Lakshmikant Gundavarapu, Chief Innovation Officer di Tredence – Seri Wawancara

Lakshmikant Gundavarapu adalah Chief Innovation Officer di Tredence. Dengan lebih dari tiga dekade di sektor IT, Lakshmikant adalah otoritas terhormat dalam transformasi AI dan inovasi digital.

Sebagai mantan Global Head untuk Data & AI di Microsoft (MSFT ) India, kepemimpinan Lakshmikant memungkinkan transformasi digital untuk 100+ klien di 40 negara. Di Microsoft, Lakshmikant mempelopori integrasi database open-source di Azure dan membangun aliansi strategis dengan penyedia solusi SaaS.

Dengan kemampuan untuk merancang solusi AI yang berfokus pada klien, Lakshmikant unggul dalam membangun kemitraan strategis yang mengarah pada inovasi. Lakshmikant membawa kekayaan pengalaman, keahlian teknis, dan kepemimpinan untuk memicu transformasi yang didorong oleh AI, menunjukkan kemampuan yang terbukti untuk menerjemahkan teknologi yang muncul menjadi solusi bisnis yang konkrit.

Tredence adalah perusahaan data dan AI yang membantu bisnis mengubah eksperimen analitik menjadi dampak dunia nyata. Mereka bekerja di berbagai industri seperti ritel, CPG, teknologi, keuangan, kesehatan, dan perjalanan, menawarkan layanan di bidang rekayasa data, AI/ML, AI generatif, rantai pasokan, pengalaman pelanggan, dan modernisasi digital. Fokus mereka adalah menggabungkan kecepatan melalui akselerator, keahlian domain yang mendalam, dan kemitraan yang kuat untuk menghasilkan solusi yang siap untuk perusahaan dan dapat diskalakan.

Dengan pengalaman Anda di Microsoft India, apa yang membentuk visi Anda untuk transformasi perusahaan yang didorong oleh AI yang sekarang muncul dalam strategi Tredence?

Selama saya bekerja di Microsoft, saya memiliki kesempatan untuk bekerja dengan perusahaan di berbagai sektor, termasuk penerbangan dan real estat. Jelas bahwa AI dapat menciptakan dampak nyata ketika memiliki tujuan yang jelas, didukung oleh data yang dapat diandalkan, dan dirancang untuk terintegrasi dengan keputusan operasional.

Misalnya:

• Maskapai penerbangan besar menerapkan AI untuk memprediksi kegagalan mesin, memungkinkan perawatan proaktif dan meningkatkan keselamatan serta efisiensi.
• Perusahaan real estat besar menggunakan AI untuk pemantauan prediktif sistem bangunan esensial, menghasilkan penurunan waktu henti dan jadwal perawatan yang dioptimalkan.

Pengalaman ini mengajari saya bahwa teknologi saja tidak mengubah bisnis. Ini membutuhkan desain yang berpikir, fondasi data yang kuat, dan mekanisme yang menerjemahkan wawasan menjadi tindakan nyata. Perspektif ini sekarang mengarahkan pendekatan Tredence: Kami mengembangkan solusi AI yang memiliki tujuan, terinformasi oleh data, dan mampu menghasilkan hasil yang dapat diukur di seluruh perusahaan.

Tredence sering digambarkan sebagai pemecah masalah “last-mile” di AI. Bisakah Anda membagikan contoh di mana transformasi dipercepat untuk klien? 

Pertimbangkan sebuah ritel global besar. Dengan mempersatukan data yang terfragmentasi dari transaksi, program loyalitas, operasi rantai pasokan, dan titik sentuh digital, kami memungkinkan aplikasi AI yang mengarah pada pertumbuhan pendapatan, retensi pelanggan, personalisasi perjalanan, dan peramalan permintaan. Kami menerapkan wawasan ini secara operasional, mengubah analitik menjadi hasil bisnis yang nyata.

Studi kasus ritel: Tredence menciptakan sistem personalisasi yang terintegrasi yang menghasilkan $58 juta dalam pendapatan dan menutup celah KPI sebesar 54%. Ini melampaui wawasan pelanggan dan menghasilkan personalisasi yang mengarah pada pendapatan pada skala besar.

Di biofarmasi, integrasi dataset R&D, klinis, dan komersial memungkinkan AI untuk mengoptimalkan perekrutan uji coba, meningkatkan desain studi, dan memperbaiki keterlibatan dokter, sehingga mempercepat waktu ke pasar dan meningkatkan pendapatan.

Di seluruh sektor, dari deteksi penipuan perbankan hingga perawatan prediktif di manufaktur, pelajaran yang sama tetap berlaku: AI menghasilkan nilai hanya ketika mengarah pada keputusan yang penting bagi bisnis.

Studi kasus perbankan: Tredence menerapkan copilot AML (anti-pencucian uang) GenAI yang tidak hanya menghasilkan wawasan tentang kegiatan mencurigakan tetapi juga terintegrasi ke dalam operasional sehari-hari untuk meningkatkan throughput kasus sebesar 120% sambil mengurangi positif palsu sebesar 15%. Ini menunjukkan terjemahan dari deteksi AI ke efisiensi operasional.

Perusahaan sering mengalami kesulitan untuk berpindah dari pilot AI ke produksi pada skala besar. Apa yang menjadi hambatan terbesar, dan bagaimana Tredence membantu mengatasi mereka?

Banyak inisiatif AI terhambat karena tidak dirancang dengan hasil bisnis yang jelas, bahkan ketika mereka secara teknis kuat. Tantangan utama termasuk:

1. Celah desain yang dirancang khusus: Wawasan mungkin menarik, tetapi tidak memecahkan masalah bisnis yang dapat diukur.
2. Batasan data: Data yang terfragmentasi atau berkualitas buruk mencegah penskalaan yang dapat diandalkan.
3. Tantangan operasional: Tanpa penerapan, pemantauan, pelatihan ulang, dan tata kelola yang otomatis, model tetap eksperimental.

Di Tredence, kami mengatasi tantangan ini melalui:

• Desain yang berfokus pada hasil, memastikan setiap inisiatif AI terkait langsung dengan hasil bisnis yang dapat diukur.
• Fondasi data yang kuat, mengkonsolidasikan dan memperkaya dataset untuk kinerja model yang dapat diandalkan.
• Kerangka operasional yang siap produksi, termasuk penerapan, pemantauan, dan pelatihan ulang yang otomatis untuk mempertahankan akurasi, ketahanan, dan kepatuhan.

Pendekatan ini memungkinkan perusahaan untuk beralih dari eksperimen ke AI skala penuh yang secara konsisten menghasilkan dampak bisnis.

Anda baru-baru ini mengumumkan Milky Way, sebuah konstelasi agen AI otonom. Apa yang menginspirasi desainnya, dan bagaimana ia berbeda dari asisten AI konvensional?

Milky Way lahir dari kesadaran bahwa perusahaan membutuhkan lebih dari sekadar dasbor atau chatbot. Mereka membutuhkan kerangka pemikiran yang dapat mengonsumsi, menafsirkan, dan menghubungkan data multivariat untuk menghasilkan intelijen yang dapat ditindaklanjuti.

Tidak seperti asisten konvensional, agen Milky Way:

• Menganalisis sumber data yang beragam, menghubungkan wawasan daripada hanya menjawab pertanyaan.
• Menganalisis masalah kompleks, multidimensi, menghubungkan informasi di seluruh alur kerja.
• Menghasilkan intelijen yang dapat ditindaklanjuti, mengubah wawasan menjadi keputusan atau tindakan yang otomatis.

Singkatnya, Milky Way mengubah AI menjadi jaringan agen pemikiran yang mampu menangani kompleksitas dan mengarah pada hasil bisnis yang nyata, bukan hanya menggantikan alat dasar.

Penerapan awal Milky Way menghasilkan hasil yang cepat. Apa yang memungkinkan keuntungan ini?

Tiga elemen membuat perbedaan:

1. Menanamkan wawasan di mana keputusan terjadi, membuat rekomendasi langsung dapat ditindaklanjuti.
2. Inteligensi yang berorientasi ke depan, mengubah wawasan menjadi keputusan proaktif daripada analisis retrospektif.
3. Platform yang aman dan tergovernan, memungkinkan AI skala perusahaan sambil mempertahankan kepatuhan dan kontrol.

Kombinasi ini menghasilkan hasil bisnis yang nyata dalam beberapa minggu, bukan bulan.

Milky Way memprioritaskan keterjelasan, keterauditan, dan jalur pemikiran. Seberapa kritis ini untuk kepercayaan perusahaan?

Kepercayaan adalah fondasi dalam AI perusahaan. Milky Way memastikan:

• Rasio yang transparan untuk setiap rekomendasi.
• Jalur audit yang mendokumentasikan semua input, output, dan tindakan.
• Pengujian lawan yang berkelanjutan untuk memastikan ketahanan dan keandalan.

Transparansi dan akuntabilitas ini membedakan Milky Way dari sistem black-box yang tidak transparan, membangun kepercayaan perusahaan dalam adopsi.

Bagaimana peralihan dari alat ke rekan AI akan mempengaruhi organisasi dan pengambilan keputusan?

Rekan AI mengubah cara organisasi beroperasi:

• Manajer mengambil peran ganda, mengarahkan manusia sambil mengawasi agen AI.
• Keputusan menjadi kolaboratif, dengan agen menangani pemikiran dan manusia menyediakan konteks dan pengawasan etika.
• Struktur operasional berevolusi untuk mengintegrasikan AI ke dalam pengambilan keputusan sehari-hari, meningkatkan kecepatan, konsistensi, dan kualitas hasil.

Dengan satu-third dari keputusan bisnis yang mungkin dibuat secara otonom pada tahun 2028, apa yang harus diubah organisasi untuk memastikan keamanan?

 Untuk mengimplementasikan AI otonom dengan aman, organisasi harus mengimplementasikan langkah-langkah praktis di seluruh budaya, operasional, dan tata kelola:

Budaya – Bangun kepercayaan dengan AI:

• Mulai dengan pengambilan keputusan yang melibatkan manusia dan secara bertahap meningkatkan otonomi.
• Latih tim untuk memahami, memvalidasi, dan mengintervensi rekomendasi AI.

Operasional – Implementasikan pemantauan dan kontrol risiko:

• Terus lacak keputusan AI untuk akurasi, bias, dan kepatuhan.
• Lakukan simulasi lawan untuk mengidentifikasi kerentanan.
• Pertahankan umpan balik untuk memperbaiki model AI dari koreksi manusia.

Tata kelola – Tetapkan batasan dan jalur eskalasi:

• Definisikan keputusan mana yang dapat sepenuhnya otomatis dan mana yang memerlukan pengawasan.
• Pastikan keterauditan dan keterlacakan untuk semua tindakan yang didorong oleh AI.
• Buat proses kontinjensi untuk mengintervensi dalam kasus anomali atau risiko.

Langkah-langkah ini memungkinkan organisasi untuk menskalakan pengambilan keputusan otonom dengan aman sambil mempertahankan kontrol, akuntabilitas, dan kepatuhan.

Apa yang ada dalam roadmap Tredence untuk Milky Way?

Roadmap kami termasuk:

1. Agen spesifik industri untuk ritel, kesehatan, manufaktur, dan layanan keuangan.
2. Integrasi yang lebih dalam dengan sistem ERP, CRM, dan rantai pasokan untuk adopsi yang mulus.
3. Pelajanan dan penalaran yang berkelanjutan untuk memungkinkan agen meningkatkan kecerdasan dan pemahaman kontekstual mereka dari waktu ke waktu.

Visi kami adalah ekosistem agen yang bekerja sama yang dapat dirakit, dikelola, dan dipercaya oleh perusahaan.

Bagaimana pemimpin C-suite harus mempersiapkan diri untuk AI yang mengambil peran pengambilan keputusan strategis?

Adopsi AI adalah perjalanan kematangan:

• Mulai dengan copilot manusia, kemudian beralih ke alur kerja semi-otonom, dan akhirnya izinkan otonomi penuh dalam domain yang tergovernan.
• Investasikan dalam literasi AI, memungkinkan tim untuk berkolaborasi secara efektif dengan sistem AI.
• Pikirkan ulang KPI, kerangka tata kelola, dan struktur operasional untuk fokus pada kualitas keputusan dan dampak bisnis, bukan hanya kinerja model.

Pada akhirnya, adopsi AI bukan hanya inisiatif teknologi; ini adalah transformasi dalam kepemimpinan, budaya, dan pengambilan keputusan operasional.

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