Mukund Kalmanker, Globální šéf dat, analytik a AI ve firmě Apexon – Rozhovor

Mukund Kalmanker, Globální šéf dat, analytik a AI ve firmě Apexon, má více než dvě desetiletí zkušeností s vedením rozsáhlých transformačních iniciativ pro velké podniky, a to s kariérou, která zahrnuje seniorní vedoucí role ve firmě Wipro, kde vybudoval a rozvinul globální AI praxe, inkuboval automatizační platformy jako HOLMES a pomáhal definovat podnikovou technologickou strategii napříč odvětvími, včetně finančních služeb, telekomunikací a zdravotnictví. Jeho práce se neustále zaměřovala na překlademerging technologií – zejména AI, datové inženýrství a automatizace – do praktických obchodních výsledků, kombinujících hluboké technické odbornosti s silnou historií budování globálních týmů, řízení digitálních strategií a poskytování měřitelných provozních eficiencí pro velké podniky.

Apexon je digitální technologická firma, která pomáhá podnikům urychlit obchodní transformaci kombinací AI, datové analytiky a digitálního inženýrství pro vytváření inteligentních, škálovatelných systémů a zákaznických zkušeností. Díky svým integrovaným schopnostem napříč cloudem, automatizací a pokročilou analytikou spolupracuje společnost s organizacemi na modernizaci operací, zlepšení rozhodování a poskytování komplexních digitálních řešení, zejména v odvětvích, jako jsou finanční služby, zdravotnictví a life sciences.

Po dvou desetiletích vedení AI a analytických iniciativ ve firmách, jako je Wipro a nyní Apexon, jaká zkušenost nejvíce formovala váš přístup k digitální transformaci?

Během posledních několika let mě nejvíce formovala realizace, že úspěšná digitální transformace není jen o technologii, ale o zarovnání této technologie se skutečnými obchodními problémy a se změnou lidského chování. Je to o využití inovace jako strategického nástroje pro vedení odvětví a zlepšení světa. Bez ohledu na to, zda pomáháme bance řešit regulatorní potřeby, nebo retailové značce předefinovat zákaznickou interakci, nebo umožňujeme zdravotnickému poskytovateli rychlá, datem řízená rozhodnutí, viděl jsem největší dopad, když začínáme s koncovou zkušeností na mysli. Ve své předchozí kariéře a nyní v Apexonu moji týmy a já úzce spolupracovali s klienty napříč odvětvími, abychom změnili Agentic AI, Gen AI, AI, ML, RPA a data z buzzwordů na obchodní výsledky – odemknutí poznatků, zlepšení efektivity, zlepšení zákaznické zkušenosti, pomoc při správě rizika a vytvoření konkurenční výhody pro naše klienty. Tato neustálá spolupráce a zaměření na výsledky je to, co neustále formuje mé myšlení.

Co vás přitáhlo k Apexonu a jak se jeho současný přístup k datům, analytice a AI shoduje s vaším osobním vize budoucnosti podnikové technologie?

Co mě přitáhlo k Apexonu, je jeho jasný závazek pomoci klientům přijmout inovace s účelem. Inovační kultura a růstový mindset je vepsán do každé osoby spojené s Apexonem, a to je vidět v tom, jak se učíme, inovujeme a společně tlačíme hranice. S hlubokými schopnostmi v oblasti dat a AI spojenými s hloubkou inženýrství a ostrým zaměřením na regulovaná odvětví, jako je BFSI a zdravotnictví, Apexon nevidí data nebo AI jako izolované schopnosti – považuje je za základní aktiva pro pomoc při vytváření inteligentních podniků, budování škálovatelných, IP-řízených obchodních řešení a platforem. To se shoduje s mou vírou, že budoucnost podnikové technologie spočívá ve vytváření inteligentních systémů, které nejsou jen adaptabilní, ale také škálovatelné, opakující se a budované pro dlouhodobou hodnotu.

Na Apexonu je úmyslné zaměření na překlad pokročilé technologie do smysluplných obchodních výsledků – ať už se jedná o odemknutí konkurenční výhody, umožnění chytřejší automatizace nebo řízení zákaznicky orientovaných zkušeností. Toto spojení AI s IP-first mindset je přesně tam, kde jsem přesvědčen, že se bude ubírat podniková transformace – a jsem nadšený, že mohu pomoci tvarovat tuto budoucnost.

Jak inteligentní tkaniny pomáhají budovat propojený podnik a co vypadá jejich reálná implementace?

Inteligentní tkaniny nejsou produktem nebo platformou. Jsou architektonickým posunem. Spojují body mezi obchodními jednotkami, systémy, daty a rozhodnutími, aby inteligence nebyla něčím, co se občas využije, ale byla vždy zapnuta. To mění organizace z datem řízených na skutečně inteligentní.

Při pohledu na reálný dopad – přemýšlejte o maloobchodníkovi, který upravuje operace dodavatelského řetězce v reálném čase na základě několika faktorů, jako je kupní chování, narušení dodavatelských linek, geopolitických událostí, změn počasí nebo místních katastrof. Nebo o nemocnici, která na povrch přivádí léčebné doporučení, zatímco klinický pracovník stále prohlíží výsledky testů. Nebo o bankách, které jsou schopny spojit data napříč několika transakcemi, aby identifikovaly komplexní protiprávní finanční aktivity. Síla spočívá ve tkaní inteligence přímo do toku práce, ne přidávání ji dodatečně. To je způsob, jakým se podniky stávají skutečně propojenými – inteligence se generuje v kterékoli části organizace a tato inteligence je konzumována celou organizací.

Jak Apexon využívá generativní AI nástroje, jako je Copilot, pro vytváření hodnoty pro klienty, a v kterých oblastech jste viděli nej silnější přijetí?

VIDÍME nástroje, jako je GitHub Copilot, ne jen jako kódovací asistenty, ale jako katalyzátory pro přepracování toho, jak se software plánuje, buduje a testuje. Na Apexonu je Copilot integrován napříč inženýrským cyklem – od vytváření uživatelských příběhů a rafinování požadavků až po generování testovacích případů a predikci vad. Pomáhá týmům pohybovat se rychleji s větší přesností.

Jako příklad spolupracujeme se zdravotnickým poskytovatelem, abychom poháněli přijetí Copilotu a spojit ho s Agentic rámci, aby kompletně přepracovali software inženýrský životní cyklus a přinesli více efektivity do inženýrství. Pro jiného klienta pomáháme přijmout Gen AI a Agentic rámce, aby zlepšili kvalitu dat a dali moc uživatelům, kteří interagují přímo s regulátory, aby řešili potřeby compliance.

Přijetí bylo nejsilnější v oblastech, kde rychlost, personalizace a škálovatelnost mají největší význam – inteligentní zpracování dokumentů, konverzační AI a hyperautomatizace. Tyto jsou prostory, kde generativní AI dodává nejen výstup, ale strategickou výhodu.

Jak akademické partnerství s institucemi, jako je IIT Madras a Imperial College London, ovlivňují vaši AI výzkum a strategii rozvoje talentů?

Naše spolupráce s IIT Madras a Imperial College London hraje klíčovou roli při formování naší výzkumné agendy a toho, jak budujeme budoucí talenty. Nevěnujeme se pouze financování projektů – úzce spolupracujeme s předními výzkumníky, abychom prozkoumali pokročilá území, jako je Agentic AI, multiagentní systémy a AGI. Tyto partnerství nám poskytují hlubší vhled do několika vznikajících oblastí – například, jak se velké jazykové modely chovají a vyvíjejí v různých doménách.

Také slouží jako motory pro rozvoj talentů. Prostřednictvím společných programů vytváříme praktické učební příležitosti, které spojují akademickou hloubku s podnikovou relevancí. Je to oboustranná výměna: získáme přístup k pokročilému myšlení a studenti se zapojují do reálných problémů. Tato synergie je kritická pro škálování našich AI, datové a digitální inženýrské schopností.

V odvětvích, jako je zdravotnictví, finance nebo telekomunikace, jaký je jeden příklad, kde řešení AI nebo analytiky Apexonu významně zlepšilo provozní efektivitu nebo odemklo nové obchodní modely?

Dobrým příkladem je naše práce s předním severoamerickým finančním ústavem na modernizaci procesu hodnocení rizika pomocí AI poháněného rámce. Automatizací ingestování dat, standardizací fragmentovaných zdrojů a nasazením reálného motora rizika jsme snížili manuální úsilí o 90 % a urychlením hodnocení o 4násobek. Integrované předpovědní výstrahy a sledování compliance pomohly snížit regulatorní pokuty o 30 % a finanční expozici o 40 %. Postavený na cloud-nativní, mikroslužební architektuře, řešení nejen zlepšilo přesnost a rychlost, ale také klienta připravilo na škálovatelné, datem řízené řízení rizika v rychle se měnícím regulatorním prostředí.

Které vznikající technologie nebo AI trendy jsou vám nejvíce soustředěny jako další velká hranice pro podnikovou inovaci?

Na Apexonu vidíme Agentic AI jako další velký skok v podnikové inteligenci v blízké budoucnosti. Na rozdíl od tradiční AI, která reaguje na podněty, Agentic AI systémy mohou autonomně interpretovat dynamický kontext, stanovit a sledovat cíle, spolupracovat napříč systémy a neustále se zlepšovat prostřednictvím zpětné vazby. Vyvinuli jsme komplexní rámec, AgentRise, aby to uvědomili. AgentRise kombinuje Agentic AI mozek, multiagentní orchestraci, human-in-the-loop dohled a podnikovou úroveň pozorovatelnosti.

Výsledkem je AI, která nedělá pouze asistenci, ale autonomně vykonává komplexní obchodní procesy, od triáže dokumentů ve zdravotnictví až po reálnou výjimku zpracování ve financích.

Co odlišuje náš přístup je zaměření na škálovatelnou, důvěryhodnou inteligenci. Utilizujeme modulární komponenty, inženýrství promptů a zabezpečené integrace, aby nasadili Agentic AI s rychlostí a spolehlivostí. Není to jen inovace – je to AI vložená do toku podnikání, bezpečně fungující v měřítku a dodávající hmotné výsledky. Jakmile tyto systémy dospějí, věříme, že budou páteří adaptabilních, samo-řešitelných podniků napříč regulovanými a vysoce dopadovými odvětvími.

Také sledujeme pokroky v Narrow AI, Artificial General Intelligence a Quantum Computing – ale co nás nejvíce vzrušuje, je to, jak tyto technologie konvergují, aby poháněly podniky, které nejsou jen inteligentní, ale adaptabilní, autonomní a schopné samo-řízeného vývoje.

Jaké jsou největší výzvy, kterým čelí organizace při přechodu z legacy datových systémů na moderní analytické architektury?

Organizace typicky čelí čtyřem hlavním výzvám při přechodu z legacy systémů na moderní analytické architektury.

První je přijetí a realizace hodnoty. Legacy platformy často formují hluboce zakořeněné způsoby práce, což činí změnu managementu kritickou. Organizace musí zajistit, aby nové analytické platformy dodávaly hmotné obchodní výsledky, jako je růst výnosů, provozní efektivita a zlepšení řízení rizika, spíše než se stávat čistě technickými upgrady.

Druhá je technologická modernizace a budování schopností. Mnohé podniky provozují komplexní legacy majetky sahající od mainframů, on-premise systémů a raných cloudových prostředí. Modernizace těchto prostředí vyžaduje uvážlivé racionalizaci a re-architekturu, spolu s budováním dovedností, talentu a provozní zralosti potřebné pro udržení moderních dat, analytiky a AI platforem.

Třetí je připravenost dat a AI. Modernizace není jednoduše o přesunutí dat na novou platformu. Organizace musí zajistit, aby data byla připravena pro pokročilou analytiku a AI posílením kvality dat, governance, linie, ochrany soukromí a etických záruk, aby se zajistilo, že poznatky a AI modely mohou být důvěryhodné a škálovatelné.

Nakonec je tu organizační posun. Jak se platformy vyvíjejí směrem k více autonomním a agentic AI schopnostem, společnosti musí přizpůsobit své provozní modely, dovednosti pracovníků a kulturu, aby umožnily efektivní spolupráci mezi lidmi a inteligentními systémy.

Jak zajišťujete, aby digitální zkušenosti a AI řešení zůstaly zaměřeny na lidské potřeby, spíše než pouze na technické výsledky?

Verím, že základem skutečně dopadajících digitálních a AI řešení je jasný posun v myšlení, od ptaní se, co je technologie schopná, k ptaní se, jak může smysluplně vytvářet obchodní hodnotu a sloužit lidem a společnosti.

Zahajujeme tím, že zakotvíme každou iniciativu v reálných lidských výsledcích, jako je lepší rozhodování, větší inkluze, silnější důvěra a jednodušší zkušenosti. To vyžaduje hlubokou interakci s uživateli, nepřetržité naslouchání a návrh řešení kolem toho, jak lidé skutečně přijímají a interagují s digitálními zkušenostmi. Úmyslně vkládáme human-centrický design, transparentnost a odpovědnost do našich platforem.

V high-impact doménách zejména, AI musí fungovat s silným lidským dohledem a jasnými etickými zábranami, zajišťující, že posiluje lidské úsudky, spíše než je nahrazuje. Rovněž důležité je, že úspěch by měl být měřen nejen prostřednictvím výkonových metrik, ale také prostřednictvím přijetí, uživatelské důvěry a dlouhodobé tvorby hodnoty. Když je to provedeno dobře, výhody sahají daleko za jednotlivé organizace. Human-centrická AI má potenciál expandovat přístup k příležitostem, posilovat instituce a zlepšovat kvalitu života v měřítku. Může pomoci budovat odolnější ekonomiky, spravedlivější systémy a lépe informované společnosti. Naším konečným cílem by mělo být vyvinout AI, která není jen inteligentní, ale také zodpovědná, inkluzivní a účelová. Technologie, která zvyšuje lidský potenciál a přispívá pozitivně k budoucnosti, kterou společně formujeme.

Jak hodnotíte úspěch nasazení Gen AI u Apexonu – jsou zde konkrétní KPI nebo rámce, které používáte pro měření efektivity napříč různými klienty?

Na Apexonu jsme vytvořili robustní rámce, podporované portfoliem IP, řešení a akcelerátorů, aby pomohly našim týmům i klientům měřit efektivitu nasazení GenAI a Agentic AI.

První je obchodní dopad. Začíná to jasně definovanými doménovými nebo procesními cíli, ale nakonec se zaměřuje na měření strategických výsledků, jako je zlepšená zákaznická zkušenost, růst výnosů, optimalizace nákladů, provozní efektivita a silnější řízení rizika. Naše proprietární M4 rámec podporuje toto poskytováním strukturovaného modelu pro analytická angažmá. M4 nabízí prokázanou strategii a předvídatelné kroky pro modernizaci dat, pomáhající organizacím mapovat use-cases, modernizovat datové architektury a přecházet na cloudové analytické prostředí, zatímco zajišťuje, že AI iniciativy zůstávají těsně zarovnány s měřitelnými obchodními KPI.

Druhý je přijetí a realizace hodnoty. AI nasazení vytvářejí významný dopad pouze tehdy, jsou-li důvěryhodné, široce přijaté a efektivně posilují lidské schopnosti. Na Apexonu naše vlastní podnikové přijetí GenAI a Agentic AI sloužilo jako praktický model pro klienty. Začali jsme tím, že jsme umožnili zaměstnancům napříč organizací GenAI a Agentic AI schopnosti, vybavili je nástroji, zásadami a vodítky pro odpovědné použití, zatímco současně sledovali obchodní výsledky, které dodali. Řídicí rámce, zásady a KPI, které jsme vyvinuli prostřednictvím této cesty, nyní pomáhají našim klientům urychlit a škálovat GenAI přijetí.

Třetí je technický výkon. Naše akcelerátory v rámci Genysys platformy umožňují nepřetržité monitorování klíčových provozních metrik, jako je přesnost odpovědi, halucinační sazby, náklady na inferenci, škálovatelnost a celkový systémový výkon. Genysys, proprietární GenAI platforma Apexonu, konsoliduje schopnosti více velkých jazykových modelů do jednotného prostředí s bezproblémovou integrací napříč více než deseti LLM. To umožňuje organizacím vybrat nejvhodnější modely pro různé use-cases, zatímco udržují viditelnost do výkonu, spolehlivosti a nákladové efektivity napříč nasazeními.

Nakonec je tu hodnocení governance a rizika. Naše podniková zábrana framework, součást AgentRise nabídky, pomáhá organizacím řešit kritické oblasti, jako je governance, riziko a compliance. Díky našemu hlubokému zapojení do regulovaných odvětví, pomáháme klientům hodnotit vysvětlitelnost, auditovatelnost, datovou linii, ochrany soukromí a zarovnání s odpovědnými AI standardy, aby se zajistilo, že AI systémy jsou nejen škálovatelné, ale také důvěryhodné.

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