Рави Боммаканти, технический директор App Orchid – Интервью

Рави Боммаканти, технический директор компании App Orchid, возглавляет миссию компании по помощи предприятиям в операционализации ИИ во всех приложениях и процессах принятия решений. Флагманский продукт App Orchid, Easy Answers, позволяет пользователям взаимодействовать с данными с помощью естественного языка для создания панелей мониторинга, аналитических данных и рекомендаций на основе ИИ.

Платформа интегрирует структурированные и неструктурированные данные, включая данные в реальном времени и знания сотрудников, в прогностическую ткань данных, поддерживающую 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 означает для вас “агентный ИИ” и как 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, адаптивным решателям проблем, способным рассуждать, планировать и сотрудничать.

То, что действительно отличает агентный ИИ, – это его способность использовать распределенную природу знаний и опыта. Традиционный ИИ часто работает в рамках фиксированных границ, следуя предопределенным путям. Системы агентного ИИ, однако, могут разбить сложные задачи, выявить правильные специализированные агенты 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, отражая то, 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 – как опытный менеджер проекта, ведущий команду – для решения сложных и эволюционирующих бизнес-задач эффективно.

Как Google (GOOGL ) Agentspace ускоряет внедрение агентного ИИ в предприятиях, и какую роль играет 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 мощный поиск и модели Google, такие как Gemini, Agentspace позволяет компаниям преобразовать разрозненные сведения в действенную информацию через общий интерфейс.

App Orchid выступает в качестве важного слоя семантической активации внутри этой экосистемы. В то время как Agentspace обеспечивает 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 с контекстом бизнеса и отношениями – именно то понимание, которое агенты нуждаются для эффективной работы.

Это создает мощную синергию: Agentspace обеспечивает прочную инфраструктуру агентов и возможности оркестровки, в то время как App Orchid обеспечивает глубокое семантическое понимание сложных данных предприятия, необходимое агентам для эффективной работы и предоставления осмысленных 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 запросов на естественном языке для запросов SQL. Вместе мы наделяем организации возможностью развертывать решения агентного ИИ, которые действительно понимают язык бизнеса и нюансы данных, ускоряя время достижения результата.

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 выводы, если его кормят плохими данными. App Orchid решает эту проблему фундаментально, создавая семантический слой, который контекстуализирует разнообразные источники данных. Основываясь на этом, наши уникальные функции краудсорсинга внутри Easy Answers вовлекают бизнес-пользователей по всей организации – тех, кто лучше всего понимает значение данных – для совместного выявления и решения пробелов и несоответствий в данных, значительно повышая надежность.

Безопасность представляет собой еще одну критическую преграду, особенно когда взаимодействие между агентами становится обычным, потенциально охватывая внутренние и внешние системы. Установление прочных механизмов для доверия между агентами и поддержание управления без препятствования необходимому взаимодействию 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 адаптивные 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 доверенные и эффективные решения агентного ИИ, решая эти барьеры.

Можете ли вы рассказать нам, 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 (УСО), захватывая отношения между ними.
• Обогащение метаданных: Эта онтология обогащается метаданными. Пользователи предоставляют высокоуровневые описания, и наш ИИ генерирует подробные описания для каждого УСО и его атрибутов (полей). Это объединенное метаданные обеспечивают глубокий контекст о значении и структуре данных.
• Запрос на естественном языке: Пользователь задает вопрос на простом бизнес-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 использует богатые метаданные в графе знаний для понимания намерения пользователя, выявления соответствующих УСО и отношений, и перевода вопроса в точные запросы данных (например, SQL). Мы достигаем отраслевого лидерства в 99,8% точности текста в SQL здесь.
• Генерация инсайтов (Кьюри): Система извлекает данные и определяет наиболее эффективный способ представить ответ визуально. В нашей платформе эти интерактивные визуализации называются “кьюри”. Пользователи могут автоматически генерировать или предварительно конфигурировать их для соответствия конкретным потребностям или стандартам.
• Более глубокий анализ (Быстрые инсайты): Для более сложных вопросов или активного открытия пользователи могут использовать Быстрые инсайты. Эта функция позволяет им легко применять алгоритмы машинного обучения, поставляемые с платформой, к указанным полям данных для автоматического обнаружения закономерностей, выявления аномалий или проверки гипотез без необходимости специальных знаний в области науки о данных.

Этот весь процесс, часто завершаемый в течение нескольких секунд, демократизирует доступ и анализ данных, 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 задачу благодаря нашему уникальному подходу семантического слоя.

Вместо дорогостоящей и сложной физической консолидации данных мы создаем виртуальный семантический слой. Наша платформа строит унифицированное логическое представление, соединяясь с различными источниками данных, где они находятся. Этот слой питается нашей технологией графа знаний, которая картографирует данные в Управляемые семантические объекты (УСО), определяет их отношения и обогащает их контекстными метаданными. Это создает общий бизнес-язык, понятный как людям, так и ИИ, эффективно соединяя технические структуры данных (таблицы, столбцы) с бизнес-значением (клиенты, продукты, продажи), независимо от того, где физически находятся данные.

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

• Отслеживаемость: Мы предоставляем всестороннее отслеживание происхождения данных. Пользователи могут углубиться из любых кьюри или инсайтов обратно к источникам данных, просматривая все примененные преобразования, фильтры и расчеты. Это обеспечивает полную прозрачность и аудитability, необходимую для проверки и соблюдения требований.
• Объяснимость: Инсайты сопровождаются объяснениями на естественном языке. Эти резюме артикулируют, что показывают данные и почему они значимы в бизнес-терминах, переводя сложные результаты в действенные понимания для широкой аудитории.

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

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

Прозрачность абсолютно неоспорима для инсайтов, основанных на ИИ, особенно в регулируемых отраслях, где аудитability и обоснованность являются важными. Наш подход обеспечивает прозрачность в трех ключевых измерениях:

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

Кроме того, мы включаем дополнительные функции управления для отраслей с конкретными потребностями в соблюдении требований, такие как контроль доступа на основе ролей, рабочие процессы утверждения для определенных действий или отчетов и всесторонние 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?

Генерирование инсайтов ценно, но настоящая цель – стимулирование бизнес-результатов. С правильными данными и контекстом экосистема агентного ИИ может стимулировать действия для мостирования критического разрыва между открытием инсайтов и осязаемыми действиями, переводя аналитику из пассивной функции отчетности в активного драйвера улучшений.

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 рекомендовать 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 сохраняет человеческий надзор. Рекомендуемые действия представляются соответствующим пользователям для рассмотрения, изменения, утверждения или отклонения. Это гарантирует, что бизнес-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直接 к результату.

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

Графы знаний и семантические модели данных являются абсолютным ядром платформы Easy Answers; они возвышают ее над традиционными инструментами бизнес-аналитики, которые часто рассматривают данные как несвязанные таблицы и столбцы, лишенные реального бизнес-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 (УСО), свойствами и определениями отношений, действует как “Розеттский камень”. Она переводит нюансы человеческого языка и бизнес-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 критический бизнес-контекст: В отличие от простых реляционных соединений, наш граф знаний явно захватывает богатую, сложную сеть отношений между бизнес-ентитиями (например, как клиенты взаимодействуют с продуктами через тикеты поддержки и заказы). Это позволяет проводить более глубокий и контекстно-зависимый анализ, отражающий, как работает бизнес.
• Предоставляет адаптивность и масштабируемость: Семантические модели более гибкие, чем жесткие схемы. По мере эволюции бизнес-потребностей или добавления новых источников данных граф знаний может быть расширен и изменен пошагово, не требуя полной переработки, сохраняя при этом последовательность и 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 помощью Быстрых инсайтов, и оно образует необходимую основу для наших будущих возможностей агентного ИИ, гарантируя, что агенты могут рассуждать о данных осмысленно в бизнес-терминах.

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

Мы придерживаемся открытого и гибкого подхода, признавая быструю эволюцию ИИ и уважая существующие инвестиции организаций.

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

Помимо этих, мы предоставляем прочные пути для организаций, чтобы включить 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 бесшовную интеграцию с основными облачными платформами МЛ, такими как Google Vertex AI и Amazon (AMZN ) 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 бизнес-концепциями, определёнными в нашем графе знаний (УСО и свойства), мы позволяем не-техническим бизнес-пользователям использовать продвинутые прогностические, классификационные или причинно-следственные модели (например, через Быстрые инсайты) без необходимости понимания лежащей в основе науки о данных – они взаимодействуют с знакомыми бизнес-терминами, и платформа занимается техническим переводом. Это действительно демократизирует доступ к продвинутым возможностям ИИ/МЛ.

Какие тенденции, по вашему мнению, будут формировать следующую волну ИИ в предприятиях – особенно на рынках агентов и в проектировании агентов без кода?

Следующая волна ИИ в предприятиях движется в сторону высокодинамичных, составных и сотрудничающих экосистем. Несколько сходящихся тенденций стимулируют это:

• Рынки и реестры агентов: Мы увидим значительный рост рынков агентов, функционирующих наряду с внутренними реестрами агентов. Это приведет к сдвигу от монолитных построек к модели “аренды и композиции”, где организации могут динамически открывать 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 важными для облегчения безшовного 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 в режиме реального времени на основе конкретного контекста проблемы, что приведет к намного более адаптивным и устойчивым системам.
• Проектирование агентов без кода/с низким кодом: Демократизация распространится на создание агентов. Платформы без кода и с низким кодом позволят бизнес-экспертам, а не только специалистам по ИИ, проектировать и строить агенты, 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 понимать данные предприятия. Наш граф знаний и семантический слой обеспечивают именно это контекстное понимание, позволяя агентам рассуждать о данных осмысленно в бизнес-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 сдвигает фокус от того, чтобы быть в первую очередь управляющим технологической инфраструктурой, к тому, чтобы стать стратегическим оркестратором интеллекта организации.

Ключевые эволюции включают:

• От менеджера систем к архитектору экосистемы: Фокус смещается от управления изолированными приложениями к проектированию, курированию и управлению динамическими экосистемами взаимодействующих агентов, источников данных и аналитических возможностей. Это предполагает эффективное использование рынков и реестров агентов.
• Стратегия данных как основная бизнес-стратегия: Обеспечение того, чтобы данные не только были доступны, но и семантически богаты, надежны и доступны, становится важным. Технический директор будет центральной фигурой в построении графа знаний, который питает 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 адаптивности: Технический директор будет важен для внедрения адаптивности в техническую и оперативную ткань организации, создавая среды, в которых инсайты, основанные на ИИ, приводят к быстрым ответам и непрерывному обучению.
• Содействие сотрудничеству человека и ИИ: Ключевым аспектом будет культивирование культуры и проектирование систем, где 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 потенциала интеллекта организации. Это сдвиг в сторону того, чтобы быть истинным стратегическим партнером, позволяющим всей бизнес-единице работать более интеллектуально и адаптивно в все более сложном мире. Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить App Orchid.