Nitin Singhal, Αντιπρόεδρος Μηχανικής (Δεδομένα, AI και Ενοποιήσεις) στη SnapLogic

Nitin Singhal είναι ένας έμπειρος τεχνολογικός και προϊοντικός ηγέτης με πάνω από 25 χρόνια εμπειρίας στη βιομηχανία. Σήμερα υπηρετεί ως Αντιπρόεδρος Μηχανικής στη SnapLogic, εστιάζοντας στην υπεύθυνη ενοποίηση εφαρμογών και συστημάτων, αξιοποιώντας την αρχιτεκτονική Agentic για να ξεκλειδώσει το δυναμικό των δεδομένων για ένα παγκόσμιο κοινό.

Πριν από το ρόλο του στη SnapLogic, ο Nitin ήταν Διευθυντής Μηχανικής στο Twitter, όπου ηγήθηκε των λειτουργιών Μηχανικής Διαχείρισης Δεδομένων και Υποδομής Ιδιωτικού Απορρήτου. Το έργο του περιελάμβανε την καθιέρωση πρακτικών διακυβέρνησης δεδομένων κατά μια κρίσιμη περίοδο για την εταιρεία, εξασφαλίζοντας την υπεύθυνη χρήση δεδομένων και τη συμμόρφωση με τους κανονισμούς ιδιωτικού απορρήτου.

Ο Nitin έχει επίσης κατέχει διάφορες θέσεις μηχανικής και προϊοντικής ηγεσίας σε εξέχουσες οργανώσεις, συμπεριλαμβανομένων των Visa (V ), PayPal (PYPL ) και JPMorgan Chase, όπου συνέβαλε σε σημαντικές προόδους στη στρατηγική και τη διαχείριση δεδομένων.

SnapLogic είναι μια πλατφόρμα ενοποιήσεων που ενδυναμώνεται από το AI, η οποία συνδυάζει δεδομένα και εφαρμογές με εργαλεία χωρίς κώδικα και πάνω από 1.000 προκατασκευασμένες συνδέσεις. Υποστηρίζει ETL/ELT, αυτοματοποίηση, διαχείριση API και ασφαλείς αναπτύξεις σε cloud, εσωτερικές και υβριδικές περιβάλλοντες. Χαρακτηριστικά όπως το SnapGPT και το AutoSync βελτιώνουν την αποτελεσματικότητα, επιτρέποντας στις οργανώσεις να ενοποιούν και να ορχηστρώνουν διαδικασίες χωρίς προβλήματα.

Έχετε σχεδόν 25 χρόνια εμπειρίας στην οδήγηση της τεχνολογικής καινοτομίας. Τι σας ενέπνευσε αρχικά να ακολουθήσετε μια καριέρα που επικεντρώνεται στην利用 της τεχνολογίας για την επίλυση σύνθετων προβλημάτων, και πώς έχει εξελιχθεί αυτό το πάθος με την άνοδο του AI;

Από την αρχή της καριέρας μου, με γοήτευε η πρόκληση της επίλυσης γρίφων και η λογική ομορφιά των μαθηματικών. Αυτό το ενδιαφέρον με οδήγησε φυσικά να εξερευνήσω πώς η τεχνολογία μπορεί να αντιμετωπίσει σύνθετα, πραγματικά προβλήματα. Στην αρχή της καριέρας μου, με ενέπνευσε η δυνατότητα της τεχνολογίας να αντιμετωπίσει ζητήματα όπως η ανίχνευση απάτης συναλλαγών και οι κίνδυνοι ιδιωτικού απορρήτου. Το πάθος μου έχει μόνο ενταθεί καθώς το AI έχει εξελιχθεί, ιδιαίτερα με την έλευση του Γενετικού AI. Έχω δει τη μετασχηματιστική επίδραση του AI, από την ενδυνάμωση των αγροτών με γνώσεις καλλιεργειών μέσω κινητών τηλεφώνων μέχρι την ενεργοποίηση των καθημερινών χρηστών, όπως ο πατέρας μου, να διαπραγματεύονται εργασίες όπως η υποβολή φόρων με ευκολία. Η δημοκρατία της τεχνολογίας AI με ενθουσιάζει, επιτρέποντάς μας να κάνουμε μια θετική διαφορά στη ζωή των ανθρώπων. Αυτή η συνεχής πορεία καύει την αφοσίωσή μου στην προώθηση του AI με τρόπους που δεν είναι μόνο καινοτόμους και αποτελεσματικούς, αλλά και ασφαλείς, υπεύθυνους και προσιτούς σε όλους.

Ποια είναι τα μεγαλύτερα рисks που αντιμετωπίζουν οι επιχειρήσεις όταν βασίζονται σε παλαιές τεχνολογίες στην εποχή του προηγμένου AI;

Η εξάρτηση από παλαιές τεχνολογίες δημιουργεί σημαντικά ρίσκα που possono να θέσουν σε κίνδυνο το μέλλον μιας επιχείρησης. Οι παλαιές συστήματα, ιδιαίτερα οι παλαιές υποδομές, οδηγούν σε ανασταλτικές αναποτελεσματικότητες και εμποδίζουν τις οργανώσεις να αξιοποιήσουν το AI για υψηλής αξίας εργασίες. Αυτές οι παλαιές τεχνολογίες δυσκολεύουν την πρόσβαση και την ενοποίηση δεδομένων, δημιουργώντας δαπανηρές λειτουργικές συμφράγματα που εμποδίζουν την αυτοματοποίηση και την καινοτομία. Οι κρυφές δαπάνες για την συντήρηση τέτοιων συστημάτων προστίθενται, στερώντας πόρους ενώ καθιστά δύσκολο να προσελκύσουν κορυφαίο ταλέντο που προτιμά σύγχρονες τεχνολογικές περιβάλλοντες. Όσο οι εταιρείες παγιδεύονται σε einen κύκλο στασιμότητας, χάνουν ευκαιρίες για προοδευτική ανάπτυξη και κινδυνεύουν να ξεπεραστούν από πιο ευέλικτους ανταγωνιστές.

Η επιλογή είναι σαφής: εξελίξου όπως το iPhone ή αντιμετωπίστε το πεπρωμένο του BlackBerry.

Πώς οι παλαιές υποδομές δυσκολεύουν να ανταποκριθούν στις απαιτήσεις των σύγχρονων εφαρμογών AI, ιδιαίτερα όσον αφορά την ενέργεια, την ζήτηση και την υποδομή;

Οι παλαιές υποδομές αντιμετωπίζουν σημαντικές προκλήσεις στην ανταπόκριση στις απαιτήσεις των σύγχρονων εφαρμογών AI λόγω των εγγενών τους περιορισμών. Αυτές οι παλαιές υποδομές χρειάζονται περισσότερες δυνατότητες επεξεργασίας δεδομένων, κλιμακωσιμότητα και ευελιξία για τις εντατικές υπολογιστικές ανάγκες του AI. Δημιουργούν συχνά θύλακες δεδομένων και συμφράγματα, εμποδίζοντας την πραγματική, διασυνδεμένη διαχείριση δεδομένων που είναι κρίσιμη για τις έρευνες που οδηγούνται από το AI. Αυτή η ασυμβατότητα εμποδίζει την εφαρμογή προηγμένων τεχνολογιών AI και οδηγεί σε αναποτελεσματική χρήση πόρων, αυξημένη κατανάλωση ενέργειας και πιθανές αποτυχίες συστήματος. Συνεπώς, οι επιχειρήσεις που βασίζονται σε παλαιές υποδομές δυσκολεύονται να αξιοποιήσουν πλήρως το δυναμικό του AI σε κρίσιμες περιοχές όπως η ακριβής στοχεύωση, η διευθέτηση μισθωτών και η ανίχνευση απάτης, τελικά περιορίζοντας την ανταγωνιστική τους θέση σε ένα τοπίο που οδηγείται από το AI.

Τι είναι τα «κρυφά» κόστη της αδιαφορίας για τις εταιρείες που διστάζουν να μοντερνοποιήσουν τα συστήματά τους;

Η εξάρτηση από παλαιές τεχνολογίες σημαίνει ότι οι επιχειρήσεις βασίζονται σε χειροκίνητες διαδικασίες και θύλακες δεδομένων, οδηγώντας σε αυξημένα κόστη και μειωμένη παραγωγικότητα. Με τον καιρό, αυτή η αναποτελεσματικότητα συσσωρεύεται, οδηγώντας σε χαμένες ευκαιρίες και σημαντική απώλεια ανταγωνιστικής θέσης, καθώς πιο ευέλικτοι ανταγωνιστές υιοθετούν λύσεις AI. Επιπλέον, το ταλέντο των υπαλλήλων σπαταλάται σε επαναλαμβανόμενες εργασίες αντί για στρατηγική εργασία, προκαλώντας沮丧 και πιθανώς υψηλότερους ρυθμούς turnovers. Όσο οι ανταγωνιστές αξιοποιούν το AI για μεγαλύτερη αποτελεσματικότητα και καινοτομία, οι εταιρείες που καθυστερούν στην μοντερνοποίηση κινδυνεύουν να μείνουν ακόμη πίσω, τελικά θέτοντας σε κίνδυνο την αγορά τους και τη μακροπρόθεσμη βιωσιμότητά τους σε ένα ολοένα και πιο ψηφιακό τοπίο.

Οι οργανώσεις πρέπει να διακρίνουν μεταξύ νόμιμων ανησυχιών σχετικά με την υιοθέτηση του AI και περιπτώσεων όπου οι ανθρώπινες αβεβαιότητες δίνουν ζωή σε παραπλανητικές αφηγήσεις.

Πώς μπορούν οι επιχειρήσεις να αξιολογήσουν αν μένουν πίσω σε σχέση με την ετοιμότητα υποδομής για το AI;

Οι επιχειρήσεις μπορούν να αξιολογήσουν την ετοιμότητα τους για το AI αξιολογώντας αν τα τρέχοντα συστήματά τους μπορούν να ενοποιηθούν με σύγχρονα εργαλεία AI και να κλιμακωθούν για να ανταποκριθούν στις αυξανόμενες απαιτήσεις δεδομένων. Αν δυσκολεύονται να επεξεργαστούν μεγάλες συλλογές δεδομένων αποτελεσματικά, να αξιοποιήσουν λύσεις cloud ή να υποστηρίξουν αυτοματοποίηση, είναι ένα σαφές σημάδι ότι μπορεί να μένουν πίσω. Επιπλέον, οι εταιρείες πρέπει να εξετάσουν αν οι παλαιές υποδομές δημιουργούν συμφράγματα ή απαιτούν υπερβολική χειροκίνητη παρέμβαση, εμποδίζοντας την παραγωγικότητα. Κρίσιμα σημάδια υποδομής που μένουν πίσω περιλαμβάνουν θύλακες δεδομένων, ανεπαρκή ανάλυση σε πραγματικό χρόνο, ανεπαρκή υπολογιστική δύναμη για σύνθετους αλγορίθμους και προκλήματα στην προσέλκυση ταλέντου AI. Τελικά, οι οργανώσεις που παίζουν συνεχώς catch-up με τις ικανότητες του AI κινδυνεύουν να χάσουν την ανταγωνιστική τους θέση σε ένα ολοένα και πιο ψηφιακό τοπίο. Θα τονίσω επίσης ότι προηγμένα τεχνικές παρατηρησιμότητας, ασφάλειας και προστασίας προσωπικών δεδομένων που ακολουθούν την αρχιτεκτονική composable είναι κρίσιμες για την ομαλή και υπεύθυνη ετοιμότητα για το AI.

Τι είναι einige πρακτικές βήματα που οι οργανώσεις μπορούν να κάνουν σήμερα για να μελλοντοποιήσουν τα συστήματά τους για καινοτομίες AI;

Το πρώτο βήμα είναι να αξιολογήσουν το τρέχον τεχνολογικό στάκ και να αναζητήσουν περιοχές όπου μπορεί να ενοποιηθεί το AI. Οι οργανώσεις πρέπει να προτεραιοποιήσουν λύσεις cloud που υποστηρίζουν την αυτοματοποίηση που οδηγείται από το AI και να κάνουν εύκολη την ενσωμάτωση νέων τεχνολογιών. Ιδιαίτερα, πλατφόρμες low-code μπορούν να βοηθήσουν τις επιχειρήσεις με περιορισμένους πόρους να αναπτύξουν γρήγορα πράκτορες AI χωρίς να χρειάζεται βαθιά τεχνική εμπειρία. Οι επιχειρήσεις πρέπει επίσης να διασφαλίσουν ότι έχουν ευέλικτη, cloud-βασισμένη υποδομή που μπορεί να κλιμακωθεί ανάλογα με τις μελλοντικές απαιτήσεις εφαρμογών AI.

Σύμφωνα με την άποψή σας, ποιες βιομηχανίες έχουν τη μεγαλύτερη δυνατότητα να κερδίσουν από την ταχεία υιοθέτηση του AI και την αναβάθμιση των παλαιών συστημάτων;

Οι βιομηχανίες που βασίζονται σε λήψεις αποφάσεων με βάση δεδομένα και επαναλαμβανόμενες εργασίες έχουν τη μεγαλύτερη δυνατότητα να ωφεληθούν. Για παράδειγμα, στον τομέα των χρηματοοικονομικών υπηρεσιών, το AI μπορεί να αυτοματοποιήσει εργασίες όπως η υποστήριξη πελατών, η ανίχνευση απάτης και η έγκριση δανείων, ρυθμίζοντας τις λειτουργίες και βελτιώνοντας την εμπειρία του πελάτη. Παρόμοια, τα τμήματα πωλήσεων και εξυπηρέτησης πελατών μπορούν να δουν μια σημαντική αύξηση της παραγωγικότητας χρησιμοποιώντας το AI για να χειριστούν καθημερινές ερωτήσεις ή να επεξεργαστούν leads πιο αποτελεσματικά. Οι εταιρείες στις βιομηχανίες υγείας, κατασκευής και λιανικής μπορούν επίσης να ωφεληθούν σημαντικά από το AI, ιδιαίτερα поскольку τα εργαλεία AI μπορούν να βοηθήσουν στην оптимποίηση των αλυσίδων εφοδιασμού, την πρόβλεψη της ζήτησης και την αυτοματοποίηση διοικητικών εργασιών. Αντί να εκτελούν αυτές τις επαναλαμβανόμενες εργασίες, οι ειδικοί του κλάδου μπορούν να εστιάσουν σε στρατηγική εργασία, δημιουργώντας μια υψηλή απόδοση επένδυσης στο AI.

Πώς η πλατφόρμα της SnapLogic υποστηρίζει ειδικά τις εταιρείες στην αντικατάσταση των θυλακωμένων, παλαιών υποδομών με λύσεις που οδηγούνται από το AI;

 Η πλατφόρμα της SnapLogic ενδυναμώνει τις επιχειρήσεις να ενοποιούν και να αυτοματοποιούν ροές εργασιών σε δεδομένα και εφαρμογές, συνδέοντας παλαιές υποδομές με σύγχρονη, ετοιμότητη υποδομή για το AI. Με την ομαλή σύνδεση θυλακωμένων πηγών δεδομένων και την απλοποίηση της ενοποίησης σε cloud και εσωτερικά περιβάλλοντα, η SnapLogic επιταχύνει τη μετάβαση σε ένα ενοποιημένο σύστημα όπου το AI μπορεί να προσφέρει άμεση αξία.

Η πλατφόρμα προσφέρει μια διεπαφή low-code, συμπεριλαμβανομένων εργαλείων όπως το AgentCreator και το SnapGPT, που επιτρέπουν στις εταιρείες να αναπτύξουν γρήγορα λύσεις που οδηγούνται από το AI για διάφορες περιπτώσεις χρήσης, από την αυτοματοποίηση των αλληλεπιδράσεων με τους πελάτες μέχρι την ενίσχυση της οικονομικής αναφοράς και της αποτελεσματικότητας μάρκετινγκ. Η τεχνολογία IRIS AI της SnapLogic παρέχει έξυπνες συστάσεις για την κατασκευή πιπών δεδομένων, μειώνοντας σημαντικά την πολυπλοκότητα των εργασιών ενοποίησης και καθιστώντας την πλατφόρμα προσβάσιμη σε χρήστες με διαφορετικά επίπεδα τεχνικής εμπειρίας.

Η SnapLogic προτεραιοποιεί τη διακυβέρνηση δεδομένων, τη συμμόρφωση και την ασφάλεια στις πρωτοβουλίες AI. Με χαρακτηριστικά όπως η κρυπτογράφηση από άκρο σε άκρο, η πλήρης καταγραφή και οι προεπισκοπήσεις δράσεων πρακτόρων, οι επιχειρήσεις μπορούν να αναπτύξουν με εμπιστοσύνη τα προγράμματά τους AI. Η πρόσφατη κυκλοφορία ενός καταλόγου ενοποιήσεων και εργαλείων γραμμής δεδομένων παρέχει απαραίτητο контέκστ για την προστασία ευαίσθητων δεδομένων από διαρροή κατά την είσοδο και έξοδο. Επιπλέον, η SnapLogic προσφέρει ικανότητες ενοποίησης σε σύγχρονα συστήματα με έναν composable τρόπο, οδηγώντας τους στόχους της επιχείρησης ενώ προσφέρει ευέλικτες λύσεις για την αντιμετώπιση προβλημάτων κόστους, συμμόρφωσης και συντήρησης.

Ποια είναι τα μοναδικά προκλήματα που έχετε αντιμετωπίσει στη SnapLogic στην ανάπτυξη προϊόντων που συνδέουν παλαιές και σύγχρονες υποδομές που ενοποιούνται με το AI;

 Μια μοναδική πρόκληση στη σύνδεση παλαιών και σύγχρονων υποδομών που ενοποιούνται με το AI ήταν η διασφάλιση ότι η πλατφόρμα της SnapLogic μπορεί να φιλοξενήσει τη σκληρότητα των παλαιότερων συστημάτων ενώ vẫn υποστηρίζει την ευελιξία και την κλιμακωσιμότητα που απαιτείται για τις εφαρμογές AI. Μια άλλη πρόκληση ήταν η δημιουργία μιας πλατφόρμας που είναι προσβάσιμη σε τεχνικούς και μη τεχνικούς χρήστες, απαιτώντας την ισορροπία της προηγμένης λειτουργικότητας με την ευκολία χρήσης.

Ως εταιρεία SAAS, η SnapLogic ισορροπεί τις μοναδικές και γενικές ανάγκες εκατοντάδων πελατών μας σε διάφορους κλάδους ενώ συνεχίζει να εξελίσσει την πλατφόρμα για την υιοθέτηση νέων και σύγχρονων τεχνολογιών με έναν ευέλικτο, υπεύθυνο και προς τα πίσω συμβατό τρόπο

Για να αντιμετωπίσουμε αυτό, αναπτύξαμε προκατασκευασμένες συνδέσεις που συνδέουν ομαλά δεδομένα σε παλιές και νέες πλατφόρμες. Με το SnapLogic AgentCreator, έχουμε επίσης ενεργοποιήσει τις οργανώσεις να αναπτύξουν πράκτορες AI που αυτοματοποιούν εργασίες, λαμβάνουν αποφάσεις σε πραγματικό χρόνο και προσαρμόζονται μέσα στις υπάρχουσες ροές εργασιών.

Μπορείτε να εξηγήσετε την “Γενετική Ενοποίηση” της SnapLogic και πώς επιτρέπει την ομαλή αυτοματοποίηση που οδηγείται από το AI σε περιβάλλοντα επιχείρησης;

Η Γενετική Ενοποίηση της SnapLogic είναι μια πρωτοποριακή λειτουργία της πλατφόρμας της SnapLogic που αξιοποιεί το γενετικό AI και τα μεγάλα μοντέλα γλωσσών (LLMs) για να ροηματοποιήσει και να αυτοματοποιήσει τη δημιουργία πιπών ενοποίησης και ροών εργασιών. Αυτή η καινοτόμος προσέγγιση επιτρέπει στις επιχειρήσεις να συνδέσουν ομαλά συστήματα, εφαρμογές και πηγές δεδομένων, διευκολύνοντας μια ομαλότερη μετάβαση σε περιβάλλοντα που οδηγούνται από το AI. Διερμηνεύοντας φυσικές γλωσσικές προτροπές, η Γενετική Ενοποίηση ενδυναμώνει ακόμη και μη τεχνικούς χρήστες να αναπτύξουν, να προσαρμόσουν και να αναπτύξουν ενοποιήσεις γρήγορα. Αυτή η δημοκρατία της ενοποίησης επιταχύνει την ψηφιακή μεταμόρφωση και μειώνει την εξάρτηση από εκτεταμένη εμπειρία κώδικα, επιτρέποντας στις επιχειρήσεις να εστιάσουν σε στρατηγικές πρωτοβουλίες και να βελτιώσουν την λειτουργική αποτελεσματικότητα.

Επιπλέον, η SnapLogic προσφέρει τεράστια ευελιξία επιτρέποντας στους πελάτες να χρησιμοποιήσουν οποιοδήποτε δημόσιο μοντέλο LLM που προσαρμόζεται στις συγκεκριμένες τους ανάγκες, διασφαλίζοντας ότι οι οργανώσεις μπορούν να αξιοποιήσουν τα καλύτερα εργαλεία που είναι διαθέσιμα ενώ διατηρούν ισχυρές προδιαγραφές διακυβέρνησης και συμμόρφωσης.

Ευχαριστούμε για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα πρέπει να επισκεφθούν SnapLogic.