Jito Chadha, grundare och VD för Nventr – Intervjuserie

Jito Chadha, grundare och VD för Nventr, är en erfaren teknisk chef och investerare med en karriär som spänner över artificiell intelligens, data science, riskkapital och affärsutveckling. Sedan han grundade Nventr 2019 har han lett utvecklingen av företagets AI-teknologier, samtidigt som han också varit VD för det prediktiva analysföretaget Rule14. Chadha har varit en del av HandsOn Global Management sedan 2007 och blev partner 2013, och har bidragit till att identifiera, strukturera och skapa värde i ett antal transaktioner, samtidigt som han lett investeringar inom riskkapital, data science och naturresurser.

Nventr är ett företag i Los Angeles som utvecklar AI-teknologier för att bygga, distribuera och hantera intelligenta applikationer och automatiserade arbetsflöden. Plattformen samlar AI-agenter, maskinlärningsmodeller, neuronnät, datahantering, intelligent dokumentbearbetning, visualisering och utvecklingsverktyg. Produkterna inkluderar Agent IO, ett operativsystem för att dirigera autonoma agenter över affärsfunktioner, och nQube, en arbetsflödesbyggare som stöder utveckling utan kod, med lite kod och fullständig kod, samt distribution över moln, lokala och edge-miljöer.

Innan du ledde Nventr och Rule14, tillbringade du år med att identifiera investeringar, skapa värde över portföljbolag och arbeta med data science-initiativ inom komplexa organisationer. Hur formade den erfarenheten ditt beslut att bygga en AI-plattform för företag som fokuserar på arbetsflöden snarare än fristående verktyg?

Att arbeta över portföljbolag avslöjade samma mönster i olika företag. Varje organisation hade information som flödade genom flera personer, system och godkännanden innan en process kunde slutföras.

Den erfarenheten formade Nventr kring arbetsflöden snarare än fristående verktyg. Att förbättra en uppgift har begränsat värde om resultatet inte kan flyttas effektivt genom resten av organisationen. Vi fokuserade på att strukturera hela processen och köra den i stor skala.

Nventr kombinerar agenter, maskinlärningsmodeller och neuronnät inom skalbara företagsarbetsflöden. Vilka begränsningar observerade du i konventionella automatiseringsplattformar som ledde till att du utvecklade denna bredare arkitektur? 

Under många år har företag opererat genom samlingar av molnbaserade och lokalt installerade SaaS-applikationer som kunde vara klumpiga, rigida och dyra. Arbetsflödessystemet, modellerna, agenterna och företagsdata behandlades vanligtvis som separata lager, vilket gjorde det svårare att automatisera i bredare mening.

Vi utvecklade en arkitektur där dessa komponenter kan fungera tillsammans och skalas oberoende när efterfrågan förändras. Processen behöver inte tvingas in i en enda applikation eller en viss typ av beräkningsmiljö.

Många organisationer börjar sin AI-strategi med att välja en modell eller lansera en chatbot. Enligt din erfarenhet, vad för grundläggande arbete som involverar data, behörigheter, processer och systemintegration måste ske innan en AI-distribution kan ge meningsfulla resultat? 

Ett företag måste först definiera processen, identifiera vilken information agenten behöver och bestämma var den informationen finns. Det kan involvera databaser, filarkiv, PDF:er, artiklar, e-postsystem eller andra företagsdatakällor som måste göras tillgängliga för agenten i en användbar form.

Företaget måste sedan definiera vad som händer efter att agenten har fått den informationen. En konversation kan producera ett svar, en sammanfattning, en uppföljningskö eller en annan agenterbjuden arbetsflöde. Godkända verktyg, databehörigheter och användarbehörigheter måste etableras per roll så att varje åtgärd sker inom en definierad process.

nQube är utformad för att hjälpa både dataanalytiker och företagsanalytiker att bygga, testa, distribuera och övervaka AI-drivna arbetsflöden. Hur gör ni dessa funktioner tillgängliga för icke-specialister samtidigt som ni behåller de tekniska kontrollerna som krävs för produktionsmiljöer?

Människor tänker på AI och programvaror genom omfånget av sin egen roll och hur produkten kan göra deras jobb enklare eller låta dem vara mer produktiva. Gränssnittet bör låta dem beskriva vad de behöver, ställa frågor och justera en agent eller arbetsflöde genom normalt språk och röst.

Arbetsflödena, beräkningsprocesserna och skalningen förblir under den interaktionen. Organisationen behåller fortfarande kontrollen över verktygen, datakällorna och åtkomsten som tilldelats varje roll, så en företagsanalytiker kan använda systemet utan att behöva hantera infrastrukturen direkt.

Nventrs agent-operativsystem använder en samordnande agent för att dirigera specialiserade agenter genom sekventiella och iterativa arbetsflöden. Hur bestämmer plattformen vilken agent som ska hantera varje uppgift, bevara kontext mellan agenter och hantera ett opålitligt resultat? 

Arbetsflödet bestämmer hur en begäran flyttas genom definierade steg, grenar och specialiserade agenter. Information från ett skede kan sammanfattas och skickas vidare så att nästa agent förstår vad som hände, vad som begärdes och vad som ska ske.

Att hantera ett opålitligt resultat beror på processen och konsekvenserna av åtgärden. Arbetsflödeskontrollerna måste återspegla var systemet kan fortsätta och var resultatet kräver granskning.

Företag vill alltmer ha flexibiliteten att använda olika stora språkmodeller, specialiserade maskinlärningssystem och tredjepartsagenter. Hur bör organisationer utforma sin AI-infrastruktur för att undvika att bli beroende av en modellleverantör eller teknisk stack? 

Infrastrukturen bör stödja en mängd modeller och låta dem fungera parallellt inom samma arbetsflöde. En leverantör kan hantera tal-till-tal-komponenten, medan en annan modell utför resonemang eller bearbetning bakom den.

Verktyget bör väljas enligt kundens kostnad, prestanda, säkerhet, latens och öppenhet för tredjepartsleverantörer. Vissa företag är bekväma med att kombinera leverantörer, medan andra vill ha agenten på sin egen moln eller dedikerad infrastruktur. Arkitekturen måste stödja båda tillvägagångssätten.

När en AI-agent kan komma åt företagsdata och vidta åtgärder över affärssystem, blir säkerheten mer komplex än att skydda en konversationsgränssnitt. Vilka kontroller bör styra en agents behörigheter, autonomi och förmåga att initiera konsekvensfulla åtgärder?

Åtkomst bör kontrolleras av roll, projekt och arbetsflöde. En agent bör endast kunna använda den information, verktyg och åtgärder som godkänts för den kontexten, med begäranden utanför den omfattningen som skickas för auktorisering.

Autonomins omfattning bör återspegla känsligheten i data och konsekvenserna av åtgärden. För transaktioner som involverar pengar, privat information eller annan betydande utgång bör företaget kunna se vad agenten gör och kräva godkännande innan slutförande.

Nventr presenterar applikationer inom områden som dokumentbearbetning, kundservice, rapportering, hälsoväsentlig kommunikation och bedrägeridetektering. Vilka tekniska eller operativa egenskaper gör ett arbetsflöde lämpligt för agenterbjuden automatisering, och vilka processer bör förbli i huvudsak mänskligt ledda? 

Vi balanserar antalet personer eller kostnader som är associerade med en process mot dess komplexitet och lämplighet för automatisering. En process kan vara dyr eller arbetsintensiv och fortfarande vara fel plats att börja om den är för komplex eller opålitlig för att automatiseras effektivt.

Den allmänna metoden är att gå för de enklaste målen med störst inverkan. Den formeln är fraktal eftersom den kan tillämpas på en persons roll, flera avdelningar eller hela organisationen. Processer som involverar osäkerhet eller konsekvensbedömning bör fortsätta att inbegripa människor.

Du har diskuterat idén om att anställda så småningom kommer att ha AI-motsvarigheter som hanterar de upprepade elementen i deras arbete. Hur kan detta förändra organisationsstrukturer, och vad bör ledare göra för att säkerställa att dessa system stärker mänsklig bedömning snarare än att gradvis ta bort den från viktiga beslut? 

Idén är att ge varje person på lönelistan en agentmotsvarighet som kan lära sig delar av jobbet över tid. Över en större procent av organisationen skapar detta centraliserad intelligens och optimering över organisationsstrukturen snarare än att begränsa fördelen till en eller två anställda.

Agenten kan ta på sig upprepade arbetsuppgifter som att samla in information, flytta data eller bygga rutinmässiga presentationer. Det ger människor mer tid för viktiga diskussioner och beslut, medan organisationen behåller auktoritet över känslig information och konsekvensfulla åtgärder.

När AI-agenter utvecklas från assistenter till ett operativt lager för komplexa organisationer, vilka funktioner måste förbättras mest innan företag kan säkert automatisera arbetsflöden som omfattar hela avdelningar eller affärsenheter? 

Agenter behöver lägre latens och starkare integrationer med företagsdatabaser, filer och större system. Information måste flyttas över roller och avdelningar utan att kräva att människor överför den manuellt eller skapar nya flaskhalsar.

Interaktionslagret måste också förbättras. Röstagenter bör kännas som en normal konversation där en person kan avbryta och ändra riktning, och företag kommer så småningom att behöva direkt sätt för auktoriserade agenter att interagera med deras system. Webbläsarautomatisering kan överbrygga gapet, men branschen kommer att gå mot en mer effektiv struktur eftersom beräkning och infrastruktur har en kostnad. Tack för den underbara intervjun, läsare som vill lära sig mer bör besöka Nventr.