Lakshmikant Gundavarapu, Directeur de l’innovation chez Tredence – Série d’entretiens

Lakshmikant Gundavarapu est le Directeur de l’innovation chez Tredence. Avec plus de trois décennies dans le secteur des technologies de l’information, Lakshmikant est une autorité respectée dans la transformation de l’IA et l’innovation numérique.

En tant qu’ancien responsable mondial des données et de l’IA chez Microsoft Inde, le leadership de Lakshmikant a permis la transformation numérique de plus de 100 clients dans 40 pays. Chez Microsoft, Lakshmikant a défendu l’intégration de bases de données open source sur Azure et a forgé des alliances stratégiques avec des fournisseurs de solutions SaaS.

Avec un don pour concevoir des solutions d’IA centrées sur le client, Lakshmikant excelle dans la création de partenariats stratégiques qui stimulent l’innovation. Lakshmikant apporte une grande expérience, une expertise technique et une acumen de leadership pour catalyser les transformations impulsées par l’IA, démontrant une capacité établie à traduire les technologies émergentes en solutions commerciales concrètes.

Tredence est une entreprise de données et d’IA qui aide les entreprises à transformer les expériences d’analyse en un impact réel dans le monde. Ils travaillent dans des secteurs tels que la vente au détail, les produits de consommation, la technologie, la finance, les soins de santé et les voyages, offrant des services dans l’ingénierie des données, l’IA/ML, l’IA générative, la chaîne d’approvisionnement, l’expérience client et la modernisation numérique. Leur objectif est de combiner la vitesse grâce aux accélérateurs, une expertise de domaine approfondie et des partenariats solides pour fournir des solutions prêtes à l’entreprise et évolutives.

Quelles expériences, au cours de vos années chez Microsoft, ont façonné votre vision de la transformation de l’entreprise par l’IA qui se reflète maintenant dans la stratégie de Tredence ?

Pendant mon mandat chez Microsoft, j’ai eu l’occasion de travailler avec des entreprises de divers secteurs, notamment l’aviation et l’immobilier. Il est évident que l’IA peut créer un impact réel lorsqu’elle a un objectif clair, est soutenue par des données fiables et est conçue pour s’intégrer dans la prise de décision opérationnelle.

Par exemple:

• Une grande compagnie aérienne a mis en œuvre l’IA pour prédire les défaillances des moteurs, permettant ainsi une maintenance proactive et améliorant à la fois la sécurité et l’efficacité.
• Une grande société immobilière a utilisé l’IA pour la surveillance prédictive des systèmes de bâtiment essentiels, ce qui a entraîné une réduction du temps d’arrêt et des horaires de maintenance optimisés.

Ces expériences m’ont enseigné que la technologie seule ne transforme pas les entreprises. Cela nécessite une conception réfléchie, des fondations de données solides et des mécanismes qui traduisent les connaissances en actions réelles. Cette perspective guide maintenant l’approche de Tredence : nous développons des solutions d’IA qui sont axées sur l’objectif, éclairées par les données et capables de fournir des résultats mesurables à l’échelle de l’entreprise.

Tredence est souvent décrite comme résolvant le problème du « dernier kilomètre » de l’IA. Pouvez-vous partager des exemples où cette accélération de la transformation a eu lieu pour les clients ? 

Considérons un grand détaillant mondial. En unifiant les données fragmentées provenant de transactions, de programmes de fidélité, d’opérations de chaîne d’approvisionnement et de points de contact numériques, nous avons permis des applications d’IA qui ont stimulé la croissance des revenus, la rétention des clients, la personnalisation des parcours et la prévision de la demande. Nous avons appliqué ces connaissances de manière opérationnelle, transformant ainsi l’analyse en résultats commerciaux tangibles.

Étude de cas de détail : Tredence a créé un système de personnalisation unifié qui a généré 58 millions de dollars de chiffre d’affaires et a comblé un écart de 54 % des indicateurs clés de performance. Cela a dépassé les connaissances des clients et a fourni une personnalisation génératrice de revenus à grande échelle.

Dans le secteur biopharmaceutique, l’intégration des données de recherche et développement, cliniques et commerciales a permis à l’IA d’optimiser le recrutement d’essais, d’améliorer la conception des études et d’améliorer l’engagement des médecins, ce qui a accéléré le temps de mise sur le marché et augmenté les revenus.

Dans l’ensemble des secteurs, de la détection de la fraude bancaire à la maintenance prédictive dans la fabrication, la leçon reste la même : l’IA ne délivre de la valeur que lorsqu’elle stimule les décisions qui comptent pour l’entreprise.

Étude de cas bancaire : Tredence a déployé des copilotes d’IA AML (lutte contre le blanchiment d’argent) qui non seulement ont généré des connaissances sur les activités suspectes mais ont également été intégrés dans les opérations quotidiennes pour augmenter le débit des cas de 120 % tout en réduisant les faux positifs de 15 %. Cela montre la traduction de la détection de l’IA à l’efficacité opérationnelle.

Les entreprises ont souvent du mal à passer des pilotes d’IA à la production à grande échelle. Quels sont les principaux obstacles, et comment Tredence les aide à les surmonter ?

De nombreuses initiatives d’IA sont bloquées car elles ne sont pas conçues avec un résultat commercial clair, même si elles sont techniquement solides. Les défis clés incluent:

1. Les lacunes de conception à objectif : les connaissances peuvent être intéressantes, mais ne résolvent pas de problèmes commerciaux mesurables.
2. Les limitations des données : les données fragmentées ou de mauvaise qualité empêchent une mise à l’échelle fiable.
3. Les défis opérationnels : sans déploiement automatisé, surveillance, réentraînement et gouvernance, les modèles restent expérimentaux.

Chez Tredence, nous relevons ces défis grâce à:

• Une conception axée sur les résultats, garantissant que chaque initiative d’IA est directement liée à des résultats commerciaux mesurables.
• Des fondations de données solides, consolidant et enrichissant les ensembles de données pour des performances de modèle fiables.
• Des cadres opérationnels prêts à la production, y compris le déploiement automatisé, la surveillance et le réentraînement pour maintenir la précision, la résilience et la conformité.

Cette approche permet aux entreprises de passer de l’expérimentation à une IA à grande échelle qui délivre constamment un impact commercial.

Vous avez récemment annoncé Milky Way, une constellation d’agents d’IA autonomes. Qu’est-ce qui a inspiré sa conception, et comment diffère-t-elle des assistants d’IA conventionnels ?

Milky Way est née de la réalisation que les entreprises ont besoin de plus que des tableaux de bord ou des chatbots. Ils nécessitent un cadre de raisonnement qui peut consommer, interpréter et relier des données multivariées pour générer une intelligence actionnable.

Contrairement aux assistants conventionnels, les agents Milky Way:

• Raisonnent à travers diverses sources de données, reliant les connaissances plutôt que de simplement répondre à des questions.
• Analysent des problèmes complexes et multidimensionnels, reliant l’information à travers les flux de travail.
• Fournissent une intelligence actionnable, convertissant les connaissances en décisions ou en actions automatisées.

En résumé, Milky Way transforme l’IA en un réseau d’agents de raisonnement capables de gérer la complexité et de stimuler des résultats commerciaux réels, plutôt que de remplacer des outils de base.

Les premiers déploiements de Milky Way ont donné des résultats rapides. Qu’est-ce qui a permis ces gains ?

Trois éléments ont fait la différence:

1. Intégrer les connaissances là où les décisions se prennent, rendant les recommandations immédiatement actionnables.
2. Une intelligence prospective, transformant les connaissances en décisions proactives plutôt qu’en analyses rétrospectives.
3. Des plateformes sécurisées et réglementées, permettant une IA à l’échelle de l’entreprise tout en maintenant la conformité et le contrôle.

Cette combinaison délivre des résultats commerciaux tangibles en quelques semaines plutôt qu’en quelques mois.

Milky Way donne la priorité à l’explicabilité, à la traçabilité et aux parcours de raisonnement. Quelle est l’importance de cela pour la confiance de l’entreprise ?

La confiance est fondamentale dans l’IA d’entreprise. Milky Way garantit:

• Une raison transparente pour chaque recommandation.
• Des traces d’audit documentant toutes les entrées, les sorties et les actions.
• Des tests adverses continus pour assurer la robustesse et la fiabilité.

Cette transparence et cette responsabilité différencient Milky Way des systèmes opaques et à boîte noire, renforçant la confiance de l’entreprise dans l’adoption.

Comment ce passage des outils à des coéquipiers d’IA affectera-t-il les organisations et la prise de décision ?

Les coéquipiers d’IA changent la façon dont les organisations fonctionnent:

• Les managers prennent des rôles doubles, guidant les humains tout en supervisant les agents d’IA.
• Les décisions deviennent collaboratives, les agents gérant le raisonnement et les humains fournissant le contexte et la supervision éthique.
• Les structures opérationnelles évoluent pour intégrer l’IA dans la prise de décision quotidienne, améliorant la vitesse, la cohérence et la qualité des résultats.

D’ici 2028, un tiers des décisions commerciales pourraient être prises de manière autonome. Qu’est-ce que les organisations doivent changer pour assurer la sécurité ?

 Pour déployer en toute sécurité l’IA autonome, les organisations devraient mettre en œuvre des mesures pratiques à travers la culture, les opérations et la gouvernance:

Culture – Construire la confiance avec l’IA:

• Commencez par la prise de décision humaine dans la boucle et augmentez progressivement l’autonomie.
• Formez les équipes pour comprendre, valider et intervenir dans les recommandations de l’IA.

Opérations – Mettre en œuvre des contrôles de surveillance et de risque:

• Surveillez en continu les décisions de l’IA pour l’exactitude, les préjugés et la conformité.
• Effectuez des simulations adverses pour identifier les vulnérabilités.
• Maintenez des boucles de rétroaction pour améliorer les modèles d’IA à partir des corrections humaines.

Gouvernance – Définir les limites et les chemins d’escalade:

• Définissez quelles décisions peuvent être entièrement automatisées et lesquelles nécessitent une supervision.
• Assurez la traçabilité et la transparence de toutes les actions impulsées par l’IA.
• Créez des processus de contingence pour intervenir en cas d’anomalies ou de risques.

Ces étapes permettent aux organisations de mettre en œuvre la prise de décision autonome en toute sécurité tout en conservant le contrôle, la responsabilité et la conformité.

Quel est le plan de route de Tredence pour Milky Way ?

Notre feuille de route comprend:

1. Des agents spécifiques à l’industrie pour la vente au détail, les soins de santé, la fabrication et les services financiers.
2. Des intégrations plus profondes avec les systèmes ERP, CRM et de chaîne d’approvisionnement pour une adoption sans heurt.
3. Un apprentissage et un raisonnement continus pour permettre aux agents d’améliorer leur intelligence et leur compréhension contextuelle avec le temps.

La vision est un écosystème d’agents coopératifs que les entreprises peuvent assembler, gérer et faire confiance.

Comment les dirigeants de la direction devraient-ils se préparer pour que l’IA prenne des rôles de prise de décision stratégique ?

L’adoption de l’IA est un parcours de maturité:

• Commencez par des copilotes humains dans la boucle, progressez vers des flux de travail semi-autonomes et autorisez finalement une autonomie totale dans des domaines réglementés.
• Investissez dans la littératie de l’IA, permettant aux équipes de collaborer efficacement avec les systèmes d’IA.
• Repensez les indicateurs clés de performance, les cadres de gouvernance et les structures opérationnelles pour se concentrer sur la qualité de la décision et l’impact commercial, et non seulement sur les performances du modèle.

En fin de compte, l’adoption de l’IA n’est pas seulement une initiative technologique ; c’est une transformation du leadership, de la culture et de la prise de décision opérationnelle.

Merci pour cette grande interview, les lecteurs qui souhaitent en savoir plus peuvent visiter Tredence.