Nitin Singhal, Vicepræsident for Ingeniørarbejde (Data, AI og Integrationer) hos SnapLogic

Nitin Singhal er en erfaren teknologi- og produktleder med over 25 års erfaring i branchen. Han er i øjeblikket Vicepræsident for Ingeniørarbejde hos SnapLogic, hvor han fokuserer på ansvarlig integration af applikationer og systemer, og udnytter Agentic-arkitektur til at låse dataens potentiale op for et globalt publikum.

Før sin rolle hos SnapLogic, var Nitin Senior Director of Engineering hos Twitter, hvor han ledte Data Management og Privacy Infrastructure engineering-funktionerne. Hans arbejde indebar etablering af datastyringspraksis under en kritisk periode for virksomheden, og sikring af ansvarlig dataanvendelse og overholdelse af privatlivsregler.

Nitin har også haft forskellige ingeniør- og produktlederstillinger hos prominente organisationer, herunder Visa (V ), PayPal (PYPL ) og JPMorgan Chase, hvor han bidrog til betydelige fremskridt i datastrategi og -styring.

SnapLogic er en AI-drevet integrationsplatform, der strømliner data- og applikationsworkflows med værktøjer uden kode og over 1.000 forudbyggede connectores. Den understøtter ETL/ELT, automation, API-styring og sikre installationer på tværs af cloud, on-premises og hybrid-miljøer. Funktioner som SnapGPT og AutoSync forbedrer effektiviteten, og gør det muligt for organisationer at integrere og orkestrere processer uden problemer.

De har næsten 25 års erfaring med at drive teknologisk innovation. Hvad var det, der først inspirerede dem til at søge en karriere, der fokuserer på at bruge teknologi til at løse komplekse problemer, og hvordan er denne passion udviklet sig med opkomsten af AI?

Fra starten af min karriere var jeg fascineret af udfordringen ved at løse puslespil og den logiske skønhed i matematik. Dette naturlige interesse ledte mig til at udforske, hvordan teknologi kunne tackle komplekse, virkelige problemer. Tidligt i min karriere var jeg inspireret af potentialet for teknologi til at tackle problemer som transaktions-svindel og data-privatlivsrisici. Min passion er kun blevet dybere, da AI er udviklet, især med opkomsten af Generativ AI. Jeg har set AI’s transformative indvirkning, fra at give landmænd indsigt i afgrøder via smartphones til at gøre det muligt for almindelige brugere, som min far, at navigere i opgaver som skattemæssig rapportering let. Democratiskeringen af AI-teknologi begejstrer mig, og gør det muligt for os at gøre en positiv forskel i menneskers liv. Denne fortsatte rejse driver min tilbageholdenhed til at fremme AI på måder, der ikke kun er innovative og effektive, men også sikre, ansvarlige og tilgængelige for alle.

Hvad er de største risici, virksomheder står over for, når de afhænger af forældet teknologi i en tid med avanceret AI?

At afhænge af forældet teknologi indebærer betydelige risici, der kan true en virksomheds fremtid. Forældede systemer, især legacy-infrastrukturer, fører til lammerende ineffektivitet og forhindrer organisationer i at udnytte AI til værdifulde opgaver. Disse forældede teknologier kæmper med dataadgang og integration, og skaber dyre operationelle flaskehals, der hindrer automation og innovation. De skjulte omkostninger ved at vedligeholde disse systemer løber op, og gør det svært at tiltrække top-talent, der foretrækker moderne teknologi-miljøer. Da virksomheder bliver fanget i en cyklus af stagnation, går de glip af progressive vækstmuligheder og risikerer at blive overhalet af mere agile konkurrenter.

Valget er klart: udvikle sig som iPhone eller møde samme skæbne som BlackBerry.

Hvordan kæmper legacy-systemer med at opfylde kravene til moderne AI-applikationer, især med hensyn til energi, efterspørgsel og infrastruktur?

Legacy-systemer står over for betydelige udfordringer med at opfylde kravene til moderne AI-applikationer på grund af deres indbyggede begrænsninger. Disse forældede infrastrukturer mangler dataprocesseringskapacitet, skalerbarhed og fleksibilitet til AI’s intensive beregningsbehov. De skaber ofte data-silos og flaskehals, der hindrer realtids, forbundne datahåndtering, der er afgørende for AI-drevne indsigt. Denne inkompatibilitet forhindrer implementeringen af avanceret AI-teknologi og fører til ineffektiv ressourceanvendelse, øget energiforbrug og potentiel systemsvigt. Virksomheder, der afhænger af legacy-systemer, kæmper med at fuldt ud at udnytte AI’s potentiale i kritiske områder som præcisionsmålretning, lønudbetaling og svindelbekæmpelse, og begrænser deres konkurrencedygtighed i et AI-drevet landskab.

Hvad er de “skjulte” omkostninger ved at være tilfreds for virksomheder, der tøver med at modernisere deres systemer?

At afhænge af forældet teknologi indebærer, at virksomheder afhænger af manuelle processer og siloede data, hvilket fører til øgede omkostninger og reduceret produktivitet. Over tid kompenserer denne ineffektivitet sig selv, og fører til mistede muligheder og en betydelig tab af konkurrencedygtighed, da mere agile konkurrenter adopterer AI-løsninger. Desuden spildes medarbejderpotentialet på repetitive opgaver i stedet for strategisk arbejde, hvilket kan føre til frustration og potentielt højere fravær. Da rivaler udnytter AI til øget effektivitet og innovation, risikerer virksomheder, der forsinkrer modernisering, at blive efterladt, og deres markedsposition og langsigtede levedygtighed i et stadig mere digitalt landskab.

Organisationer må skelne mellem berettigede bekymringer omkring AI-adoption og tilfælde, hvor menneskelige usikkerheder giver anledning til misvisende beretninger.

Hvordan kan virksomheder evaluere, om de er tilbagestående i forhold til infrastrukturparathed til AI?

Virksomheder kan evaluere deres AI-parathed ved at bedømme, om deres nuværende systemer kan integreres med moderne AI-værktøjer og skaleres til at opfylde øgede datakrav. Hvis de kæmper med at behandle store datasæt effektivt, udnytte cloud-løsninger eller understøtte automation, er det et klart tegn på, at de måske er tilbagestående. Desuden bør virksomheder undersøge, om legacy-systemer skaber flaskehals eller kræver excessiv manuel indgriben, hvilket hindrer produktiviteten. Nøgleindikatorer for tilbagestående infrastruktur omfatter data-silos, utilstrækkelig realtidsanalyse, utilstrækkelig beregningskraft til komplekse algoritmer og udfordringer med at tiltrække AI-talent. Til sidst risikerer organisationer, der konstant spiller catch-up med AI-kapaciteter, at miste deres konkurrencedygtighed i et stadig mere digitalt landskab. Jeg vil også understrege, at avanceret overvågning, sikkerhed og privatlivsbeskyttelsesteknikker efter komponerbar arkitektur er afgørende for en problemfri og ansvarlig AI-parathed.

Hvad er nogle praktiske skridt, organisationer kan tage i dag for at fremtidssikre deres systemer for AI-innovationer?

Det første skridt er at evaluere den nuværende teknologi-stak og finde områder, hvor AI kan integreres. Organisationer bør prioritere skalerbare cloud-løsninger, der understøtter AI-drevet automation, og gøre det let at integrere nye teknologier. Især low-code-platforme kan hjælpe virksomheder med begrænsede ressourcer med at deployere AI-agenter uden at kræve dyb teknisk ekspertise. Virksomheder bør også sikre, at de har fleksible, cloud-baserede infrastrukturer, der kan skaleres efter behov for at understøtte fremtidige AI-applikationer.

I din mening, hvilke brancher har mest at vinde ved at adoptere AI og opgradere legacy-systemer hurtigt?

Brancher, der afhænger af data-drevne beslutninger og repetitive opgaver, har mest at vinde. For eksempel kan AI i den finansielle servicesektor automatisere opgaver som kundesupport, svindelbekæmpelse og lånegodkendelse, og strømline driften og forbedre kundeoplevelsen. Salgs- og kundeserviceafdelinger kan også opleve en betydelig produktivitetsforbedring ved at bruge AI til at håndtere rutineforespørgsler eller behandle leads mere effektivt. Virksomheder i sundheds-, fremstillings- og detailbranchen kan også have stor gevinst af AI, især da AI-værktøjer kan hjælpe med at optimere forsyningskæder, forudsige efterspørgsel og automatisere administrative opgaver. I stedet for at udføre disse repetitive opgaver kan domæneeksperter fokusere på strategisk arbejde og skabe en høj afkast på AI-investeringen.

Hvordan understøtter SnapLogics platform specifikt virksomheder i at erstatte fragmenterede, legacy-infrastrukturer med AI-drevne løsninger?

 SnapLogics platform giver virksomheder mulighed for at samle og automatisere workflows på tværs af data og applikationer, og brobygger mellem legacy-systemer og moderne, AI-klare infrastrukturer. Ved at sammenkoble fragmenterede datakilder og forenkle integration på tværs af cloud- og on-premises-miljøer, accelererer SnapLogic overgangen til et samlet system, hvor AI kan levere umiddelbar værdi.

Platformens low-code-grænseflade, herunder værktøjer som AgentCreator og SnapGPT, giver virksomheder mulighed for at deployere AI-drevne løsninger hurtigt for forskellige brugsområder, fra automatisering af kundesupport til forbedring af finansielle rapporter og markedsførings-effektivitet. SnapLogics IRIS AI-teknologi giver intelligente anbefalinger for opbygning af data-pipelines, og reducerer betydeligt kompleksiteten af integrationsopgaver, og gør platformen tilgængelig for brugere med varierende niveau af teknisk ekspertise.

SnapLogic prioriterer datastyring, overholdelse og sikkerhed i AI-initiativer. Med funktioner som end-to-end-kryptering, omfattende logging og agent-handlingsforhåndsvisning kan virksomheder udvide deres AI-projekter med tillid. Den seneste lancering af en integrationskatalog og data-ækvivalensværktøjer giver afgørende kontekst for at beskytte følsomme data mod lækkage under ind- og uddata. Desuden tilbyder SnapLogic integrationsmuligheder til moderne systemer på en komponerbar måde, og driver forretningsmål, samtidig med at der tilbydes fleksible løsninger til at håndtere omkostninger, overholdelse og vedligeholdelsesudfordringer.

Hvad er nogle unikke udfordringer, du har mødt hos SnapLogic i forbindelse med udvikling af produkter, der brobygger mellem legacy- og moderne AI-integrerede systemer?

 En unik udfordring i forbindelse med at brobygge mellem legacy- og moderne AI-integrerede systemer har været at sikre, at SnapLogic-platformen kan tilpasse sig rigiditeten af ældre systemer, samtidig med at den understøtter fleksibiliteten og skalerbarheden, der kræves for AI-applikationer. En anden udfordring har været at skabe en platform, der er tilgængelig for både tekniske og ikke-tekniske brugere, hvilket kræver en balance mellem avanceret funktionalitet og let brug.

Som en enterprise SAAS-virksomhed balancerer SnapLogic de unikke og generiske behov hos hundredvis af kunder på tværs af forskellige brancher, samtidig med at platformen konstant udvikles for at adoptere nye og moderne teknologier på en fleksibel, ansvarlig og bagudkompatibel måde

For at imødegå dette har vi udviklet forudbyggede connectores, der sammenkobler data på tværs af gamle og nye platforme. Med SnapLogic AgentCreator har vi også givet organisationer mulighed for at deployere AI-agenter, der automatiserer opgaver, tager realtidsbeslutninger og tilpaser sig inden for eksisterende workflows.

Kunne du uddybe SnapLogics “Generative Integration” og hvordan den muliggør en problemfri AI-drevet automation i virksomheds-miljøer?

SnapLogics Generative Integration er en banebrydende funktion i SnapLogics platform, der udnytter generativ AI og store sprogmodeller (LLM’er) til at strømline og automatisere opbygningen af integrations-pipelines og workflows. Denne innovative tilgang giver virksomheder mulighed for at sammenkoble systemer, applikationer og datakilder på en problemfri måde, og faciliterer en glattere overgang til AI-drevne miljøer. Ved at fortolke naturlige sprog-forespørgsler giver Generative Integration selv ikke-tekniske brugere mulighed for at udvikle, tilpasse og deployere integrationer hurtigt. Denne demokratisering af integration accelererer digital transformation og reducerer afhængigheden af omfattende kodningsekspertise, og giver virksomheder mulighed for at fokusere på strategiske initiativer og forbedre operationel effektivitet.

Desuden tilbyder SnapLogic en enorm fleksibilitet ved at give kunder mulighed for at udnytte offentlige LLM-modeller tilpasset til deres specifikke behov, og sikrer, at organisationer kan udnytte de bedste værktøjer til rådighed, samtidig med at de opretholder robust styring og overholdelsesstandarder.

Tak for det fantastiske interview. Læsere, der ønsker at lære mere, kan besøge SnapLogic.