Lakshmikant Gundavarapu, Chief Innovation Officer hos Tredence – Intervieuserie

Lakshmikant Gundavarapu er Chief Innovation Officer hos Tredence. Med over tre årtier i IT-sektoren er Lakshmikant en anerkendt autoritet inden for AI-transformation og digital innovation.

Som tidligere Global Head for Data & AI hos Microsoft (MSFT ) India, gjorde Lakshmikants lederskab det muligt for digital transformation for 100+ kunder i 40 lande. Hos Microsoft var Lakshmikant en forkæmper for integrationen af open-source databaser på Azure og opbyggede strategiske alliancer med SaaS-løsningssamarbejdspartnere.

Med en evne til at udvikle kundeorienterede AI-løsninger, udmærker Lakshmikant sig ved at opbygge strategiske partnerskaber, der driver innovation. Lakshmikant bringer en rigdom af erfaring, teknisk ekspertise og ledelseskompetence til at katalysere AI-drevne transformationer, og har en etableret evne til at oversætte fremvoksende teknologier til konkrete forretningsløsninger.

Tredence er et data- og AI-selskab, der hjælper virksomheder med at omdanne analytics-eksperimenter til virkelige resultater. De arbejder på tværs af brancher som retail, CPG, tech, finance, sundhedsvesen og rejse, og tilbyder tjenester inden for data-engineering, AI/ML, generativ AI, supply chain, kundeoplevelse og digital modernisering. Deres fokus er på at kombinere hastighed gennem acceleratorer, dyb domæneekspertise og stærke partnerskaber for at levere skalerbare, enterprise-klare løsninger.

Hvad var det, der formede din vision for AI-drevne enterprise-transformationer under din tid hos Microsoft, og hvordan viser det sig i Tredences strategi?

Under min tid hos Microsoft havde jeg mulighed for at arbejde med virksomheder på tværs af forskellige sektorer, herunder luftfart og ejendom. Det er tydeligt, at AI kan skabe reel effekt, når det har en klar formål, er understøttet af pålidelig data og er designet til at integrere i operationelle beslutninger.

For eksempel:

• En stor flyselskab implementerede AI for at forudsige motorfejl, hvilket muliggjorde proaktiv vedligeholdelse og forbedrede både sikkerhed og effektivitet.
• En stor ejendomsselskab anvendte AI til prædictiv overvågning af essentielle bygningsystemer, hvilket resulterede i reduceret downtime og optimerede vedligeholdelsesplaner.

Disse erfaringer lærte mig, at teknologi alene ikke transformerer virksomheder. Det kræver omhyggeligt design, stærke datafundamenter og mekanismer, der oversætter indsigt i reel handling. Denne perspektiv driver nu Tredences tilgang: Vi udvikler AI-løsninger, der er formål-drevne, data-informeret og i stand til at levere målbare resultater på tværs af virksomheden.

Tredence beskrives ofte som løsningen på “sidste-mile”-problemet i AI. Kan du dele eksempler, hvor denne accelererede transformation for kunder? 

Overvej en stor global detailhandler. Ved at samle fragmenterede data fra transaktioner, loyalitetsprogrammer, supply chain-operationer og digitale touchpoints, muliggjorde vi AI-applikationer, der drev omsætningsvækst, kundebevarelse, rejsepersonalisering og efterspørgselsprognose. Vi anvendte disse indsigt operationelt, og omdannede analytics til konkrete forretningsresultater.

Detailhandelscase: Tredence skabte et samlet personaliseringssystem, der genererede 58 millioner dollars i omsætning og lukkede en 54% KPI-lücke. Dette gik ud over kundeindsigt og leverede omsætningsdrevet personalisering i stor målestok.

I biotek, integrerede R&D-, kliniske og kommercielle datasæt muliggjorde AI for at optimere rekruttering, forbedre studie-design og forbedre lægeengagement, hvilket accelererede tid-til-marked og forbedrede omsætning.

På tværs af sektorer, fra banksektorens svindelforsvar til prædictivt vedligehold i fremstillingsindustrien, er læren den samme: AI leverer værdi kun, når det driver beslutninger, der betyder noget for virksomheden.

Bankcase: Tredence udrullede GenAI AML (anti-pengetværsystemer), der ikke kun genererede indsigt om mistænkelige aktiviteter, men også integrerede i daglige operationer for at forbedre sagsgennemløb med 120%, mens de reducerede falske positiver med 15%. Dette viser oversættelsen fra AI-afkodning til operationel effektivitet.

Virksomheder kæmper ofte med at flytte fra AI-piloter til produktion i stor målestok. Hvad er de største hindringer, og hvordan hjælper Tredence med at overvinde dem?

Mange AI-initiativer stopper, fordi de ikke er designet med et klart forretningsresultat, selvom de er teknisk stærke. Nøgleudfordringerne omfatter:

1. Formål-drevne designlucker: Indsigt kan være interessant, men løser ikke målbare forretningsproblemer.
2. Data-begrænsninger: Fragmenterede eller dårlige data forhindrer pålidelig skalerbarhed.
3. Operationelle udfordringer: Uden automatiseret udrulning, overvågning, genoptræning og styring forbliver modeller eksperimentelle.

Hos Tredence tackler vi disse udfordringer gennem:

• Resultat-fokuseret design, der sikrer, at hver AI-initiativ er direkte knyttet til målbare forretningsresultater.
• Robuste datafundamenter, der konsoliderer og beriger datasæt for pålidelig modelpræstation.
• Produktionsklare operationelle rammer, herunder automatiseret udrulning, overvågning og genoptræning for at opretholde nøjagtighed, robusthed og overholdelse.

Denne tilgang muliggør, at virksomheder kan gå fra eksperimenter til fuld-skala AI, der konsekvent leverer forretningsresultater.

Du annoncerede nyligt Milky Way, en konstellation af autonome AI-agenter. Hvad inspirerede designet, og hvordan adskiller det sig fra konventionelle AI-assistenter?

Milky Way blev født af erkendelsen af, at virksomheder har brug for mere end dashboards eller chatbots. De kræver en resonansramme, der kan forbruge, fortolke og forbinde multivariate data for at generere handlebare indsigt.

I modsætning til konventionelle assistenter:

• Resonerer på tværs af forskellige datakilder, forbinder indsigt i stedet for blot at besvare spørgsmål.
• Analyserer komplekse, multi-dimensionelle problemer, broer information på tværs af arbejdsgange.
• Leverer handlebar indsigt, omdanner indsigt til beslutninger eller automatiserede handlinger.

Kort sagt transformerer Milky Way AI til et netværk af resonans-agenter, der kan håndtere kompleksitet og drive reelle forretningsresultater, snarere end blot at erstatte grundlæggende værktøjer.

Tidlige udrulninger af Milky Way leverede hurtige resultater. Hvad muliggjorde disse gevinster?

Tre elementer gjorde en forskel:

1. Indlejring af indsigt, hvor beslutninger sker, gjorde anbefalinger umiddelbart handlebare.
2. Fremadrettet intelligens, omdannede indsigt til proaktive beslutninger snarere end retrospektiv analyse.
3. Sikre, styrede platforme, der muliggjorde virksomheds-skala AI, mens de opretholdt overholdelse og kontrol.

Denne kombination leverer konkrete forretningsresultater på få uger snarere end måneder.

Milky Way prioriterer forklarbarhed, revision og resonansveje. Hvor kritisk er dette for virksomheds-tillid?

Tillid er grundlæggende i virksomheds-AI. Milky Way sikrer:

• Gennemsigtig begrundelse for hver anbefaling.
• Revisionsstier, der dokumenterer alle input, output og handlinger.
• Konstant adversativ testning for at sikre robusthed og pålidelighed.

Denne gennemsigtighed og ansvarlighed adskiller Milky Way fra uigennemsigtige, sorte-boks-systemer, og opbygger virksomheds-tillid i adoption.

Hvordan vil denne skift fra værktøjer til AI-teammedlemmer påvirke organisationer og beslutningstagning?

AI-teammedlemmer ændrer, hvordan organisationer opererer:

• Chefer påtager sig dobbeltroller, vejleder både mennesker og AI-agenter.
• Beslutninger bliver samarbejdende, hvor agenter håndterer resonans, og mennesker tilfører kontekst og etisk oversigt.
• Operationelle strukturer udvikler sig for at integrere AI i daglig beslutningstagning, forbedrer hastighed, konsekvens og kvalitet af resultater.

Inden 2028 kan en tredjedel af forretningsbeslutninger blive truffet autonomt. Hvad må organisationer ændre for at sikre sikkerhed?

 For at sikre autonom AI, skal organisationer implementere praktiske foranstaltninger på tværs af kultur, operationer og styring:

Kultur – Byg tillid med AI:

• Start med menneske-i-løkken beslutningstagning og øg gradvist autonomi.
• Træn teams til at forstå, validere og intervenere i AI-anbefalinger.

Operationer – Implementer overvågning og risikokontrol:

• Overvåg konstant AI-beslutninger for nøjagtighed, bias og overholdelse.
• Udfør adversativ simulering for at identificere sårbarheder.
• Vedligehold feedback-løkker for at forbedre AI-modeller fra menneskelige korrektioner.

Styring – Definer grænser og eskalationsveje:

• Definer, hvilke beslutninger kan være fuldt automatiserede, og hvilke kræver oversigt.
• Sikrer revision og sporing for alle AI-drevne handlinger.
• Opret kontingentsprocesser for at intervenere i tilfælde af anomalier eller risici.

Disse skridt giver organisationer mulighed for at skala autonom beslutningstagning sikkert, mens de opretholder kontrol, ansvarlighed og overholdelse.

Hvad er Tredences vejledning for Milky Way?

Vores vejledning omfatter:

1. Branchespecifikke agenter for retail, sundhedsvesen, fremstillingsindustri og finansielle tjenester.
2. Dybere integrationer med ERP-, CRM- og supply chain-systemer for problemfri adoption.
3. Kontinuerlig læring og resonans for at muliggøre agenterne til at forbedre deres intelligens og kontekstforståelse over tid.

Visionen er et økosystem af samarbejdende agenter, som virksomheder kan samle, styre og stole på.

Hvordan skal C-suite-ledere forberede sig på, at AI overtager strategiske beslutningsroller?

AI-adoption er en modningsrejse:

• Start med menneske-i-løkken copiloter, gå videre til semi-autonome arbejdsgange og tillad til sidst fuld autonomi i styrede domæner.
• Investér i AI-litteratur, der muliggør teams til at samarbejde effektivt med AI-systemer.
• Genovervej KPI’er, styringsrammer og operationelle strukturer for at fokusere på beslutningskvalitet og forretningsresultater, snarere end blot modelpræstation.

Til sidst er AI-adoption ikke kun en teknologisk initiativ; det er en transformation i ledelse, kultur og operationel beslutningstagning.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Tredence.