Gautam Singh, globální vedoucí obchodní jednotky pro analytiku, data a umělou inteligenci, WNS Analytics – rozhovor

Gautam Singh je vedoucí obchodní jednotky WNS Analytics a spoluzakladatel a CEO společnosti The Smart Cube, která je dceřinou společností WNS. Strávil 20 let budováním a rozvojem The Smart Cube (lídra v oblasti výzkumu a analytiky) předtím, než byla společnost koupena WNS. Předtím pracoval 10 let v managementu poradenské a venture kapitálu v Evropě a USA. Gautam zastával různé role, včetně pozic ve společnostech Coven Partners (Londýn), A.T. Kearney (Londýn), Mitsubishi Motors (Indie) a Cummins Engines (USA). Vystudoval MBA na University of Michigan, Ann Arbor, USA a získal titul v oboru mechanického inženýrství na IIT Bombay, Indie.

WNS Analytics pomáhá společnostem proměnit svá data v strategickou hodnotu prostřednictvím „rozhodovací inteligence“ – kombinace robustní datové infrastruktury, technologií umělé inteligence a odborných znalostí. Nabízejí služby napříč odvětvími, včetně pojišťovnictví, bankovnictví a finančních služeb, maloobchodu, výroby, zdravotnictví, energetiky a logistiky. Jejich schopnosti zahrnují inženýrství a správu dat, popisovou a prediktivní analytiku, nástroje umělé inteligence a visualizaci – vše navrženo pro umožnění rychlejších a jistějších rozhodnutí a kontinuální inovace.

Začali jste svou kariéru v top-tier managementu poradenské, poté jste založili The Smart Cube a vedli ji po více než dvě desetiletí, než byla koupena WNS. Co vás motivovalo k přechodu z poradenství na podnikání a později na vedení globálního datového analytického a umělé inteligence podniku?

Strávil jsem 10 let v managementu poradenské a viděl jasnou trhlinu na trhu: společnosti seděly na horách dat, ale nevytěžily jejich plnou hodnotu. V roce 2003 byla analytika stále základní – pracovali jsme s tabulkami Excel.

Rozhodnutí opustit firemní život spočívalo v sebedůvěře. Viděl jsem příležitost pomoci organizacím skutečně využít svá data, a tak jsem založil The Smart Cube s touto vizí.

Po 20 letech budování The Smart Cube nebylo připojení k WNS odchodem, ale evolucí. Nesl jsem s sebou podnikatelský přístup, ale nyní s mnohem většími zdroji a dosahem. To umožňuje řešit problémy v měřítku, které bych nikdy nemohl dodat v menší firmě. Nejvíce důležité je, že jsem uznal sílu vkládání a infuzí dat a analytiky do jádra obchodních procesů, spíše než je považovat za samostatné zásahy. Tato bezproblémová integrace odborných znalostí a transformace procesů je centrální pro DNA WNS – a to je to, co mě motivovalo k odkupu a nyní vést tuto obchodní jednotku ve WNS.

V průběhu vašich více než 20 let práce v analytice, jak jste viděl roli dat a umělé inteligence ve finančních službách evoluce – od rané adopce až po dnešní rozsáhlou, podnikovou integraci?

V pozdních 90. letech znamenala analytika pohled na historická data a vytváření statistických prognóz. Transformace byla pozoruhodná.

Rané 2000. letech přinesly digitalizaci a pokročilejší prediktivní modely. Do roku 2010 se staly standardem analytiky reálného času. Před téměř deseti lety začala umělá inteligence pohánět skutečný posun, a nedávno se stala Generativní umělá inteligence (Gen AI) centrem pozornosti.

Dnes považují finanční instituce data za strategickou aktivum. Otázka se změnila z „můžeme použít umělou inteligenci?“ na „jak vložit umělou inteligenci do každého rozhodnutí?“

Dopad je hmatatelný: zákaznická onboarding, která dříve trvala dny, nyní trvá hodiny s ověřením založeným na umělé inteligenci. Hodnocení úvěrového rizika vyhodnocuje stovky bodů reálného času za hranicí tradičních skórů. Výpočty rizika, které dříve vyžadovaly noční dávkové běhy, jsou nyní okamžité. A detekce podvodu již nereaguje až po skutečnosti – blokuje podezřelou činnost v reálném čase.

Jak jsou progresivní podniky používající umělou inteligencí poháněné datové jezera a rámce správy pro zlepšení rozhodování v reálném čase, soulad s předpisy a transparentnost ve finančních operacích?

Stavění monolitických datových skladů a doufání v získání poznatků již nefunguje. Instituce potřebují navrhnout inteligentní datové ekosystémy.

Finanční služby čelí jedinečné výzvě: jsou zákaznicky orientované, zpracovávají vysoce citlivá data a stále potřebují poskytovat personalizaci a reakci v reálném čase. To vyžaduje modulární datové jezera postavená na flexibilních rámcích.

V rámci této architektury vytvářejí organizace specializovaná datová jezera pro cenovou analytiku, hodnocení rizika a reportování podle předpisů. Každé jezero funguje nezávisle, zatímco krmit větší ekosystém, dodává okamžitou hodnotu, zatímco zachovává bezpečnostní hranice.

Trend Zero ETL je zvláště relevantní zde, protože eliminuje komplexní procesy extrakce, transformace a načtení dat, umožňující přímé dotazování napříč systémy. To umožňuje umělé inteligenci přístup a analýzu dat v reálném čase, aniž by se musela pohybovat, snižuje latenci a zachovává správu.

Umělé inteligentní agenti se také vyvíjejí za hranice detekce anomálií. Nejenže signalizují podezřelé transakce, ale také doporučují akce a vykonávají odpovědi v rámci parametrů správy. V souladu s předpisy umělá inteligence kontinuálně monitoruje transakce, generuje zprávy a identifikuje problémy, než je učiní regulátoři.

Je často uváděno, že syntetická data jsou bezpečným způsobem, jak trénovat modely umělé inteligence, aniž by byly vystaveny citlivé informace. Můžete uvést příklady toho, jak jsou syntetická data účinně používána ve fraudách, analýze rizika a validaci modelů?

V WNS Analytics využíváme pokročilou generaci syntetických dat k vytváření vysoce věrných, soukromí-kompatibilních datových sad, které urychlují trénink modelů umělé inteligence, zejména v oblastech s nedostatkem dat. Naše syntetické datové sady imitují reálné scénáře, zatímco odrážejí stejné statistické vzorce, chování a korelace jako skutečná finanční data – tok transakcí, trendy podvodů, zákaznické chování – bez vystavení jakýchkoli citlivých osobních údajů nebo zákaznických dat.

Tato schopnost transformuje finanční služby napříč oblastmi, jako je analýza rizika, detekce podvodů, hodnocení úvěru, stresové testy a modelování souladu. Tyto syntetické datové sady umožňují organizacím rychle zahájit vývoj řešení umělé inteligence, zatímco zajišťují soukromí dat a důvěru regulátorů.

Jedním z inovativních aplikací je použití dat s maskovanými osobními údaji k vytvoření modelů podobnosti. To umožňuje společnostem nabízet cílené nabídky spotřebitelům, umožňující personalizovanou marketingovou komunikaci, zatímco zachovává kompletní soukromí.

Inteligentní automatizace a umělá inteligence jsou stále více začleňovány do obchodních procesů. Jaké jsou nejtransformativnější použití, které jste viděli ve finančních službách, a jak zlepšují provozní odolnost a výkon?

Inteligentní automatizace využívající umělou inteligenci urychluje podnikové procesy, umožňující organizacím streamlinovat operace a činit rychlejší a informovanější rozhodnutí. Tyto agenti kombinují automatizaci s pokročilým rozumováním, aby dodali odolnost, škálovatelnost a zlepšení výkonu.

V WNS Analytics používáme rámec GAIN (naši proprietární rámec pro implementaci agentic AI) k vyhodnocení správné úrovně autonomie pro agentic AI. Dále poskytujeme opakovaně použitelné, mikroslužebně založené komponenty pro hyperspecializované agenty prostřednictvím našeho oceněného AI Utilities Hub.

V pojišťovnictví jsme transformovali několik pracovních postupů prostřednictvím agentic AI. V motorových nárocích na subrogaci naše řešení Gen AI poháněné třetí strany na detekci zotavení dosáhlo 85% přesnosti, zdvojnásobilo objem zotavení a zvýšilo roční zotavení o přibližně 49% – odemklo miliony příležitostí, které byly dříve přehlédnuty.

V podpoře naše agentic AI poháněná výzkumná asistentka využívá několik specializovaných agentů k rozdělení komplexních dotazů, extrakci dat z více zdrojů a generování poznatků s 99% přesností, zatímco snižuje dobu zpracování o 85%.

Pro jednu z předních bank naše řešení Gen AI snížilo dobu screeningu médií o 60% a snížilo falešně pozitivní výsledky o 12-15%.

Máme také řešení Gen AI pro správu znalostí – navržené jako horizontální platforma – pro předefinování, jak podniky získávají, rozumí a kontextualizují rozsáhlá nestrukturovaná data. Dodáváním přesných, souladných a konzistentních poznatků v reálném čase zlepšuje rozhodování, zvyšuje efektivitu a posiluje provozní odolnost napříč odvětvími.

Tato řešení doplňují lidská rozhodnutí, vytvářejí rychlejší a přesnější systémy.

Pro podniky, které mají v úmyslu rozšířit iniciativy umělé inteligence, jaké jsou největší bariéry – technické, kulturní nebo strategické – a jak je mohou lídři překonat?

Největší bariéra pro rozšíření umělé inteligence není technologie – je to organizační připravenost.

První, existují datové sila napříč legacy systémy. Úplná náhrada není vždy praktická; místo toho by se mělo zaměřit na stavbu inteligentních mostů. V WNS jsme vytvořili „mostní týmy“, které spojují správce legacy s inženýry cloudu, urychluje implementaci, zatímco zachovává kritické obchodní pravidla.

Druhý, existuje mezera ve dovednostech. Podniky potřebují správnou směs odborných znalostí, inženýrů dat, vědců dat a překladatelů, kteří mohou spojit technické poznatky s obchodními hodnotami.

Třetí, tempo technologických změn. Naše WNS AI Lab umožňuje organizacím experimentovat s novými technologiemi a budovat koncepty, než se zavážou k plnohodnotné implementaci.

Na kulturní frontě závisí úspěch na efektivní správě změn. Navrhujeme rámce, které pomáhají zaměstnancům pohlížet na umělou inteligenci jako na doplňkovou, nikoli náhradní. Zřízení AI rady je také chytrým krokem, poskytuje správu, mezioborovou koordinaci a strukturovanou cestu pro přechod z pilotních projektů na podnikovou škálu.

S rostoucí kontrolou nad etikou umělé inteligence, zkreslením a transparentností, jak mohou finanční instituce najít správnou rovnováhu mezi inovací a odpovědnou správou umělé inteligence?

Inovace a odpovědnost nejsou protichůdné volby – odpovědnost musí být vestavěna do inovací od samého počátku.

Finanční instituce potřebují robustní rámce správy umělé inteligence. V WNS implementujeme rámce, které zajišťují, že umělá inteligence je vyvíjena odpovědně, eticky a bezpečně. Naše přístup zahrnuje kontrolu zkreslení, spravedlnosti, vlastních KPI a monitorování posunu modelu. To buduje důvěru, nejen soulad s předpisy.

Transparentnost je zvláště kritická ve finančních službách. Pokud umělá inteligence odmítne půjčku, žadatelé si zaslouží jasná a srozumitelná vysvětlení.

Konečně, odpovědná umělá inteligence je konkurenční výhodou. Banky, které demonstrují spravedlnost, transparentnost a bezpečnost ve svých systémech umělé inteligence, získávají důvěru zákazníků. Ty, které považují správu za následnou, riskují regulatorní pokuty a poškození reputace, které je mnohem obtížnější napravit.

V následujících 3-5 letech, které vznikající schopnosti umělé inteligence nebo datové strategie, podle vašeho názoru, budou mít největší dopad na to, jak finanční organizace fungují?

Tři události změní finanční služby v příštích třech až pěti letech.

První, agentic AI se přesune z experimentálního do esenciálního. Autonomní agenti umělé inteligence budou vykonávat komplexní pracovní postupy a orchestrovat celé oddělení společně s lidskými týmy.

Druhý, kontinuální učení se stane standardem. Umělá inteligence se bude přizpůsobovat každé interakci, umožňující skutečně personalizované finanční služby, které se vyvíjejí s každou změnou potřeb zákazníků.

Třetí, uvidíme silnou technologickou konvergenci: kvantové výpočty pro pokročilé výpočty rizika, blockchain pro transparentní protokoly rozhodnutí umělé inteligence a edge computing pro okamžité lokální rozhodnutí. Společně tyto technologie odemknou zcela nové formy finančních služeb, které jsme dosud nedokázali představit.

Po procházení podnikání, akvizicí a nyní globálním vedoucím role, jaké jsou hlavní zásady, které vám pomohly při rozhodování a vedení týmu skrze změny?

Tři zásady mě vedou.

První, vytrvalost nad dokonalostí. Když jsme začali The Smart Cube, neměli jsme všechny odpovědi. Udělali jsme chyby, přizpůsobili se a pokračovali. Vytrvalost s adaptabilitou byla nezbytná.

Druhý, budujte trvalou hodnotu, ne rychlé výstupy. Profesor z obchodní školy mi jednou poradil – roky poté, co jsem založil The Smart Cube – „Nesoustřeďte se na výstup. Soustřeďte se na budování úspěšného podniku, který vydrží.“ Tento dlouhodobý přístup formoval každé rozhodnutí, které jsem učinil.

Třetí, užívejte si to, co děláte. Věřil jsem, že pokud si to neužívám, přestanu a půjdu jinam. Po 30 letech se stále budím s nadšením a tato vášeň inspiruje týmy skrze změny.

Vedení skrze akvizici upevnilo další pravdu: změna uspěje, když vezmete lidi s sebou. Technická integrace je přímočará; kulturní integrace – budování sdílené vize – je tam, kde skutečné vedení záleží.

Pro profesionály, kteří chtějí formovat budoucnost umělé inteligence ve finančních službách, jaké dovednosti, postoje nebo zkušenosti, podle vašeho názoru, budou nejvíce cenné?

Budoucnost patří těm, kteří mohou propojit světy. Čisté technické dovednosti nebo odborné znalosti samotné nebudou dostatečné.

První, vyvíjejte systémové myšlení. Začněte s tržní potřebou – jasným případem použití – a pracujte zpět. Umělá inteligence ve finančních službách vyžaduje vidět, jak vše souvisí: jak změna v modelech rizika ovlivňuje zákaznickou zkušenost nebo jak automatizace otevírá nové příležitosti.

Druhý, kultivujte disciplinovanou praktičnost nad idealismem. Buďte nadšení z nových technologií, ale přísní při jejich hodnocení. Ne každý problém vyžaduje umělou inteligenci – někdy stačí jednoduchá analýza nebo dokonce tabulky.

Třetí, budujte překladatelské dovednosti. To je zásadní. Být schopen vysvětlit komplexní koncepty umělé inteligence členům představenstva a překládat obchodní požadavky pro vědce dat je neocenitelné. Nejsilnější lídři umělé inteligence spojují technologii s obchodními strategiemi.

Na konci, přijměte kontinuální učení. Nástroje, které byly špičkou před pěti lety, jsou již zastaralé. Zůstávat zvědavý, skromný a oddaný učení otevře dveře příležitostem, které ještě nedokážeme představit na křižovatce umělé inteligence a financí.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit WNS Analytics.