라비 보마만 티최고 기술 책임자 앱 난초회사의 사명을 이끌고 기업이 응용 프로그램 및 의사 결정 프로세스에서 AI를 운영 할 수 있도록 도와줍니다. App Orchid의 플래그십 제품인 Easy Answers ™는 사용자가 자연 언어를 사용하여 데이터와 상호 작용하여 AI 기반 대시 보드, 통찰력 및 권장 작업을 생성 할 수 있습니다.
이 플랫폼은 실시간 입력 및 직원 지식을 포함하여 구조화되고 구조화되지 않은 데이터를 통합하여 전략적 및 운영 결정을 지원하는 예측 데이터 패브릭을 통합합니다. Memory In Memory Big Data 기술과 사용자 친화적 인 인터페이스를 통해 App Orchid는 빠른 배포, 저렴한 구현 및 기존 시스템에 대한 최소한의 중단을 통해 AI 채택을 간소화합니다.
“에이전트 AI”가 당신에게 무엇을 의미하는지, 그리고 기존 AI 시스템과 어떻게 다른가요?
에이전트 AI는 전통적인 AI 시스템의 전형적인 정적 실행에서 동적 오케스트레이션으로 근본적인 변화를 나타냅니다. 나에게, 그것은 견고하고 사전 프로그래밍 된 시스템에서 추론, 계획 및 협력 할 수있는 자율적이고 적응 가능한 문제 해결으로 이동하는 것입니다.
에이전트 AI를 차별화하는 것은 지식과 전문 지식의 분산 특성을 활용하는 능력입니다. 전통적인 AI는 종종 미리 정해진 경로에 따라 고정 된 경계 내에서 작동합니다. 그러나 에이전트 시스템은 복잡한 작업을 분해하고, 하위 작업에 적합한 전문 에이전트를 식별 할 수 있습니다 (에이전트 레지스트리를 통해 이들을 발견하고 활용하는 것은 상호 작용을 조정하여 솔루션을 합성합니다. 이 대리인 레지스트리 개념을 통해 조직은 필요에 따라 전문적인 기능을 효과적으로 ‘임대’할 수 있으며, 모든 AI 기능을 내부적으로 구축하거나 소유하도록 강요받지 않고 인간 전문가 팀이 조립하는 방식을 반영합니다.
따라서 모 놀리 식 시스템 대신, 미래는 전문 에이전트를 동적으로 구성하고 팀을 이끄는 숙련 된 프로젝트 관리자와 마찬가지로 복잡하고 발전하는 비즈니스 문제를 효과적으로 해결할 수있는 생태계를 만드는 데 있습니다.
Google Agentspace는 기업 전반의 에이전트 AI의 채택을 어떻게 가속화하고 있으며,이 생태계에서 App Orchid의 역할은 무엇입니까?
Google Agentspace는 Enterprise AI 채택의 중요한 가속기입니다. Agentspace는 다양한 작업 애플리케이션에 연결된 지능형 에이전트를 배치하고 관리하고 Google의 강력한 검색 및 모델을 활용하여 회사를 통해 공통 인터페이스를 통해 사일로 된 정보를 실행 가능한 인텔리전스로 변환 할 수 있습니다.
App Orchid는이 생태계 내에서 중요한 의미 론적 지원 계층 역할을합니다. Agentpace는 에이전트 인프라 및 오케스트레이션 프레임 워크를 제공하지만 Easy Answers Platform은 복잡한 데이터를 에이전트에 대해 이해하고 액세스 할 수있는 중요한 엔터프라이즈 문제를 해결합니다. 우리는 온톨로지 중심의 접근 방식을 사용하여 엔터프라이즈 데이터에서 풍부한 지식 그래프를 구축하고 비즈니스 컨텍스트 및 관계를 갖추고 있습니다.
이로 인해 강력한 시너지 효과가 생깁니다. Agentpace는 강력한 에이전트 인프라 및 오케스트레이션 기능을 제공하는 반면 App Orchid는 이러한 에이전트가 효과적으로 작동하고 의미있는 비즈니스 통찰력을 제공 해야하는 복잡한 엔터프라이즈 데이터에 대한 심층적 인 이해를 제공합니다. Google Cloud Cortex Framework와의 협업이 대표적인 예이며, 고객이 자연어 쿼리를 위해 플랫폼의 업계 최고의 99.8% 텍스트-SQL 정확도를 활용하면서 고객이 데이터 준비 시간 (최대 85%)을 크게 줄이는 데 도움이됩니다. 우리는 함께 조직이 비즈니스 언어와 데이터 복잡성을 파악하여 값을 가속화하는 에이전트 AI 솔루션을 배치 할 수 있도록 강화합니다.
에이전트 AI를 채택 할 때 회사가 직면하는 실제 장벽은 무엇이며, App Orchid는 어떻게이를 극복하는 데 도움이됩니까?
우리가 보는 주요 장벽은 데이터 품질, 보안 표준을 발전시키는 과제, 특히 대리인 대 에이전트 신뢰를 보장하고 엔터프라이즈 지식 및 에이전트 기능의 분산 특성을 관리하는 과제를 중심으로합니다.
데이터 품질은 기반암 문제입니다. AI와 마찬가지로 에이전트 AI는 빈약 한 데이터를 먹으면 신뢰할 수없는 출력을 제공합니다. App Orchid는 이질적인 데이터 소스를 맥락화하는 의미 론적 계층을 만들어 기본적으로 해결합니다. 이를 바탕으로 Easy Answers의 고유 한 크라우드 소싱 기능은 데이터 격차와 불일치를 공동으로 식별하고 해결하기 위해 조직 전체의 비즈니스 사용자 (데이터의 의미를 가장 잘 이해하는 사람)를 참여시켜 신뢰성을 크게 향상시킵니다.
보안은 특히 에이전트 대 에이전트 커뮤니케이션이 일반화되어 내부 및 외부 시스템에 걸쳐있는 또 다른 중요한 장애물을 제시합니다. 에이전트 대 에이전트 신뢰를위한 강력한 메커니즘을 확립하고 필요한 상호 작용을 방해하지 않고 거버넌스 유지를 유지하는 것이 중요합니다. 우리의 플랫폼은 이러한 동적 상호 작용을 위해 설계된 보안 프레임 워크 구현에 중점을 둡니다.
마지막으로, 분산 지식과 기능을 활용하려면 효과적으로 고급 오케스트레이션이 필요합니다. App Orchid는 MCP (Model Context Protocol)와 같은 개념을 활용하여 점점 더 중추적입니다. 이를 통해 상황에 맞는 요구에 따라 리포지토리에서 특수 에이전트의 동적 소싱, 유체, 적응 가능한 워크 플로가 엄격하고 사전 정의 된 프로세스가 아닌 적응 가능한 워크 플로를 가능하게합니다. 이 접근법은 다중 에이전트 시스템의 통신을 표준화하도록 설계된 Google의 Agent2agent 프로토콜과 같은 새로운 표준과 일치합니다. 우리는 이러한 장벽을 해결함으로써 조직이 신뢰할 수 있고 효과적인 에이전트 AI 솔루션을 구축하도록 돕습니다.
자연어 쿼리에서 통찰력 생성에 이르기까지 얼마나 쉬운 Answers ™가 작동하는지 우리에게 안내해 주시겠습니까?
쉬운 답변은 사용자가 엔터프라이즈 데이터와 상호 작용하는 방식을 변환하여 자연 언어를 통해 정교한 분석에 액세스 할 수 있도록합니다. 작동 방식은 다음과 같습니다.
- 연결성: 우리는 Enterprise의 데이터 소스에 연결하는 것으로 시작합니다. 200 개 이상의 공통 데이터베이스 및 시스템을 지원합니다. 결정적으로, 이것은 종종 데이터 이동이나 복제를 필요로하지 않으면 서 종종 발생하는 데이터에 안전하게 연결됩니다.
- 온톨로지 생성: 우리의 플랫폼은 연결된 데이터를 자동으로 분석하고 포괄적 인 지식 그래프를 구축합니다. 이것은 데이터를 우리가 MSO (Managed Semantic Objects)라고 부르는 비즈니스 중심 엔티티로 구조화하여 그들 사이의 관계를 캡처합니다.
- 메타 데이터 강화:이 온톨로지에는 메타 데이터가 풍부합니다. 사용자는 높은 수준의 설명을 제공하며 AI는 각 MSO 및 그 속성 (필드)에 대한 자세한 설명을 생성합니다. 이 결합 된 메타 데이터는 데이터의 의미와 구조에 대한 깊은 맥락을 제공합니다.
- 자연어 쿼리: 사용자는 “지난 분기에 비해 서부 지역의 제품 X에 대한 판매 동향을 보여주는 것”과 같은 일반 비즈니스 언어로 질문을합니다.
- 해석 및 SQL 생성: NLP 엔진은 지식 그래프에서 풍부한 메타 데이터를 사용하여 사용자의 의도를 이해하고 관련 MSO와 관계를 식별하며 문제를 정확한 데이터 쿼리 (예 : SQL)로 변환합니다. 우리는 업계 최고의 99.8%의 텍스트-SQL 정확도를 달성합니다.
- 통찰력 생성 (Curations) : 이 시스템은 데이터를 검색하고 답을 시각적으로 제시하는 가장 효과적인 방법을 결정합니다. 우리의 플랫폼에서 이러한 대화식 시각화를 ‘큐레이터’라고합니다. 사용자는 특정 요구 또는 표준에 맞게 자동으로 생성 또는 사전 구성 할 수 있습니다.
- 더 깊은 분석 (빠른 통찰력) : 보다 복잡한 질문이나 사전 검색을 위해 사용자는 빠른 통찰력을 활용할 수 있습니다. 이 기능을 사용하면 플랫폼과 함께 제공된 ML 알고리즘을 지정된 데이터 필드에 쉽게 적용하여 데이터 과학 전문 지식이 필요없이 패턴을 자동으로 감지하거나 이상을 식별하거나 가설을 검증 할 수 있습니다.
종종 몇 초 만에 완료된이 전체 프로세스는 데이터 액세스 및 분석을 민주화하여 복잡한 데이터 탐색을 간단한 대화로 바꿉니다.
Easy는 대기업의 Bridge Siled 데이터에 대한 답변을 어떻게 설명하고 통찰력을 설명하고 추적 할 수 있습니까?
데이터 사일로는 대기업의 주요 장애입니다. 쉬운 답변은 우리의 독특한 시맨틱 레이어 접근법을 통해이 근본적인 도전을 해결합니다.
비용이 많이 들고 복잡한 물리적 데이터 통합 대신 가상 시맨틱 계층을 만듭니다. 당사의 플랫폼은 거주하는 다양한 데이터 소스에 연결하여 통합 된 논리적보기를 구축합니다. 이 계층은 데이터를 관리되는 시맨틱 객체 (MSO)로 매핑하고 관계를 정의하며 상황에 맞는 메타 데이터로 풍부한 지식 그래프 기술로 구동됩니다. 이는 인간과 AI가 이해할 수있는 일반적인 비즈니스 언어를 만들어 데이터가 물리적으로 사는 위치에 관계없이 비즈니스 의미 (고객, 제품, 판매)를 사용하여 기술 데이터 구조 (테이블, 열)를 효과적으로 연결합니다.
통찰력을 신뢰할 수 있으면 추적 성과 설명이 필요합니다.
- 추적 성: 우리는 포괄적 인 데이터 계보 추적을 제공합니다. 사용자는 큐레이터 나 통찰력에서 소스 데이터로 다시 드릴 다운하여 적용된 모든 변환, 필터 및 계산을 볼 수 있습니다. 이는 검증 및 규정 준수에 중요한 전체 투명성 및 감사를 제공합니다.
- 설명 가능성: 통찰력에는 자연어 설명이 수반됩니다. 이 요약은 데이터가 보여주는 내용과 비즈니스 용어가 중요한 이유를 분명히하여 복잡한 결과를 광범위한 청중을위한 실행 가능한 이해로 변환합니다.
이 조합은 통합 시맨틱 뷰를 만들어 사일로를 연결하고 명확한 추적 성과 설명을 통해 신뢰를 구축합니다.
시스템은 어떻게 데이터 계보가 중요한 규제 산업에서 통찰력의 투명성을 어떻게 보장합니까?
투명성은 AI 중심의 통찰력, 특히 감사와 방어성이 가장 중요한 규제 산업에서 절대적으로 협상 불가능합니다. 우리의 접근 방식은 세 가지 주요 차원에서 투명성을 보장합니다.
- 데이터 계보: 이것은 기본입니다. 언급했듯이 쉬운 답변은 엔드 투 엔드 데이터 계보 추적을 제공합니다. 모든 통찰력, 시각화 또는 숫자는 원래 데이터 소스부터 조인, 변환, 집계 또는 필터를 통해 적용되는 전체 수명주기를 통해 세 심하게 추적 될 수 있습니다.
- 방법론 가시성: 우리는 ‘블랙 박스’문제를 피합니다. 분석 또는 ML 모델을 사용하는 경우 (예 : 빠른 통찰력을 통해) 플랫폼은 사용한 방법론, 사용 된 매개 변수 및 관련 평가 메트릭을 명확하게 문서화합니다. 이것은 통찰력 뒤에있는 ‘방법’이 ‘무엇’만큼 투명합니다.
- 자연어 설명: 기술 출력을 이해할 수있는 비즈니스 컨텍스트로 변환하는 것은 투명성에 중요합니다. 모든 통찰력은 결과, 그들의 중요성 및 잠재적으로 제한 사항을 설명하는 일반적인 설명과 짝을 이루어 규정 준수 담당자 및 감사인을 포함한 모든 이해 관계자의 명확성을 보장합니다.
또한 역할 기반 액세스 컨트롤, 특정 조치 또는 보고서에 대한 승인 워크 플로 및 사용자 활동 및 시스템 운영을 추적하는 포괄적 인 감사 로그와 같은 특정 규정 준수 요구가있는 산업에 대한 추가 거버넌스 기능을 통합합니다. 이 다층 접근 방식은 통찰력이 정확하고 완전히 투명하며 설명 가능하며 방어 할 수 있도록합니다.
App Orchid는 AI 생성 통찰력을 생성 작업과 같은 기능으로 어떻게 행동으로 바꾸는가?
통찰력을 창출하는 것은 가치가 있지만 실제 목표는 비즈니스 결과를 주도하는 것입니다. 올바른 데이터와 컨텍스트를 통해 에이전트 생태계는 통찰력 발견과 실질적인 행동 사이의 중요한 격차를 해소하기 위해 행동을 유도 할 수 있으며, 분석을 수동보고 기능에서 활발한 개선 동인으로 이동시킵니다.
작동 방식은 다음과 같습니다. Easy Answers Platform이 분석을 통해 중요한 패턴, 트렌드, 이상 또는 기회를 식별하면 AI를 활용하여 응답으로 취할 수있는 구체적이고 문맥 적으로 관련된 조치를 제안합니다.
이것들은 모호한 제안이 아닙니다. 그들은 구체적인 권장 사항입니다. 예를 들어, 고객을 이탈 위험이 높은 상태로 표시하는 대신 다른 세그먼트에 맞게 맞춤화 된 특정 유지 제안을 권장 할 수 있으며, 예상되는 영향 또는 ROI를 계산할 수 있습니다. D 심지어 통신 템플릿을 작성합니다. 이러한 권장 사항을 생성 할 때 시스템은 비즈니스 규칙, 제약, 과거 데이터 및 목표를 고려합니다.
결정적으로 이것은 인간의 감독을 유지합니다. 권장 조치는 검토, 수정, 승인 또는 거부를 위해 적절한 사용자에게 제공됩니다. 이를 통해 비즈니스 판단은 의사 결정 프로세스의 핵심을 유지하는 반면 AI는 기회를 식별하고 잠재적 인 응답을 공식화하는 데 큰 도움이됩니다.
조치가 승인되면 운영 체제와의 통합을 통해 원활한 실행을위한 에이전트 흐름을 트리거 할 수 있습니다. 이는 CRM에서 워크 플로를 트리거하거나 ERP 시스템의 예측을 업데이트하거나, 대상 마케팅 작업을 시작하거나, 다른 관련 비즈니스 프로세스를 시작하여 통찰력에서 결과로 직접 루프를 닫는 것을 의미 할 수 있습니다.
지식 그래프와 시맨틱 데이터 모델은 어떻게 플랫폼의 성공의 중심입니까?
지식 그래프와 시맨틱 데이터 모델은 쉬운 답변 플랫폼의 절대 핵심입니다. 그들은 종종 데이터를 분리 된 테이블과 실제 비즈니스 컨텍스트가없는 열로 취급하는 전통적인 BI 도구를 넘어서서 그것을 높입니다. 우리의 플랫폼은이를 사용하여 엔터프라이즈 데이터보다 지능적인 의미 론적 계층을 구축합니다.
이 시맨틱 기초는 몇 가지 주요 이유로 우리의 성공의 핵심입니다.
- 진정한 자연어 상호 작용을 가능하게합니다: MSO (Managed Semantic Objects), 속성 및 정의 된 관계를 갖춘 지식 그래프로 구성된 시맨틱 모델은 ‘Rosetta Stone’역할을합니다. 인간 언어 및 비즈니스 용어의 뉘앙스를 데이터를 검색하는 데 필요한 정확한 쿼리로 변환하여 사용자가 기본 스키마를 모르고 자연스럽게 질문 할 수 있습니다. 이것은 우리의 높은 텍스트-스크린 정확도의 핵심입니다.
- 중요한 비즈니스 컨텍스트를 보존합니다: Simple Relational Join과 달리, 우리의 지식 그래프는 비즈니스 엔티티 간의 풍부하고 복잡한 관계 웹 (예 : 고객이 지원 티켓 및 구매 주문을 통해 제품과 상호 작용하는 방법)을 명시 적으로 캡처합니다. 이를 통해 비즈니스 운영 방식을 반영하는 더 깊고 상황에 맞는 분석이 가능합니다.
- 적응성과 확장 성을 제공합니다: 시맨틱 모델은 엄격한 스키마보다 유연합니다. 비즈니스 요구가 발전하거나 새로운 데이터 소스가 추가됨에 따라 완전한 점검을 필요로하지 않고 지식 그래프를 확장하고 점진적으로 수정하여 변경에 적응하는 동안 일관성을 유지할 수 있습니다.
시맨틱 계층에서 제공하는 데이터 컨텍스트에 대한 깊은 이해는 기본 Q & A에서 빠른 통찰력으로 고급 패턴 감지에 이르기까지 쉬운 답변에 근거하며, 미래의 에이전트 AI 기능을위한 필수 토대를 형성하여 대리인이 데이터를 의미있게 추론 할 수 있도록합니다.
어떤 기초 모델을 지원하고 있으며, 조직이 자신의 AI/ML 모델을 워크 플로에 가져 오는 방법은 무엇입니까?
우리는 AI의 빠른 진화와 조직의 기존 투자를 존중하는 개방적이고 유연한 접근법을 믿습니다.
기초 모델의 경우 Google의 Gemini 제품군, OpenAi의 GPT 모델 및 LLAMA와 같은 유명한 오픈 소스 대안을 포함한 여러 제공 업체의 주요 옵션과 통합을 유지합니다. 이를 통해 조직은 성능, 비용, 거버넌스 또는 특정 기능 요구에 가장 적합한 모델을 선택할 수 있습니다. 이 모델은 쿼리, SQL 생성, 통찰력 요약 및 메타 데이터 생성에 대한 자연어 이해를 포함하여 다양한 플랫폼 기능을 전원합니다.
이 외에도, 우리는 조직이 자신의 사용자 정의 AI/ML 모델을 쉬운 답변 워크 플로로 가져올 수있는 강력한 경로를 제공합니다.
- 파이썬으로 개발 된 모델은 종종 AI 엔진을 통해 직접 통합 될 수 있습니다.
- 우리는 Google Vertex AI 및 Amazon Sagemaker와 같은 주요 클라우드 ML 플랫폼과 함께 원활한 통합 기능을 제공하므로 교육 및 호스팅 모델을 호출 할 수 있습니다.
비판적으로, 우리의 시맨틱 레이어는 이러한 잠재적으로 복잡한 사용자 정의 모델에 액세스 할 수 있도록하는 데 중요한 역할을합니다. 지식 그래프 (MSO 및 속성)에 정의 된 비즈니스 개념에 모델 입력 및 출력을 연결함으로써 비 기술적 비즈니스 사용자는 근본적인 데이터 과학을 이해하지 않고도 고급 예측, 분류 또는 인과 모델 (예 : 빠른 통찰력)을 활용할 수 있도록합니다. 이것은 정교한 AI/ML 기능에 대한 접근을 진정으로 민주화합니다.
앞으로, 당신은 다음의 기업 AI의 다음 물결을 형성하는 것을 보며, 특히 에이전트 마켓 플레이스와 노 코드 에이전트 디자인에서 어떤 추세가 있습니까?
Enterprise AI의 다음 물결은 매우 역동적이고 합리적이며 공동 생태계로 나아가고 있습니다. 몇 가지 수렴 트렌드가 다음을 추진하고 있습니다.
- 에이전트 마켓 플레이스 및 레지스트리: 우리는 내부 에이전트 레지스트리와 함께 기능하는 에이전트 마켓 플레이스가 크게 증가 할 것입니다. 이로 인해 모 놀리 식 구축에서 ‘임대 및 작곡’모델로의 전환이 용이 해집니다.이 모델은 조직이 필요에 따라 특정 기능을 사용하여 특정 기능을 사용하여 특수 에이전트를 동적으로 발견하고 통합 할 수 있으며 솔루션 배치를 극적으로 가속화합니다.
- 표준화 된 에이전트 커뮤니케이션: 이러한 생태계가 기능하기 위해서는 에이전트가 공통 언어가 필요합니다. 우리가 활용하는 MCP (Model Context Protocol)와 같은 표준화 된 에이전트-에이전트 커뮤니케이션 프로토콜과 Google의 Agent2agent 프로토콜과 같은 이니셔티브는 누구를 구축했는지 또는 실행중인 곳에 관계없이 원활한 협업, 컨텍스트 공유 및 작업 위임을 가능하게하는 데 필수적이되고 있습니다.
- 역동적 인 오케스트레이션: 정적, 사전 정의 된 워크 플로우는 동적 오케스트레이션을 제공합니다. 지능형 오케스트레이션 레이어는 특정 문제 컨텍스트를 기반으로 런타임에서 에이전트를 선택, 구성 및 조정하여 훨씬 더 적응력 있고 탄력적 인 시스템을 초래합니다.
- 코드 없음/저 코드 에이전트 설계: 민주화는 대리인 창조로 확대 될 것입니다. No-Code 및 Low Code 플랫폼은 AI 전문가뿐만 아니라 비즈니스 전문가가 특정 도메인 지식 및 비즈니스 로직을 캡슐화하는 에이전트를 설계하고 빌드 할 수 있도록하여 사용 가능한 전문 기능의 풀을 더욱 풍부하게합니다.
App Orchid의 역할은이 미래의 중요한 의미 론적 토대를 제공하고 있습니다. 이러한 동적 생태계의 에이전트가 효과적으로 협력하고 의미있는 작업을 수행하려면 엔터프라이즈 데이터를 이해해야합니다. 우리의 지식 그래프와 시맨틱 계층은 상황에 맞는 이해를 제공하여 에이전트가 관련 비즈니스 용어로 데이터를 추론하고 행동 할 수 있도록합니다.
에이전트 AI를 통해 의사 결정 지능이 민주화되는 미래에 진화하는 CTO의 역할을 어떻게 구상합니까?
에이전트 AI를 통한 의사 결정 정보 민주화는 근본적으로 CTO의 역할을 향상시킵니다. 그것은 주로 기술 인프라의 청지기에서 조직 인텔리전스의 전략적 오케스트레이터가되는 것으로 바뀝니다.
주요 진화는 다음과 같습니다.
- 시스템 관리자에서 생태계 건축가까지: 초점은 상호 작용 에이전트, 데이터 소스 및 분석 기능의 동적 생태계 설계, 큐 레이션 및 통치하는 사일로의 응용 프로그램 관리를 넘어 이동합니다. 여기에는 에이전트 마켓 플레이스 및 레지스트리를 효과적으로 활용하는 것이 포함됩니다.
- 핵심 비즈니스 전략으로서의 데이터 전략: 데이터를 사용할 수있을뿐만 아니라 의미 적으로 풍부하고 신뢰할 수 있으며 접근성이 가장 중요합니다. CTO는 기업 전반에 걸쳐 지능형 시스템을 강화하는 지식 그래프 재단을 구축하는 데 중심이 될 것입니다.
- 진화하는 거버넌스 패러다임: 대리인 신탁, 보안, 윤리적 AI 사용, 자동화 된 결정의 감사 및 에이전트 협업 내에서 긴급한 행동 관리를 위해서는 에이전트 AI에 새로운 거버넌스 모델이 필요합니다.
- 챔피언 적응성: CTO는 조직의 기술 및 운영 패브릭에 적응성을 포함시키는 데 중요 할 것이며, AI 중심의 통찰력이 빠른 응답과 지속적인 학습으로 이어지는 환경을 만듭니다.
- 인간-아이 협업을 육성합니다: 중요한 측면은 인간과 AI 요원이 상승적으로 작동하여 서로의 강점을 증강시키는 문화를 배양하고 설계 시스템을 설계하는 것입니다.
궁극적으로 CTO는 IT 비용을 관리하고 조직의 ‘지능 잠재력’을 극대화하는 것에 대한 것이 덜됩니다. 그것은 진정한 전략적 파트너가되는 것으로 전환하여 전체 비즈니스가 점점 더 복잡한 세상에서보다 지능적이고 적응 적으로 운영 될 수있게 해줍니다.
훌륭한 인터뷰에 감사드립니다. 더 배우고 싶은 독자들은 방문해야합니다. 앱 난초.
게시물 Ravi Bommatti, App Orchid의 CTO – 인터뷰 시리즈 먼저 나타났습니다 Unite.ai.
