Lakshmikant Gundavarapu, Tredencen Chief Innovation Officer – Haastattelusarja

Lakshmikant Gundavarapu on Tredencen Chief Innovation Officer. Yli kolmen vuosikymmenen IT-sektorin kokemuksella Lakshmikant on arvostettu asiantuntija AI-muutoksessa ja digitaalisessa innovaatioissa.

Entisenä Microsoft (MSFT ) Indian Global Head of Data & AI -johtajana Lakshmikantin johtajuus mahdollisti digitaalisen muutoksen yli 100:lle asiakkaalle 40 maassa. Microsoftilla Lakshmikant edisti avoimen lähdekoodin tietokantojen integrointia Azureen ja loi strategisia kumppanuuksia SaaS-ratkaisujen tarjoajien kanssa.

Lakshmikantilla on kyky kehittää asiakaslähtöisiä AI-ratkaisuja, ja hän on erinomainen strategisten kumppanuuksien luomisessa, jotka ajavat innovaatiota. Lakshmikant tuo mukanaan runsaasti kokemusta, teknistä asiantuntijuutta ja johtamistaitoja katalysoimaan AI-vetävien muutoksia, osoittaen vakiintuneen kyvyn kääntää nousussa olevat teknologiat konkreettisiksi liiketoimintaratkaisuiksi.

Tredence on data- ja AI-yritys, joka auttaa liiketoimia muuttamaan analytiikkaa kokeista todelliseen vaikutukseen. He toimivat eri aloilla, kuten vähittäiskaupassa, CPG, teknologiassa, rahoituksessa, terveydenhuollossa ja matkailussa, tarjoten palveluita data-insinööritöissä, AI/ML, generatiivisessa AI:ssa, toimitusketjuissa, asiakaskokemuksessa ja digitaalisessa modernisoinnissa. Heidän fokuksensa on yhdistää nopeus kiihdyttimien, syvän alan asiantuntemuksen ja vahvien kumppanuuksien kautta toimittamaan skaalautuvia, yrityksille valmiita ratkaisuja.

Millaiset kokemukset Microsoft Indian aikana muokkasivat visiota AI-vetävään yritysmuutokseen, joka nyt näkyy Tredencen strategiassa?

Microsoftin aikana minulla oli mahdollisuus työskennellä eri alojen yritysten kanssa, kuten ilmailu- ja kiinteistöalalla. On selvää, että AI voi luoda todellista vaikutusta, kun sillä on selkeä tarkoitus, se on tuettu luotettavalla datalla ja se on suunniteltu integroitumaan operatiiviseen päätöksentekoon.

Esimerkiksi:

• Suuri lentoyhtiö toteutti AI:n ennustamaan moottorivikojen, mikä mahdollisti ennaltaehkäisevän huollon ja paransi sekä turvallisuutta että tehokkuutta.
• Suuri kiinteistöalan yritys käytti AI:ta ennustamaan tärkeiden järjestelmien toimintaa, mikä johti aikaisemmin vähentyneisiin keskeytyksiin ja optimoitiin huoltosuunnitelmiin.

Nämä kokemukset opettivat minulle, että teknologia yksinään ei muuta yrityksiä. Se vaatii tarkoituksenmukaista suunnittelua, vahvaa data-perustaa ja mekanismeja, jotka kääntävät havainnot todelliseksi toiminnaksi. Tämä näkökulma ohjaa nyt Tredencen lähestymistapaa: Kehitämme AI-ratkaisuja, jotka ovat tarkoituksenmukaisia, dataohjattuja ja pystyvät toimittamaan mitattavia tuloksia koko yrityksessä.

Tredence on usein kuvattu ratkaisevan “viimeisen mailin” ongelman AI:ssa. Voitko jakaa esimerkkejä, joissa tämä nopeutti muutosta asiakkaille? 

Harkitse suurta kansainvälistä vähittäiskauppayritystä. Yhdistämällä fragmentoituneita tietoja transaktioista, asiakasohjelmista, toimitusketjun toiminnasta ja digitaalisista kosketuspinnoista, mahdollistimme AI-sovellukset, jotka ajativat liikevaihdon kasvua, asiakaspidätyksen, asiakaspolun mukauttamisen ja kysynnän ennustamisen. Käytimme näitä havaintoja operatiivisesti, muuttaen analytiikkaa konkreettisiksi liiketoimintatuloksi.

Vähittäiskaupan case-tutkimus: Tredence loi yhdistetyn mukauttamisjärjestelmän, joka tuotti 58 miljoonan dollarin liikevaihdon ja sulki 54%:n KPI-kuilun. Tämä meni asiakasnhavaintojen ulkopuolelle ja toimitti tuloksia tuottavan mukauttamisen laajassa mittakaavassa.

Biofarmaseuttisessa toimialassa tutkimuksen, kliinisen ja kaupallisen tietojen yhdistäminen mahdollisti AI:n optimoida kokeiden rekrytoinnin, parantaa tutkimussuunnittelmaa ja parantaa lääkärien sitoutumista, mikä nopeutti markkinoille tulon ja lisäsi liikevaihtaa.

Toimialojen yli, pankkien petosilmoituksista tuotannon ennaltaehkäisevään huoltoon, opetus on sama: AI toimittaa arvoa vain, kun se ajaa päätöksiä, jotka ovat merkittäviä liiketoiminnalle.

Pankkien case-tutkimus: Tredence käytti GenAI AML (anti-rahapelirikos) -apureita, jotka eivät vain tuottaneet havaintoja epäilyttävistä toiminnasta, vaan myös integroivat päivittäiseen toimintaan, mikä lisäsi tapausten käsittelynopeutta 120%:lla ja leikkasi virheelliset positiiviset 15%:lla. Tämä osoittaa kääntämisen AI-havainnoista operatiiviseen tehokkuuteen.

Yritykset usein kamppailevat siirtymisessä AI-kokeista tuotantoon laajassa mittakaavassa. Mitkä ovat suurimmat esteet, ja miten Tredence auttaa niiden ylittämisessä?

Monet AI-aloitukset jäävät jumiin, koska ne eivät ole suunniteltu selkeään liiketoimintatulokseen, vaikka ne olisivat teknisesti vahvoja. Avainhaasteita ovat:

1. Tarkoituksenmukaisen suunnittelun aukot: Havainnot saattavat olla mielenkiintoisia, mutta eivät ratkaise mitattavia liiketoimintongelmia.
2. Datapuutteet: Fragmentoituneet tai heikkolaatuiset tiedot estävät luotettavan skaalautuvuuden.
3. Operatiiviset haasteet: Ilman automaattista käyttöönottoa, seurantaa, uudelleenharjoittelua ja hallintaa, mallit pysyvät kokeellisina.

Tredencessä haastamme nämä haasteet:

• Tulokseen perustuva suunnittelu, joka takaa, että jokainen AI-aloitus liittyy suoraan mitattaviin liiketoimintatuloksiin.
• Vakaa data-perusta, joka konsolidoi ja rikastaa tietoja luotettavan mallin suorituskyvyn vuoksi.
• Tuotantovalmiit operatiiviset kehykset, mukaan lukien automaattinen käyttöönotto, seuranta ja uudelleenharjoittelu, jotta voidaan ylläpitää tarkkuutta, kestävyyttä ja vaatimustenmukaisuutta.

Tämä lähestymistapa mahdollistaa yrityksille siirtymisen kokeilusta laajamittaiseen AI:hin, joka toimittaa jatkuvasti liiketoimintavaikutusta.

Viimeksi ilmoitit Milky Way -konstellaation autonomisista AI-agenteista. Mikä innoitti sen suunnittelua, ja miten se eroaa perinteisistä AI-avustajista?

Milky Way syntyi toteamuksen, että yrityksillä on enemmän kuin pelkät dashboardit tai chatbotit. He tarvitsevat päättelykehikon, joka voi kuluttaa, tulkita ja yhdistää monimuotoinen data luomaan toimintavalmiita tietoja.

Toisin kuin perinteiset avustajat, Milky Way -agentit:

• Päättävät eri tietolähteiden yli, yhdistäen havainnot eikä vain vastaten kysymyksiin.
• Analyyttisesti monimutkaisia, moniulotteisia ongelmia, siltaa tietoa työnkulun yli.
• Toimittavat toimintavalmiita tietoja, muuttaen havainnot päätöksiin tai automaattisiin toimiin.

Lyhyesti sanottuna, Milky Way muuttaa AI:ta päättelyagenttien verkostoksi, joka pystyy käsittelemään monimuotoisuutta ja ajamaan todellisia liiketoimintatuloksia, eikä korvaa perusvälineitä.

Varhaiset Milky Way -käyttöönotot toimittivat nopeasti tuloksia. Mitkä tekijät mahdollistivat nämä voitot?

Kolme tekijää tekivät eron:

1. Upottaminen paikkoihin, joissa päätökset tehdään, tehdessä suositukset välittömästi toimintavalmiiksi.
2. Eteenpäin suuntautuva älykkyys, muuttaen havainnot proaktiivisiksi päätöksiksi eikä retrospektiiviseksi analyysiksi.
3. Turvalliset, hallinnoitavat alustat, jotka mahdollistavat yritysten laajamittaisen AI:n ylläpitäen samalla vaatimustenmukaisuutta ja hallintaa.

Tämä yhdistelmä toimittaa konkreettisia liiketoimintatuloksia viikoissa eikä kuukausissa.

Milky Way priorisoi selittämisen, tarkastettavuuden ja päättelyreitit. Kuinka kriittinen tämä on yritysten luottamukselle?

Luottamus on perustavanlaatuinen yritysten AI:ssa. Milky Way takaa:

• Avoin perustelu jokaiselle suositukseen.
• Tarkastusjäljet, jotka dokumentoivat kaikki syötöt, tulosteen ja toiminnot.
• Jatkuva vastustuskykyinen testaus, jotta voidaan varmistaa kestävyys ja luotettavuus.

Tämä läpinäkyvyys ja vastuu erottaa Milky Wayn läpinäkymättömistä, mustan laatikon järjestelmistä, luoden yritysten luottamusta omaksumisessa.

Miten tämä siirtymä työkaluista AI-tiimikumppaneihin vaikuttaa organisaatioihin ja päätöksentekoon?

AI-tiimikumppanit muuttavat, miten organisaatiot toimivat:

• Johtajat ottavat kaksoisroolit, johtaen sekä ihmisiä että AI-agenteja.
• Päätökset muuttuvat yhteistyöllisiksi, agenttien käsitellessä päättelyä ja ihmisten tarjoilevan kontekstin ja eettisen valvonnan.
• Operatiiviset rakenteet kehittyvät integroidakseen AI:n päivittäiseen päätöksentekoon, parantaen nopeutta, johdonmukaisuutta ja tulosten laatua.

Vuoteen 2028 mennessä kolmasosa liiketoimintapäätöksistä voidaan tehdä autonomisesti. Mitä organisaatioiden on muutettava turvallisuuden varmistamiseksi?

 Jotta voidaan turvallisesti käyttää autonomista AI:ta, organisaatioiden on toteutettava käytännön toimenpiteitä kulttuurissa, toiminnassa ja hallinnossa:

Kulttuuri – Rakenna luottamusta AI:hen:

• Aloita ihmisten osallistumisella päätöksentekoon ja lisää autonomiaa asteittain.
• Kouluta tiimejä ymmärtämään, vahvistamaan ja puuttumaan AI-suositusten toimintaan.

Toiminta – Käytä seurantaa ja riskien hallintaa:

• Jatka seuraamista AI-päätöksistä tarkkuuden, puolueettomuuden ja vaatimustenmukaisuuden vuoksi.
• Suorita vastustuskykyisiä simulaatioita haavoittuvuuksien tunnistamiseksi.
• Ylläpidä palautusilmoja parantamaan AI-malleja ihmisten korjauksista.

Hallinto – Aseta rajoja ja eskalaatioreitit:

• Määritä, mitkä päätökset voidaan täysin automatisoida ja mitkä vaativat valvontaa.
• Takaa tarkastettavuus ja jäljittäminen kaikille AI-vetävillä toimille.
• Luo varatoimenpiteet puuttumaan epämuodostumiin tai riskeihin.

Nämä toimenpiteet mahdollistavat organisaatioiden turvallisen autonomisen päätöksenteon skaalautumisen, ylläpitäen samalla hallintaa, vastuuvelvollisuutta ja vaatimustenmukaisuutta.

Mikä on Tredencen tiekartta Milky Waylle?

Tiekarttamme sisältää:

1. Toimialakohtaisia agenteja vähittäiskauppaan, terveydenhuoltoon, valmistukseen ja rahoituspalveluihin.
2. Syvempiä integraatioita ERP-, CRM- ja toimitusketjun järjestelmiin helppokäyttöisyyden vuoksi.
3. Jatkuva oppiminen ja päättely, jotta agentit voivat parantaa älykkyyttään ja asiayhteyden ymmärtämistään ajan myötä.

Visio on yhteistyössä toimivien agenttien ekosysteemi, jonka yritykset voivat koota, hallita ja luottaa.

Miten C-suiten johtajien tulisi valmistautua AI:n ottamaan strategisiin päätöksentekorooliin?

AI-omaksuminen on kypsyysmatka:

• Aloita ihmisten osallistumisella avustajina, edistä puolivaltainen työnkulkuun ja lopulta salli täysi autonomia hallinnoissa domeeneissa.
• Investoi AI-osaamiseen, jotta tiimit voivat tehdä yhteistyötä AI-järjestelmien kanssa.
• Uudelleenarvioi KPI:t, hallintorakenteet ja operatiiviset rakenteet keskittyäksesi päätösten laatuun ja liiketoimintavaikutukseen, eikä vain mallin suorituskykyyn.

Lopulta, AI-omaksuminen ei ole pelkästään teknologinen aloite; se on johtajuuden, kulttuurin ja operatiivisen päätöksenteon muutos.

Kiitos hienosta haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Tredencessä.