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 oparte na AI pulpity nawigacyjne, analizy i rekomendowane działania.
Platforma integruje dane strukturalne i niestrukturalne – w tym informacje w czasie rzeczywistym oraz wiedzę pracowników – tworząc predykcyjną strukturę danych wspierającą decyzje strategiczne i operacyjne. Dzięki technologii Big Data działającej w pamięci RAM oraz przyjaznemu interfejsowi App Orchid upraszcza adopcję AI poprzez szybkie wdrożenia, niskie koszty i minimalną ingerencję w istniejące systemy.
Czym jest „agentowa AI” i czym różni się od tradycyjnych systemów AI?
Agentowa AI to fundamentalna zmiana – przejście od statycznych, zaprogramowanych z góry systemów do autonomicznych, elastycznych rozwiązań, które potrafią analizować, planować i współpracować. Kluczowa różnica polega na zdolności 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 dla podzadań (np. poprzez rejestry agentów) i koordynować ich współpracę, aby znaleźć rozwiązanie. Dzięki rejestrom agentów firmy mogą „wynajmować” specjalistyczne funkcje w miarę potrzeb, zamiast budować każdą funkcjonalność od podstaw.
Przyszłość należy więc do ekosystemów, w których wyspecjalizowani agenci mogą być dynamicznie łączeni i koordynowani – niczym zespół zarządzany przez doświadczonego menedżera – aby efektywnie rozwiązywać złożone wyzwania biznesowe.
Jak Google Agentspace przyspiesza adopcję agentowej AI w przedsiębiorstwach i jaką rolę odgrywa App Orchid?
Google Agentspace znacząco przyspiesza wdrażanie AI w firmach. Dzięki ujednoliconemu środowisku do zarządzania inteligentnymi agentami podłączonymi do różnych aplikacji oraz wykorzystaniu potężnych modeli takich jak Gemini, Agentspace przekształca odizolowane dane w użyteczne wnioski dostępne przez wspólny interfejs.
App Orchid pełni kluczową rolę warstwy semantycznej w tym ekosystemie. Podczas gdy Agentspace zapewnia infrastrukturę agentów i framework koordynacji, nasza platforma Easy Answers rozwiązuje problem zrozumienia skomplikowanych danych przez agentów. Stosujemy podejście oparte na ontologiach, budując bogate grafy wiedzy z danymi przedsiębiorstwa, uwzględniając kontekst biznesowy i relacje – czyli dokładnie to, czego agenci potrzebują, aby działać skutecznie.
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 język biznesowy i zawiłości danych.
Jakie wyzwania napotykają firmy przy wdrażaniu agentowej AI i jak App Orchid pomaga je pokonać?
Główne bariery to jakość danych, bezpieczeństwo (zwłaszcza zapewnienie zaufania między agentami) oraz zarządzanie rozproszoną wiedzą i możliwościami agentów.
Jakość danych to podstawa. Agentowa AI, jak każda AI, daje niepewne wyniki, jeśli dane są słabej jakości. App Orchid rozwiązuje ten problem, tworząc warstwę semantyczną, która nadaje kontekst różnym źródłom danych. Dodatkowo nasze funkcje crowdsourcingowe angażują użytkowników biznesowych w identyfikowanie i naprawianie luk w danych, zwiększając ich wiarygodność.
Bezpieczeństwo to kolejne wyzwanie, zwłaszcza gdy agenci komunikują się między sobą, często przekraczając granice systemów. Wdrażamy frameworki bezpieczeństwa zaprojektowane dla takich dynamicznych interakcji.
Wreszcie, efektywne wykorzystanie rozproszonej wiedzy wymaga zaawansowanej koordynacji. App Orchid korzysta z protokołów takich jak Model Context Protocol (MCP), który umożliwia dynamiczne wyszukiwanie specjalistycznych agentów w repozytoriach w zależności od kontekstu. To podejście jest zgodne z nowymi standardami, takimi jak protokół Agent2Agent Google, który standaryzuje komunikację w systemach wieloagentowych.
Jak działa Easy Answers™ – od zapytania w języku naturalnego do generowania wniosków?
Easy Answers zmienia sposób interakcji z danymi przedsiębiorstwa, umożliwiając zaawansowane analizy poprzez język naturalny. Oto jak to działa:
- Łączność: Platforma łączy się z ponad 200 źródłami danych, często bez konieczności przenoszenia informacji.
- Tworzenie ontologii: System analizuje dane i buduje graf wiedzy, organizując je w obiekty biznesowe zwane Managed Semantic Objects (MSOs).
- Wzbogacanie metadanymi: Ontologia jest uzupełniana metadanymi – użytkownicy dostarczają ogólne opisy, a AI generuje szczegółowe informacje o MSO i ich atrybutach.
- Zapytanie w języku naturalnym: Użytkownik zadaje pytanie, np. „Pokaż trendy sprzedaży produktu X w regionie zachodnim w porównaniu do ostatniego kwartału”.
- Interpretacja i generowanie SQL: Silnik NLP tłumaczy pytanie na precyzyjne zapytania SQL z 99,8% dokładnością.
- Generowanie wizualizacji („curations”): System prezentuje odpowiedź w formie interaktywnych wizualizacji.
- Głębsza analiza (Quick Insights): Użytkownicy mogą stosować algorytmy ML do automatycznego wykrywania wzorców i anomalii bez wiedzy data science.
Jak Easy Answers łączy odizolowane dane w dużych firmach i zapewnia przejrzystość wniosków?
Zamiast fizycznie konsolidować dane, Easy Answers tworzy wirtualną warstwę semantyczną. Graf wiedzy mapuje dane w MSO, definiuje ich relacje i wzbogaca je o metadane, tworząc wspólny język biznesowy zrozumiały dla ludzi i AI.
Aby wnioski były wiarygodne, zapewniamy:
- Śledzenie danych (lineage): Możliwość prześledzenia każdej analizy do źródła, wraz z zastosowanymi transformacjami.
- Wyjaśnienia: Naturalne językowo podsumowania, które tłumaczą wyniki na zrozumiałe terminy biznesowe.
Jak system zapewnia przejrzystość, szczególnie w branżach regulowanych?
Przejrzystość jest kluczowa w regulowanych branżach. Easy Answers zapewnia ją na trzech poziomach:
- Lineage danych: Pełne śledzenie pochodzenia danych i transformacji.
- Widoczność metodologii: Dokumentacja metod analitycznych i parametrów modeli ML.
- Wyjaśnienia w języku naturalnym: Tłumaczenie technicznych wyników na język biznesowy.
Dodatkowo platforma oferuje kontrolę dostępu, workflowy zatwierdzania i logi audytowe dla compliance.
Jak App Orchid zamienia wnioski AI w działania dzięki funkcjom takim jak Generative Actions?
Generative Actions zamyka lukę między analizą a działaniem. Gdy Easy Answers wykryje istotny wzorzec, proponuje konkretne, kontekstowe działania – np. zamiast tylko wskazywać ryzyko utraty klienta, rekomenduje spersonalizowane oferty retencyjne.
Propozycje uwzględniają reguły biznesowe, ograniczenia i cele. Człowiek nadzoruje proces – akceptuje, modyfikuje lub odrzuca sugestie. Po zatwierdzeniu system może automatycznie uruchomić działania w zintegrowanych systemach operacyjnych, takich jak CRM czy ERP.
Dlaczego grafy wiedzy i modele semantyczne są kluczowe dla platformy?
Grafy wiedzy i modele semantyczne to serce Easy Answers. Dzięki nim platforma:
- Umożliwia interakcję w języku naturalnym: Model semantyczny działa jak „kamień z Rosetty”, tłumacząc język biznesowy na zapytania.
- Zachowuje kontekst biznesowy: Graf wyraźnie pokazuje relacje między encjami (np. klient-produkt), umożliwiając głębsze analizy.
- Jest elastyczny i skalowalny: Modele semantyczne łatwiej dostosować do zmian niż sztywne schematy.
Jakie modele AI są obsługiwane i czy firmy mogą używać własnych modeli ML?
App Orchid wspiera elastyczne podejście, integrując się z wiodącymi modelami, takimi jak Gemini Google, GPT OpenAI czy Llama. Organizacje mogą też włączać własne modele:
- Modele Pythonowe integrują się przez AI Engine.
- Platforma łączy się z chmurowymi rozwiązaniami takimi jak Google Vertex AI i Amazon SageMaker.
Warstwa semantyczna sprawia, że nawet skomplikowane modele stają się dostępne dla użytkowników biznesowych – interagują oni ze znajomymi pojęciami, a platforma tłumaczy je na zapytania.
Jakie trendy kształtują przyszłość enterprise AI, zwłaszcza w obszarze rynków agentów i projektowania bez kodu?
Nadchodząca fala enterprise AI to dynamiczne, komponowalne ekosystemy. Kluczowe trendy to:
- Rynki i rejestry agentów: Firmy będą „wynajmować” specjalistyczne agenty zamiast budować wszystko od zera.
- Standaryzacja komunikacji: Protokoły takie jak MCP i Agent2Agent Google ułatwią współpracę agentów.
- Dynamiczna koordynacja: Elastyczne workflowy zastąpią sztywne procesy.
- Projektowanie bez kodu: Eksperci biznesowi będą tworzyć własnych agentów bez głębokiej wiedzy technicznej.
App Orchid zapewnia fundament semantyczny dla tej przyszłości – agenci muszą rozumieć dane przedsiębiorstwa, aby działać skutecznie.
Jak zmieni się rola CTO w przyszłości, gdzie inteligencja decyzyjna jest zdemokratyzowana przez agentową AI?
CTO stanie się strategicznym architektem inteligencji organizacyjnej. Kluczowe zmiany to:
- Przejście od zarządzania systemami do projektowania ekosystemów: Koordynacja dynamicznych sieci agentów i danych.
- Strategia danych jako strategia biznesowa: Budowa grafów wiedzy jako podstawa inteligentnych systemów.
- Nowe modele governance: Zapewnienie zaufania, bezpieczeństwa i etyki w systemach agentowych.
- Wspieranie adaptacyjności: Tworzenie środowisk, gdzie wnioski AI prowadzą do szybkich reakcji.
- Współpraca ludzi i AI: Projektowanie synergii między zespołami a agentami.
CTO stanie się partnerem strategicznym, maksymalizującym „potencjał inteligencji” organizacji.
Dziękujemy za wywiad. Czytelnicy, którzy chcą dowiedzieć się więcej, mogą odwiedzić App Orchid.