Ravi Bommakanti, CTO của App Orchid – Loạt phỏng vấn

Ravi Bommakanti, Giám đốc công nghệ tại App Orchid, dẫn đầu sứ mệnh của công ty trong việc giúp các doanh nghiệp vận hành trí tuệ nhân tạo trên các ứng dụng và quy trình ra quyết định. Sản phẩm chủ chốt của App Orchid, Easy Answers™, cho phép người dùng tương tác với dữ liệu bằng ngôn ngữ tự nhiên để tạo ra các bảng điều khiển, thông tin và hành động được đề xuất bởi trí tuệ nhân tạo.

Nền tảng này tích hợp dữ liệu có cấu trúc và không cấu trúc – bao gồm cả dữ liệu thời gian thực và kiến thức của nhân viên – vào một vải dữ liệu dự đoán hỗ trợ quyết định chiến lược và vận hành. Với công nghệ Big Data trong bộ nhớ và giao diện thân thiện với người dùng, App Orchid đơn giản hóa việc áp dụng trí tuệ nhân tạo thông qua việc triển khai nhanh chóng, thực hiện với chi phí thấp và gây ít gián đoạn cho các hệ thống hiện có.

Hãy bắt đầu với bức tranh lớn – “trí tuệ nhân tạo có chủ động” có nghĩa gì với bạn, và nó khác với các hệ thống trí tuệ nhân tạo truyền thống như thế nào?

Trí tuệ nhân tạo có chủ động đại diện cho một sự thay đổi cơ bản từ việc thực hiện tĩnh điển hình của các hệ thống trí tuệ nhân tạo truyền thống sang việc dàn xếp động. Đối với tôi, đó là về việc chuyển từ các hệ thống được lập trình sẵn cứng nhắc sang các giải pháp tự động, thích ứng có thể lý luận, lập kế hoạch và cộng tác.

Điều thực sự phân biệt trí tuệ nhân tạo có chủ động là khả năng khai thác bản chất phân tán của kiến thức và chuyên môn. Trí tuệ nhân tạo truyền thống thường hoạt động trong các ranh giới cố định, theo các đường dẫn đã định trước. Tuy nhiên, các hệ thống có chủ động có thể phân rã các nhiệm vụ phức tạp, xác định các đại lý chuyên môn phù hợp cho các nhiệm vụ con – có thể phát hiện và tận dụng chúng thông qua các đăng ký đại lý – và dàn xếp sự tương tác của chúng để tổng hợp một giải pháp. Khái niệm về các đăng ký đại lý cho phép các tổ chức hiệu quả ‘thuê’ các khả năng chuyên môn hóa theo nhu cầu, phản ánh cách các đội chuyên gia con người được thành lập, thay vì bị buộc phải xây dựng hoặc sở hữu mọi chức năng trí tuệ nhân tạo nội bộ.

Vì vậy, thay vì các hệ thống đơn nhất, tương lai nằm ở việc tạo ra các hệ sinh thái nơi các đại lý chuyên môn hóa có thể được tạo thành và phối hợp động – giống như một người quản lý dự án có kỹ năng dẫn dắt một đội – để giải quyết các thách thức kinh doanh phức tạp và thay đổi một cách hiệu quả.

Làm thế nào Google Agentspace đang đẩy nhanh việc áp dụng trí tuệ nhân tạo có chủ động trên các doanh nghiệp, và vai trò của App Orchid trong hệ sinh thái này là gì?

Google Agentspace là một chất xúc tác quan trọng cho việc áp dụng trí tuệ nhân tạo của doanh nghiệp. Bằng cách cung cấp một nền tảng thống nhất để triển khai và quản lý các đại lý thông minh kết nối với các ứng dụng công việc khác nhau, và tận dụng công cụ tìm kiếm mạnh mẽ và các mô hình như Gemini, Agentspace cho phép các công ty chuyển đổi thông tin bị cô lập thành thông tin có thể hành động thông qua một giao diện chung.

App Orchid đóng vai trò là một lớp kích hoạt ngữ nghĩa quan trọng trong hệ sinh thái này. Trong khi Agentspace cung cấp cơ sở hạ tầng đại lý và khuôn khổ dàn xếp, nền tảng Easy Answers của chúng tôi giải quyết thách thức quan trọng của doanh nghiệp trong việc làm cho dữ liệu phức tạp trở nên dễ hiểu và có thể tiếp cận được với các đại lý. Chúng tôi sử dụng một phương pháp dựa trên ontology để xây dựng các đồ thị kiến thức phong phú từ dữ liệu doanh nghiệp, hoàn chỉnh với ngữ cảnh kinh doanh và mối quan hệ – chính xác là sự hiểu biết mà các đại lý cần.

Điều này tạo ra một sự kết hợp mạnh mẽ: Agentspace cung cấp cơ sở hạ tầng đại lý mạnh mẽ và khả năng dàn xếp, trong khi App Orchid cung cấp sự hiểu biết sâu sắc về ngữ nghĩa của dữ liệu doanh nghiệp phức tạp mà các đại lý này yêu cầu để hoạt động hiệu quả và cung cấp thông tin kinh doanh có ý nghĩa. Sự hợp tác của chúng tôi với khuôn khổ Google Cloud Cortex là một ví dụ chính, giúp khách hàng giảm đáng kể thời gian chuẩn bị dữ liệu (lên đến 85%) trong khi tận dụng khả năng truy vấn ngôn ngữ tự nhiên hàng đầu trong ngành của nền tảng chúng tôi với độ chính xác text-to-SQL 99,8%. Cùng nhau, chúng tôi trao quyền cho các tổ chức triển khai các giải pháp trí tuệ nhân tạo có chủ động thực sự nắm bắt ngôn ngữ và dữ liệu kinh doanh của họ, đẩy nhanh thời gian đến giá trị.

Những rào cản thực tế mà các công ty phải đối mặt khi áp dụng trí tuệ nhân tạo có chủ động là gì, và App Orchid giúp họ vượt qua những rào cản này như thế nào?

Các rào cản chính chúng tôi thấy xoay quanh chất lượng dữ liệu, thách thức của các tiêu chuẩn bảo mật đang phát triển – đặc biệt là đảm bảo niềm tin giữa các đại lý – và quản lý bản chất phân tán của kiến thức và khả năng của doanh nghiệp.

Chất lượng dữ liệu vẫn là vấn đề nền tảng. Trí tuệ nhân tạo có chủ động, như bất kỳ trí tuệ nhân tạo nào, cung cấp đầu ra không đáng tin cậy nếu được cho ăn dữ liệu kém. App Orchid giải quyết vấn đề này một cách cơ bản bằng cách tạo ra một lớp ngữ nghĩa mà ngữ cảnh hóa các nguồn dữ liệu khác nhau. Xây dựng trên điều này, các tính năng thu thập dữ liệu độc đáo của chúng tôi trong Easy Answers cho phép người dùng kinh doanh trên toàn tổ chức – những người hiểu ý nghĩa của dữ liệu tốt nhất – cộng tác để xác định và giải quyết các khoảng trống và sự không nhất quán trong dữ liệu, đáng kể cải thiện độ tin cậy.

Bảo mật trình bày một rào cản quan trọng khác, đặc biệt là khi giao tiếp giữa các đại lý trở nên phổ biến, có khả năng bao gồm cả hệ thống nội bộ và bên ngoài. Thiết lập các cơ chế mạnh mẽ cho niềm tin giữa các đại lý và duy trì quản trị mà không kìm hãm sự tương tác cần thiết là then chốt. Nền tảng của chúng tôi tập trung vào việc thực hiện các khuôn khổ bảo mật được thiết kế cho các tương tác động này.

Cuối cùng, việc tận dụng kiến thức và khả năng phân tán một cách hiệu quả đòi hỏi sự dàn xếp tiên tiến. App Orchid tận dụng các khái niệm như Giao thức ngữ cảnh mô hình (MCP), điều này ngày càng quan trọng. Điều này cho phép việc tìm nguồn đại lý chuyên môn hóa từ kho dựa trên nhu cầu ngữ cảnh, tạo điều kiện cho các quy trình làm việc linh hoạt và thích ứng thay vì các quy trình được định nghĩa trước. Cách tiếp cận này phù hợp với các tiêu chuẩn mới nổi, như giao thức Agent2Agent của Google, được thiết kế để tiêu chuẩn hóa giao tiếp trong các hệ thống đa đại lý. Chúng tôi giúp các tổ chức xây dựng các giải pháp trí tuệ nhân tạo có chủ động đáng tin cậy và hiệu quả bằng cách giải quyết các rào cản này.

Hãy dẫn chúng tôi qua cách Easy Answers™ hoạt động – từ truy vấn ngôn ngữ tự nhiên đến việc tạo ra thông tin?

Easy Answers biến đổi cách người dùng tương tác với dữ liệu doanh nghiệp, khiến phân tích tinh vi trở nên dễ tiếp cận thông qua ngôn ngữ tự nhiên. Dưới đây là cách nó hoạt động:

• Kết nối: Chúng tôi bắt đầu bằng cách kết nối với các nguồn dữ liệu của doanh nghiệp – chúng tôi hỗ trợ hơn 200 cơ sở dữ liệu và hệ thống phổ biến. Điều quan trọng là điều này thường xảy ra mà không cần di chuyển hoặc sao chép dữ liệu, kết nối an toàn với dữ liệu ở nơi nó cư trú.
• Tạo ontology: Nền tảng của chúng tôi tự động phân tích dữ liệu được kết nối và xây dựng một đồ thị kiến thức toàn diện. Điều này cấu trúc dữ liệu thành các thực thể kinh doanh mà chúng tôi gọi là Đối tượng ngữ nghĩa được quản lý (MSOs), nắm bắt các mối quan hệ giữa chúng.
• Phát triển siêu dữ liệu: Ontology này được làm phong phú với siêu dữ liệu. Người dùng cung cấp các mô tả cấp cao và AI của chúng tôi tạo ra các mô tả chi tiết cho mỗi MSO và thuộc tính của nó (trường). Siêu dữ liệu kết hợp này cung cấp ngữ cảnh sâu về ý nghĩa và cấu trúc của dữ liệu.
• Truy vấn ngôn ngữ tự nhiên: Người dùng đặt một câu hỏi bằng ngôn ngữ kinh doanh thông thường, như “Hiển thị cho tôi xu hướng bán hàng cho sản phẩm X trong khu vực phía tây so với quý trước.”
• Giải thích và tạo SQL: Động cơ NLP của chúng tôi sử dụng siêu dữ liệu phong phú trong đồ thị kiến thức để hiểu ý định của người dùng, xác định MSO và mối quan hệ liên quan, và dịch câu hỏi thành các truy vấn dữ liệu chính xác (như SQL). Chúng tôi đạt được độ chính xác text-to-SQL hàng đầu trong ngành ở đây với 99,8%.
• Tạo thông tin (Tập hợp): Hệ thống lấy dữ liệu và xác định cách hiệu quả nhất để trình bày câu trả lời một cách trực quan. Trong nền tảng của chúng tôi, các hình ảnh tương tác này được gọi là ‘tập hợp’. Người dùng có thể tự động tạo hoặc cấu hình trước chúng để phù hợp với nhu cầu hoặc tiêu chuẩn cụ thể.
• Phân tích sâu hơn (Thông tin nhanh): Đối với các câu hỏi phức tạp hơn hoặc khám phá chủ động, người dùng có thể tận dụng Thông tin nhanh. Tính năng này cho phép họ dễ dàng áp dụng các thuật toán ML được gửi với nền tảng cho các trường dữ liệu được chỉ định để tự động phát hiện mẫu, xác định sự bất thường hoặc xác thực giả thuyết mà không cần chuyên môn về khoa học dữ liệu.

Toàn bộ quá trình này, thường được hoàn thành trong vài giây, dân chủ hóa việc truy cập và phân tích dữ liệu, biến việc khám phá dữ liệu phức tạp thành một cuộc trò chuyện đơn giản.

Làm thế nào Easy Answers bắc cầu dữ liệu bị cô lập trong các doanh nghiệp lớn và đảm bảo thông tin là có thể giải thích và có nguồn gốc?

Dữ liệu bị cô lập là một chướng ngại vật lớn trong các doanh nghiệp lớn. Easy Answers giải quyết thách thức cơ bản này thông qua cách tiếp cận lớp ngữ nghĩa độc đáo của chúng tôi.

Thay vì hợp nhất dữ liệu vật lý tốn kém và phức tạp, chúng tôi tạo một lớp ngữ nghĩa ảo. Nền tảng của chúng tôi xây dựng một cái nhìn logic thống nhất bằng cách kết nối với các nguồn dữ liệu đa dạng ở nơi chúng cư trú. Lớp này được cung cấp bởi công nghệ đồ thị kiến thức của chúng tôi, ánh xạ dữ liệu thành Đối tượng ngữ nghĩa được quản lý (MSOs), định nghĩa mối quan hệ của chúng và làm phong phú chúng với siêu dữ liệu ngữ cảnh. Điều này tạo ra một ngôn ngữ kinh doanh chung mà cả con người và AI có thể hiểu, hiệu quả bắc cầu cấu trúc dữ liệu kỹ thuật (bảng, cột) với ý nghĩa kinh doanh (khách hàng, sản phẩm, bán hàng), bất kể dữ liệu vật lý sống ở đâu.

Đảm bảo thông tin đáng tin cậy đòi hỏi cả tính truy vết và giải thích:

• Truy vết: Chúng tôi cung cấp theo dõi dòng dữ liệu toàn diện. Người dùng có thể khoan xuống từ bất kỳ tập hợp hoặc thông tin nào trở lại dữ liệu nguồn, xem tất cả các chuyển đổi, bộ lọc và tính toán được áp dụng. Điều này cung cấp tính minh bạch và khả năng kiểm toán đầy đủ, rất quan trọng cho việc xác thực và tuân thủ.
• Giải thích: Thông tin được đi kèm với các giải thích bằng ngôn ngữ tự nhiên. Những tóm tắt này diễn đạt những gì dữ liệu chỉ ra và tại sao nó quan trọng trong các điều khoản kinh doanh, dịch các phát hiện phức tạp thành sự hiểu biết có thể hành động cho một khán giả rộng lớn.

Điều này kết hợp bắc cầu các silo bằng cách tạo ra một cái nhìn ngữ nghĩa thống nhất và xây dựng niềm tin thông qua tính minh bạch và giải thích rõ ràng.

Làm thế nào hệ thống của bạn đảm bảo tính minh bạch trong thông tin, đặc biệt là trong các ngành được quản lý nơi dòng dữ liệu là rất quan trọng?

Tính minh bạch là tuyệt đối không thể thương lượng được đối với thông tin được thúc đẩy bởi AI, đặc biệt là trong các ngành được quản lý nơi tính minh bạch và khả năng chứng minh là tối quan trọng. Cách tiếp cận của chúng tôi đảm bảo tính minh bạch trên ba chiều chính:

• Dòng dữ liệu: Điều này là nền tảng. Như đã đề cập, Easy Answers cung cấp theo dõi dòng dữ liệu từ đầu đến cuối. Mỗi thông tin, hình ảnh hoặc số có thể được theo dõi một cách có thể kiểm chứng thông qua toàn bộ vòng đời của nó – từ nguồn dữ liệu ban đầu, qua bất kỳ lần kết nối, chuyển đổi, tổng hợp hoặc lọc nào được áp dụng – cung cấp dòng dữ liệu có thể chứng minh được mà các cơ quan quản lý yêu cầu.
• Tính minh bạch của phương pháp: Chúng tôi tránh vấn đề ‘hộp đen’. Khi các mô hình phân tích hoặc ML được sử dụng (ví dụ: thông qua Thông tin nhanh), nền tảng rõ ràng ghi lại phương pháp được sử dụng, các tham số được sử dụng và các chỉ số đánh giá liên quan. Điều này đảm bảo ‘làm thế nào’ đằng sau thông tin là minh bạch như ‘cái gì’.
• Giải thích bằng ngôn ngữ tự nhiên: Dịch đầu ra kỹ thuật thành ngữ cảnh kinh doanh có thể hiểu được là rất quan trọng đối với tính minh bạch. Mỗi thông tin đều đi kèm với các giải thích bằng ngôn ngữ tự nhiên mô tả các phát hiện, tầm quan trọng của chúng và có thể là các hạn chế của chúng, đảm bảo sự rõ ràng cho tất cả các bên liên quan, bao gồm cả nhân viên tuân thủ và kiểm toán viên.

Hơn nữa, chúng tôi tích hợp các tính năng quản trị bổ sung cho các ngành có nhu cầu tuân thủ cụ thể như kiểm soát truy cập dựa trên vai trò, luồng công việc phê duyệt cho các hành động hoặc báo cáo nhất định và nhật ký kiểm toán toàn diện theo dõi hoạt động của người dùng và hoạt động của hệ thống. Cách tiếp cận nhiều lớp này đảm bảo thông tin chính xác, hoàn toàn minh bạch, có thể giải thích và có thể chứng minh.

Làm thế nào App Orchid chuyển đổi thông tin được tạo bởi AI thành hành động với các tính năng như Hành động sinh?

Tạo thông tin có giá trị, nhưng mục tiêu thực sự là thúc đẩy kết quả kinh doanh. Với dữ liệu và ngữ cảnh đúng, một hệ sinh thái có chủ động có thể thúc đẩy hành động để bắc cầu khoảng cách quan trọng giữa việc khám phá thông tin và hành động cụ thể, chuyển đổi phân tích từ một chức năng báo cáo thụ động sang một chức năng chủ động thúc đẩy cải tiến.

Dưới đây là cách nó hoạt động: Khi nền tảng Easy Answers xác định một mẫu, xu hướng, sự bất thường hoặc cơ hội đáng kể thông qua phân tích của nó, nó tận dụng AI để đề xuất các hành động cụ thể, phù hợp với ngữ cảnh có thể được thực hiện để phản hồi.

Những đề xuất này không phải là gợi ý mơ hồ; chúng là các khuyến nghị cụ thể. Ví dụ, thay vì chỉ đánh dấu khách hàng có nguy cơ cao rời bỏ, nó có thể đề xuất các chương trình giữ chân cụ thể được điều chỉnh cho các phân khúc khác nhau, có khả năng tính toán tác động dự kiến hoặc ROI và thậm chí soạn thảo các mẫu truyền thông. Khi tạo ra những khuyến nghị này, hệ thống xem xét các quy tắc kinh doanh, hạn chế, dữ liệu lịch sử và mục tiêu.

Quan trọng là, điều này duy trì sự giám sát của con người. Các hành động được đề xuất được trình bày cho người dùng phù hợp để xem xét, sửa đổi, phê duyệt hoặc từ chối. Điều này đảm bảo rằng phán quyết kinh doanh vẫn ở trung tâm của quá trình ra quyết định trong khi AI xử lý việc nặng nhọc của việc xác định cơ hội và hình thành phản hồi tiềm năng.

Khi một hành động được phê duyệt, chúng tôi có thể kích hoạt một luồng có chủ động để thực hiện liền mạch thông qua tích hợp với các hệ thống hoạt động. Điều này có thể có nghĩa là kích hoạt một quy trình làm việc trong CRM, cập nhật dự báo trong hệ thống ERP, khởi chạy một nhiệm vụ tiếp thị được nhắm mục tiêu hoặc khởi động một quy trình kinh doanh khác – do đó đóng vòng lặp từ thông tin trực tiếp đến kết quả.

Làm thế nào đồ thị kiến thức và mô hình dữ liệu ngữ nghĩa là trung tâm cho thành công của nền tảng của bạn?

Đồ thị kiến thức và mô hình dữ liệu ngữ nghĩa là cốt lõi tuyệt đối của nền tảng Easy Answers; chúng nâng cao nền tảng này vượt ra ngoài các công cụ kinh doanh thông minh truyền thống thường coi dữ liệu là các bảng và cột không liên quan bị thiếu ngữ cảnh kinh doanh thực. Nền tảng của chúng tôi sử dụng chúng để xây dựng một lớp ngữ nghĩa thông minh trên dữ liệu doanh nghiệp.

Cơ sở ngữ nghĩa này là trung tâm cho thành công của chúng tôi vì một số lý do chính:

• Kích hoạt tương tác ngôn ngữ tự nhiên: Mô hình ngữ nghĩa, được cấu trúc như một đồ thị kiến thức với Đối tượng ngữ nghĩa được quản lý (MSOs), thuộc tính và mối quan hệ được định nghĩa, hoạt động như một ‘hòn đá Rosetta’. Nó dịch các sắc thái của ngôn ngữ con người và thuật ngữ kinh doanh thành các truy vấn chính xác cần thiết để truy xuất dữ liệu, cho phép người dùng hỏi câu hỏi một cách tự nhiên mà không cần biết các lược đồ cơ sở dữ liệu底层.
• Giữ lại ngữ cảnh kinh doanh quan trọng: Không giống như các kết nối quan hệ đơn giản, đồ thị kiến thức của chúng tôi nắm bắt rõ ràng mạng lưới phức tạp và phong phú của các mối quan hệ giữa các thực thể kinh doanh (ví dụ: cách khách hàng tương tác với sản phẩm thông qua vé hỗ trợ và đơn đặt hàng). Điều này cho phép phân tích sâu hơn và có ngữ cảnh hơn, phản ánh cách hoạt động của doanh nghiệp.
• Cung cấp khả năng thích ứng và khả năng mở rộng: Các mô hình ngữ nghĩa linh hoạt hơn so với các lược đồ cứng nhắc. Khi nhu cầu kinh doanh thay đổi hoặc các nguồn dữ liệu mới được thêm vào, đồ thị kiến thức có thể được mở rộng và sửa đổi dần dần mà không cần phải đại tu hoàn toàn, duy trì tính nhất quán trong khi thích nghi với sự thay đổi.

Sự hiểu biết sâu sắc về ngữ cảnh dữ liệu này do lớp ngữ nghĩa của chúng tôi cung cấp là cơ bản cho mọi thứ Easy Answers làm, từ câu hỏi và trả lời cơ bản đến phát hiện mẫu tiên tiến với Thông tin nhanh, và nó tạo thành nền tảng thiết yếu cho các khả năng trí tuệ nhân tạo có chủ động trong tương lai của chúng tôi, đảm bảo các đại lý có thể suy luận về dữ liệu một cách có ý nghĩa.

Những mô hình nền tảng nào bạn hỗ trợ, và làm thế nào bạn cho phép các tổ chức đưa mô hình AI/ML của riêng họ vào quy trình làm việc?

Chúng tôi tin vào một cách tiếp cận cởi mở và linh hoạt, nhận ra sự tiến hóa nhanh chóng của AI và tôn trọng các khoản đầu tư hiện có của các tổ chức.

Đối với các mô hình nền tảng, chúng tôi duy trì tích hợp với các lựa chọn hàng đầu từ nhiều nhà cung cấp, bao gồm cả gia đình Gemini của Google, mô hình GPT của OpenAI và các lựa chọn mã nguồn mở nổi bật như Llama. Điều này cho phép các tổ chức chọn các mô hình phù hợp nhất với nhu cầu về hiệu suất, chi phí, quản trị hoặc khả năng cụ thể của họ. Các mô hình này cung cấp năng lượng cho các tính năng nền tảng khác nhau, bao gồm hiểu ngôn ngữ tự nhiên cho các truy vấn, tạo SQL, tóm tắt thông tin và tạo siêu dữ liệu.

Ngoài những điều này, chúng tôi cung cấp các con đường mạnh mẽ cho các tổ chức để đưa mô hình AI/ML tùy chỉnh của riêng họ vào quy trình làm việc Easy Answers:

• Mô hình được phát triển trong Python thường có thể được tích hợp trực tiếp thông qua Động cơ AI của chúng tôi.
• Chúng tôi cung cấp khả năng tích hợp liền mạch với các nền tảng ML đám mây chính như Google Vertex AI và Amazon SageMaker, cho phép các mô hình được đào tạo và lưu trữ ở đó được gọi.

Quan trọng là, lớp ngữ nghĩa của chúng tôi đóng vai trò quan trọng trong việc làm cho các mô hình tùy chỉnh này trở nên dễ tiếp cận. Bằng cách liên kết đầu vào và đầu ra của mô hình với các khái niệm kinh doanh được định nghĩa trong đồ thị kiến thức của chúng tôi (MSOs và thuộc tính), chúng tôi cho phép người dùng kinh doanh không chuyên về kỹ thuật tận dụng các mô hình dự đoán, phân loại hoặc nguyên nhân tiên tiến (ví dụ: thông qua Thông tin nhanh) mà không cần phải hiểu khoa học dữ liệu cơ bản – họ tương tác với các thuật ngữ kinh doanh quen thuộc, và nền tảng xử lý việc dịch thuật kỹ thuật. Điều này thực sự dân chủ hóa việc truy cập vào các khả năng AI/ML tinh vi.

Nhìn về tương lai, bạn thấy những xu hướng nào đang định hình làn sóng tiếp theo của trí tuệ nhân tạo doanh nghiệp – đặc biệt là trong các thị trường đại lý và thiết kế đại lý không mã?

Làn sóng tiếp theo của trí tuệ nhân tạo doanh nghiệp đang chuyển hướng sang các hệ sinh thái động, có thể tạo thành và cộng tác. Một số xu hướng hội tụ đang thúc đẩy điều này:

• Thị trường và đăng ký đại lý: Chúng tôi sẽ chứng kiến sự gia tăng đáng kể trong các thị trường đại lý hoạt động cùng với các đăng ký đại lý nội bộ. Điều này tạo điều kiện cho sự thay đổi từ xây dựng đơn nhất sang mô hình ‘thuê và tạo thành’ cho phép các tổ chức động态 khám phá và tích hợp các đại lý chuyên môn hóa – nội bộ hoặc bên ngoài – với các khả năng cụ thể theo nhu cầu, đẩy nhanh đáng kể việc triển khai giải pháp.
• Truyền thông đại lý tiêu chuẩn hóa: Để các hệ sinh thái này hoạt động, các đại lý cần có ngôn ngữ chung. Các giao thức truyền thông đại lý tiêu chuẩn hóa như MCP (Giao thức ngữ cảnh mô hình), mà chúng tôi tận dụng, và các sáng kiến như giao thức Agent2Agent của Google, đang trở nên thiết yếu để cho phép sự cộng tác và chia sẻ ngữ cảnh mượt mà giữa các đại lý, bất kể ai xây dựng chúng hoặc chúng chạy ở đâu.
• Đàn xếp động: Các quy trình làm việc tĩnh, được định nghĩa trước sẽ nhường chỗ cho sự dàn xếp động. Các lớp dàn xếp thông minh sẽ chọn, cấu hình và phối hợp các đại lý tại thời gian chạy dựa trên ngữ cảnh vấn đề cụ thể, dẫn đến các hệ thống thích ứng và linh hoạt hơn nhiều.
• Thiết kế đại lý không mã / mã thấp: Dân chủ hóa sẽ mở rộng đến việc tạo ra đại lý. Các nền tảng không mã và mã thấp sẽ cho phép các chuyên gia kinh doanh, không chỉ là chuyên gia AI, thiết kế và xây dựng các đại lý bao gồm kiến thức và logic kinh doanh cụ thể, làm phong phú thêm nhóm các khả năng chuyên môn hóa có sẵn.

Vai trò của App Orchid là cung cấp cơ sở ngữ nghĩa quan trọng cho tương lai này. Để các đại lý trong những hệ sinh thái động này cộng tác hiệu quả và thực hiện các nhiệm vụ có ý nghĩa, họ cần hiểu dữ liệu doanh nghiệp. Lớp ngữ nghĩa và đồ thị kiến thức của chúng tôi cung cấp chính xác sự hiểu biết về ngữ cảnh này, cho phép các đại lý suy luận và hành động trên dữ liệu theo các thuật ngữ kinh doanh có liên quan.

Làm thế nào bạn hình dung vai trò của CTO sẽ phát triển trong một tương lai mà trí tuệ quyết định được dân chủ hóa thông qua trí tuệ nhân tạo có chủ động?

Sự dân chủ hóa của trí tuệ quyết định thông qua trí tuệ nhân tạo có chủ động cơ bản nâng cao vai trò của CTO. Nó thay đổi từ việc chủ yếu là người quản lý cơ sở hạ tầng công nghệ sang trở thành kiến trúc sư chiến lược của trí tuệ tổ chức.

Các sự phát triển chính bao gồm:

• Từ người quản lý hệ thống đến kiến trúc sư hệ sinh thái: Sự tập trung chuyển từ quản lý các ứng dụng bị cô lập sang thiết kế, quản lý và quản trị các hệ sinh thái động của các đại lý tương tác, nguồn dữ liệu và khả năng phân tích. Điều này liên quan đến việc tận dụng các thị trường và đăng ký đại lý một cách hiệu quả.
• Chiến lược dữ liệu là chiến lược kinh doanh cốt lõi: Đảm bảo dữ liệu không chỉ có sẵn mà còn phong phú, đáng tin cậy và có thể tiếp cận được trở nên tối quan trọng. CTO sẽ đóng vai trò trung tâm trong việc xây dựng nền tảng kiến thức mà cung cấp năng lượng cho các hệ thống thông minh trên toàn doanh nghiệp.
• Thay đổi các mô hình quản trị: Các mô hình quản trị mới sẽ được cần thiết cho trí tuệ nhân tạo có chủ động – giải quyết niềm tin đại lý, bảo mật, sử dụng trí tuệ nhân tạo có đạo đức, khả năng kiểm toán của quyết định tự động và quản lý các hành vi xuất hiện trong sự cộng tác của các đại lý.
• Đề cao khả năng thích ứng: CTO sẽ rất quan trọng trong việc nhúng khả năng thích ứng vào vải kỹ thuật và hoạt động của tổ chức, tạo ra các môi trường mà thông tin được thúc đẩy bởi AI dẫn đến phản hồi nhanh và học hỏi liên tục.
• Khuyến khích sự cộng tác giữa con người và AI: Một khía cạnh quan trọng sẽ là nuôi dưỡng một văn hóa và thiết kế các hệ thống nơi con người và các đại lý AI làm việc cùng nhau, tăng cường điểm mạnh của nhau.

Cuối cùng, CTO trở thành ít hơn về việc quản lý chi phí CNTT và nhiều hơn về việc tối đa hóa ‘tiềm năng trí tuệ’ của tổ chức. Đó là một sự thay đổi hướng tới trở thành một đối tác chiến lược thực sự, cho phép toàn bộ doanh nghiệp hoạt động thông minh và thích ứng hơn trong một thế giới ngày càng phức tạp.

Cảm ơn vì cuộc phỏng vấn tuyệt vời, những người đọc muốn tìm hiểu thêm nên truy cập App Orchid.