Lakshmikant Gundavarapu, Chief Innovation Officer di Tredence – Serie di Interviste

Lakshmikant Gundavarapu è il Chief Innovation Officer di Tredence. Con oltre tre decenni nel settore IT, Lakshmikant è un’autorità stimata nella trasformazione dell’AI e nell’innovazione digitale.

In qualità di ex Global Head per Data & AI di Microsoft (MSFT ) India, la leadership di Lakshmikant ha reso possibile la trasformazione digitale per oltre 100 clienti in 40 paesi. In Microsoft, Lakshmikant ha promosso l’integrazione di database open-source su Azure e ha forgiato alleanze strategiche con fornitori di soluzioni SaaS.

Con una propensione per la creazione di soluzioni di AI centrate sul cliente, Lakshmikant eccelle nel creare partnership strategiche che guidano l’innovazione. Lakshmikant porta una grande esperienza, competenze tecniche e acume di leadership per catalizzare trasformazioni guidate dall’AI, dimostrando una capacità consolidata di tradurre tecnologie emergenti in soluzioni aziendali concrete.

Tredence è un’azienda di dati e AI che aiuta le aziende a trasformare esperimenti di analisi in impatto reale nel mondo. Lavorano in vari settori, come retail, CPG, tecnologia, finanza, sanità e viaggi, offrendo servizi di ingegneria dei dati, AI/ML, AI generativa, catena di approvvigionamento, esperienza del cliente e modernizzazione digitale. Il loro obiettivo è combinare velocità attraverso acceleratori, profonda esperienza di settore e forti partnership per fornire soluzioni aziendali scalabili e pronte all’uso.

Con i tuoi anni in Microsoft India, quali esperienze hanno plasmato la tua visione per la trasformazione aziendale guidata dall’AI che ora si manifesta nella strategia di Tredence?

Durante il mio mandato in Microsoft, ho avuto l’opportunità di lavorare con aziende di vari settori, tra cui aviazione e immobiliare. È evidente che l’AI può creare un impatto reale quando ha uno scopo chiaro, è supportato da dati affidabili e progettato per integrarsi nella presa di decisioni operative.

Ad esempio:

• Una grande compagnia aerea ha implementato l’AI per prevedere le avarie dei motori, consentendo una manutenzione proattiva e migliorando sia la sicurezza che l’efficienza.
• Una grande società immobiliare ha utilizzato l’AI per il monitoraggio predittivo dei sistemi di edifici essenziali, riducendo il tempo di fermo e ottimizzando gli orari di manutenzione.

Queste esperienze mi hanno insegnato che la tecnologia da sola non trasforma le aziende. Richiede una progettazione attenta, solide fondamenta di dati e meccanismi che traducono le informazioni in azioni reali. Questa prospettiva ora guida l’approccio di Tredence: sviluppiamo soluzioni di AI che sono guidate da uno scopo, informate dai dati e in grado di fornire risultati misurabili in tutta l’azienda.

Tredence è spesso descritta come risolutrice del problema dell’ultimo miglio nell’AI. Potresti condividere esempi in cui questo ha accelerato la trasformazione per i clienti? 

Considera un grande retailer globale. Unificando i dati frammentati dalle transazioni, programmi di fedeltà, operazioni della catena di approvvigionamento e touchpoint digitali, abbiamo abilitato applicazioni di AI che guidavano la crescita dei ricavi, la fidelizzazione dei clienti, la personalizzazione del percorso e la previsione della domanda. Abbiamo applicato queste informazioni operativamente, trasformando l’analisi in risultati aziendali tangibili.

Caso di studio retail: Tredence ha creato un sistema di personalizzazione unificato che ha generato 58 milioni di dollari di ricavi e chiuso un divario KPI del 54%. Ciò è andato oltre le informazioni sui clienti e ha fornito personalizzazione che genera ricavi su larga scala.

Nel settore biotecnologico, l’integrazione dei set di dati di R&D, clinici e commerciali ha consentito all’AI di ottimizzare il reclutamento per gli studi, migliorare la progettazione degli studi e migliorare l’engagement dei medici, accelerando così il tempo di commercializzazione e aumentando i ricavi.

Attraverso i settori, dalla rilevazione delle frodi bancarie alla manutenzione predittiva nella produzione, la lezione rimane la stessa: l’AI fornisce valore solo quando guida le decisioni che contano per l’azienda.

Caso di studio bancario: Tredence ha distribuito copiloti GenAI AML (antiriciclaggio di denaro) che non solo hanno generato informazioni su attività sospette, ma si sono anche integrati nelle operazioni quotidiane per aumentare la produttività dei casi del 120% mentre riducevano i falsi positivi del 15%. Ciò mostra la traduzione dalle rilevazioni dell’AI all’efficienza operativa.

Le aziende spesso lottano per passare dagli esperimenti di AI alla produzione su larga scala. Quali sono gli ostacoli più grandi e come Tredence aiuta a superarli?

Molte iniziative di AI si bloccano perché non sono progettate con un risultato aziendale chiaro, anche quando sono tecnicamente solide. Le sfide chiave includono:

1. Gap di progettazione mirata : Le informazioni possono essere interessanti, ma non risolvono problemi aziendali misurabili.
2. Limitazioni dei dati : I dati frammentati o di scarsa qualità impediscono una scalabilità affidabile.
3. Sfide operative : Senza una distribuzione automatizzata, monitoraggio, riaddestramento e governance, i modelli rimangono sperimentali.

In Tredence, affrontiamo queste sfide attraverso:

• Progettazione orientata ai risultati, assicurandosi che ogni iniziativa di AI sia legata direttamente a risultati aziendali misurabili.
• Fondamenta di dati robuste, consolidando e arricchendo i set di dati per prestazioni di modello affidabili.
• Framework operativi pronti per la produzione, inclusa la distribuzione automatizzata, il monitoraggio e il riaddestramento per mantenere l’accuratezza, la resilienza e la conformità.

Questo approccio consente alle aziende di passare dall’esperimento all’AI su larga scala che fornisce costantemente un impatto aziendale.

Hai recentemente annunciato Milky Way, una costellazione di agenti di AI autonomi. Cosa ha ispirato la sua progettazione e come si differenzia dagli assistenti di AI convenzionali?

Milky Way è nata dalla consapevolezza che le aziende hanno bisogno di più di dashboard o chatbot. Hanno bisogno di un framework di ragionamento che possa consumare, interpretare e collegare dati multivariati per generare intelligence azionabile.

A differenza degli assistenti convenzionali, gli agenti Milky Way:

• Ragionano su diverse fonti di dati, collegando informazioni anziché semplicemente rispondendo a domande.
• Analizzano problemi complessi e multidimensionali, collegando informazioni attraverso flussi di lavoro.
• Forniscono intelligence azionabile, convertendo informazioni in decisioni o azioni automatizzate.

In sintesi, Milky Way trasforma l’AI in una rete di agenti di ragionamento in grado di gestire la complessità e guidare risultati aziendali reali, anziché sostituire strumenti di base.

Le prime implementazioni di Milky Way hanno fornito risultati rapidi. Cosa ha reso possibile questi guadagni?

Tre elementi hanno fatto la differenza:

1. Incorporare informazioni laddove si prendono le decisioni, rendendo le raccomandazioni immediatamente azionabili.
2. Intelligenza prospettica, trasformando informazioni in decisioni proattive anziché analisi retrospective.
3. Piattaforme sicure e governate, abilitando l’AI su larga scala aziendale mentre si mantiene la conformità e il controllo.

Questa combinazione fornisce risultati aziendali tangibili in settimane anziché mesi.

Milky Way dà priorità alla spiegabilità, alla tracciabilità e ai percorsi di ragionamento. Quanto è critico questo per la fiducia aziendale?

La fiducia è fondamentale nell’AI aziendale. Milky Way assicura:

• Ragione trasparente per ogni raccomandazione.
• Tracciabilità che documenta tutti gli input, output e azioni.
• Test di adversarialità continuo per garantire robustezza e affidabilità.

Questa trasparenza e responsabilità differenziano Milky Way dai sistemi opachi e dalle scatole nere, costruendo la fiducia aziendale nell’adozione.

Come questo passaggio da strumenti ad aiutanti di AI influenzerà le organizzazioni e la presa di decisioni?

Gli aiutanti di AI cambiano il modo in cui le organizzazioni operano:

• I manager assumono ruoli duali, guidando gli esseri umani mentre supervisionano gli agenti di AI.
• Le decisioni diventano collaborative, con gli agenti che gestiscono il ragionamento e gli esseri umani che forniscono contesto e supervisione etica.
• Le strutture operative evolvono per integrare l’AI nella presa di decisioni quotidiana, migliorando la velocità, la coerenza e la qualità dei risultati.

Entro il 2028, un terzo delle decisioni aziendali potrebbe essere preso autonomamente. Cosa devono cambiare le organizzazioni per assicurare la sicurezza?

 Per implementare in modo sicuro l’AI autonoma, le organizzazioni dovrebbero implementare misure pratiche in cultura, operazioni e governance:

Cultura – Costruire la fiducia con l’AI:

• Iniziare con la presa di decisioni umana nel ciclo e aumentare gradualmente l’autonomia.
• Formare i team per comprendere, convalidare e intervenire nelle raccomandazioni dell’AI.

Operazioni – Implementare il monitoraggio e il controllo dei rischi:

• Tracciare costantemente le decisioni dell’AI per accuratezza, pregiudizio e conformità.
• Eseguire simulazioni di adversarialità per identificare le vulnerabilità.
• Mantenere cicli di feedback per migliorare i modelli dell’AI dalle correzioni umane.

Governance – Stabilire limiti e percorsi di escalation:

• Definire quali decisioni possono essere completamente automatizzate e quali richiedono la supervisione.
• Assicurare la tracciabilità e la rintracciabilità per tutte le azioni guidate dall’AI.
• Creare processi di contingenza per intervenire in caso di anomalie o rischi.

Questi passaggi consentono alle organizzazioni di scalare la presa di decisione autonoma in modo sicuro, mantenendo il controllo, la responsabilità e la conformità.

Qual è la roadmap di Tredence per Milky Way?

La nostra roadmap include:

1. Agenti specifici per settore per retail, sanità, produzione e servizi finanziari.
2. Integrazioni più profonde con sistemi ERP, CRM e catena di approvvigionamento per un’adozione senza soluzione di continuità.
3. Apprendimento e ragionamento continuo per abilitare gli agenti a migliorare la loro intelligenza e comprensione del contesto nel tempo.

La visione è un ecosistema di agenti cooperativi che le aziende possono assemblare, governare e fidarsi.

Come i leader del C-suite dovrebbero prepararsi per l’AI che assume ruoli decisionali strategici?

L’adozione dell’AI è un percorso di maturità:

• Iniziare con copiloti umani nel ciclo, progredire verso flussi di lavoro semi-autonomi e infine consentire l’autonomia completa in domini governati.
• Investire nell’alfabetizzazione dell’AI, abilitando i team a collaborare efficacemente con i sistemi di AI.
• Ripensare i KPI, i framework di governance e le strutture operative per concentrarsi sulla qualità delle decisioni e sull’impatto aziendale, non solo sulle prestazioni del modello.

In definitiva, l’adozione dell’AI non è solo un’iniziativa tecnologica; è una trasformazione nella leadership, nella cultura e nella presa di decisioni operative.

Grazie per la grande intervista, i lettori che desiderano saperne di più possono visitare Tredence.