Ravi Bommakanti, CTO App Orchid – Интервью-серия

Ravi Bommakanti, главный технический директор в App Orchid, возглавляет миссию компании по帮助 предприятиям внедрять ИИ во все приложения и процессы принятия решений. Флагманский продукт App Orchid, Easy Answers, позволяет пользователям взаимодействовать с данными с помощью естественного языка для создания панелей управления, аналитики и рекомендаций на основе ИИ.

Платформа объединяет структурированные и неструктурированные данные, включая данные в реальном времени и знания сотрудников, в предсказательную ткань данных, которая поддерживает стратегические и оперативные решения. Благодаря технологии Big Data в памяти и удобному интерфейсу, App Orchid упрощает внедрение ИИ за счет быстрой установки, низкозатратной реализации и минимального вмешательства в существующие системы.

Давайте начнем с общей картины – что для вас означает “агентный ИИ” и чем он отличается от традиционных систем ИИ?

Агентный ИИ представляет собой фундаментальный сдвиг от статического выполнения, характерного для традиционных систем ИИ, к динамической оркестровке. Для меня это означает переход от жестких, запрограммированных систем к автономным, адаптируемым решателям проблем, которые могут рассуждать, планировать и сотрудничать.

Что действительно отличает агентный ИИ, так это его способность использовать распределенную природу знаний и экспертизы. Традиционный ИИ часто работает в рамках фиксированных границ, следуя предопределенным путям. Системы агентного ИИ, однако, могут разбить сложные задачи, определить правильных специалистов для подзадач – потенциально обнаруживая и используя их через реестры агентов – и оркестрировать их взаимодействие для синтеза решения. Эта концепция реестров агентов позволяет организациям эффективно “арендовать” специализированные возможности по мере необходимости, подобно тому, как собираются команды человеческих экспертов, а не заставляя строить или владеть каждой функцией ИИ внутри компании.

Итак, вместо монолитных систем будущее заключается в создании экосистем, где специализированные агенты могут быть динамически составлены и координированы – подобно опытному менеджеру проекта, возглавляющему команду – для эффективного решения сложных и эволюционирующих бизнес-вызовов.

Как Google Agentspace ускоряет внедрение агентного ИИ в предприятиях, и какая роль App Orchid в этой экосистеме?

Google Agentspace является значительным ускорителем внедрения ИИ в предприятиях. Предоставляя унифицированную основу для развертывания и управления интеллектуальными агентами, подключенными к различным рабочим приложениям, и используя мощные возможности поиска и модели, такие как Gemini, Agentspace позволяет компаниям преобразовать изолированную информацию в действенную интеллектуальность через общий интерфейс.

App Orchid выступает в качестве важного слоя семантической активации внутри этой экосистемы. Хотя Agentspace предоставляет инфраструктуру агентов и каркас оркестровки, наша платформа Easy Answers решает критическую задачу предприятий – сделать сложные данные понятными и доступными для агентов. Мы используем подход, основанный на онтологии, для построения богатых графов знаний из данных предприятия, полных делового контекста и отношений – именно то понимание, которое агентам нужно.

Это создает мощную синергию: Agentspace предоставляет прочную инфраструктуру агентов и возможности оркестровки, в то время как App Orchid предоставляет глубокое семантическое понимание сложных данных предприятия, необходимое агентам для эффективной работы и предоставления значимых бизнес-инсайтов. Наше сотрудничество с каркасом Google Cloud Cortex Framework является ярким примером, помогающим клиентам радикально сократить время подготовки данных (до 85%), используя при этом нашу платформу с отраслевым лидерством в 99,8% точности текста в SQL для запросов на естественном языке. Вместе мы наделяем организации возможностью развертывать решения агентного ИИ, которые действительно понимают язык и тонкости бизнес-данных, ускоряя время достижения ценности.

Какие реальные барьеры компаниям приходится преодолевать при внедрении агентного ИИ, и как App Orchid помогает им преодолеть эти барьеры?

Основные барьеры, с которыми мы сталкиваемся, связаны с качеством данных, проблемой эволюционирующих стандартов безопасности – особенно обеспечения доверия между агентами – и управлением распределенной природой знаний и возможностей предприятия.

Качество данных остается основной проблемой. Агентный ИИ, как и любой ИИ, обеспечивает ненадежные выходные данные, если ему подается плохие данные. App Orchid решает эту проблему, создавая семантический слой, который контекстуализирует разнообразные источники данных. Основываясь на этом, наши уникальные функции краудсорсинга в Easy Answers вовлекают бизнес-пользователей по всей организации – тех, кто лучше всего понимает значение данных – для совместного выявления и устранения пробелов и несоответствий в данных, что существенно повышает надежность.

Безопасность представляет собой еще один критический барьер, особенно когда взаимодействие между агентами становится обычным, потенциально охватывая внутренние и внешние системы. Установление прочных механизмов для доверия между агентами и поддержание управления без ущерба для необходимого взаимодействия является ключевым. Наша платформа фокусируется на реализации каркасов безопасности, предназначенных для этих динамических взаимодействий.

Наконец, эффективное использование распределенных знаний и возможностей требует продвинутой оркестровки. App Orchid использует концепции, такие как Протокол контекста модели (MCP), который становится все более важным. Это позволяет динамически получать специализированные агенты из репозиториев на основе контекстных потребностей, облегчая гибкие и адаптируемые рабочие процессы, а не жесткие, предопределенные процессы. Этот подход соответствует появляющимся стандартам, таким как протокол Agent2Agent от Google, предназначенный для стандартизации коммуникации в многоагентных системах. Мы помогаем организациям строить заслуживающие доверия и эффективные решения агентного ИИ, решая эти барьеры.

Можете ли вы пройти со мной, как работает Easy Answers – от запроса на естественном языке до генерации инсайтов?

Easy Answers преобразует, как пользователи взаимодействуют с данными предприятия, делая сложный анализ доступным через естественный язык. Вот, как это работает:

• Соединение: Мы начинаем с соединения с источниками данных предприятия – мы поддерживаем более 200 общих баз данных и систем. Критически важно, что это часто происходит без необходимости перемещения или репликации данных, соединяясь безопасно с данными, где они находятся.
• Создание онтологии: Наша платформа автоматически анализирует подключенные данные и строит всесторонний граф знаний. Это структурирует данные в бизнес-центрированные сущности, которые мы называем Управляемыми семантическими объектами (USO), захватывая отношения между ними.
• Обогащение метаданными: Эта онтология обогащается метаданными. Пользователи предоставляют высокоуровневые описания, и наш ИИ генерирует подробные описания для каждого USO и его атрибутов (полей). Эти объединенные метаданные предоставляют глубокий контекст о значении и структуре данных.
• Запрос на естественном языке: Пользователь задает вопрос на простом деловом языке, например “Покажите мне тенденции продаж для продукта X в западном регионе по сравнению с прошлым кварталом.”
• Интерпретация и генерация SQL: Наш движок обработки естественного языка (NLP) использует богатые метаданные в графе знаний, чтобы понять намерение пользователя, определить соответствующие USO и отношения, и перевести вопрос в точные запросы данных (например, SQL). Мы достигаем отраслевого лидерства в 99,8% точности текста в SQL здесь.
• Генерация инсайтов (Кьюрейション): Система извлекает данные и определяет наиболее эффективный способ представить ответ визуально. В нашей платформе эти интерактивные визуализации называются “кьюрейшн”. Пользователи могут автоматически генерировать или предварительно настраивать их, чтобы соответствовать конкретным потребностям или стандартам.
• Более глубокий анализ (Быстрые инсайты): Для более сложных вопросов или проактивного открытия пользователи могут использовать Быстрые инсайты. Эта функция позволяет им легко применять алгоритмы машинного обучения, поставляемые с платформой, к указанным полям данных, чтобы автоматически обнаруживать закономерности, выявлять аномалии или проверять гипотезы без необходимости в экспертизе данных.

Этот весь процесс, часто завершаемый в течение нескольких секунд, демократизирует доступ к данным и анализу, превращая сложное исследование данных в простой разговор.

Как Easy Answers объединяет разрозненные данные в крупных предприятиях и обеспечивает, чтобы инсайты были объяснимыми и отслеживаемыми?

Разрозненные данные являются значительной преградой в крупных предприятиях. Easy Answers решает эту фундаментальную проблему, используя уникальный семантический подход.

Вместо дорогостоящей и сложной физической консолидации данных мы создаем виртуальный семантический слой. Наша платформа строит унифицированное логическое представление, подключаясь к разнообразным источникам данных, где они находятся. Этот слой работает на основе нашей технологии графов знаний, которая картографирует данные в Управляемые семантические объекты (USO), определяет их отношения и обогащает их контекстными метаданными. Это создает общий деловой язык, понятный как людям, так и ИИ, эффективно объединяя технические структуры данных (таблицы, столбцы) с бизнес-значением (клиенты, продукты, продажи), независимо от того, где физически находятся данные.

Обеспечение того, чтобы инсайты были надежными, требует как отслеживаемости, так и объяснимости:

• Отслеживаемость: Мы предоставляем комплексное отслеживание происхождения данных. Пользователи могут углубиться от любых кьюрейшн или инсайтов до исходных данных, просматривая все примененные трансформации, фильтры и расчеты. Это обеспечивает полную прозрачность и аудитability, необходимые для проверки и соблюдения требований.
• Объяснимость: Инсайты сопровождаются объяснениями на естественном языке. Эти резюме артикулируют, что показывают данные и почему они значимы в деловых терминах, переводя сложные результаты в действенное понимание для широкой аудитории.

Это объединяет разрозненные данные, создавая унифицированное семантическое представление и строя доверие через ясную отслеживаемость и объяснимость.

Как ваша система обеспечивает прозрачность инсайтов, особенно в регулируемых отраслях, где происхождение данных является критическим?

Прозрачность абсолютно необходима для инсайтов, управляемых ИИ, особенно в регулируемых отраслях, где аудитability и обоснованность имеют первостепенное значение. Наш подход обеспечивает прозрачность во всех трех ключевых измерениях:

• Происхождение данных: Это фундаментально. Как упоминалось, Easy Answers обеспечивает отслеживание происхождения данных от начала до конца. Каждый инсайт, визуализация или число можно отслеживать тщательно на протяжении всего жизненного цикла – от исходных источников данных, через любые соединения, трансформации, агрегации или фильтры, примененные – предоставляя проверяемое происхождение данных, требуемое регулирующими органами.
• Наглядность методологии: Мы избегаем “черного ящика”. Когда используются аналитические или модели машинного обучения (например, через Быстрые инсайты), платформа четко документирует методологию, используемую, параметры, примененные, и соответствующие метрики оценки. Это обеспечивает, что “как” за инсайтом так же прозрачно, как и “что”.
• Объяснение на естественном языке: Перевод технических выходных данных в понятный бизнес-контекст является важным для прозрачности. Каждый инсайт сопровождается объяснениями на простом языке, описывающими результаты, их значение и потенциальные ограничения, обеспечивая ясность для всех заинтересованных сторон, включая сотрудников по соблюдению требований и аудиторов.

Кроме того, мы включаем дополнительные функции управления для отраслей с конкретными требованиями к соблюдению, такими как контроль доступа на основе ролей, рабочие процессы утверждения для определенных действий или отчетов и комплексные журналы аудита, отслеживающие активность пользователей и операции системы. Этот многослойный подход гарантирует, что инсайты точны, полностью прозрачны, объяснимы и обоснованы.

Как App Orchid превращает инсайты, сгенерированные ИИ, в действия с помощью функций, таких как Генеративные действия?

Генерация инсайтов ценна, но真正ая цель заключается в том, чтобы стимулировать бизнес-результаты. С правильными данными и контекстом экосистема агентного ИИ может стимулировать действия, чтобы мостить критический разрыв между открытием инсайтов и осязаемыми действиями, перемещая аналитику из пассивной функции отчетности в активного драйвера улучшения.

Вот, как это работает: Когда платформа Easy Answers выявляет значимую закономерность, тенденцию, аномалию или возможность через свой анализ, она использует ИИ для предложения конкретных, контекстно-релевантных действий, которые можно предпринять в ответ.

Это не расплывчатые предложения; это конкретные рекомендации. Например, вместо того, чтобы просто флагировать клиентов с высоким риском отказа, она может порекомендовать конкретные предложения по удержанию, адаптированные к разным сегментам, потенциально рассчитывая ожидаемое воздействие или ROI, и даже черновик коммуникационных шаблонов. При генерации этих рекомендаций система учитывает бизнес-правила, ограничения, исторические данные и цели.

Критически важно, что это поддерживает человеческий надзор. Рекомендуемые действия представляются соответствующим пользователям для рассмотрения, изменения, утверждения или отклонения. Это гарантирует, что деловое суждение остается центральным в процессе принятия решений, в то время как ИИ занимается тяжелой работой по выявлению возможностей и формулированию потенциальных ответов.

Как только действие утверждено, мы можем запустить агентский поток для бесшовного выполнения через интеграцию с операционными системами. Это может означать запуск рабочего процесса в CRM, обновление прогноза в системе ERP, запуск целевого маркетингового задания или инициацию другого соответствующего бизнес-процесса – тем самым закрывая разрыв от инсайта прямо к результату.

Как графики знаний и семантические модели данных являются центральными для успеха вашей платформы?

Графики знаний и семантические модели данных являются абсолютным ядром платформы Easy Answers; они возвышают ее за пределы традиционных инструментов бизнес-аналитики, которые часто рассматривают данные как несвязанные таблицы и столбцы, лишенные реального делового контекста. Наша платформа использует их для построения интеллектуального семантического слоя над данными предприятия.

Этот семантический фундамент является центральным для нашего успеха по нескольким ключевым причинам:

• Включает истинное взаимодействие на естественном языке: Семантическая модель, структурированная как граф знаний с Управляемыми семантическими объектами (USO), свойствами и определенными отношениями, действует как “Розеттский камень”. Она переводит нюансы человеческого языка и деловой терминологии в точные запросы, необходимые для извлечения данных, позволяя пользователям задавать вопросы естественно, не зная лежащих в основе схем. Это ключ к нашей высокой точности текста в SQL.
• Сохраняет важный деловой контекст: В отличие от простых реляционных соединений, наш граф знаний явно захватывает богатую, сложную сеть отношений между деловыми сущностями (например, как клиенты взаимодействуют с продуктами через тикеты поддержки и заказы на покупку). Это позволяет провести более глубокий и контекстно-зависимый анализ, отражающий, как работает бизнес.
• Предоставляет адаптируемость и масштабируемость: Семантические модели более гибкие, чем жесткие схемы. По мере эволюции потребностей бизнеса или добавления новых источников данных граф знаний может быть расширен и изменен инкрементально, не требуя полной переработки, сохраняя последовательность, адаптируясь к изменениям.

Это глубокое понимание контекста данных, обеспечиваемое нашим семантическим слоем, является фундаментальным для всего, что делает Easy Answers, от базовых вопросов и ответов до продвинутого обнаружения закономерностей с Быстрыми инсайтами, и оно образует необходимую основу для наших будущих возможностей агентного ИИ, гарантируя, что агенты могут рассуждать о данных осмысленно.

Какие основные модели вы поддерживаете, и как вы позволяете организациям вносить свои собственные модели ИИ/МЛ в рабочий процесс?

Мы верим в открытый и гибкий подход, признавая быструю эволюцию ИИ и уважая существующие инвестиции организаций.

Для основных моделей мы поддерживаем интеграции с ведущими вариантами от нескольких поставщиков, включая семейство Gemini от Google, модели GPT от OpenAI и известные открытые альтернативы, такие как Llama. Это позволяет организациям выбирать модели, которые лучше всего подходят их производительности, затратам, требованиям управления или конкретным потребностям в возможностях. Эти модели обеспечивают различные функции платформы, включая понимание естественного языка для запросов, генерацию SQL, суммирование инсайтов и генерацию метаданных.

За пределами этих мы предоставляем прочные пути для организаций, чтобы внести свои собственные пользовательские модели ИИ/МЛ в рабочий процесс Easy Answers:

• Модели, разработанные на Python, часто могут быть интегрированы напрямую через наш движок ИИ.
• Мы предлагаем бесшовные возможности интеграции с крупными облачными платформами МЛ, такими как Google Vertex AI и Amazon SageMaker, позволяя моделям, обученным и размещенным там, быть вызванными.

Критически важно, что наш семантический слой играет ключевую роль в том, чтобы сделать эти потенциально сложные пользовательские модели доступными. Связывая входные и выходные данные моделей с деловыми понятиями, определными в нашем графе знаний (USO и свойства), мы позволяем непрофессиональным бизнес-пользователям использовать продвинутые прогностические, классификационные или причинно-следственные модели (например, через Быстрые инсайты) без необходимости понимать лежащий в основе 数据 science – они взаимодействуют с знакомыми деловыми терминами, и платформа занимается техническим переводом. Это действительно демократизирует доступ к сложным возможностям ИИ/МЛ.

Глядя вперед, какие тенденции, по вашему мнению, будут формировать следующую волну корпоративного ИИ – особенно на рынках агентов и безкодовой разработки агентов?

Следующая волна корпоративного ИИ движется к высокодинамичным, составным и сотрудничающим экосистемам. Несколько сходящихся тенденций стимулируют это:

• Рынки агентов и реестры: Мы увидим значительный рост рынков агентов, функционирующих наряду с внутренними реестрами агентов. Это облегчает переход от монолитных построек к модели “аренды и композиции”, где организации могут динамически обнаруживать и интегрировать специализированные агенты – внутренние или внешние – с конкретными возможностями по мере необходимости, радикально ускоряя развертывание решений.
• Стандартизированная коммуникация агентов: Для функционирования этих экосистем агентам нужны общие языки. Стандартизированные протоколы коммуникации между агентами, такие как MCP (Протокол контекста модели), который мы используем, и инициативы, такие как протокол Agent2Agent от Google, становятся необходимыми для обеспечения бесшовного сотрудничества, обмена контекстом и делегирования задач между агентами, независимо от того, кто их построил или где они работают.
• Динамическая оркестровка: Статические, предопределенные рабочие процессы уступят место динамической оркестровке. Интеллектуальные слои оркестровки будут выбирать, конфигурировать и координировать агентов во время выполнения на основе конкретного контекста проблемы, что приведет к гораздо более адаптируемым и устойчивым системам.
• Безкодовая/низкокодовая разработка агентов: Демократизация будет распространяться на создание агентов. Платформы без кода и низкого кода будут наделять бизнес-экспертов, а не только специалистов по ИИ, возможностью проектировать и строить агентов, которые воплощают конкретные знания и бизнес-логику, еще больше обогащая пул доступных специализированных возможностей.

Роль App Orchid заключается в том, чтобы обеспечить критический семантический фундамент для этого будущего. Для агентов в этих динамических экосистемах, чтобы сотрудничать эффективно и выполнять значимые задачи, им нужно понять данные предприятия. Наш граф знаний и семантический слой обеспечивают именно это контекстуальное понимание, позволяя агентам рассуждать и действовать на основе данных в соответствующих деловых терминах.

Как вы представляете себе эволюцию роли технического директора в будущем, где интеллект принятия решений демократизируется через агентный ИИ?

Демократизация интеллекта принятия решений через агентный ИИ фундаментально возвышает роль технического директора. Она смещает фокус от того, чтобы быть в первую очередь хранителем технологической инфраструктуры, к тому, чтобы стать стратегическим оркестратором организационного интеллекта.

Ключевые эволюции включают:

• От менеджера систем к архитектору экосистемы: Фокус смещается от управления изолированными приложениями к проектированию, курированию и управлению динамичными экосистемами взаимодействующих агентов, источников данных и аналитических возможностей. Это предполагает эффективное использование рынков агентов и реестров.
• Стратегия данных как основная бизнес-стратегия: Обеспечение того, чтобы данные не только были доступны, но и семантически богаты, надежны и доступны, становится первостепенным. Технический директор будет центральным в построении основы графа знаний, которая обеспечивает интеллектуальные системы по всему предприятию.
• Эволюционирующие парадигмы управления: Новые модели управления будут необходимы для агентного ИИ – решая проблемы доверия агентов, безопасности, этического использования ИИ, аудитability автоматических решений и управления возникающими поведениями в сотрудничестве агентов.
• Проведение адаптируемости: Технический директор будет важен в внедрении адаптируемости в техническую и операционную ткань организации, создавая среды, в которых инсайты, управляемые ИИ, приводят к быстрым ответам и непрерывному обучению.
• Содействие сотрудничеству человека и ИИ: Ключевым аспектом будет культивирование культуры и проектирование систем, в которых люди и агенты ИИ работают синергически, дополняя сильные стороны друг друга.

В конечном итоге технический директор становится менее сосредоточенным на управлении затратами на ИТ и более сосредоточенным на максимизации “интеллектуального потенциала” организации. Это сдвиг в сторону того, чтобы стать истинным стратегическим партнером, позволяя всему бизнесу работать более интеллектуально и адаптивно в все более сложном мире.

Благодарим за отличное интервью, читатели, которые хотят узнать больше, должны посетить App Orchid.