Радж Шукла, технический директор SymphonyAI – Интервью

Радж Шукла руководит технологической дорожной картой и выполнением SymphonyAI, возглавляя инженерную команду, которая строит платформу Eureka Gen AI. С почти 20-летним опытом в области инженерии и исследований AI/ML, Шукла также имеет обширный опыт в области корпоративного AI SaaS, полученный в результате его руководящих ролей в Microsoft (MSFT ), где его успешная 14-летняя карьера включала руководство глобальными организациями AI-науки и инженерии по всему миру Azure, Dynamics 365, MSR и поисковым и рекламным отделам. Радж имеет обширный опыт в области AI/ML в поиске, рекламе и корпоративном AI и создал несколько успешных продуктов AI SaaS как в потребительском, так и в деловом секторе.

SymphonyAI – это корпоративная компания AI, ориентированная на построение отраслевых приложений AI, которые обеспечивают немедленную бизнес-ценность. Вместо общих моделей она предоставляет вертикальные решения для розничной торговли, потребительских товаров, финансовых услуг, производства, средств массовой информации и информационных технологий, решая проблемы, такие как прогнозирование, предотвращение мошенничества, оптимизация операций и анализ. Ее продукты работают на платформе Eureka AI, которая сочетает прогностические, генеративные и агентные возможности в рабочих процессах, адаптированных для каждого сектора. Основанная в 2017 году, компания выросла в глобального лидера в области вертикального AI, обслуживая тысячи корпоративных клиентов с помощью масштабируемых, ориентированных на область решений.

Вы работали на переднем крае инноваций AI в Microsoft, Oracle (ORCL ) и теперь SymphonyAI – что изначально привлекло вас в мир корпоративного AI, и как ваша точка зрения изменилась за годы?

Мое путешествие в корпоративный AI началось с основной убежденности, что компании должны реализовывать AI, который решает реальные бизнес-проблемы, а не просто создает AI ради AI. Я увидел, что общие, широкие решения AI редко обеспечивают трансформирующую ценность. В SymphonyAI мы построили нашу корпоративную стратегию и культуру на разработке AI, который понимает конкретные отраслевые проблемы, от обнаружения финансовых преступлений до розничной мерчандайзинга, ориентированного на покупателя, и до расширения возможностей промышленных связанных работников. Готовность к корпоративному использованию добавляет еще один целый измерение – успешный корпоративный AI требует не только отличной технологии, но и образцовой управления данными и архитектуры, сложного межфункционального сотрудничества и рабочих процессов, а также полной прозрачности и аудиторской проверки.

Какие конкретные недостатки встречают корпорации с общими предварительно обученными моделями, особенно в высокорегулируемых секторах, таких как финансы или здравоохранение? 

Общие предварительно обученные модели не предназначены для высокорисковых, высокорегулируемых сред финансов, здравоохранения и продуктов питания. Общие предварительно обученные модели сталкиваются с критическими барьерами, включая необходимость необходимой отраслевой экспертизы для решения отраслевых нюансов и соблюдения строгих нормативных и требований соответствия, которые различаются в разных географиях. Что наиболее важно, они не могут обеспечить точность и прослеживаемость, которые корпорации требуют, где ошибки могут нанести вред потребителям или спровоцировать нарушения правил. Будь то соблюдение правил по борьбе с отмыванием денег или обеспечение того, чтобы продуктовый магазин быстро удалил из распределительных центров и полок отозванные товары, технология вертикального AI SymphonyAI специально разработана для отраслей, в которых мы работаем, и обучена на онтологиях этих отраслей, что позволяет им принимать или автоматизировать решения, которые напрямую создают бизнес-эффект.

Объединение предварительно обученных моделей с глубокой отраслевой логикой все чаще рассматривается как ключ к разблокировке ROI корпоративного AI – какие являются необходимыми компонентами, такими как отраслевые знания, выравнивание KPI и нормативные ограничения, которые делают этот подход эффективным? 

Объединение предварительно обученных моделей с глубокой отраслевой логикой разблокирует ценность, создавая системы AI, которые понимают бизнес-контекст и операционные требования. Этот подход успешен, когда модели усиливаются отраслевыми онтологиями, выравниваются с корпоративными KPI, чтобы обеспечить, что выходы напрямую служат измеримым бизнес-целям, и оснащены нормативными ограничениями, которые обеспечивают необходимые рамки соответствия и аудиторские следы. Когда эти элементы работают вместе, общий AI превращается в бизнес-критические решения, которые стимулируют измеримые результаты, сохраняя при этом надежность и соответствие, которые корпорации требуют.

IBM недавно приобрела Seek AI и запустила Watsonx Labs в Нью-Йорке, сигнализируя о потенциальном стратегическом сдвиге в ландшафте AI – что это указывает на будущее слияний и поглощений и тенденций инвестиций в корпоративный AI? 

Приобретение IBM Seek AI и запуск Watsonx Labs является подтверждением фундаментального сдвига, который мы предвидели: ландшафт корпоративного AI сместился, сигнализируя о том, что следующая волна слияний и поглощений будет отдавать приоритет компаниям с предварительно обученными вертикальными моделями AI, которые приходят с глубокой отраслевой экспертизой, управлением и нормативными ограничениями, а также ориентированными на результат KPI. Стратегические приобретатели, такие как IBM, признают, что агенты AI, ориентированные на корпоративные данные, обеспечивают немедленный ROI, когда они понимают конкретные отраслевые рабочие процессы. Рынок консолидируется вокруг признания того, что общий интеллект требует вертикальной специализации для стимулирования корпоративной трансформации.

В какой момент модель основы эволюционирует в агента, специфичного для области – какие архитектурные вехи сигнализируют об этом переходе? 

Модель основы не естественным образом созревает в агент, специфичный для области; ее необходимо инженерно проектировать. Нет прямого пути, где общая модель просто “становится умнее” и становится банковским следователем. Переход происходит только тогда, когда инженерные команды перестают полагаться на сырую интеллект модели и начинают строить управляемую архитектуру вокруг нее – конкретно, вводя контекстный слой (например, граф знаний) и слой оркестровки, чтобы заставить модель следовать бизнес-процессу, а не ее собственным вероятностным тенденциям.

Каковы основные проблемы в построении агентных рабочих процессов, которые одновременно устойчивы и специфичны для области, и как SymphonyAI решает их? 

Основные проблемы в построении устойчивых, специфичных для области агентных рабочих процессов заключаются в поддержании надежности на протяжении сложных многоступенчатых процессов. SymphonyAI решает эти проблемы посредством своей многослойной архитектуры, которая внедряет отраслевую экспертизу непосредственно в агент, реализует обработку ошибок с восстановлением после сбоя и поддерживает постоянное управление контекстом на протяжении многосессионных корпоративных процессов. Это позволяет нашим агентам работать надежно в высокорисковых, регулируемых средах, где устойчивость означает поддержание точности, соответствия и операционной целостности.

SymphonyAI подчеркивает прочные основы данных, графы знаний и слои метаданных – почему эти возможности являются критически важными для агентов AI, специфичных для области, и почему многие корпорации испытывают трудности в их реализации? 

Прочные основы данных и графы знаний являются важными для агентов AI, специфичных для области, чтобы иметь осмысленные источники, обеспечивать контекстуализированные рекомендации и оставаться в курсе изменений рынка, клиентов и процессов на всех уровнях корпорации. Большинство корпораций испытывают трудности в реализации этих возможностей, поскольку они требуют значительных первоначальных инвестиций в архитектуру данных, специализированную экспертизу онтологии и фундаментальные изменения существующих практик данных, которые многие организации находят организационно и технически устрашающими. Вот где технологический партнер AI с глубоким опытом и знаниями в этой области бесценен, включая их способность предварительно обучать AI на огромных объемах данных и источников области по всему миру реальных клиентов в этой отрасли.

В реальных сценариях – таких как обнаружение финансовых преступлений или розничное прогнозирование – как SymphonyAI объединяет прогностический, генеративный и агентный AI в сплоченные “навыки”?

SymphonyAI объединяет прогностический, генеративный и агентный AI в сплоченные “навыки”, создавая интегрированные рабочие процессы, где каждый продукт AI решает конкретную бизнес-проблему. В обнаружении финансовых преступлений наши прогностические модели выявляют подозрительные закономерности транзакций, а генеративный AI создает подробные отчеты о расследованиях и оценках рисков. В то же время агентный AI оркестрирует весь рабочий процесс, автоматически эскалируя дела, координируя с командами по соблюдению требований и адаптируя стратегии расследования на основе реальных результатов.

Ключевым моментом является то, что это не отдельные инструменты AI, а интегрированные возможности в агентах, специфичных для области, которые понимают бизнес-контекст, поддерживают состояние рабочего процесса и могут бесшовно переходить между прогностическим анализом, генерацией контента и автономными действиями для обеспечения полных бизнес-результатов, а не фрагментированных выходов AI.

Вы предупреждали, что многие корпоративные агенты AI могут споткнуться без прочности – какие ключевые характеристики хорошо спроектированного, устойчивого корпоративного агента AI? 

Хорошо спроектированные, построенные для проверки корпоративные агенты AI требуют нескольких критических характеристик. Хотя многие предприятия быстро инвестируют в и развертывают агенты AI для повышения эффективности, производительности и инноваций, они часто недооценивают необходимую основу для успеха. Некоторые важные аспекты, которые хорошо спроектированные агенты должны иметь для успеха, являются:

• Корпоративные агенты AI работают на корпоративных данных, которые часто разрознены и лишены надлежащего программного доступа, разрешений и контроля доступа. Агенты должны быть оснащены теми же полномочиями по аутентификации и авторизации, что и сотрудники.
• Агенты также должны восстанавливаться после всех форм корпоративных системных сбоев, сетевых простоев и нестабильных конечных точек. Слой оркестровки должен обеспечивать долгосрочные, устойчивые рабочие процессы, которые большинство популярных оркестраторов LLM не обеспечивают.
• LLM будут неопределенными и неудачными в задачах. Восстановление после сбоя, повторные попытки и оптимальное открытие пути должны быть ключевыми функциями агентных систем.

Для технических директоров, рассматривающих возможность построения вертикальных платформ AI внутри компании или партнерства с нишевыми поставщиками, какой совет вы дадите? 

Построение корпоративных решений AI в нескольких отраслях, включая розничную торговлю/CPG, промышленность, финансовые услуги и многое другое, требует одновременного освоения как передовой технологии AI, так и глубокой отраслевой экспертизы для достижения реальной ценности от корпоративных решений AI. Наша платформа Eureka AI демонстрирует, как вертикально-специфичные источники данных, графы знаний, прогностические модели и агенты должны быть адаптированы к каждой отрасли, но это представляет собой годы исследований и инвестиций в клиентов, которых большинство внутренних команд не имеют. Для предприятий и технических директоров, рассматривающих возможность инвестирования в AI, я советую им выбирать решения, которые обеспечивают реальные результаты с первого дня. Вертикальные решения AI обеспечивают эти результаты, предоставляя пользователям данные, которые они могут затем использовать для создания бизнес-ценности.

Оглядываясь вперед, как вы представляете себе архитектуры корпоративного AI – станут ли федеративные вертикальные агенты, построенные на общих моделях основы, нормой?

Мы не увидим просто “федеративные” агенты; мы увидим управляемые агентные архитектуры. Хотя общие модели основы обеспечивают двигатель рассуждений, они по сути являются товарными. “Норма” для успешных корпораций будет заключаться в развертывании специализированных, вертикальных агентов, которые не просто “общаются” друг с другом, но строго оркестрированы через общий контекстный слой. Если у вас просто есть “федеративные” агенты, построенные на моделях основы, вы получите шумную, склонную к галлюцинациям систему – то, что мы называем “протекающей трубой” корпоративного AI. Чтобы сделать эту архитектуру масштабируемой в производстве, вам нужны три конкретных слоя, которые выходят за рамки простой федерации:

• Контекст (Граф знаний области): Агенты должны делиться единой истиной, а не просто обмениваться вероятностями.
• Оркестровка: Вам нужен “мастер-архитектор”, который решает, когда использовать специализированный агент и когда оставить человека в цикле.
• Управление: Выход должен быть юридически и оперативно безопасным до того, как он покинет систему.

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