拉维·博马坎蒂，App Orchid 首席技术官 – 采访系列

拉维·博马坎蒂，App Orchid 首席技术官，领导公司使命帮助企业跨应用程序和决策过程运用人工智能。App Orchid 的旗舰产品 Easy Answers ™使用户能够使用自然语言与数据交互，生成人工智能驱动的仪表板、见解和推荐操作。

该平台整合了结构化和非结构化数据，包括实时输入和员工知识，形成支持战略和运营决策的预测数据织物。借助内存大数据技术和用户友好的界面，App Orchid 通过快速部署、低成本实施和最小化对现有系统的干扰来简化人工智能的采用。

让我们从大局开始——“代理人工智能”对您来说意味着什么，它与传统的人工智能系统有什么不同？

代理人工智能代表了从传统人工智能系统中静态执行到动态编排的根本转变。对我来说，这是从僵硬的预编程系统转变为自主的、适应性的问题解决者，它们可以推理、计划和协作。

真正使代理人工智能与众不同的是其利用知识和专业知识分布性质的能力。传统人工智能通常在固定的边界内运行，遵循预先确定的路径。然而，代理系统可以分解复杂任务，识别适合子任务的正确专用代理——可能通过代理注册表发现和利用它们——并协调它们的交互以合成解决方案。代理注册表的概念允许组织有效地“租用”专用功能，类似于组建人类专家团队，而不是被迫内部构建或拥有每个人工智能功能。

因此，未来不在于构建单体系统，而在于创建生态系统，在那里专用代理可以动态地组合和协调——就像一位熟练的项目经理领导团队——以有效地应对复杂和不断演变的商业挑战。

Google Agentspace 如何加速企业中代理人工智能的采用，App Orchid 在这个生态系统中扮演什么角色？

Google Agentspace 是企业人工智能采用的重要加速器。通过为连接到各种工作应用程序的智能代理提供统一的基础，并利用 Google 的强大搜索和模型（如 Gemini），Agentspace 启用公司通过通用界面将孤立的信息转化为可执行的智能。

App Orchid 在这个生态系统中扮演着至关重要的语义启用层的角色。虽然 Agentspace 提供代理基础设施和编排框架，但我们的 Easy Answers 平台解决了使复杂数据对代理可理解和可访问的关键企业挑战。我们使用基于本体的方法从企业数据构建丰富的知识图，包括业务上下文和关系——代理需要的理解。

这产生了强大的协同作用：Agentspace 提供强大的代理基础设施和编排能力，而 App Orchid 提供代理有效运行和提供有意义的业务见解所需的复杂企业数据的深层语义理解。我们与 Google Cloud Cortex Framework 的合作是主要例子，帮助客户大幅减少数据准备时间（高达 85%），同时利用我们平台的行业领先 99.8% 的文本到 SQL 准确性进行自然语言查询。我们共同使组织能够部署代理人工智能解决方案，真正理解他们的业务语言和数据细微差别，从而加速价值实现时间。

公司在采用代理人工智能时面临的现实世界障碍是什么，App Orchid 如何帮助他们克服这些障碍？

我们看到的主要障碍围绕着数据质量、安全标准的演变挑战（特别是确保代理到代理的信任）以及管理企业知识和代理能力的分布性质。

数据质量仍然是一个基础问题。代理人工智能，如任何人工智能，如果输入的数据质量差，则输出不可靠。App Orchid 通过创建语义层来解决这个问题，从而为数据提供上下文。基于此，我们的 Easy Answers 中的独特众包功能可以让组织内的业务用户（他们最了解数据的含义）合作识别和解决数据缺口和不一致性，从而显著提高可靠性。

安全性呈现出另一个关键障碍，特别是当代理到代理的通信变得普遍时，可能会跨越内部和外部系统。建立强大的代理到代理信任机制并在不扼杀必要交互的情况下维持治理至关重要。我们的平台专注于实施针对这些动态交互的安全框架。

最后，有效地利用分布式知识和能力需要高级编排。App Orchid 利用了模型上下文协议（MCP）等概念，这在日益重要。它使代理能够根据上下文需求从存储库中动态获取专用代理，促进流畅、适应性工作流，而不是僵化的预定义流程。这种方法符合新兴标准，如 Google 的 Agent2Agent 协议，旨在标准化多代理系统中的通信。我们通过解决这些障碍帮助组织构建可信且有效的代理人工智能解决方案。

您能带我们了解 Easy Answers ™的工作原理吗，从自然语言查询到见解生成？

Easy Answers 转变了用户与企业数据交互的方式，使复杂分析通过自然语言变得可访问。以下是其工作原理：

• 连接性：我们首先连接到企业的数据源——我们支持超过 200 个常见数据库和系统。重要的是，这通常发生在无需移动或复制数据的情况下，安全地连接到数据所在的位置。
• 本体创建：我们的平台自动分析连接的数据并构建综合知识图。它将数据结构化为我们称为托管语义对象（MSO）的业务实体，捕获它们之间的关系。
• 元数据丰富：该本体用元数据丰富。用户提供高级描述，我们的 AI 生成每个 MSO 和其属性（字段）的详细描述。这种组合的元数据提供了对数据含义和结构的深入上下文。
• 自然语言查询：用户以纯业务语言提出问题，例如“显示产品 X 在西部地区的销售趋势与上个季度相比”。
• 解释和 SQL 生成：我们的 NLP 引擎使用知识图中的丰富元数据来理解用户的意图，识别相关的 MSO 和关系，并将问题转换为精确的数据查询（如 SQL）。我们在此处实现了行业领先的 99.8% 的文本到 SQL 准确性。
• 见解生成（策划）：系统检索数据并确定以最有效的方式呈现答案。我们的平台中，这些交互式可视化称为“策划”。用户可以自动生成或预配置它们以满足特定的需求或标准。
• 更深入的分析（快速见解）：对于更复杂的问题或主动发现，用户可以利用快速见解。该功能允许他们轻松地将机器学习算法应用于指定的数据字段，以自动检测模式、识别异常或验证假设，而无需数据科学专业知识。

整个过程通常在几秒钟内完成，将复杂的数据探索转化为简单的对话。

Easy Answers 如何弥合大型企业中的数据孤岛，并确保见解是可解释和可追溯的？

数据孤岛是大型企业中的一个主要障碍。Easy Answers 通过我们独特的语义层方法解决了这个基本挑战。

与其进行昂贵且复杂的物理数据整合，我们创建了一个虚拟的语义层。我们的平台通过连接到多样化的数据源（在其所在位置）来构建统一的逻辑视图。该层由我们的知识图技术提供支持，该技术将数据映射到托管语义对象（MSO）中，定义它们的关系，并用上下文元数据丰富它们。这在技术数据结构（表、列）和业务含义（客户、产品、销售）之间创建了一个共同的业务语言，无论数据的物理位置在哪里。

确保见解可信赖需要可追溯性和可解释性：

• 可追溯性：我们提供全面的数据线AGE跟踪。用户可以从任何策划或见解中向下钻取到源数据，查看所有应用的转换、过滤器和计算。这提供了完全的透明度和可审计性，对验证和合规至关重要。
• 可解释性：见解附有自然语言解释。这些摘要阐述了数据显示的内容及其在业务方面的重要性，翻译复杂的发现为广泛受众的可行理解。

这弥合了数据孤岛的差距，通过创建统一的语义视图和建立透明度来构建信任。

您的系统如何确保见解的透明度，特别是在数据线AGE至关重要的监管行业？

透明度对于人工智能驱动的见解来说是绝对不可协商的，特别是在监管行业中，审计和辩护至关重要。我们的方法确保透明度在三个关键维度上：

• 数据线AGE：这是基础。如前所述，Easy Answers 提供端到端的数据线AGE跟踪。每个见解、可视化或数字都可以通过其整个生命周期精确追踪——从原始数据源，通过应用的任何连接、转换、聚合或过滤器——提供所需的可验证数据来源由监管机构。
• 方法可见性：我们避免“黑盒”问题。当使用分析或机器学习模型（例如通过快速见解）时，平台清楚地记录了使用的方法、使用的参数和相关评估指标。这确保了“如何”在见解之后与“什么”一样透明。
• 自然语言解释：将技术输出转换为可理解的业务上下文至关重要。每个见解都配有清晰的语言解释，描述发现、其重要性和潜在局限性，确保所有利益相关者（包括合规官和审计员）都能清晰理解。

此外，我们纳入了额外的治理功能，以满足特定合规需求的行业，例如基于角色的访问控制、报告或操作的批准工作流，以及跟踪用户活动和系统操作的综合审计日志。这种多层次的方法确保见解准确、透明、可解释且可辩护。

App Orchid 如何通过诸如生成性操作等功能将人工智能生成的见解转化为行动？

生成见解很有价值，但真正的目标是推动业务成果。通过正确的数据和上下文，代理生态系统可以驱动行动以弥合分析发现和有形行动之间的关键差距，将分析从被动报告功能转变为主动改进驱动器。

以下是其工作原理：当 Easy Answers 平台通过其分析识别出显著的模式、趋势、异常或机会时，它会利用人工智能提出具体、上下文相关的操作建议，以响应这些发现。

这些不是模糊的建议；它们是具体的推荐。例如，不仅仅是标记高风险流失的客户，还可能推荐针对不同细分市场的特定保留优惠，潜在地计算预期影响或投资回报率，甚至可以草拟通信模板。在生成这些推荐时，系统会考虑业务规则、约束、历史数据和目标。

关键是保持人类的监督。推荐的操作会呈现给适当的用户进行审查、修改、批准或拒绝。这确保了业务判断在决策过程中仍然居于核心地位，而人工智能则处理识别机会和制定潜在响应的繁重工作。

一旦操作获得批准，我们可以通过与运营系统的集成触发代理流以实现无缝执行。这可能意味着在 CRM 中触发工作流，在 ERP 系统中更新预测，启动有针对性的营销任务或启动其他相关业务流程——从而从洞察直接到结果的闭环。

知识图和语义数据模型如何成为您平台的核心？

知识图和语义数据模型是 Easy Answers 平台的核心；它们将其提升到了传统的业务智能工具之上，后者通常将数据视为脱离实际业务上下文的离散表格和列。我们的平台使用它们来构建企业数据上的智能语义层。

这种语义基础对于我们的成功至关重要，原因如下：

• 实现真正的自然语言交互：结构化为知识图的语义模型，具有托管语义对象（MSO）、属性和定义的关系，充当“罗塞塔石”。它将人类语言和业务术语的细微差别转换为检索数据所需的精确查询，允许用户以自然方式提问，而无需了解底层架构。这是我们高文本到 SQL 准确性的关键。
• 保留关键业务上下文：与简单的关系连接不同，我们的知识图显式地捕获了业务实体（例如，客户如何通过支持票和购买订单与产品交互）之间的丰富、复杂的关系网。这使得分析更深入、更有上下文，反映了业务的运作方式。
• 提供适应性和可扩展性：语义模型比僵硬的模式更灵活。随着业务需求的演变或添加新数据源，知识图可以逐步扩展和修改，而无需彻底改造，保持一致性，同时适应变化。

我们语义层提供的数据上下文的深入理解对于 Easy Answers 所做的一切事情都是基本的，从基本的 Q&A 到使用快速见解进行高级模式检测，并且它为我们的未来代理人工智能能力提供了必要的基础，确保代理能够有意义地推理和处理数据。

您支持哪些基础模型，您如何允许组织将自己的 AI/ML 模型引入工作流程？

我们相信开放和灵活的方法，认识到人工智能的快速演变，并尊重组织现有的投资。

对于基础模型，我们与多个提供商的领先选项（包括 Google 的 Gemini 家族、OpenAI 的 GPT 模型和著名的开源替代品，如 Llama）保持集成。这使组织能够根据其性能、成本、治理或特定功能需求选择最适合其需求的模型。这些模型为平台的各种功能提供支持，包括用于查询的自然语言理解、SQL 生成、见解摘要和元数据生成。

除了这些以外，我们为组织提供了将自定义 AI/ML 模型引入 Easy Answers 工作流的强大途径：

• 在 Python 中开发的模型通常可以通过我们的 AI 引擎直接集成。
• 我们提供与主要云机器学习平台（如 Google Vertex AI 和 Amazon SageMaker）的无缝集成功能，使在这些平台上训练和托管的模型可以被调用。

关键的是，我们的语义层在使这些可能复杂的自定义模型可访问方面发挥着关键作用。通过将模型的输入和输出链接到知识图中定义的业务概念（MSO 和属性），我们允许非技术的业务用户利用高级预测、分类或因果模型（例如，通过快速见解），而无需了解底层数据科学——他们以熟悉的业务术语交互，平台处理技术翻译。这种方法真正实现了对先进 AI/ML 能力的民主化访问。

展望未来，您认为哪些趋势将塑造企业人工智能的下一波浪潮，特别是在代理市场和无代码代理设计方面？

企业人工智能的下一波浪潮正在朝着高度动态、可组合和协作的生态系统发展。几个趋势正在汇聚，推动这一发展：

• 代理市场和注册表：我们将看到代理市场与内部代理注册表一起兴起的显著增长。这促进了从构建到“租用和组合”的转变，组织可以根据需要动态发现和集成具有特定功能的专用代理，大大加快解决方案的部署。
• 标准化的代理通信：为了使这些生态系统发挥作用，代理需要共同的语言。标准化的代理到代理通信协议，例如我们使用的模型上下文协议（MCP），以及 Google 的 Agent2Agent 协议等举措，对于实现代理之间的无缝协作、上下文共享和任务委托至关重要，无论谁构建它们或它们在哪里运行。
• 动态编排：静态的预定义工作流将让位于动态编排。智能编排层将在运行时根据特定问题上下文选择、配置和协调代理，导致系统更加适应性和韧性。
• 无代码/低代码代理设计：民主化将扩展到代理创建。无代码和低代码平台将使业务专家（而不仅仅是 AI 专家）能够设计和构建封装特定领域知识和业务逻辑的代理，从而进一步丰富可用专用功能的池。

App Orchid 的作用是为这个未来提供关键的语义基础。代理在这些动态生态系统中需要了解企业数据才能有效地协作并执行有意义的任务。我们的知识图和语义层提供了这种上下文理解，使代理能够以相关的业务术语推理和处理数据。

您如何看待代理人工智能民主化的未来，CTO 的角色将如何演变？

人工智能驱动的决策的民主化通过代理人工智能从根本上提升了 CTO 的角色。它将 CTO 从主要的技术基础设施管理者的角色转变为组织智能的战略编排者。

关键的演变包括：

• 从系统管理者到生态系统架构师：焦点从管理孤立的应用程序转移到设计、策划和治理动态的代理、数据源和分析能力的交互生态系统。这涉及有效地利用代理市场和注册表。
• 数据战略作为核心业务战略：确保数据不仅可用，而且语义丰富、可靠且可访问成为至关重要的。CTO 将在构建支持整个企业智能系统的知识图基础方面发挥核心作用。
• 治理范式的演变：针对代理人工智能的新治理模型将是必要的——解决代理信任、安全性、人工智能使用的道德问题、自动决策的可审计性以及代理协作中的涌现行为管理。
• 拥抱适应性：CTO 将在将适应性嵌入组织的技术和运营结构中发挥关键作用，创造环境，使人工智能驱动的见解能够快速响应并持续学习。
• 促进人机协作：一个关键方面将是培养一种文化和设计系统，使人类和人工智能代理能够协同工作，增强彼此的优势。

最终，CTO 成为最大化组织“智能潜力”的人，而不仅仅是管理 IT 成本。它是向成为真正的战略伙伴的转变，能够使整个业务以更智能和更适应性地运作在日益复杂的世界中。

感谢这次精彩的采访，希望了解更多的读者可以访问 App Orchid。