Джито Чадха, основатель и генеральный директор Nventr – Интервью

Джито Чадха, основатель и генеральный директор Nventr, является опытным технологическим руководителем и инвестором, чья карьера охватывает искусственный интеллект, науку о данных, венчурный капитал и бизнес-развитие. С момента основания Nventr в 2019 году он возглавлял разработку предприятиями технологий искусственного интеллекта, а также занимал пост генерального директора компании по прогностической аналитике Rule14. Чадха является частью HandsOn Global Management с 2007 года и стал партнером в 2013 году, внося вклад в поиск, структурирование и создание стоимости numerous сделок, а также руководя инвестициями в венчурный капитал, науку о данных и природные ресурсы.

Nventr – это компания по разработке искусственного интеллекта для предприятий, базирующаяся в Лос-Анджелесе, которая создает технологии для построения, развертывания и управления интеллектуальными приложениями и автоматизированными рабочими процессами. Ее платформа объединяет агентов искусственного интеллекта, модели машинного обучения, нейронные сети, управление данными, интеллектуальную обработку документов, визуализацию и инструменты разработки. Продукты включают Agent IO, операционную систему для оркестровки автономных агентов через бизнес-функции, и nQube, конструктор рабочих процессов, поддерживающий разработку без кода, с минимальным кодом и полным кодом, а также развертывание в облаке, на месте и на краю.

До того, как возглавить Nventr и Rule14, вы провели годы, занимаясь поиском инвестиций, созданием стоимости в компаниях-портфелях и работой с инициативами по науке о данных внутри сложных организаций. Как этот опыт повлиял на ваше решение построить платформу искусственного интеллекта для предприятий, ориентированную на рабочие процессы, а не на отдельные инструменты?

Работа с компаниями-портфелями показала один и тот же шаблон в разных бизнесах. Каждая организация имела информацию, проходящую через несколько человек, системы и утверждения, прежде чем процесс мог быть завершен.

Этот опыт сформировал Nventr вокруг рабочих процессов, а не отдельных инструментов. Улучшение одного задания имеет ограниченную ценность, если результат не может двигаться эффективно через остальную часть организации. Мы сосредоточились на структурировании всего процесса и запуске его в масштабе.

Nventr объединяет агентные действия, модели машинного обучения и нейронные сети внутри масштабируемых рабочих процессов предприятий. Какие ограничения вы наблюдали в традиционных платформах автоматизации, что привело вас к разработке этой более широкой архитектуры? 

В течение многих лет компании работали через коллекции облачных и локально размещенных приложений SaaS, которые могли быть неуклюжими, жесткими и дорогими. Система рабочих процессов, модели, агенты и данные компании обычно рассматривались как отдельные слои, что делало более широкую автоматизацию более трудной.

Мы разработали архитектуру, в которой эти компоненты могут работать вместе и масштабироваться независимо по мере изменения спроса. Процесс не должен быть вынужден в одно фиксированное приложение или один тип вычислительной среды.

Многие организации начинают свою стратегию искусственного интеллекта с выбора модели или запуска чат-бота. Какой фундаментальный труд, связанный с данными, разрешениями, процессами и интеграцией систем, должен произойти до того, как развертывание искусственного интеллекта сможет принести значимые результаты? 

Компания сначала должна определить процесс, определить, какую информацию агент necesita, и определить, где эта информация живет. Это может включать базы данных, репозитории файлов, PDF, статьи, системы электронной почты или другие источники данных компании, которые должны быть доступны агенту в удобной форме.

Затем компания должна определить, что происходит после того, как агент получает эту информацию. Разговор может произвести ответ, сводку, очередь последующей обработки или другой агентный рабочий процесс. Утвержденные инструменты, разрешения на данные и разрешения на пользователей должны быть установлены по ролям, чтобы каждое действие происходило внутри определенного процесса.

nQube предназначен для того, чтобы помочь как ученым-дата, так и бизнес-аналитикам строить, тестировать, развертывать и контролировать рабочие процессы, управляемые искусственным интеллектом. Как вы делаете эти возможности доступными для неспециалистов, сохраняя при этом технические контроли, необходимые для производственных сред?

Люди думают об искусственном интеллекте и программных продуктах через объем своей собственной роли и о том, как продукт может сделать их работу проще или позволить им быть более продуктивными. Интерфейс должен позволить им описать, что им нужно, задать вопросы и отрегулировать агента или рабочий процесс через нормальный язык и голос.

Рабочие процессы, вычислительные процессы и масштабирование остаются под этим взаимодействием. Организация все еще контролирует инструменты, источники данных и доступ, назначенный каждой роли, поэтому бизнес-аналитик может использовать систему без необходимости直接 управлять инфраструктурой.

Операционная система агентов Nventr использует координирующий агент для направления специализированных агентов через последовательные и итеративные рабочие процессы. Как платформа определяет, какой агент должен обработать каждое задание, сохраняет контекст между агентами и обрабатывает ненадежный результат? 

Рабочий процесс определяет, как запрос проходит через определенные шаги, ветки и специализированные агенты. Информация из одного этапа может быть суммирована и передана вперед, чтобы следующий агент понимал, что произошло, что было запрошено и какое последующее действие должно произойти.

Обработка ненадежного результата зависит от процесса и последствий действия. Контроли рабочего процесса должны отражать, где система может продолжаться и где результат требует рассмотрения.

Предприятия все чаще хотят гибкости, чтобы использовать разные крупные языковые модели, специализированные системы машинного обучения и агентов третьих сторон. Как должны проектировать свою инфраструктуру искусственного интеллекта организации, чтобы избежать зависимости от одного поставщика модели или технологического стека? 

Инфраструктура должна поддерживать множество моделей и позволять им работать параллельно в рамках одного рабочего процесса. Один поставщик может обрабатывать компонент “речь-речь”, в то время как другая модель выполняет рассуждение или обработку позади него.

Набор инструментов должен быть выбран в соответствии с затратами клиента, производительностью, безопасностью, задержкой и открытостью для поставщиков третьих сторон. Некоторые предприятия комфортно комбинируют поставщиков, в то время как другие хотят, чтобы агент был на их собственном облаке или выделенной инфраструктуре. Архитектура должна поддерживать оба подхода.

Как только агент искусственного интеллекта может получить доступ к данным компании и совершать действия через бизнес-системы, безопасность становится более сложной, чем защита только разговорного интерфейса. Какие контроли должны управлять разрешениями агента, автономией и способностью инициировать значимые действия?

Доступ должен быть контролируем по ролям, проекту и рабочему процессу. Агент должен иметь возможность использовать только информацию, инструменты и действия, утвержденные для этого контекста, с запросами вне этого объема, направленными на авторизацию.

Уровень автономии должен отражать чувствительность данных и последствия действия. Для транзакций, включающих деньги, конфиденциальную информацию или другой значимый результат, компания должна иметь возможность видеть, что делает агент, и требовать утверждения перед завершением.

Nventr представляет приложения в таких областях, как обработка документов, обслуживание клиентов, отчетность, коммуникации в здравоохранении и обнаружение мошенничества. Какие технические или операционные характеристики делают рабочий процесс подходящим для агентной автоматизации, а какие процессы должны оставаться в основном под человеческим руководством? 

Мы балансируем количество людей или стоимость, связанную с процессом, с его сложностью и жизнеспособностью для автоматизации. Процесс может быть дорогим или трудоемким и все равно быть неправильным местом для начала, если он слишком сложен или ненадежен для автоматизации.

Общий подход заключается в том, чтобы выбрать самые низко висящие плоды с наибольшим влиянием. Этот формул может быть применен к роли одного человека, нескольким отделам или всей организации. Процессы, включающие неопределенность или значимую оценку, должны продолжать включать людей.

Вы обсуждали идею о том, что сотрудники в конечном итоге будут иметь агентов искусственного интеллекта, которые будут обрабатывать повторяющиеся элементы их работы. Как это может изменить организационные структуры, и что должны делать лидеры, чтобы обеспечить, что эти системы укрепляют человеческую оценку, а не постепенно удаляют ее из важных решений? 

Идея заключается в том, чтобы дать каждому человеку на зарплате агентский аналог, который может учиться частям работы с течением времени. На более крупном проценте организации это создает централизованную интеллектуальность и оптимизацию над организационной структурой, а не ограничивает выгоду одним или двумя сотрудниками.

Агент может взять на себя повторяющуюся работу, такую как сбор информации, перемещение данных или построение обычных презентаций. Это дает людям больше времени для важных обсуждений и решений, в то время как организация сохраняет власть над конфиденциальной информацией и значимыми действиями.

По мере эволюции агентов искусственного интеллекта от помощников к операционному слою для сложных организаций, какие возможности должны улучшиться наиболее, прежде чем компании смогут безопасно автоматизировать рабочие процессы, охватывающие весь отдел или бизнес-единицу? 

Агентам нужны более низкая задержка и более сильные интеграции с базами данных компании, файлами и более крупными системами. Информация должна двигаться через роли и отделы без необходимости ручного переноса или создания новых узких мест.

Слой взаимодействия также должен улучшиться. Голосовые агенты должны чувствовать себя как нормальный разговор, где человек может прервать и изменить направление, и бизнес в конечном итоге будет нуждаться в прямых способах для авторизованных агентов взаимодействовать с их системами. Автоматизация браузера может мостить разрыв, но отрасль будет двигаться к более эффективной структуре, потому что вычисления и инфраструктура имеют стоимость.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Nventr.