Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Seri Wawancara

Dr. Pandurang Kamat adalah Chief Technology Officer di Persistent Systems (PERSISTENT.BO ), ia bertanggung jawab untuk penelitian teknologi canggih yang berfokus pada membuka nilai bisnis melalui inovasi skala besar. Ia adalah seorang pemimpin teknologi yang berpengalaman yang membantu pelanggan meningkatkan pengalaman pengguna, mengoptimalkan proses bisnis, dan menciptakan produk digital baru. Visinya untuk Persistent adalah menjadi sebuah kekuatan inovasi yang mengakar pada ekosistem inovasi global dan beragam, yang terdiri dari akademisi dan perusahaan rintisan.

Pandurang bergabung dengan Persistent pada tahun 2012. Sebelum bergabung dengan Persistent, ia menjabat sebagai Direktur Analitik untuk bisnis pencarian dan konten Ask.com, di mana ia memimpin tim global untuk mengelola platform analitik Ask. Sebelum itu, ia membantu membangun produk komunikasi dan media digital yang aman di Bell Labs dan HP Labs, serta platform penelitian nirkabel yang memenangkan penghargaan di Rutgers University.

Persistent Systems adalah mitra Digital Engineering dan Modernisasi Perusahaan yang tepercaya untuk pemimpin pasar global di berbagai industri.

Apa yang awalnya menarik Anda untuk ilmu komputer dan teknik komputer?

Minat saya pada ilmu komputer dan teknik komputer dipicu selama kursus musim panas di sekolah. Belajar konstruk program dan menciptakan permainan komputer memperkenalkan saya pada logika terstruktur yang mendukung bidang-bidang ini. Saya terpesona oleh kemampuan untuk memecahkan masalah kompleks dan menyelesaikannya secara sistematis. Apa yang benar-benar menarik saya adalah kekuatan besar yang ditawarkan oleh program yang dirancang dengan baik. Mereka dapat mengotomatisasi tugas, mengoptimalkan proses, dan memberdayakan individu atau tim kecil untuk mencapai prestasi luar biasa. Campuran kreativitas, pemecahan masalah, dan potensi transformasional ini terus menginspirasi saya. Dari pengalaman awal hingga perjalanan saya yang berkelanjutan, saya tetap bersemangat tentang kemungkinan tanpa batas yang ditawarkan oleh teknologi. Ilmu komputer dan teknik komputer tidak hanya membentuk masa depan tetapi juga menawarkan jalur untuk inovasi dan kemajuan yang mendorong saya maju.

Bagaimana kehadiran AI generatif telah mengubah cara tim Anda bekerja?

Kehadiran AI generatif (GenAI) telah mengubah cara tim kami bekerja di Persistent, terutama dalam pengembangan perangkat lunak untuk perusahaan. Gangguan ini dalam industri TI tidak hanya menimbulkan tantangan tetapi juga peluang besar untuk membayangkan operasi bisnis secara holistik.

Sebagai perusahaan Digital Engineering yang ditenagai AI, Persistent telah mengadopsi GenAI untuk merevolusi berbagai aspek dari siklus hidup rekayasa perangkat lunak. Selama setahun terakhir, kami telah mengembangkan alat dan suite yang sepenuhnya mendefinisikan kembali proses seperti pembangkitan kode, pembangkitan kasus uji, dan migrasi laporan. Dalam proyek modernisasi warisan, pendekatan kami telah berkembang secara signifikan. Kami sekarang menggunakan alat untuk mempermudah proses pengambilalihan kode, mengurangi risiko proyek, dan mempercepat penerimaan anggota tim baru dengan memberikan mereka pemahaman yang lebih dalam tentang basis kode yang kompleks. Selain itu, kolaborasi kami dengan domain industri memungkinkan kami untuk menyediakan solusi yang disesuaikan dengan data perusahaan. Dengan mengembangkan asisten digital yang dapat memahami bahasa bisnis dan menyediakan referensi yang relevan, kami meningkatkan efisiensi operasional dan pengambilan keputusan dalam perusahaan. Asisten ini mematuhi prinsip AI yang Bertanggung Jawab, memastikan transparansi, akuntabilitas, keamanan, dan privasi sambil terus meningkatkan akurasi dan kinerja melalui evaluasi otomatis dari output model.

Apa beberapa tantangan modernisasi sistem warisan menggunakan AI generatif?

GenAI adalah alat yang kuat, tetapi bukanlah solusi ajaib untuk modernisasi sistem warisan yang lengkap. Organisasi di berbagai industri harus mengadopsi pendekatan gabungan, menggabungkan keahlian manusia dan kemampuan AI. Sementara GenAI menawarkan potensi besar untuk modernisasi, ia memiliki keterbatasan. Tantangan utama termasuk:

• Keterbatasan Pemahaman Sistem Warisan: Model GenAI memerlukan pemahaman menyeluruh tentang sistem yang ada untuk berfungsi secara efektif. Sistem warisan seringkali kekurangan dokumentasi yang komprehensif, menghambat kemampuan AI untuk memahami ketergantungan mereka secara efektif.
• Kualitas Data dan Bias: Kualitas dan representativitas data yang digunakan untuk melatih model AI memiliki dampak signifikan pada outputnya. Keterbatasan data pelatihan dapat tercermin dalam kode yang dihasilkan, berpotensi memperkenalkan masalah baru.
• Memastikan Kualitas dan Keamanan: Sementara GenAI dapat mengotomatisasi pembangkitan kode, outputnya memerlukan pengujian dan verifikasi yang ketat untuk memenuhi standar kualitas, fungsional, dan keamanan.
• Keterbatasan Ruang Lingkup Modernisasi: GenAI mungkin tidak cocok untuk perubahan sistem yang lengkap. Ini dapat unggul dalam tugas-tugas tertentu seperti refaktor kode atau pembangkitan kasus uji, tetapi perubahan arsitektur yang kompleks masih memerlukan intervensi manual.
• Manajemen Perubahan dan Pemangku Kepentingan: Mengelola perubahan organisasional dan memperoleh kesepakatan pemangku kepentingan adalah faktor kritis dalam menentukan keberhasilan modernisasi sistem warisan dengan GenAI. Komunikasi yang jelas, program pelatihan, dan inisiatif keterlibatan pemangku kepentingan dapat membantu mengatasi resistensi terhadap perubahan dan memfasilitasi transisi yang lancar.

Salah satu tantangan AI Generatif adalah konsistensi, bagaimana Persistent Systems membantu membangun pengalaman pengguna yang konsisten?

Konsistensi adalah salah satu elemen penyediaan pengalaman pengguna GenAI yang berkualitas perusahaan dan aman. Kami melihat proses secara holistik.

Kami menyediakan dukungan ujung-ke-ujung di semua tahap adopsi GenAI. Bimbingan strategis dan analisis kasus penggunaan yang cermat membantu organisasi memilih model dasar (FMs) yang paling sesuai dengan kebutuhan spesifik mereka. Melalui pemeriksaan dan konsultasi yang rinci, kami membantu klien dalam mendefinisikan kasus penggunaan yang jelas dan membuat pilihan FM yang tepat.

Kemudian, kami fokus pada beberapa pendekatan, seperti few-shot prompting atau bahkan fine-tuning, untuk memastikan bahwa model yang digunakan dalam aplikasi disesuaikan dengan kasus penggunaan dan data perusahaan.

Solusi kami tidak hanya menggunakan teknik RAG standar tetapi juga lebih dalam pada strategi prompting dan chunking data untuk memastikan data yang paling relevan diperoleh dan diberikan kepada FM selama inferensi. Kami lebih lanjut meningkatkan akurasi dan relevansi konteks ini dengan menggunakan Grafik Pengetahuan yang canggih untuk menangkap hubungan tersembunyi dalam data perusahaan.

Kami juga menggunakan beberapa teknik grounding dan guardrails untuk membatasi dan fokus pada ruang lingkup inferensi.

Akhirnya, kami melewati aplikasi melalui kerangka evaluasi yang ketat dan otomatis yang memastikan konsistensi inferensi dan pengalaman, rilis demi rilis.

Apakah Anda dapat memberikan contoh dunia nyata di mana solusi GenAI-powered telah merevolusi interaksi pelanggan dengan sukses?

Persistent telah mengubah interaksi pelanggan untuk sebuah penyedia solusi perangkat lunak terkemuka melalui solusi GenAI-powered. Menghadapi tantangan skalabilitas selama periode operasional puncak, perusahaan tersebut mengimplementasikan Repositori Pengetahuan Pusat dan BOT Tim Konversasi AI. Ini mempermudah akses ke informasi, menghasilkan 80% pengurangan waktu resolusi kueri pelanggan. Kualitas respons juga meningkat secara signifikan, menghasilkan kepuasan pelanggan yang ditingkatkan.

Kami juga membantu sebuah perusahaan ekuitas swasta dengan menggunakan GenAI untuk mengotomatisasi pembuatan laporan investasi yang terperinci. Dengan sistem GenAI-powered, waktu yang dibutuhkan untuk menghasilkan laporan berkurang 90%. Pendekatan yang dipercepat ini merevolusi operasi perusahaan, memfasilitasi pengambilan keputusan yang cepat dan efektif. Efisiensi tidak hanya menghemat waktu berharga tetapi juga mempromosikan kolaborasi yang lebih besar di antara pemangku kepentingan dan memastikan sentuhan pribadi dalam setiap memo, meningkatkan efektivitas keseluruhan.

Bagaimana Anda mendekati inovasi GenAI yang Bertanggung Jawab?

Pendekatan kami terhadap inovasi GenAI yang Bertanggung Jawab memprioritaskan praktik etis dan kepatuhan terhadap peraturan di seluruh proses pengembangan dan implementasi. Kami menekankan transparansi, akuntabilitas, dan keadilan dalam pengambilan keputusan yang didorong AI.

Kami menetapkan pedoman etis yang kuat yang mengatur pengembangan, penerapan, dan penggunaan sistem GenAI. Dalam upaya kami untuk inovasi GenAI yang Bertanggung Jawab, kami secara ketat menguji dan memvalidasi sistem kami untuk memitigasi risiko potensial seperti bias, informasi yang salah, dan masalah privasi.

Lebih lanjut, kami memprioritaskan transparansi dan akuntabilitas dalam proses pengambilan keputusan yang didorong AI dengan memberikan pengguna wawasan yang jelas tentang operasi sistem. Pada akhirnya, pendekatan kami bertujuan untuk mengembangkan dan menerapkan sistem GenAI yang menggerakkan inovasi dan efisiensi sambil memberikan kontribusi positif pada masyarakat.

Apa visi Anda untuk masa depan AI?

Visi saya untuk masa depan AI adalah multifaset. Pertama, dalam rekayasa digital, saya membayangkan AI tidak hanya sebagai asisten pengkodean tetapi juga sebagai mitra kolaboratif, mirip dengan “pair programmer”. Ini melibatkan AI membantu dalam tugas pengkodean dan secara aktif berpartisipasi dalam pemecahan masalah dengan memetakan tugas kompleks dan mengeksekusi subtugas.

Kedua, saya melihat era asisten AI pribadi dan asisten yang menawarkan pengalaman yang disesuaikan untuk individu – pendekatan “personalisasi 1”. Asisten ini akan memahami preferensi, perilaku, dan kebutuhan unik pengguna, menyediakan dukungan dan layanan yang sangat disesuaikan.

Terakhir, saya percaya pada evolusi sistem AI komposit, di mana berbagai model AI bekerja sama untuk menangani kebutuhan yang berbeda. Tidak akan ada satu model “one-size-fits-all”, tetapi kombinasi dari model besar dan kecil, umum dan tujuan khusus yang bekerja sama dalam layanan AI. Pendekatan ini memungkinkan fleksibilitas, efisiensi, dan efektivitas yang lebih besar dalam memecahkan berbagai masalah di berbagai domain.

Terima kasih atas wawancara yang luar biasa, pembaca yang ingin mempelajari lebih lanjut dapat mengunjungi Persistent Systems.