Gautam Singh, WNS Analyticsin globaali liiketoimintayksikön johtaja, Data ja AI – Haastattelusarja

Gautam Singh on WNS Analyticsin liiketoimintayksikön johtaja ja The Smart Cuben perustaja ja toimitusjohtaja, joka on WNS:n tytäryhtiö. Hän vietti 20 vuotta perustamassa ja kasvattamassa The Smart Cubea (tutkimus- ja analytiikkajohtajaa) ennen kuin se myytiin WNS:lle. Aikaisemmin hän työskenteli 10 vuotta johtamiskonsultoinnissa ja venture capital -toiminnassa Euroopassa ja Yhdysvalloissa. Gautam on toiminut useissa tehtävissä, mukaan lukien Coven Partners (Lontoo), A.T. Kearney (Lontoo), Mitsubishi Motors (Intia) ja Cummins Engines (Yhdysvallat). Hänellä on MBA-tutkinto Michiganin yliopistosta, Ann Arbor, Yhdysvallat ja alempi tutkinto mekaniikasta IIT Bombaysta, Intiasta.

WNS Analytics auttaa yrityksiä muuttamaan datansa strategiseksi arvoksi “päätöksenteon älykkyyden” kautta – yhdistämällä vahvan data-infrastruktuurin, AI/GenAI/agentic-AI-tekniikat ja toimialakohtaisen asiantuntemuksen. He tarjoavat palveluja useilla aloilla, mukaan lukien vakuutus, pankki- ja rahoituspalvelut, vähittäiskauppa, CPG, valmistus, terveydenhuolto, energia ja logistiikka. Heidän kykynsä kattavat data-insinöörit, hallinto, kuvaileva ja ennustava analytiikka, AI/ML-työkalut ja visualisointi – kaikki on suunniteltu mahdollistamaan nopeammat, luotettavammat päätökset ja jatkuva innovaatio.

Mistä sinä löysit motivaation siirtymiseen konsultoinnista yrittäjyyteen ja myöhemmin johtamaan globaalia data-analytiikka- ja AI-liiketoimintaa?

Vietin kymmenen vuotta konsulttina ja näin selvän markkinarakon: yritykset istuivat vuorilla dataa, mutta eivät saaneet irti sen täyttä arvoa. Vuonna 2003 analytiikka oli vielä perusluontoista – työskentelimme Excel-taulukoilla.

Päätös jättää yritysmaailma tuli itseuskosta. Näin mahdollisuuden auttaa organisaatioita todella hyödyntämään heidän dataansa, joten perustin The Smart Cuben tämän visoin.

Kahdenkymmenen vuoden jälkeen The Smart Cuben rakentamisesta, liittyminen WNS:ään ei ollut poistuminen, vaan evoluutio. Olen välittänyt yrittäjämäisen ajattelutavan, mutta nyt paljon suuremmilla resursseilla ja ulottuvuudella. Tämä mahdollistaa ongelmien ratkaisemisen mittakaavassa, jota en voi koskaan toimittaa pienemmässä liiketoiminnassa. Tärkeintä on, että olen tunnistanut datan ja analytiikan upottamisen ydintoimintoihin, eikä niiden käsittelyn erillisinä interventioina. Tämä vaivaton integraatio toimialakohtaista asiantuntemusta ja prosessien muodonmuutosta on keskeistä WNS:n DNA:ssa – ja se motivoi minua olla hankittavaksi ja nyt johtamaan tätä liiketoimintayksikköä WNS:llä.

Kuinka sinä olet nähnyt datan ja AI:n roolin kehittyvän rahoituspalveluissa – varhaisesta omaksumisesta nykyiseen laajamittaiseen, yrityskohtaiseen integraatioon?

1990-luvun lopulla analytiikka tarkoitti historiallisten tietojen tarkastelua ja tilastollisten ennusteiden tekemistä. Muutos on ollut merkittävä.

2000-luvun alussa digitaalinen muutos ja edistyneemmät ennustemallit tulivat käyttöön. Vuoteen 2010 mennessä reaaliaikaiset kaupankäyntianalytiikat olivat standardiksi. Melkein kymmenen vuotta sitten konepohjainen oppiminen alkoi ajaa oikeaa muutosta, ja viimeaikaisemmin generatiivinen tekoäly (Gen AI) on ottanut keskeisen aseman.

Nykyään rahoituslaitokset käsittävät datan strategiseksi varantojen. Kysymys on siirtynyt “voimmeko käyttää AI:ta?” “miten upotamme AI:n jokaiseen päätökseen?”

Vaikutus on konkreettinen: asiakkaan rekisteröinti, joka aiemmin kesti päiviä, on nyt valmis tunneissa AI-pohjaisen verifioinnin ansiosta. Luottoriskiarviot arvioivat satoja reaaliaikaisia tietopisteitä perinteisten luottotietojen lisäksi. Riskilaskelmat, jotka vaativat aiemmin yön yli kestävän batch-ajon, ovat nyt välittömiä. Ja petosilmoitus ei enää reagoi vasta tapahtuneeseen – se estää epäilyttävän toiminnan reaaliajassa.

Miten eturajat taipuvat yritykset käyttävät AI-vetoinen datajärviä ja hallintorakenteita parantamaan päätöksentekoa, noudattamista ja avoimuutta rahoitusoperaatioissa?

Rakentaminen monoliittisia tietovarastoja ja toiveikkuus siitä, että siitä saadaan irti oivalluksia, ei enää toimi. Laitokset tarvitsevat älykkäitä tietoympäristöjä.

Rahoituspalvelut kohtaavat ainutlaatuisen haasteen: ne ovat asiakaspalveluja, käsittelevät erittäin arkaluontoisia tietoja ja tarjoavat silti personoinnin ja reaaliaikaisen vastaanoton. Tämä vaatii modulaarisia tietojärviä, jotka perustuvat joustaviin kehyksiin.

Näiden arkkitehtuurien puitteissa organisaatiot luovat erikoistuneita tietolampia hinta-analytiikkaa, riskiarviointia ja sääntelyn mukaista raportointia varten. Jokainen lampi toimii itsenäisesti ja syöttää arvoa laajempaan ekosysteemiin, tarjoten välittömän arvon ja säilyttäen turvallisuusrajoitukset.

Zero ETL -trendi on erityisen relevantti tässä, koska se poistaa monimutkaiset tietojen siirtoprosessit mahdollistamalla suoran kyselyiden tekemisen järjestelmien välillä. Tämä mahdollistaa AI:n pääsyn ja analysoinnin tietoja reaaliajassa ilman tietojen siirtämistä, vähentäen viivettä ja säilyttäen hallinnon.

AI-agentit kehittyvät myös poikkeamien havaitsemisen ulkopuolelle. Ne eivät ainoastaan merkitse epäilyttäviä transaktioita, vaan myös suosittelevat toimia ja toteuttavat vastauksia hallinnon puitteissa. Sääntelyn osalta AI seuraa jatkuvasti transaktioita, luo raportteja ja tunnistaa ongelmat ennen kuin sääntelijät.

Synteettinen data on usein mainittu turvalliseksi tavaksi kouluttaa AI-malleja ilman arkaluontoisen tiedon paljastamista. Voitko jakaa esimerkkejä siitä, miten synteettinen data sovelletaan tehokkaasti petosilmiennossa, riskianalytiikassa ja mallin validoinnissa?

WNS Analyticsissa käytämme edistynyttä synteettistä dataa luomaan korkealaatuisia, yksityisyydensuojaa noudattavia tietoja, joilla nopeutetaan AI-mallien koulutusta, erityisesti datasta vailla olevilla aloilla. Meidän synteettiset tietokannat jäljittelevät todellisen maailman skenaarioita ja heijastelevat samoja tilastollisia kuvioita, käyttäytymistä ja korrelaatioita kuin todelliset rahoitusdatat – transaktiovirrat, petostrendit, asiakas käyttäytyminen – ilman arkaluontoisen henkilökohtaisen tunnistetiedon (PII) tai asiakastiedon paljastamista.

Tämä kyky on muuttamassa rahoituspalveluja laajasti alueilla, kuten riskianalytiikassa, petosilmiennossa, luottoluokituksessa, stressitestauksessa ja sääntelymallinnuksessa. Nämä synteettiset tietokannat mahdollistavat organisaatioiden nopean AI-ratkaisujen kehittämisen samalla, kun varmistetaan tietojen yksityisyyden ja sääntelyn turvallisuus.

Erityisen innovatiivinen sovellus liittyy PII-maskattujen tietojen käyttöön lookalike-mallien luomiseen. Tämä mahdollistaa yrityksille kohdennettujen tarjousten esittämisen kuluttajille, mahdollistaen personoinnin markkinoinnin samalla, kun yksityisyys säilytetään.

Mitä ovat eniten muodonmuutoksellisia käyttötarkoituksia, joita olet nähnyt älykkään automaation ja AI-välineiden käytössä rahoituspalveluissa, ja miten ne parantavat toiminnallista kestävyyttä ja suorituskykyä?

Älykäs automaatio, joka hyödyntää AI-välineitä, kiihdyttää yritysprosesseja, mahdollistaen organisaatioiden suorittaa toimintojaan sujuvammin ja tehdä nopeampia, perustellumpia päätöksiä. Nämä agentit yhdistävät automaation edistyneeseen päättelyyn, tarjoten kestävyyttä, skaalautuvuutta ja suorituskyvyn parantamista.

WNS Analyticsissa sovellemme GAIN-kehystä (omaa kehystä Agentic AI -toteutukseen) arvioidaksemme oikeat autonomian tasot agentic AI:lle. Tarjoamme myös uudelleenkäytettäviä, mikropalvelupohjaisia komponentteja hyperspesifisille agenteille AI Utilities Hub -palvelun kautta.

Vakuutusala on muuttunut useissa prosesseissa agentic AI:n kautta. Moottorivahinkojen subrogationissa Gen AI -pohjainen kolmannen osapuolen korvauspaljastus on saavuttanut 85 %:n tarkin, kaksinkertaistanut korvausmäärät ja parantanut vuosittaisia korvauksia noin 49 %:lla – avaamalla miljoonia mahdollisuuksia, jotka aiemmin ohitettiin.

Vakuutusala on saanut apua agentic AI -pohjaisesta tutkimusavustajasta, joka käyttää useita erikoistuneita agenteja monimutkaisten kysymysten purkamiseen, tietojen hakemiseen useista lähteistä ja oivallusten luomiseen 99 %:n tarkin, vähentäen käyttöaikaa 85 %:lla.

Johtavalle pankille Gen AI -ratkaisu leikkasi vahingollisen median seulonnan ajan 60 %:lla ja vähensi virheellisiä positiivisia 12-15 %:lla.

Meillä on myös Gen AI -pohjainen tietohallintoratkaisu, joka on suunniteltu vaakasuoraan alustaksi, jotta voidaan määritellä, miten yritykset hakevat, päättävät ja kontekstualisoivat laajoja epäjärjestäytyneitä tietoja. Tarjoamalla tarkat, sääntelyn mukaiset ja johdonmukaiset oivallukset reaaliajassa, se parantaa päätöksentekoa, tehostaa tehokkuutta ja vahvistaa toiminnallista kestävyyttä useilla aloilla.

Nämä ratkaisut täydentävät inhimillistä arviointia, luoden nopeammat ja tarkemmat järjestelmät.

Mitä ovat suurimmat esteet – tekniset, kulttuuriset tai strategiset – yrityksille, jotka pyrkivät laajentamaan AI-aloitteita, ja miten johtajat voivat voittaa nämä esteet?

Yritysten suurin este AI:n laajentamisessa ei ole teknologia – se on organisaation valmius.

Ensinnäkin, data on silottunut perinteisten järjestelmien ympärille. Täydellinen korvaaminen ei aina ole käytännöllistä; sen sijaan fokus on rakentaa älykkäitä siltoja. WNS:llä olemme luoneet “siltojen tiimien”, jotka parittavat perinteisten järjestelmien ylläpitäjiä pilvi-insinöörien kanssa, kiihdyttäen toteutusta samalla, kun säilytään kriittisiä liiketoimintasääntöjä.

Toiseksi, taitojen aukko. Yrityksillä on oltava oikea sekoitus toimialan asiantuntijoita, data-insinöörejä, data-tutkijoita ja kääntäjiä, jotka voivat yhdistää tekniset oivallukset liiketoimintaa arvoon.

Kolmanneksi, teknologisen muutoksen vauhti. WNS AI Lab mahdollistaa organisaatioiden kokeilla uusia teknologioita ja rakentaa konseptin todistamista ennen täydellisen toteutuksen sitoutumista.

Kulttuurin osalta menestys riippuu tehokkaasta muutoksen hallinnasta. Suunnittelemme kehyksiä, jotka auttavat työntekijöitä näkemään AI:n lisäyksenä, ei korvaavana. AI-neuvoston perustaminen on myös viisas siirto, tarjoten hallinnon, ristifunktionaalisen linjauksen ja jäsennellyn polun siirtymiseen koekäytöistä yrityskohtaiseen mittakaavaan.

Miten rahoituslaitokset voivat löytää oikean tasapainon innovaation ja vastuullisen AI-hallinnon välillä?

Innovaatio ja vastuu eivät ole vastakkaisia valintoja – vastuu on rakennettava innovaatioon alusta alkaen.

Rahoituslaitoksilla on oltava vahvat AI-hallintorakenteet. WNS:llä toteutamme kehyksiä, jotka varmistavat, että AI on kehitetty vastuullisesti, eettisesti ja turvallisesti. Lähestymistapaamme sisältyy tasapuolisuuden, reiluuden, mukautettavien KPI:iden ja mallin siirtymisen seuranta. Tämä luo luottamusta, ei ainoastaan sääntelyn noudattamista.

Avoimuus on erityisen tärkeää rahoituspalveluissa. Jos AI hylkää lainan, hakijat ansaitsevat selkeät ja ymmärrettävät selitykset.

Lopulta, vastuullinen AI on kilpailuetu. Pankit, jotka osoittavat reiluutta, avoimuutta ja turvallisuutta AI-järjestelmissään, ansaitsevat asiakastiedon. Ne, jotka käsittävät hallinnon jälkikäteen, riskivät sääntelyrangaistukset ja mainevahingot, jotka ovat paljon vaikeampia korjata.

Seuraavien 3-5 vuoden aikana, mitkä nousevat AI-kyvyt tai datastrategiat ovat vaikuttamassa siihen, miten rahoitusorganisaatiot toimivat?

Kolme kehitystä muuttaa rahoituspalveluja seuraavien kolmen viiden vuoden aikana.

Ensinnäkin, agentic AI siirtyy kokeellisesta välttämättömään. Automaattiset AI-agentit suorittavat monimutkaisia prosesseja ja orkestroivat kokonaisia osastoja ihmisten rinnalla.

Toiseksi, jatkuva oppimisen järjestelmät tulevat olemaan standardi. AI sopeutuu jokaisesta vuorovaikutuksesta, mahdollistaen aidosti personoidun rahoituspalvelun, joka kehittyy asiakkaan muuttuvien tarpeiden mukaan.

Kolmanneksi, näemme voimakkaan teknologisen yhdistymisen: kvanttilaskennan edistyneille riskilaskelmille, blockchainin avoimille AI-päätöksien lokille ja reunan laskennalle paikallisten päätösten nopeuttamiseksi. Nämä teknologiat yhdessä avaavat kokonaan uusia rahoituspalvelujen muotoja, joita emme vielä osaa kuvitella.

Mitä ohjaavia periaatteita ovat auttaneet sinua tekemään päätöksiä ja johtamaan joukkueita muutoksen kautta?

Kolme periaatetta ohjaavat minua.

Ensinnäkin, kestävyys täydellisyyden sijaan. Kun aloimme The Smart Cuben, meillä ei ollut kaikkia vastauksia. Me teimme virheitä, sopeutuimme ja jatkoimme eteenpäin. Kestävyys sopeutumisen kanssa on ollut olennainen.

Toiseksi, rakenna kestävää arvoa, älä nopeita poistumisia. Liiketoimintakoulun professori neuvoi minulle – vuosia sen jälkeen, kun olin perustanut The Smart Cuben – “Älä keskity poistumiseen. Keskity rakentamaan menestyvää liiketoimintaa, joka kestää.” Tämä pitkän aikavälin ajattelu on muovannut jokaisen päätökseni.

Kolmanneksi, nauti siitä, mitä teet. Olen aina uskonut, että jos en nauti siitä, mitä teen, siirryn jotain muuta. 30 vuoden jälkeen herään edelleen innoissaan, ja se into himmentää joukkueita muutoksen kautta.

Johtaminen WNS:n kautta vahvisti toisen totuuden: muutos onnistuu, kun otat ihmiset mukaan. Tekninen integraatio on suoraviivaista; kulttuurinen integraatio – yhteisen vision rakentaminen – on siellä, missä todellinen johtajuus on merkityksellistä.

Mitä taitoja, asenteita tai kokemuksia sinä ajattelet olevan tärkeimpiä ammattilaisille, jotka haluavat muotoilla AI:n tulevaisuutta rahoituksessa?

Tulevaisuus kuuluu niille, jotka voivat yhdistää maailmoja. Pelkät tekniset taidot tai toimialatietämys eivät riitä.

Ensinnäkin, kehitä järjestelmäajattelua. Aloita markkinatarpeesta – selvästä käyttötarkoituksesta – ja työskentele taaksepäin. AI rahoituksessa vaatii ymmärtämistä, miten kaikki liittyy toisiinsa: miten riskimallien muutos vaikuttaa asiakaskokemukseen tai miten automaatio avaa uusia mahdollisuuksia.

Toiseksi, kasvata kurinalaista käytännöllisyyttä idealismin sijaan. Ole innoissasi uusista teknologioista, mutta tarkka arvioi niiden arviointi. Kaikki ongelmat eivät vaadi AI:ta – toisinaan yksinkertainen analyysi tai jopa taulukot voivat tehdä työn.

Kolmanneksi, rakenna käännöstaitoja. Tämä on olennainen. Pystyminen selittämään monimutkaisia AI-käsitteitä hallitukselle ja kääntämään liiketoimintavaatimuksia data-tutkijoille on arvokasta. Vahvimmat AI-johtajat yhdistävät teknologian liiketoimintastrategiaan.

Lopulta, omaksu jatkuva oppiminen. Työkalut, jotka olivat viiden vuoden takaiset, ovat jo vanhentuneita. Pysymällä uteliaana, nöyhtyneenä ja sitoutuneena oppimiseen avaat ovia mahdollisuuksiin, joita emme vielä osaa kuvitella AI:n ja rahoituksen risteyksessä.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla WNS Analytics -sivustolla.