Джіто Чадха, засновник і генеральний директор Nventr – Інтерв’ю

Джіто Чадха, засновник і генеральний директор Nventr, – досвідчений виконавчий директор і інвестор, чиє кар’єра охоплює штучний інтелект, наукові дані,风险 капітал та розвиток бізнесу. З моменту заснування Nventr у 2019 році він очолював розвиток підприємства штучного інтелекту, а також обіймав посаду генерального директора компанії з передбачувальної аналітики Rule14. Чадха є частиною HandsOn Global Management з 2007 року та став партнером у 2013 році, сприяючи пошуку, структуризації та створенню цінності численних угод, а також очолюючи інвестиції у сфері风险 капіталу, наукові дані та природні ресурси.

Nventr – це компанія з Лос-Анджелеса, яка займається розробкою підприємства штучного інтелекту, технологій для створення, розгортання та управління інтелектуальними додатками та автоматизованими робочими процесами. Її платформа поєднує агентів штучного інтелекту, моделі машинного навчання, нейронні мережі, управління даними, інтелектуальну обробку документів, візуалізацію та інструменти розробки. До продуктів компанії належать Agent IO, операційна система для оркестрування автономних агентів у бізнес-функціях, та nQube, інструмент створення робочих процесів, який підтримує розробку без коду, з низьким кодом та повним кодом, а також розгортання у хмарі, на місці та на краю.

До того, як ви очолили Nventr і Rule14, ви провели роки, займаючись пошуком інвестицій, створенням цінності серед портфельних компаній та роботою з ініціативами наукових даних всередині складних організацій. Як цей досвід вплинув на ваше рішення створити підприємство штучного інтелекту, орієнтоване на робочі процеси, а не на окремі інструменти?

Робота у портфельних компаніях показала одну й ту ж схему у різних бізнесах. Кожна організація мала інформацію, яка рухалася через кілька людей, систем та затверджень, перш ніж процес міг бути завершений.

Цей досвід сформував Nventr навколо робочих процесів, а не окремих інструментів. Покращення однієї задачі має обмежену цінність, якщо результат не може рухатися ефективно через решту організації. Ми зосередилися на структуруванні всього процесу та його виконанні у великому масштабі.

Nventr поєднує агентські дії, моделі машинного навчання та нейронні мережі у масштабних підприємствах робочих процесів. Які обмеження ви спостерігали у традиційних платформах автоматизації, що змусило вас розробити цю ширшу архітектуру? 

Роки компанії працювали через колекції хмарних та локально розміщених програм SaaS, які могли бути незграбними, жорсткими та дорогими. Система робочих процесів, моделей, агентів та даних компанії зазвичай оброблялися як окремі шари, що робило більш широку автоматизацію більш складною.

Ми розробили архітектуру, у якій ці компоненти можуть працювати разом та масштабуватися незалежно, коли змінюється попит. Процес не повинен бути примушений до однієї фіксованої програми або одного типу обчислювального середовища.

Багато організацій починають свою стратегію штучного інтелекту з вибору моделі або запуску чат-бота. За вашим досвідом, які фундаментальні роботи, пов’язані з даними, дозволами, процесами та інтеграцією систем, повинні відбутися до того, як розгортання штучного інтелекту зможе принести суттєві результати? 

Компанія повинна спочатку визначити процес, ідентифікувати, яку інформацію агент потребує, та визначити, де ця інформація розташована. Це може включати бази даних, репозиторії файлів, PDF, статті, системи електронної пошти або інші джерела даних компанії, які повинні бути доступні агенту у використовуваній формі.

Компанія повинна потім визначити, що відбувається після того, як агент отримує цю інформацію. Розмова може призвести до відповіді, резюме, черги слідування або іншого агентського робочого процесу. Затверджені інструменти, дозволи на дані та дозволи користувачів повинні бути встановлені за роллю, щоб кожна дія відбувалася всередині визначеного процесу.

nQube розроблений для того, щоб допомогти як вченим-даними, так і бізнес-аналітикам створювати, тестувати, розгортати та контролювати потоки роботи, керовані штучним інтелектом. Як ви робите ці можливості доступними для неспеціалістів, зберігаючи при цьому технічні контролю, необхідні для середовищ виробництва?

Люди думають про штучний інтелект та програмні продукти через сферу своєї ролі та того, як продукт може зробити їхню роботу легшою або дозволити їм бути більш продуктивними. Інтерфейс повинен дозволити їм описати, чого вони потребують, поставити питання та налаштувати агента або робочий процес через нормальну мову та голос.

Робочі процеси, обчислювальні процеси та масштабування залишаються під цією взаємодією. Організація все ще контролює інструменти, джерела даних та доступ, призначений для кожної ролі, тому бізнес-аналітик може використовувати систему без прямого управління інфраструктурою.

Операційна система агентів Nventr використовує координуючий агент для керування спеціалізованими агентами у послідовних та ітеративних робочих процесах. Як платформа визначає, який агент повинен обробляти кожне завдання, зберігає контекст між агентами та обробляє ненадійний результат? 

Робочий процес визначає, як запит рухається через визначені кроки, гілки та спеціалізовані агенти. Інформація з одного етапу може бути підсумована та передана вперед, щоб наступний агент зрозумів, що відбулося, чого було запитано та яке слідування повинно відбутися.

Обробка ненадійного результату залежить від процесу та наслідків дії. Контроль робочого процесу повинен відображати, де система може продовжувати роботу та де результат потребує перегляду.

Корпорації все частіше хочуть гнучкості використання різних великих мовних моделей, спеціалізованих систем машинного навчання та агентів третіх сторін. Як організації повинні проектувати свою інфраструктуру штучного інтелекту, щоб уникнути залежності від одного постачальника моделей або технологічного стеку? 

Інфраструктура повинна підтримувати множину моделей та дозволяти їм працювати паралельно у одному робочому процесі. Один постачальник може обробляти компонент мовлення до мовлення, тоді як інша модель здійснює висновок або обробку позаду нього.

Набір інструментів повинен бути обраний відповідно до витрат клієнта, продуктивності, безпеки, затримки та відкритості до послуг третіх сторін. Деякі підприємства комфортно поєднують постачальників, тоді як інші хочуть агента на своїй хмарі або спеціальній інфраструктурі. Архітектура повинна підтримувати обидва підходи.

Як тільки агент штучного інтелекту може отримувати доступ до даних компанії та здійснювати дії у бізнес-системах, безпека стає більш складною, ніж захист розмовного інтерфейсу. Які контролю повинні керувати дозволами агента, автономією та можливістю ініціювати суттєві дії?

Доступ повинен бути контрольований за роллю, проєктом та робочим процесом. Агент повинен мати можливість використовувати лише інформацію, інструменти та дії, затверджені для цього контексту, з запитами поза цим контекстом, направленими на затвердження.

Ступінь автономії повинен відображати чутливість даних та наслідків дії. Для транзакцій, що涉ють гроші, приватну інформацію або інший суттєвий результат, компанія повинна мати можливість бачити, що робить агент, та вимагати затвердження до завершення.

Nventr представляє застосування у таких сферах, як обробка документів, обслуговування клієнтів, звітність, спілкування у сфері охорони здоров’я та виявлення шахрайства. Які технічні або операційні характеристики робочого процесу роблять його придатним для агентської автоматизації, а які процеси повинні залишатися в основному людьми? 

Ми балансують кількість людей або витрат, пов’язаних із процесом, проти його складності та життєздатності для автоматизації. Процес може бути дорогим або трудомістким, але все одно бути неправильним місцем для початку, якщо він надто складний або ненадійний для ефективної автоматизації.

Загальний підхід полягає у тому, щоб вибрати найлегші завдання з найбільшим впливом. Ця формула є фрактальною, оскільки її можна застосувати до ролі однієї людини, декількох відділів або всієї організації. Процеси, що涉ють невизначеність або суттєві судження, повинні продовжувати включати людей.

Ви обговорювали ідею про те, що працівники одного дня матимуть штучні інтелектуальні аналоги, які оброблятимуть повторювані елементи їхньої роботи. Як це може змінити організаційні структури, а що керівники повинні робити, щоб забезпечити, що ці системи посилюють людське судження, а не поступово видаляють його з важливих рішень? 

Ідея полягає у тому, щоб кожній людині на зарплаті дати агента-аналог, який може вивчити частини роботи з часом. На рівні всієї організації це створює централізовану інтелектуальність та оптимізацію над організаційною схемою, а не обмеження вигоди одним чи двома працівниками.

Агент може взяти на себе повторювані завдання, такі як збір інформації, переміщення даних або створення звичайних презентацій. Це дає людям більше часу для важливих обговорень та рішень, тоді як організація зберігає контроль над чутливою інформацією та суттєвими діями.

Як агентські системи штучного інтелекту еволюціонують від помічників до робочого шару для складних організацій, які можливості повинні покращитися найбільше, перш ніж компанії зможуть безпечно автоматизувати робочі процеси, які охоплюють цілі відділи або бізнес-підрозділи? 

Агентам потрібна нижча затримка та сильніші інтеграції з базами даних компанії, файлами та більшістю систем. Інформація повинна рухатися через ролі та відділи без потреби ручного переносу або створення нових瓶 cổ.

Шар взаємодії також повинен покращитися. Голосові агенти повинні відчуватися як нормальна розмова, де людина може перервати та змінити напрям, а підприємства одного дня матимуть прямий спосіб взаємодії своїх агентів із системами. Автоматизація браузера може закрити розрив, але галузь рухатиметься до більш ефективної структури, оскільки обчислення та інфраструктура мають вартість.

Дякую за велике інтерв’ю, читачам, які бажають дізнатися більше, слід відвідати Nventr.