Ravi Bommakanti, CTO App Orchid – wywiad
Ravi Bommakanti, dyrektor technologiczny w firmie App Orchid, kieruje misją przedsiębiorstwa, która polega na pomaganiu firmom we wdrażaniu sztucznej inteligencji w aplikacjach i procesach decyzyjnych. Flagowy produkt App Orchid, Easy Answers™, umożliwia użytkownikom interakcję z danymi za pomocą języka naturalnego, generując dashboardy, wnioski i rekomendacje wspierane przez AI.
Platforma integruje dane strukturalne i niestrukturalne – w tym dane w czasie rzeczywistym oraz wiedzę pracowników – tworząc predykcyjną strukturę danych, która wspiera decyzje strategiczne i operacyjne. Dzięki technologii Big Data działającej w pamięci RAM oraz intuicyjnemu interfejsowi, App Orchid ułatwia wdrażanie AI poprzez szybkie wprowadzanie, niskie koszty i minimalne zakłócenia istniejących systemów.
Czym jest „agentowa AI” i czym różni się od tradycyjnych systemów AI?
Agentowa AI to zasadnicza zmiana w stosunku do statycznych systemów AI – przejście od sztywnych, zaprogramowanych wcześniej rozwiązań do autonomicznych, elastycznych narzędzi, które potrafią analizować, planować i współpracować.
Kluczowa różnica polega na zdolności agentowej AI do wykorzystania rozproszonej wiedzy i ekspertyzy. Tradycyjna AI działa w ustalonych granicach, podążając z góry określonymi ścieżkami. Systemy agentowe potrafią dzielić złożone zadania na mniejsze, identyfikować odpowiednich specjalistycznych agentów do ich realizacji – korzystając np. z rejestrów agentów – i koordynować ich współpracę, aby znaleźć rozwiązanie. Dzięki rejestrom agentów firmy mogą „wynajmować” specjalistyczne funkcje w miarę potrzeb, zamiast budować każdą funkcję AI od podstaw.
Przyszłość należy więc nie do monolitycznych systemów, ale do ekosystemów, w których wyspecjalizowani agenci mogą być dynamicznie łączeni i koordynowani – podobnie jak zespół zarządzany przez doświadczonego menedżera – aby skutecznie odpowiadać na złożone wyzwania biznesowe.
Jak Google Agentspace przyspiesza wdrażanie agentowej AI w przedsiębiorstwach i jaką rolę odgrywa w tym App Orchid?
Google Agentspace znacząco przyspiesza adopcję AI w firmach. Dzięki ujednoliconej platformie do wdrażania i zarządzania inteligentnymi agentami zintegrowanymi z różnymi aplikacjami oraz wykorzystaniu potężnych modeli Google, takich jak Gemini, Agentspace pozwala przekształcać rozproszone informacje w użyteczne wnioski dostępne przez wspólny interfejs.
App Orchid pełni w tym ekosystemie kluczową rolę warstwy semantycznej. Podczas gdy Agentspace zapewnia infrastrukturę agentów i ramy koordynacji, nasza platforma Easy Answers rozwiązuje problem zrozumienia złożonych danych przez agentów. Stosujemy podejście oparte na ontologiach, budując bogate grafy wiedzy z danymi przedsiębiorstwa, uwzględniające kontekst biznesowy i relacje – czyli dokładnie to, czego agenci potrzebują do efektywnego działania.
Współpracując z Google Cloud Cortex Framework, pomagamy klientom skrócić czas przygotowania danych nawet o 85%, oferując jednocześnie 99,8% dokładności w tłumaczeniu zapytań w języku naturalnym na SQL. Razem umożliwiamy firmom wdrażanie agentowej AI, która naprawdę rozumie ich biznes i dane.
Z jakimi wyzwaniami mierzą się firmy wdrażające agentową AI i jak App Orchid pomaga je pokonać?
Główne bariery to jakość danych, bezpieczeństwo (w szczególności zaufanie między agentami) oraz zarządzanie rozproszoną wiedzą i możliwościami agentów.
Jakość danych to podstawa. Agentowa AI, jak każda AI, będzie działać niepewnie, jeśli dane są słabej jakości. App Orchid rozwiązuje ten problem, tworząc warstwę semantyczną, która nadaje kontekst różnym źródłom danych. Dodatkowo, funkcje crowdsourcingowe w Easy Answers angażują użytkowników biznesowych – którzy najlepiej rozumieją dane – we wspólne identyfikowanie i poprawianie luk oraz niespójności.
Bezpieczeństwo to kolejne wyzwanie, zwłaszcza gdy komunikacja między agentami obejmuje systemy wewnętrzne i zewnętrzne. Konieczne są solidne mechanizmy zaufania między agentami oraz zarządzanie tym procesem bez zbędnych ograniczeń. Nasza platforma skupia się na wdrażaniu odpowiednich frameworków bezpieczeństwa.
Wreszcie, efektywne wykorzystanie rozproszonej wiedzy wymaga zaawansowanej koordynacji. App Orchid korzysta z protokołów takich jak Model Context Protocol (MCP), który umożliwia dynamiczne dobieranie agentów z repozytoriów w zależności od potrzeb. To podejście współgra z nowymi standardami, takimi jak protokół Agent2Agent Google, i pomaga firmom budować skuteczne rozwiązania agentowej AI.
Jak działa Easy Answers – od zapytania w języku naturalnego do wygenerowania wniosków?
Easy Answers zmienia sposób, w jaki użytkownicy pracują z danymi przedsiębiorstwa, umożliwiając zaawansowane analizy za pomocą języka naturalnego. Oto jak to działa:
- Łączność: Platforma łączy się z ponad 200 źródłami danych, często bez konieczności ich przenoszenia.
- Tworzenie ontologii: Automatycznie analizuje dane i buduje graf wiedzy, organizując je w tzw. Managed Semantic Objects (MSOs) wraz z ich relacjami.
- Wzbogacanie metadanymi: Ontologia jest uzupełniana metadanymi – użytkownicy dodają opisy, a AI generuje szczegółowe informacje o MSOs i ich atrybutach.
- Zapytanie w języku naturalnym: Użytkownik zadaje pytanie, np. „Pokaż trendy sprzedaży produktu X w regionie zachodnim w porównaniu z poprzednim kwartałem”.
- Interpretacja i generowanie SQL: Silnik NLP tłumaczy pytanie na precyzyjne zapytania SQL z dokładnością 99,8%.
- Generowanie wniosków (Curations): System prezentuje odpowiedź w formie interaktywnych wizualizacji, zwanych „curacjami”.
- Głębsza analiza (Quick Insights): Dla bardziej złożonych pytań użytkownicy mogą zastosować algorytmy ML dostarczone z platformą, aby automatycznie wykrywać wzorce i anomalie.
Cały proces, trwający często kilka sekund, demokratyzuje dostęp do danych, zamieniając skomplikowane analizy w prostą rozmowę.
Jak Easy Answers łączy rozproszone dane w dużych firmach i zapewnia przejrzystość wniosków?
Rozproszone dane to poważna przeszkoda w dużych przedsiębiorstwach. Easy Answers rozwiązuje ten problem dzięki warstwie semantycznej.
Zamiast kosztownej konsolidacji danych, tworzymy wirtualną warstwę logiczną. Platforma łączy różne źródła danych tam, gdzie się znajdują, i buduje ujednolicony widok za pomocą grafów wiedzy. MSOs definiują relacje między danymi i wzbogacają je o metadane, tworząc wspólny język biznesowy zrozumiały dla ludzi i AI.
Aby wnioski były wiarygodne, zapewniamy:
- Śledzenie danych (Traceability): Użytkownicy mogą prześledzić każdy wniosek aż do źródła danych, sprawdzając wszystkie transformacje i obliczenia.
- Wyjaśnienia (Explainability): Wnioski są opatrzone opisami w języku naturalnym, które tłumaczą ich znaczenie w kontekście biznesowym.
To połączenie niweluje bariery między danymi i buduje zaufanie dzięki przejrzystości.
Jak system zapewnia przejrzystość wniosków, szczególnie w regulowanych branżach?
Przejrzystość jest kluczowa, zwłaszcza w branżach podlegających ścisłym regulacjom. Easy Answers zapewnia ją na trzech poziomach:
- Śledzenie pochodzenia danych (Data Lineage): Każdy wniosek można prześledzić od źródła przez wszystkie transformacje.
- Widoczność metodologii: Platforma dokumentuje, jakie modele i parametry zostały użyte, unikając „czarnej skrzynki”.
- Wyjaśnienia w języku naturalnym: Wnioski są tłumaczone na zrozumiały język biznesowy.
Dodatkowo, dla branż regulowanych oferujemy kontrolę dostępu, workflow zatwierdzania i szczegółowe logi, aby zapewnić zgodność z przepisami.
Jak App Orchid zamienia wnioski AI w działania dzięki funkcjom takim jak Generative Actions?
Generowanie wniosków to dopiero początek – kluczowe jest podejmowanie działań. Easy Answers wykorzystuje AI, aby proponować konkretne, uzasadnione biznesowo kroki w odpowiedzi na analizy.
Na przykład, zamiast tylko wskazywać klientów zagrożonych odejściem, platforma może zasugerować spersonalizowane oferty retencyjne, oszacować ich wpływ i nawet przygotować szablony komunikacji. Wszystko to z uwzględnieniem zasad biznesowych i historycznych danych.
Człowiek nadal ma decydujący głos – proponowane działania są przedstawiane do akceptacji. Po zatwierdzeniu platforma może automatycznie uruchomić procesy w zintegrowanych systemach, np. aktualizując prognozy w ERP lub wysyłając kampanię marketingową.
Dlaczego grafy wiedzy i modele semantyczne są kluczowe dla platformy?
Grafy wiedzy i modele semantyczne to serce Easy Answers. Dzięki nim platforma wykracza poza tradycyjne narzędzia BI, które traktują dane jako oderwane tabele i kolumny.
Są one kluczowe, ponieważ:
- Umożliwiają interakcję w języku naturalnym: Model semantyczny działa jak „tłumacz” między językiem biznesowym a zapytaniami danych.
- Zachowują kontekst biznesowy: Graf wiedzy przechwytuje złożone relacje między encjami, np. jak klienci wchodzą w interakcje z produktami.
- Są elastyczne i skalowalne: Można je rozszerzać o nowe dane bez przebudowywania całego systemu.
To głębokie zrozumienie danych jest podstawą wszystkich funkcji Easy Answers i przyszłych możliwości agentowej AI.
Jakie modele AI są obsługiwane i czy firmy mogą korzystać z własnych modeli?
App Orchid oferuje elastyczne podejście, integrując się z wiodącymi modelami, takimi jak Gemini Google, GPT OpenAI czy Llama. Pozwala to firmom wybrać rozwiązania najlepiej dopasowane do ich potrzeb.
Organizacje mogą również wykorzystywać własne modele AI/ML:
- Modele napisane w Pythonie można zintegrować przez AI Engine.
- Platforma współpracuje z chmurowymi narzędziami takimi jak Google Vertex AI i Amazon SageMaker.
Warstwa semantyczna ułatwia dostęp do tych modeli – użytkownicy biznesowi mogą korzystać z nich, używając znanych pojęć, bez zagłębiania się w szczegóły techniczne.
Jakie trendy kształtują przyszłość enterprise AI, zwłaszcza w obszarze rynków agentów i projektowania bez kodu?
Nadchodząca fala enterprise AI będzie oparta na dynamicznych, komponowalnych ekosystemach. Kluczowe trendy to:
- Rynki agentów i rejestry: Firmy będą mogły „wynajmować” specjalistyczne agenty zamiast budować je od zera.
- Standardy komunikacji: Protokoły takie jak MCP i Agent2Agent umożliwią współpracę między agentami różnych dostawców.
- Dynamiczna koordynacja: Zamiast sztywnych workflow, agenci będą łączeni w locie w odpowiedzi na bieżące potrzeby.
- Projektowanie bez kodu: Narzędzia low-code pozwolą ekspertom biznesowym tworzyć własnych agentów bez umiejętności programowania.
App Orchid zapewnia fundament semantyczny dla tej przyszłości – agenci muszą rozumieć dane przedsiębiorstwa, aby efektywnie współpracować.
Jak zmieni się rola CTO w świecie, gdzie agentowa AI demokratyzuje podejmowanie decyzji?
Demokratyzacja decyzji przez agentową AI podnosi rolę CTO z zarządcy technologii do stratega organizacyjnej inteligencji. Kluczowe zmiany to:
- Przejście od zarządzania systemami do projektowania ekosystemów: CTO będzie odpowiedzialny za dynamiczne sieci agentów, danych i analiz.
- Strategia danych jako podstawa strategii biznesowej: Konieczność zapewnienia, że dane są nie tylko dostępne, ale też bogate semantycznie.
- Nowe modele zarządzania: CTO będzie musiał określić zasady zaufania, bezpieczeństwa i etyki w systemach agentowych.
- Wspieranie współpracy ludzi i AI: Projektowanie środowisk, w których ludzie i agenci wzajemnie się uzupełniają.
CTO stanie się strategicznym partnerem w maksymalizowaniu „potencjału inteligencji” organizacji.
Dziękujemy za wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, mogą odwiedzić App Orchid.