Ravi Bommakanti, CTO da App Orchid – Série de Entrevistas

Ravi Bommakanti, Diretor de Tecnologia da App Orchid, lidera a missão da empresa de ajudar as empresas a operacionalizar a IA em aplicativos e processos de tomada de decisão. O produto de bandeira da App Orchid, Easy Answers™, permite que os usuários interajam com dados usando linguagem natural para gerar dashboards, insights e ações recomendadas com base na IA.

A plataforma integra dados estruturados e não estruturados – incluindo entradas em tempo real e conhecimento dos funcionários – em um tecido de dados preditivos que suporta decisões estratégicas e operacionais. Com tecnologia de Big Data em memória e uma interface de usuário amigável, a App Orchid simplifica a adoção da IA por meio de implantação rápida, implementação de baixo custo e mínimo impacto nos sistemas existentes.

Vamos começar com o quadro geral – o que “agentic AI” significa para você e como é diferente dos sistemas de IA tradicionais?

A agentic AI representa uma mudança fundamental da execução estática típica dos sistemas de IA tradicionais para uma orquestração dinâmica. Para mim, é sobre mudar de sistemas rígidos e pré-programados para solucionadores de problemas autônomos e adaptáveis que possam raciocinar, planejar e colaborar.

O que realmente distingue a agentic AI é sua capacidade de aproveitar a natureza distribuída do conhecimento e da especialização. A IA tradicional geralmente opera dentro de limites fixos, seguindo caminhos pré-determinados. Os sistemas agentic, por outro lado, podem decompor tarefas complexas, identificar os agentes especializados certos para subtarefas – potencialmente descobrindo e aproveitando-os por meio de registros de agentes – e orquestrar sua interação para sintetizar uma solução. Esse conceito de registros de agentes permite que as organizações “aluguem” capacidades especializadas conforme necessário, espelhando como equipes de especialistas humanos são montadas, em vez de serem forçadas a construir ou possuir cada função de IA internamente.

Portanto, em vez de sistemas monolíticos, o futuro reside na criação de ecossistemas onde agentes especializados possam ser compostos e coordenados dinamicamente – muito como um gerente de projeto habilidoso liderando uma equipe – para abordar desafios de negócios complexos e evolutivos de forma eficaz.

Como o Google (GOOGL ) Agentspace está acelerando a adoção da agentic AI nas empresas e qual é o papel da App Orchid nesse ecossistema?

O Google Agentspace é um grande acelerador para a adoção da IA nas empresas. Ao fornecer uma base unificada para implantar e gerenciar agentes inteligentes conectados a várias aplicações de trabalho e aproveitando os poderosos modelos de busca e modelos como o Gemini, o Agentspace permite que as empresas transformem informações isoladas em inteligência ação por meio de uma interface comum.

A App Orchid atua como uma camada de habilitação semântica vital dentro desse ecossistema. Enquanto o Agentspace fornece a infraestrutura de agente e o framework de orquestração, nossa plataforma Easy Answers lida com o desafio crítico de tornar os dados complexos compreensíveis e acessíveis aos agentes. Usamos uma abordagem baseada em ontologia para construir gráficos de conhecimento ricos a partir dos dados da empresa, completos com contexto de negócios e relacionamentos – exatamente a compreensão que os agentes precisam.

Isso cria uma sinergia poderosa: o Agentspace fornece a infraestrutura de agente robusta e as capacidades de orquestração, enquanto a App Orchid fornece a compreensão semântica profunda dos dados complexos da empresa que esses agentes exigem para operar de forma eficaz e fornecer insights de negócios significativos. Nossa colaboração com o Google Cloud Cortex Framework é um exemplo primário, ajudando os clientes a reduzir drasticamente o tempo de preparação de dados (até 85%) enquanto aproveitamos a precisão líder de mercado de 99,8% do nosso plataforma para consultas em linguagem natural.

Quais são as barreiras reais que as empresas enfrentam ao adotar a agentic AI e como a App Orchid ajuda a superá-las?

As principais barreiras que vemos giram em torno da qualidade dos dados, do desafio de evoluir os padrões de segurança – particularmente garantindo a confiança entre agentes – e gerenciando a natureza distribuída do conhecimento e das capacidades dos agentes.

A qualidade dos dados permanece como o problema fundamental. A agentic AI, como qualquer IA, fornece saídas não confiáveis se alimentada com dados ruins. A App Orchid aborda isso fundamentalmente, criando uma camada semântica que contextualiza fontes de dados díspares. Com base nisso, nossos recursos de crowdsourcing exclusivos dentro da Easy Answers envolvem usuários de negócios em toda a organização – aqueles que entendem melhor o significado dos dados – para colaborativamente identificar e abordar lacunas e inconsistências nos dados, melhorando significativamente a confiabilidade.

A segurança apresenta outro obstáculo crítico, especialmente à medida que a comunicação entre agentes se torna comum, potencialmente abrangendo sistemas internos e externos. Estabelecer mecanismos robustos para confiança entre agentes e manter a governança sem sufocar a interação necessária é fundamental. Nossa plataforma se concentra em implementar estruturas de segurança projetadas para essas interações dinâmicas.

Finalmente, aproveitar o conhecimento e as capacidades distribuídas de forma eficaz exige orquestração avançada. A App Orchid aproveita conceitos como o Protocolo de Contexto de Modelo (MCP), que está se tornando cada vez mais fundamental. Isso permite a fonte dinâmica de agentes especializados de repositórios com base em necessidades contextuais, facilitando fluxos de trabalho fluidos e adaptáveis em vez de processos rígidos e pré-definidos. Essa abordagem alinha-se com padrões emergentes, como o protocolo Agent2Agent do Google, projetado para padronizar a comunicação em sistemas multiagentes. Nós ajudamos as organizações a construir soluções de agentic AI confiáveis e eficazes, abordando essas barreiras.

Pode nos levar pelo funcionamento da Easy Answers – desde a consulta em linguagem natural até a geração de insights?

A Easy Answers transforma a forma como os usuários interagem com os dados da empresa, tornando análises sofisticadas acessíveis por meio de linguagem natural. Aqui está como funciona:

• Conectividade: Começamos conectando às fontes de dados da empresa – suportamos mais de 200 bancos de dados e sistemas comuns. Crucialmente, isso muitas vezes acontece sem exigir o movimento ou replicação de dados, conectando-se de forma segura aos dados onde eles residem.
• Criação de Ontologia: Nossa plataforma analisa automaticamente os dados conectados e constrói um gráfico de conhecimento abrangente. Isso estrutura os dados em entidades centradas nos negócios que chamamos de Objetos Semânticos Gerenciados (OSGs), capturando as relações entre eles.
• Enriquecimento de Metadados: Essa ontologia é enriquecida com metadados. Os usuários fornecem descrições de alto nível, e nossa IA gera descrições detalhadas para cada OSG e seus atributos (campos). Esses metadados combinados fornecem um contexto profundo sobre o significado e a estrutura dos dados.
• Consulta em Linguagem Natural: Um usuário faz uma pergunta em linguagem de negócios simples, como “Mostre as tendências de vendas do produto X na região oeste em comparação com o trimestre anterior.”
• Interpretação e Geração de SQL: Nosso mecanismo de NLP usa os metadados ricos no gráfico de conhecimento para entender a intenção do usuário, identificar os OSGs e relações relevantes e traduzir a pergunta em consultas de dados precisas (como SQL). Nós alcançamos uma precisão líder de mercado de 99,8% aqui.
• Geração de Insights (Curações): O sistema recupera os dados e determina a forma mais eficaz de apresentar a resposta visualmente. Em nossa plataforma, essas visualizações interativas são chamadas de ‘curações’. Os usuários podem gerar automaticamente ou pré-configurar curações para alinhar com necessidades ou padrões específicos.
• Análise Mais Profunda (Insights Rápidos): Para perguntas mais complexas ou descoberta proativa, os usuários podem aproveitar os Insights Rápidos. Essa funcionalidade permite que eles apliquem facilmente algoritmos de ML fornecidos com a plataforma a campos de dados especificados para detectar automaticamente padrões, identificar anomalias ou validar hipóteses sem precisar de expertise em ciência de dados.

Todo esse processo, frequentemente concluído em segundos, democratiza o acesso e a análise de dados, transformando a exploração de dados complexos em uma conversa simples.

Como a Easy Answers conecta dados isolados em grandes empresas e garante que os insights sejam explicáveis e rastreáveis?

Os silos de dados são um grande obstáculo nas grandes empresas. A Easy Answers aborda esse desafio fundamental por meio de nossa abordagem de camada semântica única.

Ao invés de consolidação física de dados cara e complexa, criamos uma camada lógica unificada. Nossa plataforma constrói uma visão lógica unificada conectando-se a fontes de dados diversas onde elas residem. Essa camada é alimentada por nossa tecnologia de gráfico de conhecimento, que mapeia os dados em Objetos Semânticos Gerenciados (OSGs), define suas relações e enriquece-os com metadados contextuais. Isso cria uma linguagem de negócios comum compreensível por humanos e IA, efetivamente conectando estruturas de dados técnicas (tabelas, colunas) com significado de negócios (clientes, produtos, vendas), independentemente de onde os dados residam fisicamente.

Garantir que os insights sejam confiáveis exige tanto rastreabilidade quanto explicabilidade:

• Rastreabilidade: Fornecemos um rastreamento de linhagem de dados abrangente. Os usuários podem retornar de qualquer curação ou insight para os dados de origem, visualizando todas as transformações, filtros e cálculos aplicados. Isso fornece transparência total e auditoria, crucial para validação e conformidade.
• Explicabilidade: Os insights são acompanhados de explicações em linguagem natural. Essas resumos articulam o que os dados mostram e por que são significativos em termos de negócios, traduzindo descobertas complexas em compreensão ação para uma ampla audiência.

Essa combinação conecta silos criando uma visão semântica unificada e constrói confiança por meio de rastreabilidade e explicabilidade claras.

Como o sistema garante transparência nos insights, especialmente em setores regulamentados onde a linhagem de dados é crítica?

A transparência é absolutamente inegociável para insights impulsionados por IA, especialmente em setores regulamentados onde a auditoria e a defensibilidade são fundamentais. Nossa abordagem garante transparência em três dimensões principais:

• Linhagem de Dados: Isso é fundamental. Como mencionado, a Easy Answers fornece um rastreamento de linhagem de dados de ponta a ponta. Cada insight, visualização ou número pode ser rastreado meticulosamente por toda a sua vida útil – desde as fontes de dados originais, passando por quaisquer junções, transformações, agregações ou filtros aplicados – fornecendo a proveniência de dados verificável exigida pelos reguladores.
• Visibilidade de Metodologia: Evitamos o problema da “caixa preta”. Quando modelos analíticos ou de ML são usados (por exemplo, por meio dos Insights Rápidos), a plataforma documenta claramente a metodologia empregada, os parâmetros usados e as métricas de avaliação relevantes. Isso garante que o “como” por trás do insight seja tão transparente quanto o “o quê”.
• Explicação em Linguagem Natural: Traduzir saídas técnicas para contexto de negócios compreensível é crucial para a transparência. Cada insight é acompanhado de explicações em linguagem simples que descrevem as descobertas, sua importância e potencialmente suas limitações, garantindo clareza para todas as partes interessadas, incluindo oficiais de conformidade e auditores.

Além disso, incorporamos recursos adicionais de governança para setores com necessidades de conformidade específicas, como controles de acesso baseados em função, fluxos de trabalho de aprovação para ações ou relatórios específicos e logs de auditoria abrangentes que rastreiam a atividade do usuário e as operações do sistema. Essa abordagem em camadas garante que os insights sejam precisos, totalmente transparentes, explicáveis e defensáveis.

Como a App Orchid está transformando insights gerados por IA em ação com recursos como Ações Geradas?

Gerar insights é valioso, mas o objetivo real é impulsionar resultados de negócios. Com os dados e o contexto certos, um ecossistema agentic pode impulsionar ações para conectar a lacuna crítica entre a descoberta de insights e a ação tangível, movendo a análise de uma função de relatórios passiva para um driver ativo de melhoria.

Aqui está como funciona: Quando a plataforma Easy Answers identifica um padrão significativo, tendência, anomalia ou oportunidade por meio de sua análise, ela aproveita a IA para propor ações específicas, contextualmente relevantes, que poderiam ser tomadas em resposta.

Essas não são sugestões vagas; são recomendações concretas. Por exemplo, em vez de apenas sinalizar clientes com alto risco de churn, poderia recomendar ofertas de retenção específicas personalizadas para diferentes segmentos, potencialmente calculando o impacto ou ROI esperado e até mesmo redigindo modelos de comunicação. Ao gerar essas recomendações, o sistema considera regras de negócios, restrições, dados históricos e objetivos.

Crucialmente, isso mantém a supervisão humana. Ações recomendadas são apresentadas aos usuários apropriados para revisão, modificação, aprovação ou rejeição. Isso garante que o julgamento de negócios permaneça central no processo de tomada de decisão, enquanto a IA lida com o trabalho pesado de identificar oportunidades e formular respostas potenciais.

Uma vez que uma ação é aprovada, podemos acionar um fluxo agentic para execução sem interrupção por meio de integrações com sistemas operacionais. Isso pode significar acionar um fluxo de trabalho em um CRM, atualizar uma previsão em um sistema ERP, lançar uma tarefa de marketing direcionada ou iniciar outro processo de negócios relevante – assim fechando o loop de insight direto para resultado.

Como os gráficos de conhecimento e os modelos de dados semânticos são centrais para o sucesso da sua plataforma?

Os gráficos de conhecimento e os modelos de dados semânticos são o núcleo absoluto da plataforma Easy Answers; eles elevam a plataforma além das ferramentas de BI tradicionais que frequentemente tratam os dados como tabelas e colunas desconectadas e desprovidas de contexto de negócios real. Nossa plataforma usa esses gráficos para construir uma camada semântica inteligente sobre os dados da empresa.

Essa fundação semântica é central para o nosso sucesso por várias razões principais:

• Habilita a Interatividade de Linguagem Natural Real: O modelo semântico, estruturado como um gráfico de conhecimento com Objetos Semânticos Gerenciados (OSGs), propriedades e relações definidas, atua como uma “Pedra de Roseta”. Ele traduz as nuances da linguagem humana e da terminologia de negócios em consultas de dados precisas necessárias para recuperar os dados, permitindo que os usuários façam perguntas naturalmente sem precisar conhecer os esquemas subjacentes. Isso é fundamental para a nossa alta precisão de texto para SQL.
• Preserva o Contexto de Negócios Crítico: Ao contrário das junções relacionais simples, nosso gráfico de conhecimento captura explicitamente a rede rica e complexa de relações entre entidades de negócios (por exemplo, como os clientes interagem com produtos por meio de tickets de suporte e pedidos de compra). Isso permite análises mais profundas e contextualizadas que refletem como o negócio opera.
• Fornecer Adaptabilidade e Escalabilidade: Os modelos semânticos são mais flexíveis do que esquemas rígidos. À medida que as necessidades de negócios evoluem ou novas fontes de dados são adicionadas, o gráfico de conhecimento pode ser estendido e modificado incrementalmente sem exigir uma reformulação completa, mantendo a consistência enquanto se adapta às mudanças.

Essa compreensão profunda do contexto dos dados fornecida pela nossa camada semântica é fundamental para tudo o que a Easy Answers faz, desde perguntas e respostas básicas até detecção de padrões avançada com Insights Rápidos, e forma a base essencial para nossas futuras capacidades de agentic AI, garantindo que os agentes possam raciocinar sobre os dados de forma significativa.

Quais modelos fundamentais vocês suportam e como permitem que as organizações tragam seus próprios modelos de IA/ML para o fluxo de trabalho?

Nós acreditamos em uma abordagem aberta e flexível, reconhecendo a evolução rápida da IA e respeitando os investimentos existentes das organizações.

Para os modelos fundamentais, mantemos integrações com opções líderes de vários fornecedores, incluindo a família Gemini do Google, os modelos GPT da OpenAI e alternativas de código aberto proeminentes como Llama. Isso permite que as organizações escolham modelos que melhor se ajustem às suas necessidades de desempenho, custo, governança ou capacidade específica. Esses modelos alimentam várias funcionalidades da plataforma, incluindo compreensão de linguagem natural para consultas, geração de SQL, resumo de insights e geração de metadados.

Além disso, fornecemos caminhos robustos para que as organizações tragam seus próprios modelos de IA/ML personalizados para o fluxo de trabalho da Easy Answers:

• Modelos desenvolvidos em Python podem ser integrados diretamente por meio do nosso Motor de IA.
• Oferecemos capacidades de integração sem esforço com plataformas de ML em nuvem principais, como o Google Vertex AI e o Amazon (AMZN ) SageMaker, permitindo que os modelos treinados e hospedados lá sejam invocados.

Criticamente, nossa camada semântica desempenha um papel fundamental em tornar esses modelos de IA/ML potencialmente complexos acessíveis. Ao vincular as entradas e saídas do modelo aos conceitos de negócios definidos em nosso gráfico de conhecimento (OSGs e propriedades), permitimos que usuários de negócios não técnicos aproveitem capacidades de IA/ML avançadas (por exemplo, por meio dos Insights Rápidos) sem precisar entender a ciência de dados subjacente – eles interagem com termos de negócios familiares, e a plataforma lida com a tradução técnica.

Olhando para o futuro, quais tendências você vê moldando a próxima onda de IA empresarial – particularmente em mercados de agentes e design de agentes sem código?

A próxima onda de IA empresarial está se movendo em direção a ecossistemas altamente dinâmicos, compostos e colaborativos. Várias tendências convergentes estão impulsionando isso:

• Mercados e Registros de Agentes: Veremos um aumento significativo em mercados de agentes que funcionam ao lado de registros de agentes internos. Isso facilita uma mudança de construções monolíticas para um modelo “alugar e compor”, onde as organizações podem descobrir e integrar dinamicamente agentes especializados – internos ou externos – com capacidades específicas conforme necessário, acelerando drasticamente a implantação de soluções.
• Comunicação de Agentes Padronizada: Para que esses ecossistemas funcionem, os agentes precisam de linguagens comuns. Protocolos de comunicação de agente para agente padronizados, como o MCP (Protocolo de Contexto de Modelo), que utilizamos, e iniciativas como o protocolo Agent2Agent do Google, estão se tornando essenciais para permitir a colaboração, o compartilhamento de contexto e a delegação de tarefas entre agentes, independentemente de quem os construiu ou onde eles são executados.
• Orquestração Dinâmica: Fluxos de trabalho estáticos e pré-definidos darão lugar à orquestração dinâmica. Camadas de orquestração inteligentes selecionarão, configurarão e coordenarão agentes em tempo de execução com base no contexto específico do problema, levando a sistemas muito mais adaptáveis e resilientes.
• Design de Agentes sem Código/Baixo Código: A democratização se estenderá à criação de agentes. Plataformas sem código e de baixo código permitirão que especialistas em negócios, e não apenas especialistas em IA, projetem e construam agentes que encapsulam conhecimento e lógica de negócios específicos, enriquecendo ainda mais o pool de capacidades especializadas disponíveis.

O papel da App Orchid é fornecer a base semântica crítica para esse futuro. Para que os agentes nesses ecossistemas dinâmicos colaborem de forma eficaz e realizem tarefas significativas, eles precisam entender os dados da empresa. Nossa camada semântica e gráfico de conhecimento fornecem exatamente essa compreensão contextual, permitindo que os agentes raciocinem sobre os dados de forma significativa.

Como você vê o papel do CTO evoluindo em um futuro onde a inteligência de decisão é democratizada por meio da agentic AI?

A democratização da inteligência de decisão por meio da agentic AI eleva fundamentalmente o papel do CTO. Isso muda de ser principalmente um gestor de infraestrutura de tecnologia para se tornar um orquestrador estratégico da inteligência organizacional.

As principais evoluções incluem:

• De Gerente de Sistemas para Arquiteto de Ecossistemas: O foco muda de gerenciar aplicações isoladas para projetar, curar e governar ecossistemas dinâmicos de agentes interagindo, fontes de dados e capacidades analíticas. Isso envolve aproveitar mercados e registros de agentes de forma eficaz.
• Estratégia de Dados como Estratégia de Negócios Central: Garantir que os dados não sejam apenas disponíveis, mas também semanticamente ricos, confiáveis e acessíveis, se torna fundamental. O CTO será central na construção da base de gráfico de conhecimento que alimenta sistemas inteligentes em toda a empresa.
• Paradigmas de Governança Evolutivos: Novos modelos de governança serão necessários para a agentic AI – abordando a confiança do agente, segurança, uso ético de IA, auditoria de decisões automatizadas e gerenciamento de comportamentos emergentes em colaborações de agentes.
• Defensor da Adaptabilidade: O CTO será crucial na incorporação da adaptabilidade ao tecido técnico e operacional da organização, criando ambientes onde insights impulsionados por IA levam a respostas rápidas e aprendizado contínuo.
• Fomentando a Colaboração Humano-IA: Um aspecto-chave será cultivar uma cultura e projetar sistemas onde humanos e agentes de IA trabalhem em sinergia, potencializando as forças uns dos outros.

Em última análise, o CTO se torna menos sobre gerenciar custos de TI e mais sobre maximizar o “potencial de inteligência” da organização. É uma mudança em direção a ser um parceiro estratégico verdadeiro, permitindo que todo o negócio opere de forma mais inteligente e adaptável em um mundo cada vez mais complexo.

Obrigado pela grande entrevista, os leitores que desejam aprender mais devem visitar App Orchid.