จิโต ชาดา ผู้ก่อตั้งและซีอีโอของ Nventr – ซีรีส์สัมภาษณ์

จิโต ชาดา ผู้ก่อตั้งและซีอีโอของ Nventr เป็นผู้บริหารด้านเทคโนโลยีและนักลงทุนที่มีประสบการณ์ โดยมีประสบการณ์ทำงานในด้านปัญญาประดิษฐ์ วิทยาศาสตร์ข้อมูล การลงทุนด้านการเงิน และการพัฒนาองค์กร ตั้งแต่การก่อตั้ง Nventr ในปี 2019 เขาได้นำทีมพัฒนาเทคโนโลยี AI ระดับองค์กร และยังดำรงตำแหน่งซีอีโอของ Rule14 ซึ่งเป็นบริษัทวิเคราะห์ข้อมูลเชิงพยากรณ์ ชาดาได้เข้าร่วม HandsOn Global Management ตั้งแต่ปี 2007 และกลายเป็นหุ้นส่วนในปี 2013 โดยมีส่วนร่วมในการจัดหาสินทรัพย์ การจัดโครงสร้าง และการสร้างมูลค่าให้กับธุรกรรมต่างๆ รวมถึงการนำการลงทุนในด้านการเงิน วิทยาศาสตร์ข้อมูล และทรัพยากรธรรมชาติ

Nventr เป็นบริษัท AI ระดับองค์กรที่ตั้งอยู่ในลอสแอนเจลิส ซึ่งพัฒนาเทคโนโลยีสำหรับการสร้าง การใช้งาน และการจัดการแอปพลิเคชันและワークフローอัตโนมัติ แพลตฟอร์มของ Nventr รวมเอาเอเย่นต์ AI โมเดลการเรียนรู้ของเครื่อง โครงข่ายประสาทเทียม การจัดการข้อมูล การประมวลผลเอกสารอัจฉริยะ การแสดงผล และเครื่องมือพัฒนา สินค้าของ Nventr ได้แก่ Agent IO ซึ่งเป็นระบบปฏิบัติการสำหรับการจัดการเอเย่นต์อัตโนมัติ และ nQube ซึ่งเป็นเครื่องมือสร้างワークフロー ที่รองรับการพัฒนาด้วยโค้ดต่ำหรือไม่มีโค้ด และสามารถใช้งานได้ทั้งบนคลาวด์ ในสถานที่ และบนอุปกรณ์เอดจ์

ก่อนที่คุณจะนำทีม Nventr และ Rule14 คุณใช้เวลาหลายปีในการจัดหาสินทรัพย์ การสร้างมูลค่าให้กับบริษัทในพอร์ตโฟลิโอ และทำงานในโครงการวิทยาศาสตร์ข้อมูลภายในองค์กรที่ซับซ้อน ประสบการณ์เหล่านี้มีอิทธิพลต่อการตัดสินใจสร้างแพลตฟอร์ม AI ระดับองค์กรที่เน้นการทำงานร่วมกันมากกว่าเครื่องมืออิสระอย่างไร

การทำงานกับบริษัทในพอร์ตโฟลิโอทำให้เห็นรูปแบบเดียวกันในธุรกิจต่างๆ ทุกองค์กรมีข้อมูลที่ไหลผ่านหลายคน ระบบ และการอนุมัติก่อนที่กระบวนการจะเสร็จสมบูรณ์

ประสบการณ์นี้ช่วยให้ Nventr มุ่งเน้นไปที่การทำงานร่วมกันมากกว่าเครื่องมืออิสระ การปรับปรุงงานหนึ่งๆ มีคุณค่าจำกัดหากผลลัพธ์ไม่สามารถไหลผ่านองค์กรได้อย่างมีประสิทธิภาพ เราเน้นการสร้างกระบวนการทั้งหมดและทำให้สามารถทำงานได้ที่ระดับใหญ่

Nventr รวมเอาเอเย่นต์ การเรียนรู้ของเครื่อง และโครงข่ายประสาทเทียมเข้าด้วยกันในワークフローระดับองค์กร คุณสังเกตเห็นข้อจำกัดใดๆ ในแพลตฟอร์มการทำงานอัตโนมัติแบบเดิมๆ ที่ทำให้คุณพัฒนาโครงสร้างที่กว้างขึ้นนี้

หลายปีที่ผ่านมา บริษัทต่างๆ ใช้งานแอปพลิเคชัน SaaS ที่อยู่บนคลาวด์และในสถานที่ ซึ่งอาจไม่คล่องตัว คงที่ และมีค่าใช้จ่ายสูง ระบบワークフロー โมเดล เอเย่นต์ และข้อมูลของบริษัทมักถูกมองว่าเป็นชั้นที่แยกจากกัน ทำให้การทำงานอัตโนมัติในวงกว้างยากขึ้น

เราพัฒนาโครงสร้างที่ทำให้ส่วนประกอบเหล่านี้สามารถทำงานร่วมกันและขยายขนาดได้ตามความต้องการ โดยไม่ต้องบังคับให้กระบวนการทำงานผ่านแอปพลิเคชันหรือสภาพแวดล้อมการประมวลผลแบบใดแบบหนึ่ง

หลายองค์กรเริ่มต้นยุทธศาสตร์ AI ด้วยการเลือกโมเดลหรือเปิดตัวแชทบอท ในประสบการณ์ของคุณ มีงานพื้นฐานใดๆ ที่เกี่ยวข้องกับข้อมูล สิทธิ์ การประมวลผล และการรวมระบบที่ต้องเกิดขึ้นก่อนที่การวางแผน AI จะสามารถให้ผลลัพธ์ที่มีความหมาย

บริษัทต้องกำหนดกระบวนการ ระบุว่าเอเย่นต์จะต้องมีข้อมูลอะไร และกำหนดที่มาของข้อมูลนั้น ซึ่งอาจเกี่ยวข้องกับฐานข้อมูล ห้องเก็บไฟล์ PDF บทความ ระบบอีเมล หรือแหล่งข้อมูลอื่นๆ ของบริษัทที่ต้องพร้อมให้เอเย่นต์ใช้งานได้

จากนั้นบริษัทต้องกำหนดว่าจะเกิดอะไรขึ้นหลังจากที่เอเย่นต์ได้รับข้อมูลนั้น การสนทนาอาจสร้างคำตอบ สรุป คิวติดตาม หรือワークフローของเอเย่นต์อื่นได้ เครื่องมือที่ได้รับอนุมัติ สิทธิ์ข้อมูล และสิทธิ์ผู้ใช้จะต้องถูกกำหนดโดยบทบาท เพื่อให้การกระทำแต่ละอย่างเกิดขึ้นภายในกระบวนการที่กำหนด

nQube ได้รับการออกแบบมาเพื่อช่วยให้นักวิทยาศาสตร์ข้อมูลและนักวิเคราะห์ธุรกิจสร้าง ทดสอบ ใช้งาน และติดตามワークฟロー AI ได้อย่างมีประสิทธิภาพ คุณทำให้ความสามารถเหล่านี้เข้าถึงได้สำหรับผู้ที่ไม่ใช่ผู้เชี่ยวชาญโดยยังคงรักษาการควบคุมทางเทคนิคที่จำเป็นสำหรับสภาพแวดล้อมการผลิตได้อย่างไร

คนส่วนใหญ่คิดเกี่ยวกับ AI และผลิตภัณฑ์ทางซอฟต์แวร์ผ่านมุมมองของตนเองและวิธีที่ผลิตภัณฑ์สามารถทำให้การทำงานของตนง่ายขึ้นหรือเพิ่มผลผลิตได้ อินเทอร์เฟซควรให้พวกเขาเขียนคำถามและปรับเอเย่นต์หรือワークฟローผ่านภาษาและเสียงปกติ

ワークフロー การประมวลผล และการขยายขนาดยังคงอยู่ภายใต้การโต้ตอบนั้น องค์กรยังคงควบคุมเครื่องมือ แหล่งข้อมูล และสิทธิ์ที่กำหนดให้กับแต่ละบทบาท ดังนั้นนักวิเคราะห์ธุรกิจจึงสามารถใช้ระบบได้โดยไม่ต้องจัดการโครงสร้างพื้นฐานโดยตรง

ระบบปฏิบัติการเอเย่นต์ของ Nventr ใช้เอเย่นต์ประสานงานเพื่อควบคุมเอเย่นต์เฉพาะในワークฟローแบบลำดับและแบบวนซ้ำ แพลตฟอร์มจะกำหนดว่าเอเย่นต์ใดควรจัดการกับงานแต่ละอย่าง รักษาความต่อเนื่องระหว่างเอเย่นต์ และจัดการกับผลลัพธ์ที่ไม่น่าเชื่อถือได้อย่างไร

ワークフローจะกำหนดว่าการร้องขอจะไหลผ่านขั้นตอน บรรทัด และเอเย่นต์เฉพาะอย่างไร ข้อมูลจากขั้นตอนหนึ่งสามารถสรุปและถ่ายทอดต่อไปได้ เพื่อให้เอเย่นต์ถัดไปเข้าใจว่าเกิดอะไรขึ้น ขออะไร และควรทำต่อไปอย่างไร

การรับมือกับผลลัพธ์ที่ไม่น่าเชื่อถือจะขึ้นอยู่กับกระบวนการและผลที่ตามมาของการกระทำ การควบคุมワークฟローจะต้องสะท้อนถึงจุดที่ระบบสามารถดำเนินต่อไปได้ และจุดที่ผลลัพธ์จำเป็นต้องมีการทบทวน

องค์กรต่างๆ ต้องการความยืดหยุ่นในการใช้โมเดลภาษาขนาดใหญ่ ระบบการเรียนรู้ของเครื่องเฉพาะ และเอเย่นต์ของบุคคลที่สามอย่างไร องค์กรควรออกแบบโครงสร้างพื้นฐาน AI เพื่อหลีกเลี่ยงการขึ้นอยู่กับผู้ให้บริการโมเดลหรือสแต็คเทคโนโลยีเดียวได้อย่างไร

โครงสร้างพื้นฐานควรรองรับโมเดลหลายรูปแบบและทำให้สามารถทำงานร่วมกันภายในワークฟローเดียวกันได้ ผู้ให้บริการหนึ่งอาจจัดการส่วนประกอบเสียงถึงเสียง ในขณะที่โมเดลอื่นจัดการการให้เหตุผลหรือการประมวลผลเบื้องหลัง

ชุดเครื่องมือควรเลือกตามต้นทุน ประสิทธิภาพ ความปลอดภัย ความหน่วง และความเปิดกว้างต่อผู้ให้บริการภายนอก บางองค์กรรู้สึกสบายใจที่จะรวมผู้ให้บริการ ในขณะที่บางองค์กรต้องการให้เอเย่นต์ทำงานบนคลาวด์ของตนเองหรือโครงสร้างพื้นฐานที่อุทิศให้ โครงสร้างพื้นฐานจะต้องรองรับทั้งสองแนวทาง

เมื่อเอเย่นต์ AI สามารถเข้าถึงข้อมูลของบริษัทและดำเนินการกระบวนการทางธุรกิจได้ ความปลอดภัยจะซับซ้อนกว่าการปกป้องอินเทอร์เฟซการสนทนาเพียงอย่างเดียว ควบคุมสิทธิ์ เอเย่นต์ และความสามารถในการเริ่มการกระทำที่มีผลกระทบได้อย่างไร

การเข้าถึงควรควบคุมโดยบทบาท โครงการ และワークフロー เอเย่นต์ควรสามารถใช้ข้อมูล เครื่องมือ และการกระทำที่ได้รับอนุมัติสำหรับบริบทนั้นเท่านั้น โดยมีการร้องขนอื่นๆ ที่ส่งไปเพื่อขออนุมัติ

ระดับของความเป็นอิสระควรสะท้อนถึงความอ่อนไหวของข้อมูลและผลที่ตามมาของการกระทำ สำหรับธุรกรรมที่เกี่ยวข้องกับเงิน ข้อมูลส่วนบุคคล หรือผลลัพธ์ที่สำคัญอื่นๆ บริษัทควรสามารถเห็นได้ว่าเอเย่นต์กำลังทำอะไร และต้องได้รับการอนุมัติก่อนที่จะเสร็จสิ้น

Nventr นำเสนอแอปพลิเคชันในหลายพื้นที่ รวมถึงการประมวลผลเอกสาร บริการลูกค้า การรายงาน การสื่อสารด้านสุขภาพ และการตรวจจับการฉ้อโกง ลักษณะทางเทคนิคหรือการดำเนินงานใดที่ทำให้ワークフローเหมาะสมสำหรับการทำงานอัตโนมัติ และกระบวนการใดที่ควรนำโดยมนุษย์เป็นหลัก

เราสมดุลระหว่างจำนวนคนหรือต้นทุนที่เกี่ยวข้องกับกระบวนการกับความซับซ้อนและความเหมาะสมในการทำงานอัตโนมัติ กระบวนการหนึ่งอาจมีค่าใช้จ่ายสูงหรือต้องใช้แรงงานมาก แต่ก็อาจไม่เหมาะสมที่จะเริ่มต้นการทำงานอัตโนมัติหากมีความซับซ้อนหรือไม่น่าเชื่อถือเกินไป

แนวทางทั่วไปคือเลือกผลลัพธ์ที่ดีที่สุดด้วยผลกระทบมากที่สุด สูตรนี้สามารถใช้ได้กับทั้งบทบาทของคนๆ หนึ่งหลายแผนกหรือทั้งองค์กร กระบวนการที่เกี่ยวข้องกับความไม่แน่นอนหรือการตัดสินที่มีผลกระทบควรยังคงรวมคนเข้าไปด้วย

คุณได้พูดถึงแนวคิดที่พนักงานจะมีเอเย่นต์ AI ที่จัดการส่วนซ้ำๆ ของงานของตนในอนาคต สิ่งนี้จะเปลี่ยนแปลงโครงสร้างองค์กรอย่างไร และผู้นำควรทำอะไรเพื่อให้แน่ใจว่าระบบเหล่านี้จะเสริมสร้างการตัดสินใจของมนุษย์แทนที่จะค่อยๆ ลดทอนมันออกจากการตัดสินใจที่สำคัญ

แนวคิดคือการให้แต่ละคนในบัญชีเงินเดือนมีเอเย่นต์ที่สอดคล้องกันซึ่งสามารถเรียนรู้ส่วนของงานในระยะยาว เมื่อขยายไปทั่วทั้งองค์กร จะสร้างความฉลาดและความเหมาะสมที่มีศูนย์กลางเหนือแผนผังองค์กร แทนที่จะจำกัดผลประโยชน์ไว้ที่พนักงานหนึ่งหรือสองคน

เอเย่นต์สามารถรับงานซ้ำๆ เช่น การรวบรวมข้อมูล การย้ายข้อมูล หรือการสร้างการนำเสนอแบบง่ายๆ สิ่งนี้ทำให้ผู้คนมีเวลาในการอภิปรายและตัดสินใจที่สำคัญมากขึ้น ในขณะที่องค์กรมีอำนาจควบคุมข้อมูลที่ละเอียดอ่อนและการกระทำที่มีผลกระทบ

เมื่อเอเย่นต์ AI พัฒนาไปสู่การเป็นชั้นการทำงานสำหรับองค์กรที่ซับซ้อน คุณสมบัติใดที่ต้องปรับปรุงมากที่สุดเพื่อให้บริษัทต่างๆ สามารถทำงานอัตโนมัติได้อย่างปลอดภัยโดยครอบคลุมทั้งแผนกหรือหน่วยธุรกิจ

เอเย่นต์จำเป็นต้องมีการตอบสนองที่รวดเร็วและต้องมีการผสานรวมที่ดีกับฐานข้อมูล ไฟล์ และระบบขนาดใหญ่ของบริษัท ข้อมูลจะต้องไหลผ่านบทบาทและแผนกโดยไม่ต้องใช้คนถ่ายทอดหรือสร้างปัญหาอุดตันใหม่ๆ

ชั้นการโต้ตอบก็จำเป็นต้องปรับปรุงด้วย เอเย่นต์เสียงควรให้ความรู้สึกเหมือนการสนทนาแบบปกติ โดยที่คนสามารถตัดบทและเปลี่ยนทิศทางได้ และในอนาคต บริษัทต่างๆ จะต้องมีวิธีการโดยตรงสำหรับเอเย่นต์ที่ได้รับอนุญาตในการโต้ตอบกับระบบของตน การทำงานอัตโนมัติของเบราว์เซอร์สามารถช่วยข้ามช่องว่างได้ แต่อุตสาหกรรมจะพัฒนาไปสู่โครงสร้างที่มีประสิทธิภาพมากขึ้น เนื่องจากการคำนวณและโครงสร้างพื้นฐานมีค่าใช้จ่าย

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Nventr เพื่อเรียนรู้เพิ่มเติม