Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Intervieuserie

Dr. Pandurang Kamat er Chief Technology Officer i Persistent Systems (PERSISTENT.BO ), og han er ansvarlig for avanceret teknologisk forskning med fokus på at låse op for forretningsværdi gennem innovation i stor skala. Han er en erfaren teknologileder, der hjælper kunder med at forbedre brugeroplevelsen, optimere forretningsprocesser og skabe nye digitale produkter. Hans vision for Persistent er at være en innovationskraft, der udgør en global og diversificeret innovationsøkosystem, bestående af akademiske institutioner og start-ups.

Pandurang tiltrådte Persistent i 2012. Før han kom til Persistent, var han direktør for Analytics i Ask.com’s søge- og indholdsvirksomheder, hvor han ledede et globalt team til at styre Ask’s analytics-platform. Før det hjalp han med at bygge sikre kommunikations- og digitale medieprodukter på Bell Labs og HP Labs og en prisvindende trådløs forskningsplatform på Rutgers University.

Persistent Systems er en pålidelig Digital Engineering- og Enterprise Modernization-partner for globale markedsledere på tværs af industrier.

Hvad var det, der oprindeligt tiltrak dig til datalogi og datateknik?

Mit interesse for datalogi og datateknik blev vækket under en sommerkursus i skolen. At lære programmeringskonstruktioner og skabe computerspil introducerede mig til den strukturerede logik, der understøtter disse fag. Jeg var fascineret af evnen til at bryde komplekse problemer ned og løse dem systematisk. Det, der virkelig tiltrak mig, var den enorme gevinst, der kan opnås med veludformede programmer. De kan automatisere opgaver, optimere processer og give enkeltpersoner eller små teams mulighed for at opnå bemærkelsesværdige resultater. Denne blanding af kreativitet, problemløsning og transformerende potentiale fortsætter med at inspirere mig. Fra disse første oplevelser til min fortsatte rejse er jeg stadig passioneret omkring de uendelige muligheder, som teknologien tilbyder. Datalogi og datateknik former ikke kun fremtiden, men tilbyder også vej til innovation og fremgang, der driver mig fremad.

Hvordan har opkomsten af generativ AI forandret, hvordan dit team opererer?

Opkomsten af generativ AI (GenAI) har forandret, hvordan vores team opererer i Persistent, især i udviklingen af software til virksomheder. Denne forstyrrelse inden for IT-industrien præsenterer ikke kun udfordringer, men også betydelige muligheder for at genopfinde forretningsprocesser i sin helhed.

Som en AI-dreven Digital Engineering-virksomhed har Persistent omfattet GenAI for at revolutionere forskellige aspekter af software-udviklingslivscyklussen. Over det sidste år har vi udviklet værktøjer og pakker, der fuldstændigt omdefinerer processer som kodegenerering, testcasesgenerering og rapportmigration. I legacy-moderniseringsprojekter er vores tilgang ændret betydeligt. Vi udnytter nu værktøjer til at strømline kodeovertagelsesprocesser, minimere projekt-risici og accelerere påboarding af nye teammedlemmer ved at give dem en dybere forståelse af komplekse kodebaser. Desuden giver vores samarbejde med industrielæ domæner os mulighed for at levere tilpassede løsninger, der udnytter virksomhedsdata. Ved at udvikle digitale assistenter, der kan forstå virksomhedssprog og give relevante referencer, forbedrer vi operationel effektivitet og beslutningstagning inden for virksomhederne. Disse assistenter overholder principperne for Ansvarlig AI, hvilket sikrer gennemsigtighed, ansvarlighed, sikkerhed og privatliv, samtidig med at de kontinuerligt forbedrer deres nøjagtighed og ydeevne gennem automatiseret evaluering af modeloutput.

Hvad er nogle af udfordringerne ved at modernisere legacy-systemer fuldstændigt med generativ AI?

GenAI er et kraftfuldt værktøj, men det er ikke en universel løsning for fuldstændig modernisering af legacy-systemer. Virksomheder på tværs af industrier må tilpasse en kombineret tilgang, der udnytter både menneskelig ekspertise og AI-kapaciteter. Mens GenAI tilbyder betydelig potentiale for modernisering, har det også begrænsninger. Nøgleudfordringerne omfatter:

• Begrænset forståelse af legacy-systemer: GenAI-modeller kræver en dyb forståelse af eksisterende systemer for at fungere effektivt. Legacy-systemer mangler ofte omfattende dokumentation, hvilket hindrer AI’s evne til at forstå deres interafhængighed effektivt.
• Datakvalitet og bias: Kvaliteten og repræsentativiteten af data, der bruges til at træne AI-modellen, har en betydelig indvirkning på dens output. Begrænsninger i træningsdata kan afspejles i den genererede kode, hvilket potentielt kan introducere nye problemer.
• Sikring af kvalitet og sikkerhed: Mens GenAI kan automatisere kodegenerering, kræver outputtet omfattende test og verificering for at opfylde kvalitets-, funktionelle krav og sikkerhedsstandarder.
• Begrænset omfang for modernisering: GenAI kan være uegnet til fuldstændig systemomlægning. Det kan udmærke sig i bestemte opgaver som kode-refaktoring eller testcasesgenerering, men komplekse arkitekturændringer kræver stadig manuel indgriben.
• Ændringsstyring og stakeholder-tilpasning: Styring af organisatorisk ændring og opnåelse af stakeholder-tilslutning er afgørende faktorer i bestemmelse af succesen med at modernisere legacy-systemer med GenAI. Klare kommunikations-, træningsprogrammer og stakeholder-engagement-initiativer kan hjælpe med at adresse modstand mod ændring og facilitere glatte overgange.

En af udfordringerne med Generativ AI er konsistens, hvordan hjælper Persistent Systems med at opbygge en konsistent brugeroplevelse?

Konsistens er kun ét element i at levere en samlet enterprise-grad, enterprise-sikker GenAI-dreven brugeroplevelse og resultater. Vi ser på processen i sin helhed.

Vi tilbyder omfattende support på tværs af alle faser af GenAI-adopteringsprocessen. Vores strategiske vejledning og omhyggelige brugsanalysershjælp organisationer med at vælge de mest egnede grundmodeller (FMs), der er tilpasset deres specifikke krav. Gennem en detaljeret undersøgelse og konsultation hjælper vi kunder med at definere klare brugsområder og træffe informerede valg af FM.

Derefter fokuserer vi på multiple tilgange, såsom few-shot-prompting eller endda finjustering, for at sikre, at modellerne, der bruges i applikationerne, er tilpasset brugsområdet og virksomhedsdata.

Vores løsninger udnytter ikke kun standard RAG-teknikker, men går også dybere ind i multiple prompt- og data-chunking-strategier for at sikre, at den mest relevante data hentes og gives til FM under slutning. Vi forbedrer yderligere nøjagtigheden og relevansen af denne kontekst ved at bruge avancerede Viden Graf til at fange skjulte relationer inden for virksomhedsdata.

Vi anvender også multiple grundlæggende teknikker og guardrails til at begrænse og fokusere omfanget af slutning.

Til sidst sætter vi applikationen igennem en omfattende og automatiseret evaluering, der sikrer konsistens af slutning og oplevelse, udgivelse efter udgivelse.

Kan du give eksempler på, hvor GenAI-drevne løsninger har revolutioneret kundeinteraktioner?

Persistent har transformeret kundeinteraktioner for en førende softwareløsningsudbyder gennem GenAI-drevne løsninger. Firmaet stod over for skaleringsudfordringer under peak-operationsperioder og implementerede en Central Viden Repository og Conversational AI Teams BOT. Det strømlinede adgangen til information, hvilket resulterede i en 80% reduktion i kunde-spørgsmålsløsningstid. Kvaliteten af svarene forbedredes også betydeligt, hvilket resulterede i forbedret kundetilfredshed.

Vi hjalp også en privatægtefond ved at udnytte GenAI til at automatisere oprettelsen af detaljerede investeringsrapporter. Med GenAI-drevne systemet blev tiden, der krævedes til at generere rapporter, reduceret med 90%. Denne strømlinede tilgang revolutionerede fondens operationer, hvilket faciliterede hurtig og effektiv beslutningstagning. Effektiviteten sparede ikke kun værdifuld tid, men fremmede også øget samarbejde mellem interessenter og sikrede en personlig touch i hver nota, hvilket forbedrede den samlede effektivitet.

Hvordan tilgår du Ansvarlig GenAI-innovation?

Vores tilgang til Ansvarlig GenAI-innovation prioriterer etiske praksis og overholdelse af regler på tværs af udviklings- og implementeringsprocesserne. Vi lægger vægt på gennemsigtighed, ansvarlighed og retfærdighed i AI-drevne beslutningsprocesser.

Vi etablerer robuste etiske retningslinjer for udvikling, implementering og brug af GenAI-systemer. I vores stræben efter Ansvarlig GenAI-innovation testes og valideres vores systemer omhyggeligt for at minimere potentielle risici som bias, misinformations- og privatlivsproblemer.

Desuden prioriterer vi gennemsigtighed og ansvarlighed i AI-drevne beslutningsprocesser ved at give brugerne klare indsigter i systemets drift. Til sidst sigter vores tilgang mod at udvikle og implementere GenAI-systemer, der driver innovation og effektivitet, samtidig med at de bidrager positivt til samfundet.

Hvad er din vision for fremtiden for AI?

Min vision for fremtiden for AI er multifaceteret. Først og fremmest ser jeg AI ikke kun som en kodestøtte, men også som en samarbejdspartner, lignende en “pair programmer”. Dette indebærer, at AI hjælper med kodning og aktivt deltager i problemløsning ved at kortlægge komplekse opgaver og udføre underopgaver.

For det andet forudser jeg en æra med personlige AI-agenter og -assistenter, der tilbyder tilpassede oplevelser til enkeltpersoner – en “tilpasning af 1”-tilgang. Disse agenter vil forstå brugernes unikke præferencer, adfærd og behov, og give højtydende tilpasset støtte og service.

Til sidst tror jeg på udviklingen af sammensatte AI-systemer, hvor forskellige AI-modeller samarbejder om at løse forskellige behov. Der vil ikke være en enkelt “one-size-fits-all”-model, men snarere en kombination af store og små, generelle og specialiserede modeller, der arbejder sammen i AI-tjenester. Denne tilgang giver mulighed for større fleksibilitet, effektivitet og effektivitet i løsningen af en bred vifte af problemer på tværs af domæner.

Tak for det store interview, læsere, der ønsker at lære mere, skal besøge Persistent Systems.