Dr. Pandurang Kamat, Directeur des technologies, Persistent Systems – Série d’entretiens

Le Dr Pandurang Kamat est le directeur des technologies de Persistent Systems (PERSISTENT.BO ), il est responsable de la recherche en technologie avancée axée sur la libération de la valeur commerciale grâce à l’innovation à grande échelle. Il s’agit d’un dirigeant technologique expérimenté qui aide les clients à améliorer l’expérience utilisateur, à optimiser les processus commerciaux et à créer de nouveaux produits numériques. Sa vision pour Persistent est d’être une puissance d’innovation qui ancre un écosystème d’innovation global et diversifié, composé d’universités et de start-ups.

Pandurang a rejoint Persistent en 2012. Avant Persistent, il était le directeur de l’analyse pour les entreprises de recherche et de contenu d’Ask.com, où il a dirigé une équipe mondiale pour gérer la plate-forme d’analyse d’Ask. Auparavant, il a aidé à créer des produits de communication sécurisés et des produits de médias numériques chez Bell Labs et HP Labs, ainsi qu’une plate-forme de recherche sans fil primée à l’Université Rutgers.

Persistent Systems est un partenaire de confiance en ingénierie numérique et en modernisation d’entreprise pour les leaders du marché mondial dans les différents secteurs.

Qu’est-ce qui vous a initialement attiré vers l’informatique et la génie informatique ?

Mon intérêt pour l’informatique et la génie informatique a été suscité lors d’un cours d’été à l’école. L’apprentissage de la programmation et la création de jeux informatiques m’ont introduit à la logique structurée qui sous-tend ces domaines. J’ai été captivé par la capacité de décomposer des problèmes complexes et de les résoudre de manière systématique. Ce qui m’a vraiment attiré, c’est l’immense levier que les programmes bien conçus offrent. Ils peuvent automatiser les tâches, optimiser les processus et permettre à des individus ou à de petites équipes d’accomplir des exploits remarquables. Ce mélange de créativité, de résolution de problèmes et de potentiel de transformation continue de m’inspirer. Depuis ces premières expériences jusqu’à mon parcours actuel, je reste passionné par les possibilités infinies que la technologie présente. L’informatique et la génie informatique ne façonnent pas seulement l’avenir, mais offrent également des voies pour l’innovation et le progrès qui me poussent à avancer.

La majeure partie de l’activité de Persistent Systems provient de la création de logiciels pour les entreprises, comment l’avènement de l’intelligence artificielle générative a-t-il transformé la façon dont votre équipe opère ?

L’avènement de l’intelligence artificielle générative (GenAI) a transformé la façon dont notre équipe opère chez Persistent, en particulier dans le développement de logiciels pour les entreprises. Cette perturbation dans l’industrie des technologies de l’information ne présente pas seulement des défis, mais également des opportunités significatives pour réimaginer les opérations commerciales de manière holistique.

En tant qu’entreprise d’ingénierie numérique alimentée par l’IA, Persistent a adopté la GenAI pour révolutionner divers aspects du cycle de vie de la génie logicielle. Au cours de la dernière année, nous avons développé des outils et des suites qui redéfinissent complètement des processus tels que la génération de code, la génération de cas de test et la migration de rapports. Dans les projets de modernisation du patrimoine, notre approche a évolué de manière significative. Nous utilisons désormais des outils pour rationaliser les processus de prise en charge du code, atténuer les risques de projet et accélérer l’intégration de nouveaux membres d’équipe en leur fournissant une compréhension plus approfondie des bases de code complexes. De plus, notre collaboration avec les domaines d’industrie nous permet de fournir des solutions personnalisées en tirant parti des données d’entreprise. En développant des assistants numériques capables de comprendre le langage commercial et de fournir des références pertinentes, nous améliorons l’efficacité opérationnelle et la prise de décision au sein des entreprises. Ces assistants respectent les principes d’IA responsable, garantissant la transparence, la responsabilité, la sécurité et la confidentialité tout en améliorant continuellement leur précision et leurs performances grâce à l’évaluation automatisée de la sortie du modèle.

Quels sont les défis de la modernisation complète des systèmes hérités à l’aide de l’intelligence artificielle générative ?

La GenAI est un outil puissant, mais ce n’est pas une solution miracle pour la modernisation complète des systèmes hérités. Les organisations de tous les secteurs doivent adopter une approche combinée, exploitant l’expertise humaine et les capacités de l’IA. Bien que la GenAI offre un potentiel considérable pour la modernisation, elle a ses limites. Les défis clés incluent :

• Compréhension limitée des systèmes hérités : les modèles de GenAI nécessitent une compréhension approfondie des systèmes existants pour fonctionner efficacement. Les systèmes hérités manquent souvent d’une documentation complète, entravant la capacité de l’IA à saisir leurs interdépendances de manière efficace.
• Qualité et biais des données : la qualité et la représentativité des données utilisées pour former le modèle d’IA ont un impact significatif sur sa sortie. Les limitations des données de formation peuvent se refléter dans le code généré, introduisant potentiellement de nouveaux problèmes.
• Assurer la qualité et la sécurité : bien que la GenAI puisse automatiser la génération de code, la sortie nécessite des tests et des vérifications rigoureux pour répondre aux normes de qualité, aux exigences fonctionnelles et aux normes de sécurité.
• Portée limitée de la modernisation : la GenAI peut ne pas être adaptée à une refonte complète des systèmes. Elle peut exceller dans des tâches spécifiques comme la réorganisation du code ou la génération de cas de test, mais les changements architecturaux complexes nécessitent toujours une intervention manuelle.
• Gestion du changement et alignement des parties prenantes : la gestion du changement organisationnel et l’obtention de l’adhésion des parties prenantes sont des facteurs critiques pour déterminer le succès de la modernisation des systèmes hérités à l’aide de la GenAI. Une communication claire, des programmes de formation et des initiatives d’engagement des parties prenantes peuvent aider à résoudre la résistance au changement et à faciliter des transitions en douceur.

L’un des défis de l’intelligence artificielle générative est la cohérence, comment Persistent Systems aide-t-il à construire une expérience utilisateur cohérente ?

La cohérence est un élément de la fourniture d’une expérience utilisateur globale de niveau entreprise et sécurisée alimentée par la GenAI. Nous considérons le processus de manière holistique.

Nous offrons un soutien complet à toutes les étapes de l’adoption de la GenAI. Nos conseils stratégiques et nos analyses de cas d’utilisation méticuleuses aident les organisations à sélectionner les modèles de base (FMs) les plus adaptés à leurs besoins spécifiques. À travers un examen détaillé et une consultation, nous aidons les clients à définir des cas d’utilisation clairs et à faire des choix éclairés de FMs.

Ensuite, nous nous concentrons sur plusieurs approches, telles que le promptage à quelques exemples ou même le réglage fin, pour nous assurer que les modèles utilisés dans les applications sont adaptés au cas d’utilisation et aux données d’entreprise.

Nos solutions n’utilisent pas seulement les techniques RAG standard, mais vont également plus loin dans les stratégies de promptage et de découpage de données pour garantir que les données les plus pertinentes sont récupérées et fournies au FM pendant l’inférence. Nous améliorons encore la précision et la pertinence de ce contexte en utilisant des graphiques de connaissances avancés pour capturer les relations cachées au sein des données d’entreprise.

Nous employons également plusieurs techniques d’ancrage et de garde-fous pour limiter et concentrer la portée de l’inférence.

Enfin, nous soumettons l’application à un cadre d’évaluation rigoureux et automatisé qui garantit la cohérence de l’inférence et de l’expérience, version après version.

Pouvez-vous fournir des exemples concrets où les solutions alimentées par la GenAI ont révolutionné avec succès les interactions client ?

Persistent a transformé les interactions client pour un fournisseur de solutions logicielles de premier plan à l’aide de solutions alimentées par la GenAI. Face à des défis de scalabilité pendant les périodes de pointe, l’entreprise a mis en œuvre un référentiel de connaissances central et un BOT d’équipe de conversation AI. Cela a rationalisé l’accès à l’information, entraînant une réduction de 80 % du temps de résolution des requêtes client. La qualité des réponses s’est également améliorée de manière significative, ce qui a conduit à une satisfaction client accrue.

Nous avons également aidé une société de capital-investissement en exploitant la GenAI pour automatiser la création de rapports d’investissement détaillés. Avec le système alimenté par la GenAI, le temps nécessaire pour générer les rapports a été réduit de 90 %. Cette approche rationalisée a révolutionné les opérations de la société, facilitant une prise de décision rapide et efficace. L’efficacité n’a pas seulement économisé un temps précieux, mais a également favorisé une collaboration accrue entre les parties prenantes et a assuré une touche personnalisée dans chaque note, améliorant ainsi l’efficacité globale.

Comment abordez-vous l’innovation de la GenAI responsable ?

<p Notre approche de l'innovation de la GenAI responsable donne la priorité aux pratiques éthiques et au respect des réglementations tout au long des processus de développement et de mise en œuvre. Nous mettons l'accent sur la transparence, la responsabilité et l'équité dans la prise de décision alimentée par l'IA.

Nous établissons des lignes directrices éthiques robustes qui régissent le développement, le déploiement et l’utilisation des systèmes de GenAI. Dans notre quête d’une innovation de GenAI responsable, nous testons et validons rigoureusement nos systèmes pour atténuer les risques potentiels tels que les biais, les informations erronées et les problèmes de confidentialité.

En outre, nous donnons la priorité à la transparence et à la responsabilité dans les processus de prise de décision alimentés par l’IA en fournissant aux utilisateurs des informations claires sur le fonctionnement du système. En fin de compte, notre approche vise à développer et à déployer des systèmes de GenAI qui favorisent l’innovation et l’efficacité tout en contribuant positivement à la société.

Quelle est votre vision pour l’avenir de l’IA ?

Ma vision pour l’avenir de l’IA est multifacette. Tout d’abord, dans l’ingénierie numérique, je vois l’IA non seulement comme un assistant de codage, mais également comme un partenaire collaboratif, similaire à un “pair programmer”. Cela implique que l’IA aide dans les tâches de codage et participe activement à la résolution de problèmes en cartographiant des tâches complexes et en exécutant des sous-tâches.

Deuxièmement, je prévois une ère d’agents et d’assistants personnalisés qui offrent des expériences personnalisées aux individus – une approche de “personnalisation de 1”. Ces agents comprendront les préférences, les comportements et les besoins uniques des utilisateurs, fournissant ainsi un soutien et des services hautement personnalisés.

Enfin, je crois en l’évolution des systèmes d’IA composés, où différents modèles d’IA coexistent pour répondre à des besoins variés. Il n’y aura pas un seul modèle “taille unique” mais plutôt une combinaison de modèles de grande et petite taille, généraux et conçus sur mesure, travaillant ensemble dans les services d’IA. Cette approche permet une plus grande flexibilité, efficacité et efficacité dans la résolution d’une large gamme de problèmes dans différents domaines.

Je vous remercie pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Persistent Systems.