Ravi Bommakanti, CTO på App Orchid – Intervju-serie

Ravi Bommakanti, Chief Technology Officer på App Orchid, leder företagets uppdrag att hjälpa företag att operationalisera AI över hela verksamheten och beslutsprocesser. App Orchids flaggskeppprodukt, Easy Answers, möjliggör för användare att interagera med data med hjälp av naturligt språk för att generera AI-drivna instrumentpaneler, insikter och rekommenderade åtgärder.

Plattformen integrerar strukturerad och ostrukturerad data, inklusive realtidsinmatningar och anställdas kunskap, i en prediktiv datainfrastruktur som stöder strategiska och operativa beslut. Med in-memory Big Data-teknik och ett användarvänligt gränssnitt, strömlinjeformar App Orchid AI-antagandet genom snabb distribution, lågkostnadsimplementering och minimal störning av befintliga system.

Låt oss börja med det stora perspektivet – vad betyder “agentic AI” för dig, och hur skiljer det sig från traditionella AI-system?

Agentic AI representerar en grundläggande förändring från den statiska exekvering som är typisk för traditionella AI-system till dynamisk orkestrering. För mig handlar det om att gå från styva, förprogrammerade system till autonoma, anpassningsbara problemlösare som kan resonera, planera och samarbeta.

Vad som verkligen särskiljer agentic AI är dess förmåga att utnyttja den distribuerade naturen av kunskap och expertis. Traditionell AI fungerar ofta inom fasta gränser, följer förutbestämda vägar. Agentic system, däremot, kan bryta ned komplexa uppgifter, identifiera rätt specialiserade agenter för underuppgifter – potentiellt upptäcka och utnyttja dem genom agentregistret – och orkestrera deras interaktion för att syntetisera en lösning. Detta koncept med agentregistret tillåter organisationer att effektivt “hyra” specialiserade funktioner som behövs, på samma sätt som hur mänskliga expertteam sätts samman, snarare än att tvingas bygga eller äga varje AI-funktion internt.

Så, istället för monolitiska system, ligger framtiden i att skapa ekosystem där specialiserade agenter kan sammansättas och koordineras dynamiskt – likt en skicklig projektledare som leder ett team – för att hantera komplexa och föränderliga affärsutmaningar effektivt.

Hur accelererar Google (GOOGL ) Agentspace antagandet av agentic AI i företag, och vad är App Orchids roll i detta ekosystem?

Google Agentspace är en betydande accelerator för företags AI-antagande. Genom att tillhandahålla en enhetlig grund för att distribuera och hantera intelligenta agenter anslutna till olika arbetsapplikationer och utnyttja Googles kraftfulla sökning och modeller som Gemini, möjliggör Agentspace för företag att omvandla siloiserad information till agerbar intelligens genom ett gemensamt gränssnitt.

App Orchid fungerar som en vital semantisk aktiveringslager inom detta ekosystem. Medan Agentspace tillhandahåller agentinfrastruktur och orkestreringsramverk, hanterar vår Easy Answers-plattform den kritiska företagsutmaningen att göra komplex data förståelig och tillgänglig för agenter. Vi använder en ontologi-driven approach för att bygga rika kunskapsgrafer från företagsdata, komplett med affärssammanhang och relationer – exakt den förståelse som agenter behöver.

Detta skapar en kraftfull synergiefördel: Agentspace tillhandahåller den robusta agentinfrastrukturen och orkestreringsförmågan, medan App Orchid tillhandahåller den djupa semantiska förståelsen av komplex företagsdata som dessa agenter kräver för att fungera effektivt och leverera meningsfulla affärsinsikter. Vårt samarbete med Google Cloud Cortex Framework är ett exempel på detta, som hjälper kunder att dramatiskt minska dataprojektionstiden (upp till 85%) samtidigt som de utnyttjar vår plattforms branschledande 99,8% text-till-SQL-precision för naturligt språkfrågor. Tillsammans möjliggör vi för organisationer att distribuera agentic AI-lösningar som verkligen förstår deras affärsspråk och dataintrikater, vilket påskyndar tid-till-värde.

Vilka är de verkliga barriärerna som företag möter när de antar agentic AI, och hur hjälper App Orchid dem att övervinna dessa?

De primära barriärerna vi ser kretsar kring datakvalitet, utmaningen med att utveckla säkerhetsstandarder – särskilt att säkerställa agent-till-agent-förtroende – och hantering av den distribuerade naturen av företagskunskap och agentförmågor.

Datakvalitet förblir den grundläggande frågan. Agentic AI, liksom all AI, ger opålitliga utdata om den matas med dålig data. App Orchid hanterar detta grundläggande genom att skapa en semantisk lager som kontextualiserar disparata datakällor. Byggande på detta, våra unika crowdsourcing-funktioner inom Easy Answers engagerar affärsanvändare över hela organisationen – de som förstår data mening bäst – för att samarbeta och identifiera och hantera data luckor och inkonsekvenser, vilket betydligt förbättrar tillförlitligheten.

Säkerhet presenterar en annan kritisk barriär, särskilt när agent-till-agent-kommunikation blir vanlig, potentiellt spänner sig över interna och externa system. Att etablera robusta mekanismer för agent-till-agent-förtroende och upprätthålla styrning utan att hämma nödvändig interaktion är nyckeln. Vår plattform fokuserar på att implementera säkerhetsramverk designade för dessa dynamiska interaktioner.

Slutligen kräver hantering av distribuerad kunskap och förmågor avancerad orkestrering. App Orchid utnyttjar koncept som Model Context Protocol (MCP), som blir alltmer avgörande. Detta möjliggör den dynamiska källan av specialiserade agenter från register baserat på kontextuella behov, underlättar flytande, anpassningsbara arbetsflöden snarare än rigida, fördefinierade processer. Denna approach är i linje med framväxande standarder, som Googles Agent2Agent-protokoll, designat för att standardisera kommunikation i multi-agent-system. Vi hjälper organisationer att bygga pålitliga och effektiva agentic AI-lösningar genom att hantera dessa barriärer.

Kan du gå igenom hur Easy Answers fungerar – från naturligt språkfråga till insiktsgenerering?

Easy Answers transformerar hur användare interagerar med företagsdata, gör avancerad analys tillgänglig genom naturligt språk. Här är hur det fungerar:

• Anslutning: Vi börjar med att ansluta till företagets datakällor – vi stöder över 200 vanliga databaser och system. Detta sker ofta utan att kräva dataförflyttning eller replikering, ansluter säkert till data där den befinner sig.
• Ontologiskapande: Vår plattform analyserar automatiskt den anslutna datan och bygger en omfattande kunskapsgraf. Detta strukturerar datan i affärscentrerade enheter som vi kallar Managed Semantic Objects (MSO), som fångar relationerna mellan dem.
• Metadataberikning: Denna ontologi berikas med metadata. Användare tillhandahåller högnivåbeskrivningar, och vår AI genererar detaljerade beskrivningar för varje MSO och dess attribut (fält). Denna kombinerade metadata tillhandahåller djup kontext om data mening och struktur.
• Naturligt språkfråga: En användare ställer en fråga på vanligt affärsspråk, som “Visa mig försäljningstrender för produkt X i den västra regionen jämfört med förra kvartalet.”
• Tolkning & SQL-generering: Vår NLP-motor använder den rika metadatan i kunskapsgrafen för att förstå användarens avsikt, identifiera relevanta MSO och relationer, och översätta frågan till precisa datafrågor (som SQL). Vi uppnår en branschledande 99,8% text-till-SQL-precision här.
• Insiktsgenerering (Curations): Systemet hämtar datan och bestämmer det mest effektiva sättet att presentera svaret visuellt. I vår plattform kallas dessa interaktiva visualiseringar “curations”. Användare kan automatiskt generera eller förkonfigurera dem för att motsvara specifika behov eller standarder.
• Ytterligare analys (Quick Insights): För mer komplexa frågor eller proaktiv upptäckt kan användare utnyttja Quick Insights. Denna funktion tillåter dem att enkelt tillämpa ML-algoritmer som levereras med plattformen på specifika datafält för att automatiskt upptäcka mönster, identifiera avvikelser eller validera hypoteser utan att behöva data science-expertis.

Hela denna process, ofta slutförd på några sekunder, demokratiserar dataåtkomst och analys, omvandlar komplex datautforskning till en enkel konversation.

Hur brottar Easy Answers siloiserad data i stora företag och säkerställer att insikter är förklarliga och spårbara?

Data silos är en stor hinder för stora företag. Easy Answers hanterar denna grundläggande utmaning genom vår unika semantiska lager-approach.

Istället för kostsamma och komplexa fysiska datakonsolideringar skapar vi ett virtuellt semantiskt lager. Vår plattform bygger en enhetlig logisk vy genom att ansluta till olika datakällor där de befinner sig. Detta lager drivs av vår kunskapsgrafsteknik, som kartlägger data i Managed Semantic Objects (MSO), definierar deras relationer och berikar dem med kontextuell metadata. Detta skapar ett gemensamt affärsspråk som är förståeligt för både människor och AI, effektivt brottar tekniska datastrukturer (tabeller, kolumner) med affärsmening (kunder, produkter, försäljning), oavsett var datan fysiskt befinner sig.

Att säkerställa att insikter är trovärdiga kräver både spårbarhet och förklarbarhet:

• Spårbarhet: Vi tillhandahåller omfattande data linje spårning. Användare kan borra ned från någon curations eller insikter tillbaka till käll datan, visa alla tillämpade transformationer, filter och beräkningar. Detta tillhandahåller fullständig transparens och granskningsbarhet, avgörande för validering och regelefterlevnad.
• Förklarbarhet: Insikter åtföljs av naturligt språk förklaringar. Dessa sammanfattningar artikulerar vad datan visar och varför det är betydelsefullt i affärstermer, översätter komplexa fynd till agerbara förståelser för en bred publik.

Denna kombination brottar silos genom att skapa en enhetlig semantisk vy och bygger förtroende genom tydlig spårbarhet och förklarbarhet.

Hur säkerställer ditt system transparens i insikter, särskilt i reglerade branscher där data linje är kritisk?

Transparens är absolut nödvändig för AI-drivna insikter, särskilt i reglerade branscher där granskningsbarhet och försvarbarhet är av största vikt. Vår approach säkerställer transparens över tre nyckel dimensioner:

• Data linje: Detta är grundläggande. Som nämnts tidigare tillhandahåller Easy Answers omfattande data linje spårning. Varje insikt, visualisering eller nummer kan spåras tillbaka noggrant genom hela dess livscykel – från de ursprungliga datakällorna, genom alla joiner, transformationer, aggregeringar eller filter som tillämpats – tillhandahåller den verifierbara data provenansen som krävs av regulatorer.
• Metodik synlighet: Vi undviker “black box”-problemet. När analytiska eller ML-modeller används (t.ex. via Quick Insights), dokumenterar plattformen tydligt den metodik som används, parametrarna som används och relevanta utvärderingsmetriker. Detta säkerställer att “hur” bakom insikten är lika transparent som “vad”.
• Naturligt språk förklaring: Översättning av tekniska utdata till förståeligt affärssammanhang är avgörande för transparens. Varje insikt åtföljs av tydliga förklaringar som beskriver fynden, deras betydelse och potentiella begränsningar, säkerställer tydlighet för alla intressenter, inklusive regelefterlevnads- och granskningspersonal.

Utöver detta inkorporerar vi ytterligare styrningsfunktioner för branscher med specifika regelefterlevnadsbehov, som rollbaserad åtkomstkontroll, godkännandeflöden för vissa åtgärder eller rapporter och omfattande granskningsloggar som spårar användaraktivitet och systemsoperationer. Denna flerskiktsapproach säkerställer att insikter är korrekta, fullständigt transparenta, förklarliga och försvarbara.

Hur omvandlar App Orchid AI-genererade insikter till åtgärder med funktioner som Generative Actions?

Att generera insikter är värdefullt, men det verkliga målet är att driva affärsresultat. Med rätt data och kontext kan ett agentic ekosystem driva åtgärder för att brottas det kritiska gapet mellan insiktupptäckt och konkret åtgärd, flyttar analytics från en passiv rapporteringsfunktion till en aktiv drivkraft för förbättring.

Här är hur det fungerar: När Easy Answers-plattformen identifierar ett betydande mönster, trend, avvikelse eller möjlighet genom sin analys, utnyttjar den AI för att föreslå specifika, kontextuellt relevanta åtgärder som kan vidtas som svar.

Detta är inte vagga förslag; de är konkreta rekommendationer. Till exempel, istället för att bara flagga kunder med hög risk för avhopp, kan det rekommendera specifika återhållande erbjudanden anpassade till olika segment, potentiellt beräkna den förväntade påverkan eller ROI, och till och med skapa kommunikationsmallar. När dessa rekommendationer genereras, beaktar systemet affärsregler, begränsningar, historisk data och mål.

Detta säkerställer att mänsklig bedömning förblir central i beslutsprocessen medan AI hanterar det tunga arbetet med att identifiera möjligheter och formulera potentiella svar. När en åtgärd godkänns kan vi utlösa en agentic flöde för sömlös exekvering genom integrationer med operativa system. Detta kan innebära att utlösa ett arbetsflöde i ett CRM-system, uppdatera en prognos i ett ERP-system, lansera en riktad marknadsföringsuppgift eller initiera en annan relevant affärsprocess – och därmed stänga gapet från insikt direkt till resultat.

Hur är kunskapsgrafer och semantiska data modeller centrala för er plattforms framgång?

Kunskapsgrafer och semantiska data modeller är den absoluta kärnan i Easy Answers-plattformen; de höjer den bortom traditionella BI-verktyg som ofta behandlar data som frånkopplade tabeller och kolumner utan verklig affärskontext. Vår plattform använder dem för att bygga ett intelligent semantiskt lager över företagsdata.

Denna semantiska grund är central för vår framgång av flera viktiga skäl:

• Möjliggör sann naturligt språkinteraktion: Den semantiska modellen, strukturerad som en kunskapsgraf med Managed Semantic Objects (MSO), egenskaper och definierade relationer, fungerar som en “Rosetta Stone”. Den översätter nyanserna i mänskligt språk och affärsterminologi till de precisa frågor som behövs för att hämta data, tillåter användare att ställa frågor naturligt utan att behöva känna till underliggande scheman. Detta är nyckeln till vår höga text-till-SQL-precision.
• Bevarar kritisk affärskontext: Till skillnad från enkla relationella joiner fångar vår kunskapsgraf explicit den rika, komplexa webben av relationer mellan affärsentiteter (t.ex. hur kunder interagerar med produkter genom supportbiljetter och beställningar). Detta möjliggör djupare, mer kontextuell analys som reflekterar hur affären fungerar.
• Tillhandahåller anpassningsförmåga och skalbarhet: Semantiska modeller är mer flexibla än rigida scheman. När affärsbehov förändras eller nya datakällor läggs till kan kunskapsgrafen utökas och modifieras inkrementellt utan att kräva en fullständig ombyggnad, upprätthåller konsekvens samtidigt som den anpassar sig till förändringar.

Denna djupa förståelse av datakontext som tillhandahålls av vår semantiska lager är fundamental för allt Easy Answers gör, från grundläggande Q&A till avancerad mönsterupptäckt med Quick Insights, och det utgör den väsentliga grunden för våra framtida agentic AI-förmågor, säkerställer att agenter kan resonera meningsfullt över data.

Vilka grundläggande modeller stöder ni, och hur tillåter ni organisationer att ta med sig sina egna AI/ML-modeller i arbetsflödet?

Vi tror på en öppen och flexibel approach, som erkänner den snabba utvecklingen av AI och respekterar organisationers befintliga investeringar.

För grundläggande modeller underhåller vi integrationer med ledande alternativ från flera leverantörer, inklusive Googles Gemini-familj, OpenAI:s GPT-modeller och framstående öppen källkodsalternativ som Llama. Detta tillåter organisationer att välja modeller som bäst passar deras prestanda, kostnad, styrning eller specifika kapacitetsbehov. Dessa modeller driver olika plattformsfunktioner, inklusive naturligt språkförståelse för frågor, SQL-generering, insiktssammanfattning och metadata-generering.

Utöver dessa tillhandahåller vi robusta vägar för organisationer att ta med sig sina egna anpassade AI/ML-modeller i Easy Answers-arbetsflödet:

• Modeller utvecklade i Python kan ofta integreras direkt via vår AI-motor.
• Vi erbjuder sömlösa integrationsförmågor med stora moln-ML-plattformar som Google Vertex AI och Amazon (AMZN ) SageMaker, vilket möjliggör modeller som tränats och värdas där att anropas.

Kritiskt är att vår semantiska lager spelar en nyckelroll i att göra dessa potentiellt komplexa anpassade modeller tillgängliga. Genom att länka modellinmatningar och utmatningar till affärskoncept definierade i vår kunskapsgraf (MSO och egenskaper), tillåter vi icke-tekniska affärsanvändare att utnyttja avancerade prediktiva, klassificerings- eller kausala modeller (t.ex. via Quick Insights) utan att behöva förstå den underliggande datavetenskapen – de interagerar med bekanta affärstermer, och plattformen hanterar den tekniska översättningen. Detta demokratiserar verkligen tillgången till sofistikerade AI/ML-kapaciteter.

Vad ser du för trender som formar den nästa vågen av företags AI – särskilt i agentmarknader och design utan kod?

Den nästa vågen av företags AI rör sig mot högt dynamiska, sammansatta och samarbetande ekosystem. Flera konvergerande trender driver detta:

• Agentmarknader och register: Vi kommer att se en betydande ökning av agentmarknader som fungerar bredvid interna agentregister. Detta möjliggör en förändring från monolitiska byggnader till en “hyr och komponera”-modell, där organisationer kan dynamiskt upptäcka och integrera specialiserade agenter – interna eller externa – med specifika kapaciteter som behövs, dramatiskt accelererar lösningssdistribution.
• Standardiserad agentkommunikation: För att dessa ekosystem ska fungera behöver agenter ett gemensamt språk. Standardiserade agent-till-agent-kommunikationsprotokoll, som MCP (Model Context Protocol), som vi utnyttjar, och initiativ som Googles Agent2Agent-protokoll, blir avgörande för att möjliggöra sömlös samarbete, kontextdelning och uppgiftsdelegering mellan agenter, oavsett vem som byggt dem eller var de körs.
• Dynamisk orkestrering: Statiska, fördefinierade arbetsflöden kommer att ge plats för dynamisk orkestrering. Intelligenta orkestreringslager kommer att välja, konfigurera och koordinera agenter i realtid baserat på det specifika problemkontexten, leder till betydligt mer anpassningsbara och motståndskraftiga system.
• Design utan kod / lågkod: Demokratiseringen kommer att utvidgas till agent skapande. Design utan kod och lågkod-plattformar kommer att möjliggöra för affärsexperter, inte bara AI-specialister, att designa och bygga agenter som inkapslar specifik domänkunskap och affärslogik, ytterligare berikar poolen av tillgängliga specialiserade kapaciteter.

App Orchids roll är att tillhandahålla den kritiska semantiska grunden för denna framtid. För att agenter i dessa dynamiska ekosystem ska kunna samarbeta effektivt och utföra meningsfulla uppgifter behöver de förstå företagsdata. Vår kunskapsgraf och semantiska lager tillhandahåller exakt den kontextuella förståelsen som krävs, möjliggör för agenter att resonera och agera på data på relevanta affärstermer.

Hur ser du CTO-rollen utvecklas i en framtid där beslutsintelligens demokratiseras genom agentic AI?

Demokratiseringen av beslutsintelligens via agentic AI förhöjer grundläggande CTO-rollen. Det skiftar från att vara primärt en förvaltare av teknisk infrastruktur till att bli en strategisk orkestratör av organisatorisk intelligens.

Nyckelutvecklingar inkluderar:

• Från systemhanterare till ekosystemarkitekt: Fokus flyttas bortom hantering av siloiserade applikationer till att designa, kurera och styra dynamiska ekosystem av interagerande agenter, datakällor och analytiska kapaciteter. Detta involverar att utnyttja agentmarknader och register effektivt.
• Datastrategi som kärnaffärsstrategi: Att säkerställa att data inte bara är tillgänglig utan också semantiskt rik, tillförlitlig och åtkomlig blir avgörande. CTO kommer att vara central i att bygga den kunskapsgraf som utgör grunden för intelligenta system över hela företaget.
• Utveckling av styrningsparadigm: Nya styrningsmodeller kommer att krävas för agentic AI – som hanterar agentförtroende, säkerhet, etisk AI-användning, granskningsbarhet av automatiserade beslut och hantering av emergent beteende inom agent-samarbete.
• Främjande av anpassningsförmåga: CTO kommer att vara avgörande för att inbädda anpassningsförmåga i organisationens tekniska och operativa tyg, skapar miljöer där AI-drivna insikter leder till snabba svar och kontinuerligt lärande.
• Främjande av mänsklig-AI-samarbete: En nyckelaspekt kommer att vara att odla en kultur och designa system där människor och AI-agenter arbetar synergistiskt, kompletterar varandras styrkor.

Slutligen blir CTO mindre fokuserad på att hantera IT-kostnader och mer på att maximera organisationens “intelligenspotential”. Det är en förändring mot att bli en sann strategisk partner, möjliggör för hela affären att fungera mer intelligently och anpassningsbart i en alltmer komplex värld.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka App Orchid.