ราวี บอมมาคานติ ซีทีโอของ App Orchid – ซีรีส์สัมภาษณ์

ราวี บอมมาคานติ ซีทีโอของ App Orchid นำภารกิจของบริษัทในการช่วยให้ธุรกิจต่างๆ สามารถใช้ AI ในการดำเนินงานและกระบวนการตัดสินใจได้อย่างมีประสิทธิภาพ ยอดผลิตภัณฑ์ของ App Orchid คือ Easy Answers ซึ่งช่วยให้ผู้ใช้สามารถสื่อสารกับข้อมูลโดยใช้ภาษาธรรมชาติในการสร้างแดชบอร์ด ข้อมูลเชิงลึก และการดำเนินการที่ได้รับการสนับสนุนจาก AI

แพลตฟอร์มนี้รวมข้อมูลที่มีโครงสร้างและไม่มีโครงสร้าง รวมถึงข้อมูลแบบเรียลไทม์และความรู้ของพนักงานเข้าด้วยกัน เพื่อสร้างข้อมูลที่คาดการณ์ได้ซึ่งสนับสนุนการตัดสินใจเชิงกลยุทธ์และการดำเนินงาน ด้วยเทคโนโลยี Big Data ในหน่วยความจำและอินเทอร์เฟซที่ใช้งานง่าย App Orchid ทำให้การนำ AI ไปใช้ได้เร็วขึ้น โดยมีการใช้งานที่ต่ำและไม่ทำให้ระบบที่มีอยู่แล้วเปลี่ยนแปลงมาก

เรามาเริ่มจากภาพรวมใหญ่ๆ กันก่อน — “agentic AI” มีความหมายอย่างไรสำหรับคุณ และมันแตกต่างจากระบบ AI แบบดั้งเดิมอย่างไร?

agentic AI เป็นตัวแทนของการเปลี่ยนแปลงพื้นฐานจากการที่ระบบ AI แบบดั้งเดิมทำตามที่ถูกตั้งโปรแกรมไว้ มันคือการเปลี่ยนจากระบบที่มีการทำงานแบบคงที่ไปสู่ระบบที่สามารถปรับเปลี่ยนและทำงานร่วมกันได้

สิ่งที่ทำให้ agentic AI แตกต่างออกไปคือความสามารถในการใช้ประโยชน์จากความรู้และความเชี่ยวชาญที่กระจายอยู่ทั่วทุกแห่ง ระบบ AI แบบดั้งเดิมมักจะทำงานภายในขอบเขตที่กำหนดไว้แล้ว ในขณะที่ระบบ agentic สามารถแบ่งงานที่ซับซ้อนออกเป็นงานย่อยๆ และหาตัวแทนหรือตัวกลางที่เหมาะสมสำหรับงานย่อยๆ เหล่านั้นได้

ดังนั้น อนาคตจึงไม่ได้อยู่ที่การสร้างระบบที่มีขนาดใหญ่และซับซ้อน แต่อยู่ที่การสร้างระบบที่สามารถปรับเปลี่ยนและทำงานร่วมกันได้ เพื่อแก้ไขปัญหาที่ซับซ้อนและเปลี่ยนแปลงอย่างมีประสิทธิภาพ

Google (GOOGL ) Agentspace กำลังเร่งการนำ AI ไปใช้ในธุรกิจอย่างไร และ App Orchid มีบทบาทอย่างไรในระบบนี้?

Google Agentspace เป็นตัวเร่งการนำ AI ไปใช้ในธุรกิจ โดยให้พื้นฐานที่เป็นเอกภาพในการใช้งานและจัดการตัวแทน AI ที่เชื่อมต่อกับแอปพลิเคชันการทำงานต่างๆ และใช้ประโยชน์จากความสามารถในการค้นหาและแบบจำลองของ Google เช่น Gemini Agentspace ช่วยให้บริษัทต่างๆ สามารถเปลี่ยนข้อมูลที่อยู่ในซิลโอให้กลายเป็นข้อมูลเชิงลึกที่สามารถดำเนินการได้โดยใช้อินเทอร์เฟซที่เป็นเอกภาพ

App Orchid ทำหน้าที่เป็นชั้นการทำงานเชิงความหมายที่สำคัญในระบบนี้ ในขณะที่ Agentspace ให้โครงสร้างพื้นฐานและชุดคำสั่งสำหรับตัวแทน AI Easy Answers ของเราก็แก้ไขปัญหาที่สำคัญของธุรกิจในการทำให้ข้อมูลที่ซับซ้อนสามารถเข้าใจและเข้าถึงได้โดยใช้ภาษาธรรมชาติ

นี่ทำให้เกิดความสอดคล้องกันที่มีพลัง: Agentspace ให้โครงสร้างพื้นฐานและชุดคำสั่งสำหรับตัวแทน AI ในขณะที่ App Orchid ให้ความเข้าใจเชิงความหมายที่ลึกซึ้งเกี่ยวกับข้อมูลธุรกิจที่ซับซ้อน ซึ่งเป็นสิ่งที่ตัวแทน AI ต้องการเพื่อทำงานได้อย่างมีประสิทธิภาพและให้ข้อมูลเชิงลึกที่มีความหมาย

อุปสรรคที่แท้จริงที่บริษัทต่างๆ ต้องเผชิญเมื่อนำ AI ไปใช้คืออะไร และ App Orchid ช่วยให้พวกเขาทำให้สำเร็จได้อย่างไร?

อุปสรรคหลักที่เราเห็นคือคุณภาพของข้อมูล ความท้าทายในการพัฒนามาตรฐานความปลอดภัย — โดยเฉพาะการรับรองความไว้วางใจระหว่างตัวแทน — และการจัดการความรู้และความสามารถที่กระจายอยู่ทั่วทุกแห่ง

คุณภาพของข้อมูลยังคงเป็นปัญหาพื้นฐาน App Orchid แก้ไขปัญหานี้โดยการสร้างชั้นการทำงานเชิงความหมายที่ให้ความรู้ที่ลึกซึ้งเกี่ยวกับข้อมูลที่มีอยู่

ความปลอดภัยเป็นอีกหนึ่งอุปสรรคที่สำคัญ โดยเฉพาะอย่างยิ่งเมื่อการติดต่อสื่อสารระหว่างตัวแทน AI กลายเป็นเรื่องปกติ การสร้างกลไกที่มั่นคงสำหรับความไว้วางใจระหว่างตัวแทนและรักษาความปลอดภัยโดยไม่ขัดขวางการทำงานที่จำเป็นเป็นสิ่งสำคัญ

สุดท้าย การใช้ประโยชน์จากความรู้และความสามารถที่กระจายอยู่ทั่วทุกแห่งต้องใช้การทำงานร่วมกันที่ซับซ้อน App Orchid ใช้แนวคิดเช่น Model Context Protocol (MCP) ซึ่งเป็นสิ่งสำคัญในการจัดหาตัวแทนพิเศษจากคลังเก็บข้อมูลตามความต้องการของบริบท

คุณสามารถอธิบายว่า Easy Answers ทำงานอย่างไร — ตั้งแต่การถามคำถามภาษาธรรมชาติไปจนถึงการสร้างข้อมูลเชิงลึก?

Easy Answers เปลี่ยนแปลงวิธีที่ผู้ใช้โต้ตอบกับข้อมูลธุรกิจ โดยทำให้การวิเคราะห์ที่ซับซ้อนสามารถเข้าถึงได้โดยใช้ภาษาธรรมชาติ นี่คือวิธีการทำงาน:

• การเชื่อมต่อ: เราเริ่มต้นด้วยการเชื่อมต่อกับแหล่งข้อมูลธุรกิจ — เราสนับสนุนฐานข้อมูลและระบบมากกว่า 200 ระบบ
• การสร้างออนโทโลจี: แพลตฟอร์มของเราวิเคราะห์ข้อมูลที่เชื่อมต่อและสร้างกราฟความรู้ที่ครอบคลุม
• การเพิ่มเมตาดาต้า: ออนโทโลจีนี้ถูกเพิ่มด้วยเมตาดาต้า
• การถามคำถามภาษาธรรมชาติ: ผู้ใช้ถามคำถามภาษาธรรมชาติ
• การแปลและสร้าง SQL: เครื่องยนต์ NLP ของเราสามารถเข้าใจความตั้งใจของผู้ใช้และแปลคำถามเป็นคำถามข้อมูลที่แม่นยำ
• การสร้างข้อมูลเชิงลึก (Curations): ระบบดึงข้อมูลและกำหนดวิธีการนำเสนอข้อมูลเชิงลึกที่มีประสิทธิภาพสูงสุด
• การวิเคราะห์ที่ลึกซึ้งยิ่งขึ้น (Quick Insights): สำหรับคำถามที่ซับซ้อนหรือการค้นหาที่กระตือรือร้น ผู้ใช้สามารถใช้ Quick Insights เพื่อใช้อัลกอริทึม ML ที่มีอยู่ในแพลตฟอร์มเพื่อตรวจจับรูปแบบ ระบุความผิดปกติ หรือยืนยันสมมติฐานโดยไม่ต้องมีความรู้ด้านวิทยาศาสตร์ข้อมูล

กระบวนการทั้งหมดนี้ ซึ่งมักจะเสร็จสิ้นภายในไม่กี่วินาที ทำให้การเข้าถึงและวิเคราะห์ข้อมูลเป็นเรื่องที่ง่ายขึ้น และเปลี่ยนการสำรวจข้อมูลที่ซับซ้อนให้เป็นการพูดคุยกันอย่างง่ายดาย

Easy Answers เชื่อมต่อข้อมูลที่แยกจากกันในองค์กรขนาดใหญ่และรับประกันว่าข้อมูลเชิงลึกนั้นสามารถอธิบายและติดตามได้อย่างไร?

ข้อมูลที่แยกจากกันเป็นอุปสรรคสำคัญในองค์กรขนาดใหญ่ Easy Answers จัดการกับความท้าทายนี้โดยใช้แนวทางชั้นการทำงานเชิงความหมายที่เป็นเอกลักษณ์

แทนที่จะรวมข้อมูลทางกายภาพที่ซับซ้อนและใช้เวลานาน เราสร้างชั้นการทำงานเชิงความหมายที่เป็นเอกภาพโดยการเชื่อมต่อกับแหล่งข้อมูลที่หลากหลายที่อยู่ในตำแหน่งของมัน ชั้นนี้ได้รับการสนับสนุนจากเทคโนโลยีกราฟความรู้ของเรา ซึ่งแมปข้อมูลเป็นวัตถุเชิงความหมายที่จัดการได้ (MSOs) และความสัมพันธ์ของมัน และเพิ่มเมตาดาต้าตามบริบท

การรับประกันว่าข้อมูลเชิงลึกนั้นเชื่อถือได้ต้องมีทั้งการตรวจสอบและความสามารถในการอธิบาย:

• การตรวจสอบ: เราให้การตรวจสอบข้อมูลที่ครอบคลุม ผู้ใช้สามารถดูรายละเอียดของข้อมูลเชิงลึกหรือการคัดสรรใดๆ กลับไปยังข้อมูลต้นกำเนิด โดยมองเห็นทุกการแปลง การกรอง และการคำนวณที่ใช้
• การอธิบาย: ข้อมูลเชิงลึกมาพร้อมกับการอธิบายภาษาธรรมชาติ ซึ่งอธิบายว่าข้อมูลแสดงอะไรและทำไมมันสำคัญในแง่ธุรกิจ

สิ่งนี้เชื่อมต่อข้อมูลที่แยกจากกันโดยการสร้างมุมมองเชิงความหมายที่เป็นเอกภาพและสร้างความไว้วางใจผ่านการตรวจสอบและความสามารถในการอธิบายที่ชัดเจน

ระบบของคุณรับประกันความโปร่งใสในข้อมูลเชิงลึกอย่างไร โดยเฉพาะอย่างยิ่งในอุตสาหกรรมที่มีการควบคุมที่ข้อมูลเชิงลึกมีความสำคัญ?

ความโปร่งใสเป็นสิ่งสำคัญสำหรับข้อมูลเชิงลึกที่ได้รับการสนับสนุนจาก AI โดยเฉพาะอย่างยิ่งในอุตสาหกรรมที่มีการควบคุมที่ความสามารถในการตรวจสอบและป้องกันการโต้แย้งเป็นสิ่งสำคัญ แพลตฟอร์มของเรารับประกันความโปร่งใสในสามมิติหลัก:

• การตรวจสอบข้อมูล: นี่คือพื้นฐาน Easy Answers ให้การตรวจสอบข้อมูลที่ครอบคลุมทุกขั้นตอน
• ความโปร่งใสของวิธีการ: เมื่อใช้แบบจำลองวิเคราะห์หรือ ML (เช่น ผ่าน Quick Insights) แพลตฟอร์มของเราจะบันทึกวิธีการที่ใช้ พารามิเตอร์ที่ใช้ และเมตริกการประเมินที่เกี่ยวข้อง
• การอธิบายภาษาธรรมชาติ: การแปลผลลัพธ์ทางเทคนิคให้เป็นบริบทธุรกิจที่เข้าใจได้เป็นสิ่งสำคัญสำหรับความโปร่งใส

นอกจากนี้ เรายังรวมคุณลักษณะด้านการกำกับดูแลเพิ่มเติมสำหรับอุตสาหกรรมที่มีความต้องการการปฏิบัติตามข้อกำหนดเฉพาะ เช่น การควบคุมการเข้าถึงตามบทบาท การทำงานแบบอนุมัติสำหรับการดำเนินการหรือรายงานบางอย่าง และบันทึกการตรวจสอบที่ครอบคลุมซึ่งบันทึกกิจกรรมของผู้ใช้และปฏิบัติการของระบบ

App Orchid กำลังเปลี่ยนข้อมูลเชิงลึกที่ได้รับการสนับสนุนจาก AI ให้เป็นการดำเนินการโดยใช้ฟังก์ชันเช่น Generative Actions อย่างไร?

การสร้างข้อมูลเชิงลึกมีค่า แต่เป้าหมายที่แท้จริงคือการขับเคลื่อนผลลัพธ์ทางธุรกิจ ด้วยข้อมูลและบริบทที่ถูกต้อง ระบบ AI ที่มีเจตนา (agentic) สามารถขับเคลื่อนการดำเนินการเพื่อเชื่อมช่องว่างที่สำคัญระหว่างการค้นพบข้อมูลเชิงลึกและการดำเนินการที่เป็นรูปธรรม

นี่คือวิธีการทำงาน: เมื่อแพลตฟอร์ม Easy Answers ระบุรูปแบบที่สำคัญ การเติบโต หรือโอกาสผ่านการวิเคราะห์ มันจะใช้ AI เพื่อเสนอการดำเนินการที่เฉพาะเจาะจงและเกี่ยวข้องกับบริบทที่สามารถดำเนินการได้

การดำเนินการที่แนะนำไม่ใช่คำแนะนำทั่วไป แต่เป็นการแนะนำที่เฉพาะเจาะจง ตัวอย่างเช่น แทนที่จะเพียงแค่ระบุลูกค้าที่มีความเสี่ยงสูงที่จะหยุดใช้บริการ มันอาจแนะนำข้อเสนอการรักษาลูกค้าที่มีการปรับให้เหมาะสมสำหรับกลุ่มลูกค้าที่แตกต่างกัน

สิ่งสำคัญคือการรักษาการกำกับดูแลของมนุษย์ การดำเนินการที่แนะนำจะถูกนำเสนอให้กับผู้ใช้ที่เหมาะสมสำหรับการทบทวน การแก้ไข การอนุมัติ หรือการปฏิเสธ

เมื่อการดำเนินการได้รับการอนุมัติ เราสามารถกระตุ้นการทำงานของระบบ AI เพื่อการดำเนินการโดยไม่ต้องมีการแทรกแซงโดยตรงผ่านการผสานรวมกับระบบการดำเนินงาน

กราฟความรู้และแบบจำลองข้อมูลเชิงความหมายมีความสำคัญต่อความสำเร็จของแพลตฟอร์มของคุณอย่างไร?

กราฟความรู้และแบบจำลองข้อมูลเชิงความหมายเป็นแก่นกลางของแพลตฟอร์ม Easy Answers ทำให้มันแตกต่างจากเครื่องมือ BI ทั่วไปที่มักจะรักษาข้อมูลเป็นเพียงตารางและคอลัมน์ที่ไม่มีบริบททางธุรกิจที่แท้จริง

การทำงานเชิงความหมายนี้เป็นศูนย์กลางของความสำเร็จของเราเนื่องจากหลายสาเหตุ:

• ทำให้สามารถโต้ตอบภาษาธรรมชาติได้: แบบจำลองเชิงความหมายที่มีโครงสร้างเป็นกราฟความรู้และวัตถุเชิงความหมายที่จัดการได้ (MSOs) คุณสมบัติ และความสัมพันธ์ที่กำหนดไว้ ทำหน้าที่เป็น “Rosetta Stone” เพื่อแปลความซับซ้อนของภาษาธรรมชาติและคำศัพท์ทางธุรกิจให้เป็นคำถามข้อมูลที่แม่นยำ
• รักษาความสำคัญของบริบททางธุรกิจ: ไม่เหมือนกับการเชื่อมต่อแบบเรลเชชันแบบง่ายๆ กราฟความรู้ของเราบันทึกความสัมพันธ์ที่ซับซ้อนและลึกซึ้งระหว่างวัตถุทางธุรกิจ (เช่น วิธีการที่ลูกค้าโต้ตอบกับสินค้าผ่านตั๋วสนับสนุนและคำสั่งซื้อ)
• ให้ความสามารถในการปรับเปลี่ยนและขยาย: แบบจำลองเชิงความหมายมีความยืดหยุ่นมากกว่าโครงสร้างที่มีการกำหนดไว้แล้ว เมื่อความต้องการทางธุรกิจเปลี่ยนแปลงหรือแหล่งข้อมูลใหม่ถูกเพิ่ม กราฟความรู้สามารถขยายและปรับเปลี่ยนได้โดยไม่ต้องเปลี่ยนแปลงทั้งหมด

ความเข้าใจเชิงลึกเกี่ยวกับบริบทข้อมูลที่ให้มาโดยชั้นการทำงานเชิงความหมายของเราคือสิ่งสำคัญสำหรับทุกสิ่งที่ Easy Answers ทำ ตั้งแต่การถามและตอบแบบง่ายๆ ไปจนถึงการตรวจจับรูปแบบที่ซับซ้อนโดยใช้ Quick Insights และเป็นพื้นฐานที่จำเป็นสำหรับความสามารถ AI ของเราในอนาคต เพื่อให้แน่ใจว่าตัวแทนสามารถให้เหตุผลเกี่ยวกับข้อมูลได้อย่างมีความหมาย

คุณสนับสนุนแบบจำลองพื้นฐานใดบ้าง และคุณช่วยให้องค์กรสามารถนำแบบจำลอง AI/ML ของตนเองมาใช้ในกระบวนการทำงานได้อย่างไร?

เรามีนโยบายที่เปิดกว้างและยืดหยุ่น โดยรับรู้ถึงการเปลี่ยนแปลงอย่างรวดเร็วของ AI และเคารพการลงทุนขององค์กร

สำหรับแบบจำลองพื้นฐาน เรารักษาการผสานรวมกับตัวเลือกชั้นนำจากผู้ให้บริการหลายราย รวมถึง Gemini ของ Google และ GPT ของ OpenAI

นอกเหนือจากนี้ เราให้เส้นทางที่แข็งแกร่งสำหรับองค์กรในการนำแบบจำลอง AI/ML ที่กำหนดเองมาใช้ในกระบวนการทำงานของ Easy Answers:

• แบบจำลองที่พัฒนาด้วย Python สามารถผสานรวมได้โดยตรงผ่าน AI Engine ของเรา
• เรามีความสามารถในการผสานรวมอย่างราบรื่นพร้อมกับแพลตฟอร์ม ML ของคลาวด์หลัก เช่น Google Vertex AI และ Amazon (AMZN ) SageMaker ทำให้แบบจำลองที่ฝึกอบรมและโฮสต์ไว้ที่นั่นสามารถเรียกใช้ได้

สิ่งสำคัญคือชั้นการทำงานเชิงความหมายของเรามีบทบาทสำคัญในการทำให้แบบจำลองที่ซับซ้อนนี้สามารถเข้าถึงได้โดยผู้ใช้ที่ไม่ใช่ผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูล โดยการเชื่อมโยงการนำเข้าและออกของแบบจำลองกับแนวคิดทางธุรกิจที่กำหนดไว้ในกราฟความรู้ของเรา (MSOs และคุณสมบัติ) เราอนุญาตให้ผู้ใช้ธุรกิจที่ไม่ใช่ผู้เชี่ยวชาญด้านวิทยาศาสตร์ข้อมูลสามารถใช้ประโยชน์จากแบบจำลองการคาดการณ์ การจำแนกประเภท หรือการสร้างสาเหตุได้อย่างมีประสิทธิภาพ

เมื่อมองไปข้างหน้า คุณเห็นแนวโน้มใดที่จะกำหนดรูปแบบ AI ขององค์กรในอนาคต — โดยเฉพาะอย่างยิ่งในตลาดตัวแทนและด้านการออกแบบตัวแทนแบบไม่ต้องเขียนโค้ด?

คลื่นลูกต่อไปของ AI ขององค์กรกำลังเคลื่อนไปสู่ระบบที่มีการปรับเปลี่ยน การทำงานร่วมกัน และการประกอบกันอย่างมีพลัง

แนวโน้มที่หลากหลายกำลังเกิดขึ้น:

• ตลาดตัวแทนและคลังเก็บตัวแทน: เราจะเห็นการเพิ่มขึ้นของตลาดตัวแทนซึ่งทำงานร่วมกับคลังเก็บตัวแทนภายในองค์กร ทำให้เกิดการเปลี่ยนแปลงจากโมเดลการสร้างแบบเดิมๆ ไปสู่โมเดล “เช่าและประกอบ” ซึ่งองค์กรสามารถค้นหาและรวมตัวแทนพิเศษที่มีความสามารถเฉพาะเจาะจงได้อย่างมีประสิทธิภาพ
• การสื่อสารตัวแทนแบบมาตรฐาน: สำหรับระบบเหล่านี้ที่จะทำงาน ตัวแทนจะต้องมีภาษาที่ใช้ร่วมกัน โพรโทคอลการสื่อสารตัวแทนแบบมาตรฐาน เช่น Model Context Protocol (MCP) ซึ่งเรานำมาใช้ และโครงการเช่น Google’s Agent2Agent protocol จะเป็นสิ่งจำเป็นสำหรับการทำงานร่วมกันอย่างราบรื่นระหว่างตัวแทน
• การกำกับดูแลแบบไดนามิก: ระบบที่มีการกำหนดไว้ล่วงหน้าจะให้ทางเลือกแก่การกำกับดูแลแบบไดนามิก ซึ่งชั้นการกำกับดูแลที่มีประสิทธิภาพจะเลือก ตั้งค่า และประสานงานตัวแทนในเวลารันไทม์ตามบริบทของปัญหา
• การออกแบบตัวแทนแบบไม่ต้องเขียนโค้ด/ต่ำกว่าโค้ด: การทำให้กระบวนการสร้างตัวแทนมีความยืดหยุ่นยิ่งขึ้น จะทำให้ผู้เชี่ยวชาญด้านธุรกิจไม่ใช่ผู้เชี่ยวชาญด้าน AI สามารถออกแบบและสร้างตัวแทนโดยไม่ต้องเขียนโค้ดได้

App Orchid มีบทบาทสำคัญในการให้พื้นฐานเชิงความหมายที่จำเป็นสำหรับระบบเหล่านี้ เพื่อให้ตัวแทนในระบบเหล่านี้สามารถทำงานร่วมกันและดำเนินการตามข้อมูลธุรกิจได้อย่างมีประสิทธิภาพ

คุณเห็นบทบาทของซีทีโอเปลี่ยนแปลงไปอย่างไรในอนาคตที่ AI จะทำให้ธุรกิจมีความฉลาดมากขึ้น?

การทำให้ธุรกิจมีความฉลาดมากขึ้นด้วย AI จะทำให้บทบาทของซีทีโอเปลี่ยนแปลงไปอย่างมีนัยสำคัญ

การเปลี่ยนแปลงหลักๆ ได้แก่:

• จากผู้จัดการระบบไปสู่สถาปนิกระบบนิเวศ: การมุ่งเน้นจะเปลี่ยนจากการจัดการระบบแยกกันไปสู่การออกแบบ ระบบนิเวศที่มีการโต้ตอบระหว่างตัวแทน ข้อมูล และความสามารถในการวิเคราะห์
• กลยุทธ์ข้อมูลเป็นกลยุทธ์ธุรกิจหลัก: การรับประกันว่าข้อมูลไม่เพียงแต่พร้อมใช้งาน แต่ยังมีความหมายที่ลึกซึ้งและเชื่อถือได้ จะกลายเป็นสิ่งสำคัญ
• การเปลี่ยนแปลงรูปแบบการกำกับดูแล: โมเดลการกำกับดูแลใหม่ๆ จะต้องมีการพัฒนาเพื่อจัดการกับความไว้วางใจของตัวแทน ความปลอดภัย การใช้ AI อย่างมีจริยธรรม และการตรวจสอบความถูกต้องของการตัดสินใจโดยอัตโนมัติ
• การสนับสนุนความสามารถในการปรับเปลี่ยน: ซีทีโอจะมีบทบาทสำคัญในการสร้างสภาพแวดล้อมที่สามารถปรับเปลี่ยนและเรียนรู้อย่างต่อเนื่อง
• การส่งเสริมการทำงานร่วมกันระหว่างมนุษย์และ AI: สิ่งสำคัญคือการสร้างวัฒนธรรมและออกแบบระบบที่ทำให้คนและตัวแทน AI สามารถทำงานร่วมกันเพื่อเสริมสร้างจุดแข็งของกันและกัน

สุดท้าย ซีทีโอจะเปลี่ยนจากการมุ่งเน้นการจัดการต้นทุน IT ไปสู่การเพิ่มศักยภาพทางปัญญาขององค์กรให้สูงสุด มันคือการเปลี่ยนแปลงไปสู่การเป็นหุ้นส่วนเชิงกลยุทธ์ที่ช่วยให้ธุรกิจทั้งหมดสามารถดำเนินงานได้อย่างฉลาดและปรับเปลี่ยนในโลกที่ซับซ้อนมากขึ้น

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม App Orchid เพื่อเรียนรู้เพิ่มเติม