente, e quais processos devem permanecer principalmente liderados por humanos? 

Nós equilibramos o número de pessoas ou custo associado a um processo contra sua complexidade e viabilidade para automação. Um processo pode ser caro ou trabalhoso e ainda ser o lugar errado para começar se for muito complexo ou não confiável para automação eficaz.

A abordagem geral é ir para o fruto mais baixo com o maior impacto. Essa fórmula é fractal porque pode ser aplicada ao papel de uma pessoa, vários departamentos ou uma organização inteira. Processos que envolvem incerteza ou julgamento consequencial devem continuar a incluir pessoas.

Você discutiu a ideia de funcionários eventualmente terem contrapartes de IA que lidam com elementos repetitivos de seu trabalho. Como isso pode mudar as estruturas organizacionais, e o que os líderes devem fazer para garantir que esses sistemas fortaleçam o julgamento humano em vez de gradualmente removê-lo de decisões importantes? 

A ideia é dar a cada pessoa na folha de pagamento um agente correspondente que possa aprender partes do trabalho com o tempo. Em uma porcentagem maior da organização, isso cria inteligência centralizada e otimização sobre o organograma em vez de limitar o benefício a um ou dois funcionários.

O agente pode assumir o trabalho repetitivo, como coletar informações, mover dados ou construir apresentações rotineiras. Isso dá às pessoas mais tempo para discussões e decisões importantes, enquanto a organização mantém a autoridade sobre informações sensíveis e ações consequenciais.

À medida que os agentes de IA evoluem de assistentes para uma camada operacional para organizações complexas, quais capacidades precisam melhorar mais antes que as empresas possam automatizar com segurança fluxos de trabalho que abrangem departamentos ou unidades de negócios inteiros? 

Os agentes precisam de menor latência e integrações mais fortes com bancos de dados da empresa, arquivos e sistemas maiores. As informações precisam se mover por meio de papéis e departamentos sem exigir que as pessoas as transfiram manualmente ou criem novos gargalos.

A camada de interação também precisa melhorar. Agentes de voz devem sentir como uma conversa normal onde uma pessoa pode interromper e mudar de direção, e as empresas eventualmente precisarão de maneiras diretas para que agentes autorizados interajam com seus sistemas. A automação do navegador pode preencher a lacuna, mas a indústria se moverá em direção a uma estrutura mais eficiente porque o cálculo e a infraestrutura têm um custo.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Nventr.