Ravi Bommakanti, CTO al App Orchid – Seria de interviuri

Ravi Bommakanti, Director Tehnic la App Orchid, conduce misiunea companiei de a ajuta întreprinderile să operaționalizeze AI-ul în aplicații și procese de luare a deciziilor. Produsul principal al App Orchid, Easy Answers™, permite utilizatorilor să interacționeze cu datele utilizând limbaj natural pentru a genera tablouri de bord, insight-uri și acțiuni recomandate, alimentate de inteligență artificială.

Platforma integrează date structurate și nestructurate, inclusiv intrări în timp real și cunoștințe ale angajaților, într-un material predictiv care susține decizii strategice și operaționale. Cu tehnologia Big Data în memorie și o interfață utilizator prietenoasă, App Orchid simplifică adoptarea inteligenței artificiale prin implementare rapidă, costuri reduse și perturbări minime ale sistemelor existente.

Să începem cu imaginea de ansamblu – ce înseamnă “agentic AI” pentru dvs. și cum se diferențiază de sistemele tradiționale de inteligență artificială?

Agentic AI reprezintă o schimbare fundamentală de la execuția statică, tipică pentru sistemele tradiționale de inteligență artificială, la orchestrarea dinamică. Pentru mine, este vorba despre trecerea de la sisteme rigide, preprogramate la soluții autonome, adaptabile care pot raționa, planifica și colabora.

Ceea ce diferențiază cu adevărat agentic AI este capacitatea sa de a valorifica natura distribuită a cunoștințelor și a expertizei. Inteligența artificială tradițională funcționează adesea în interiorul unor limite fixe, urmând căi prestabilite. Sistemele agenților, însă, pot descompune sarcini complexe, pot identifica agenți specializați pentru sub-sarcini – potențial descoperind și valorificându-i prin registre de agenți – și pot orkestra interacțiunea lor pentru a sintetiza o soluție. Acest concept de registre de agenți permite organizațiilor să “închirieze” capacități specializate după cum este nevoie, reflectând modul în care echipele de experți umani sunt adunate, mai degrabă decât fiind obligate să construiască sau să dețină intern fiecare funcție de inteligență artificială.

În loc de sisteme monolitice, viitorul constă în crearea de ecosisteme în care agenții specializați pot fi compuși și coordonați dinamic – asemenea unui manager de proiect experimentat care conduce o echipă – pentru a aborda eficient provocări de afaceri complexe și în evoluție.

Cum accelerează Google (GOOGL ) Agentspace adoptarea agentic AI în întreprinderi și care este rolul App Orchid în acest ecosistem?

Google Agentspace este un accelerator semnificativ pentru adoptarea inteligenței artificiale în întreprinderi. Prin furnizarea unei fundații unificate pentru a implementa și gestiona agenți inteligenți conectați la diverse aplicații de lucru și prin valorificarea puternicului motor de căutare și a modelelor precum Gemini, Agentspace permite companiilor să transforme informații izolate în inteligență acționabilă prin intermediul unei interfețe comune.

App Orchid acționează ca o straturi semantică vitală de activare a întreprinderii în acest ecosistem. În timp ce Agentspace oferă infrastructura de agenți și cadrul de orchestrare, platforma noastră Easy Answers abordează provocarea critică a întreprinderilor de a face date complexe inteligibile și accesibile agenților. Utilizăm o abordare condusă de ontologie pentru a construi grafuri de cunoaștere bogate din datele întreprinderii, completate cu context de afaceri și relații – exact înțelegerea pe care agenții o necesită pentru a funcționa eficient și a oferi insight-uri semnificative din punct de vedere al afacerii.

Acest lucru creează o sinergie puternică: Agentspace oferă infrastructura robustă de agenți și capacitățile de orchestrare, în timp ce App Orchid oferă înțelegerea semantică profundă a datelor complexe ale întreprinderii pe care agenții le necesită pentru a opera eficient și a oferi insight-uri valoroase pentru afaceri. Colaborarea noastră cu cadru de lucru Google Cloud Cortex este un exemplu primar, ajutând clienții să reducă drastic timpul de pregătire a datelor (până la 85%) în timp ce valorifică platforma noastră cu o precizie de 99,8% pentru interogarea limbajului natural. Împreună, împuternicim organizațiile să implementeze soluții de inteligență artificială agențială care să înțeleagă cu adevărat limbajul și complexitatea datelor lor de afaceri, accelerând timpul până la valoare.

Care sunt barierelor reale cu care se confruntă companiile atunci când adoptă agentic AI și cum îi ajută App Orchid să le depășească?

Principalele bariere pe care le vedem se învârt în jurul calității datelor, provocării de a evolua standardele de securitate – în special asigurarea încrederii între agenți – și gestionarea naturii distribuite a cunoștințelor și capacităților agenților.

Calitatea datelor rămâne problema fundamentală. Agentic AI, la fel ca orice inteligență artificială, oferă ieșiri neverosimile dacă este alimentat cu date proaste. App Orchid abordează această problemă fundamentală prin crearea unui strat semantic care contextualizează sursele de date disparate. Construind pe această bază, funcțiile noastre unice de crowdsourcing din Easy Answers implică utilizatorii de afaceri din întreaga organizație – cei care înțeleg cel mai bine semnificația datelor – pentru a identifica și aborda lacunele și incoerențele din date, îmbunătățind semnificativ fiabilitatea.

Securitatea reprezintă o altă barieră critică, mai ales pe măsură ce comunicarea agenților devine comună, eventual cuprinzând sisteme interne și externe. Stabilirea unor mecanisme robuste pentru încrederea între agenți și menținerea guvernanței fără a stânjeni interacțiunile necesare este cheia. Platforma noastră se concentrează pe implementarea cadrului de securitate destinat acestor interacțiuni dinamice.

În cele din urmă, valorificarea eficientă a cunoștințelor și capacităților distribuite necesită o orchestrare avansată. App Orchid valorifică concepte precum Protocolul de Context al Modelului (MCP), care devine din ce în ce mai important. Acesta permite sursa dinamică a agenților specializați din depozite pe baza nevoilor contextuale, facilitând fluxuri de lucru fluide și adaptabile, mai degrabă decât procese rigide și predefinite. Abordarea noastră se aliniază cu standardele emergente, cum ar fi protocolul Agent2Agent de la Google, destinat standardizării comunicării în sisteme multi-agents. Ne ajutăm organizațiile să construiască soluții de inteligență artificială agențială de încredere și eficiente, abordând aceste bariere.

Ne puteți descrie cum funcționează Easy Answers – de la interogarea în limbaj natural la generarea de insight-uri?

Easy Answers transformă modul în care utilizatorii interacționează cu datele întreprinderii, făcând analiza sofisticată accesibilă prin limbaj natural. Iată cum funcționează:

• Conectivitate: Începem prin conectarea la sursele de date ale întreprinderii – suportăm peste 200 de baze de date și sisteme comune. În mod crucial, acest lucru se întâmplă adesea fără a necesita mutarea sau replicarea datelor, conectându-ne în mod securizat la date acolo unde se află.
• Crearea ontologiei: Platforma noastră analizează automat datele conectate și construiește un graf de cunoaștere cuprinzător. Acesta structurează datele în entități business-centrice pe care le numim Obiecte Semantice Gestionate (OSG), capturând relațiile dintre ele.
• Îmbogățirea metadatelor: Această ontologie este îmbogățită cu metadate. Utilizatorii furnizează descrieri de nivel înalt, iar inteligența noastră artificială generează descrieri detaliate pentru fiecare OSG și atributele sale (câmpuri). Aceste metadate combinate oferă un context profund despre semnificația și structura datelor.
• Interogare în limbaj natural: Un utilizator pune o întrebare în limbaj de afaceri obișnuit, cum ar fi “Afișați-mi tendințele de vânzări pentru produsul X în regiunea vestică comparativ cu trimestrul trecut.”
• Interpretare și generare SQL: Motorul nostru de procesare a limbajului natural utilizează metadatele bogate din graf pentru a înțelege intenția utilizatorului, a identifica OSG-uri și relații relevante și a traduce întrebarea în interogări de date precise (cum ar fi SQL). Aici atingem o precizie de 99,8% de la text la SQL.
• Generarea de insight-uri (Curățiri): Sistemul recuperează datele și determină modul cel mai eficient de a prezenta răspunsul în mod vizual. În platforma noastră, aceste visualizări interactive sunt numite “curățiri”. Utilizatorii pot genera automat sau preconfigura acestea pentru a se alinia cu nevoi sau standarde specifice.
• Analiză mai profundă (Insight-uri rapide): Pentru întrebări mai complexe sau descoperire proactivă, utilizatorii pot valorifica Insight-uri rapide. Această funcție le permite să aplice algoritmi de învățare automată furnizați împreună cu platforma la câmpuri de date specificate pentru a detecta automat modele, a identifica anomalii sau a valida ipoteze fără a necesita expertiză în știința datelor.

Acest întreg proces, adesea finalizat în câteva secunde, democratizează accesul la date și analiză, transformând explorarea complexă a datelor într-o conversație simplă.

Cum podidește Easy Answers datele izolate în întreprinderi mari și asigură că insight-urile sunt explicabile și trasabile?

Datele izolate sunt o piedică majoră în întreprinderile mari. Easy Answers abordează această provocare fundamentală prin abordarea noastră unică de strat semantic.

În loc de consolidarea fizică costisitoare și complexă a datelor, creăm un strat semantic virtual. Platforma noastră construiește o vedere logică unificată prin conectarea la diverse surse de date acolo unde se află. Acest strat este alimentat de tehnologia noastră de graf de cunoaștere, care cartografiază datele în Obiecte Semantice Gestionate (OSG), definește relațiile lor și le îmbogățește cu metadate contextuale. Acesta creează un limbaj de afaceri comun, inteligibil atât pentru oameni, cât și pentru inteligența artificială, punând în legătură efectiv structurile tehnice de date (tabel, coloane) cu semnificația de afaceri (clienți, produse, vânzări), indiferent de locul în care datele trăiesc fizic.

Asigurarea faptului că insight-urile sunt de încredere necesită atât trasabilitate, cât și explicabilitate:

• Trasabilitate: Oferim urmărire completă a liniei de date. Utilizatorii pot reveni de la orice curățire sau insight-uri la datele sursă, vizualizând toate transformările, filtrele și calculele aplicate. Acest lucru oferă transparență și auditabilitate completă, esențială pentru validare și conformitate.
• Explicabilitate: Insight-urile sunt însoțite de explicații în limbaj natural. Aceste rezumate articulează ce arată datele și de ce sunt importante din punct de vedere al afacerii, traducând constatările complexe în înțelegere acționabilă pentru o audiență largă.

Această combinație podidește datele izolate, creând o vedere semantică unificată și construind încredere prin trasabilitate și explicabilitate clară.

Cum asigură sistemul dvs. transparența în insight-urile furnizate, mai ales în industriile reglementate în care linia de date este critică?

Transparența este absolut necesară pentru insight-urile conduse de inteligență artificială, mai ales în industriile reglementate în care auditabilitatea și defensibilitatea sunt parametrii cheie. Abordarea noastră asigură transparența pe trei dimensiuni cheie:

• Liniile de date: Acesta este fundamentul. Așa cum am menționat, Easy Answers oferă urmărire completă a liniei de date. Fiecare insight, vizualizare sau număr poate fi urmărit cu atenție pe parcursul întregului său ciclu de viață – de la sursele de date originale, prin orice alăturări, transformări, agregări sau filtre aplicate – oferind proveniența datelor verificabilă necesară de reglementatori.
• Vizibilitatea metodologiei: Evităm problema “cutiei negre”. Când se utilizează modele analitice sau de învățare automată (de exemplu, prin Insight-uri rapide), platforma documentează clar metodologia utilizată, parametrii utilizați și metricile de evaluare relevante. Acest lucru asigură că “cum” din spatele insight-ului este la fel de transparent ca și “ce”.
• Explicație în limbaj natural: Traducerea ieșirilor tehnice în context de afaceri este crucială pentru transparență. Fiecare insight este însoțit de explicații în limbaj obișnuit care descriu constatările, importanța lor și, eventual, limitările lor, asigurând claritate pentru toți stakeholderii, inclusiv ofițerii de conformitate și auditori.

Mai mult, integrăm funcții suplimentare de guvernanță pentru industrii cu nevoi specifice de conformitate, cum ar fi controale de acces bazate pe rol, fluxuri de lucru de aprobare pentru anumite acțiuni sau rapoarte și jurnale de audit complete care urmăresc activitatea utilizatorilor și operațiunile sistemului. Această abordare în straturi asigură că insight-urile sunt precise, complet transparente, explicabile și defensibile.

Cum transformă App Orchid insight-urile generate de inteligență artificială în acțiuni cu funcții precum Acțiuni Generative?

Generarea de insight-uri este valoroasă, dar scopul real este de a conduce rezultate de afaceri. Cu datele și contextul corect, un ecosistem agențial poate conduce acțiuni pentru a podidește decalajul critic dintre descoperirea insight-urilor și acțiunea tangibilă, mutând analitica de la o funcție de raportare pasivă la un motor activ de îmbunătățire.

Iată cum funcționează: Când platforma Easy Answers identifică un model semnificativ, o tendință, o anomalie sau o oportunitate prin analiza sa, ea valorifică inteligența artificială pentru a propune acțiuni specifice, contextuale, care pot fi luate ca răspuns.

Acestea nu sunt sugestii vagi; sunt recomandări concrete. De exemplu, în loc de a semnala doar clienții cu risc ridicat de părăsire, ar putea recomanda oferte de retenție specifice, segmentate, calculând eventual impactul așteptat sau ROI și chiar redactând șabloane de comunicare. Atunci când generează aceste recomandări, sistemul ia în considerare reguli de afaceri, constrângeri, date istorice și obiective.

În mod critic, acest lucru menține supravegherea umană. Acțiunile recomandate sunt prezentate utilizatorilor corespunzători pentru revizuire, modificare, aprobare sau respingere. Acest lucru asigură că judecata de afaceri rămâne centrală în procesul decizional, în timp ce inteligența artificială se ocupă de identificarea oportunităților și de formularea potențialelor răspunsuri.

În momentul în care o acțiune este aprobată, putem declanșa un flux agențial pentru executarea fără efort prin integrări cu sisteme operaționale. Acest lucru ar putea însemna declanșarea unui flux de lucru într-un sistem CRM, actualizarea unei previziuni într-un sistem ERP, lansarea unei sarcini de marketing țintite sau inițierea unui alt proces de afaceri relevant – închizând astfel bucla de la insight direct la rezultat.

Cum sunt grafurile de cunoaștere și modelele de date semantice centrale pentru succesul platformei dvs.?

Grafurile de cunoaștere și modelele de date semantice sunt nucleul absolut al platformei Easy Answers; ele o ridică dincolo de instrumentele tradiționale de business intelligence care tratează adesea datele ca tabele și coloane desconectate, lipsite de context real de afaceri. Platforma noastră utilizează acestea pentru a construi un strat semantic inteligent peste datele întreprinderii.

Acest fundament semantic este central pentru succesul nostru din mai multe motive cheie:

• Permite interacțiunea reală în limbaj natural: Modelul semantic, structurat sub formă de graf de cunoaștere cu Obiecte Semantice Gestionate (OSG), proprietăți și relații definite, acționează ca o “Piatră de Rosetta”. Acesta traduce nuanțele limbajului uman și terminologia de afaceri în interogări precise de date necesare pentru a recupera date, permițând utilizatorilor să pună întrebări în mod natural fără a cunoaște schemele subiacente. Acesta este cheia pentru precizia noastră de 99,8% de la text la SQL.
• Presevează contextul de afaceri critic: În contrast cu simplele alăturări relaționale, graficul nostru de cunoaștere capturează în mod explicit rețeaua bogată și complexă de relații dintre entitățile de afaceri (de exemplu, modul în care clienții interacționează cu produsele prin bilete de suport și comenzi de achiziție). Acest lucru permite o analiză mai profundă și mai contextuală, reflectând modul în care funcționează afacerile.
• Oferă adaptabilitate și scalabilitate: Modelele semantice sunt mai flexibile decât schemele rigide. Pe măsură ce nevoile de afaceri evoluează sau sunt adăugate noi surse de date, graficul de cunoaștere poate fi extins și modificat incremental fără a necesita o revizuire completă, menținând consistența în timp ce se adaptează la schimbare.

Înțelegerea profundă a contextului datelor oferită de stratul nostru semantic este fundamentală pentru tot ceea ce face Easy Answers, de la întrebări și răspunsuri de bază la detectarea avansată de modele cu Insight-uri rapide, și formează baza esențială pentru capacitățile noastre viitoare de inteligență artificială agențială, asigurând că agenții pot raționa asupra datelor în mod semnificativ.

Care sunt modelele fundamentale pe care le susțineți și cum permiteți organizațiilor să își aducă propriile modele de inteligență artificială/învățare automată în fluxul de lucru?

Credem într-o abordare deschisă și flexibilă, recunoscând evoluția rapidă a inteligenței artificiale și respectând investițiile existente ale organizațiilor.

Pentru modelele fundamentale, menținem integrări cu opțiuni de top de la mai mulți furnizori, inclusiv familia Gemini de la Google, modelele GPT de la OpenAI și alternativele deschise importante precum Llama. Acest lucru permite organizațiilor să aleagă modele care se potrivesc cel mai bine cu nevoile lor de performanță, cost, guvernanță sau capacități specifice. Aceste modele alimentează diverse funcții ale platformei, inclusiv înțelegerea limbajului natural pentru interogări, generarea SQL, rezumarea insight-urilor și generarea metadatelor.

Dincolo de acestea, oferim căi robuste pentru organizații să își aducă propriile modele de inteligență artificială/învățare automată personalizate în fluxul de lucru Easy Answers:

• Modelele dezvoltate în Python pot fi adesea integrate direct prin motorul nostru de inteligență artificială.
• Oferta noastră include capacități de integrare fără efort cu principalele platforme de învățare automată în cloud, cum ar fi Google Vertex AI și Amazon (AMZN ) SageMaker, permițând modelelor antrenate și găzduite acolo să fie invocate.

În mod critic, stratul nostru semantic joacă un rol cheie în accesibilizarea acestor modele personalizate, potențial complexe. Prin legarea intrărilor și ieșirilor modelului de conceptele de afaceri definite în graficul nostru de cunoaștere (OSG și proprietăți), permitem utilizatorilor non-tehnici de afaceri să valorificeze modele avansate de predicție, clasificare sau cauzalitate (de exemplu, prin Insight-uri rapide) fără a necesita înțelegerea științei datelor subiacente – ei interacționează cu termeni de afaceri familiari, iar platforma se ocupă de traducerea tehnică. Acest lucru democratizează cu adevărat accesul la capacități avansate de inteligență artificială/învățare automată.

Privind spre viitor, ce tendințe vedeți modelând următoarea undă de inteligență artificială în întreprinderi – în special în piețele de agenți și proiectarea agenților fără cod?

Următoarea undă de inteligență artificială în întreprinderi se îndreaptă spre ecosisteme extrem de dinamice, compuse și colaborative. Mai multe tendințe convergente conduc această schimbare:

• Piețe de agenți și registre: Vom asista la o creștere semnificativă a piețelor de agenți care funcționează alături de registre interne de agenți. Acest lucru facilitează o schimbare de la construcții monolitice la un model “închiriază și compune”, în care organizațiile pot descoperi și integra dinamic agenți specializați – interni sau externi – cu capacități specifice după cum este nevoie, accelerând dramatic implementarea soluțiilor.
• Comunicare standardizată a agenților: Pentru ca aceste ecosisteme să funcționeze, agenților le sunt necesare limbi comune. Protocoale standardizate de comunicare agenților, cum ar fi MCP (Protocolul de Context al Modelului), pe care îl valorificăm, și inițiative precum protocolul Agent2Agent de la Google, devin esențiale pentru a permite colaborarea fără efort, partajarea contextului și delegarea sarcinilor între agenți, indiferent de cine i-a creat sau unde rulează.
• Orchestrare dinamică: Fluxurile de lucru statice și predefinite vor ceda locul orchestrării dinamice. Straturile de orchestrare inteligente vor selecta, configura și coordona agenții la runtime pe baza contextului specific al problemei, conducând la sisteme mult mai adaptabile și rezistente.
• Proiectarea agenților fără cod/low-code: Democratizarea se va extinde la crearea de agenți. Platformele fără cod și low-code vor împuternici experții de afaceri, nu doar specialiștii în inteligență artificială, să proiecteze și să construiască agenți care încapsulează cunoștințe și logică de afaceri specifice, îmbogățind și mai mult rezervorul de capacități specializate disponibile.

Rolul App Orchid constă în furnizarea fundației semantice critice pentru acest viitor. Pentru ca agenții din aceste ecosisteme dinamice să colaboreze eficient și să efectueze sarcini semnificative, ei au nevoie de înțelegerea datelor întreprinderii. Stratul nostru de cunoaștere și nivelul semantic oferă exact această înțelegere contextuală, permițând agenților să raționeze și să acționeze asupra datelor în termeni de afaceri relevanți.

Cum vă imaginați evoluția rolului de CTO într-un viitor în care inteligența decizională este democratizată prin inteligență artificială agențială?

Democratizarea inteligenței decizionale prin inteligență artificială agențială ridică fundamental rolul de CTO. Acesta se schimbă de la a fi în primul rând un administrator al infrastructurii tehnice la a deveni un orchestrator strategic al inteligenței organizaționale.

Evoluțiile cheie includ:

• De la manager de sisteme la arhitect de ecosistem: Accentul se mută de la gestionarea aplicațiilor izolate la proiectarea, curatarea și guvernanța dinamică a ecosistemelor de agenți interacționând, surse de date și capacități analitice. Acest lucru implică valorificarea eficientă a piețelor de agenți și a registrelor.
• Strategia datelor ca strategie de afaceri centrală: Asigurarea că datele nu sunt doar disponibile, ci și semantice, fiabile și accesibile, devine parametrul cheie. CTO-ul va fi central în construirea fundației de cunoaștere care alimentează sistemele inteligente din întreaga întreprindere.
• Paradigme de guvernanță în evoluție: Vor fi necesare noi modele de guvernanță pentru inteligența artificială agențială – abordând încrederea agenților, securitatea, utilizarea etică a inteligenței artificiale, auditabilitatea deciziilor automate și gestionarea comportamentelor emergente în colaborarea agenților.
• Promovarea adaptabilității: CTO-ul va fi crucial în încorporarea adaptabilității în țesătura tehnică și operațională a organizației, creând medii în care insight-urile conduse de inteligență artificială duc la răspunsuri rapide și învățare continuă.
• Promovarea colaborării om-agents: Un aspect cheie va fi cultivarea unei culturi și proiectarea sistemelor în care oamenii și agenții inteligenți colaborează sinergic, îmbunătățind punctele forte ale celorlalți.

În cele din urmă, CTO-ul devine mai puțin preocupat de gestionarea costurilor IT și mai mult de maximizarea “potențialului de inteligență” al organizației. Acesta este un pas spre a deveni un partener strategic adevărat, permițând întregii afaceri să funcționeze mai inteligent și mai adaptativ într-o lume din ce în ce mai complexă.

Mulțumim pentru acest interviu excelent; cititorii care doresc să afle mai multe despre maximizarea “potențialului de inteligență” al organizației ar trebui să viziteze App Orchid.