ガウタム・シン、WNSアナリティクスのグローバルビジネスユニットヘッド、データとAI – インタビューシリーズ

ガウタム・シンは、WNSアナリティクスのビジネスユニットヘッドであり、The Smart Cubeの共同創設者兼CEOです。彼は、The Smart Cube（研究およびアナリティクスリーダー）を20年間設立して成長させ、それがWNSによって買収されるまで働きました。その以前は、ヨーロッパと米国で10年間、経営コンサルティングとベンチャーキャピタルで働きました。ガウタムは、さまざまな役職を歴任しており、Coven Partners（ロンドン）、A.T. Kearney（ロンドン）、三菱自動車（インド）、およびカミンズエンジンズ（米国）での経験があります。彼は、ミシガン大学アナーバー校でMBAを、インドのIITボンベイで機械工学の学士号を取得しています。

WNSアナリティクスは、企業がデータを戦略的価値に変えることを支援しています。データインフラストラクチャ、AI/GenAI/Agentic-AIテクノロジー、およびドメイン固有の専門知識を組み合わせた「意思決定インテリジェンス」を提供しています。保険、銀行および金融サービス、小売、CPG、製造、ヘルスケア、エネルギー、物流などの業界でサービスを提供しています。データエンジニアリングとガバナンス、記述的および予測的分析、AI/MLツール、視覚化などの機能を提供しています。すべての機能は、より迅速で自信のある意思決定と継続的な革新を可能にするように設計されています。

あなたはトップティアのマネジメントコンサルティングでキャリアを始め、The Smart Cubeを設立し、20年以上にわたって指導し、WNSによる買収を経て、現在はグローバルデータアナリティクスおよびAIビジネスを指導しています。コンサルティングから起業家への移行と、後にグローバルデータアナリティクスおよびAIビジネスへの移行を促したものは何ですか?

私は10年間マネジメントコンサルティングで働き、明確な市場のギャップを見ました。企業は大量のデータを持っていましたが、その価値を十分に抽出できませんでした。2003年当時、アナリティクスはまだ基本的なレベルで、Excelスプレッドシートで作業していました。

企業生活から離れる決断は、自己信頼に基づいていました。私は組織が真正にデータを活用できる機会を見出し、The Smart Cubeを設立しました。

The Smart Cubeを20年間構築した後、WNSに参加することは、退出ではなく、進化でした。私は起業家精神を引き継ぎましたが、現在はより多くのリソースとリーチを持っています。これにより、私が小規模なビジネスでは提供できなかった規模の問題に取り組むことができます。最も重要なことは、データとアナリティクスをコアビジネスプロセスに埋め込むことではなく、離れた介入として扱うのではなく、ドメインの専門知識とプロセストランスフォーメーションのシームレスな統合を認識したことです。これは、WNSのDNAの中核であり、私が買収されることを決断し、現在このビジネスユニットを指導する動機となりました。

あなたは20年以上アナリティクスで働いてきました。金融サービスにおけるデータとAIの役割の進化について、初期の導入から今日の大規模なエンタープライズレベルの統合まで見てきました。どのように進化してきましたか?

90年代後半、分析とは歴史的なデータの分析と統計的な予測を意味していました。変化は驚くべきものでした。

2000年代初頭、デジタル化とより高度な予測モデルが導入されました。2010年までに、リアルタイム取引分析が標準となりました。約10年前、機械学習が実質的な変化をもたらすようになり、最近では、ジェネレーティブAI（Gen AI）が中心となっています。

今日、金融機関はデータを戦略的資産として扱っています。質問は、「AIを使用できますか？」から、「どのようにAIを意思決定に埋め込むか？」へと移りました。

影響は有形的です。AIベースの検証により、顧客のオンボーディングが何日かかかっていたのが数時間で完了します。信用リスク評価では、従来のスコア以外の数百のリアルタイムデータポイントを評価します。リスク計算は、夜間バッチ処理で行われていたのが、瞬時に実行されるようになりました。詐欺検出は、事後に反応するのではなく、リアルタイムで疑わしい活動をブロックします。

先進的な企業は、AI駆動のデータレイクとガバナンスフレームワークをどのように使用して、金融運用におけるリアルタイムの意思決定、規制遵守、透明性を向上させていますか?

モノリシックなデータウェアハウスを構築し、洞察を期待することはもう機能しません。機関は、インテリジェントなデータエコシステムを設計する必要があります。

金融サービスは、顧客に直面し、高度に機密性の高いデータを扱い、かつリアルタイムで反応性を提供する必要があるという、ユニークな課題に直面しています。これには、柔軟なフレームワークに基づいて構築されたモジュラーなデータレイクが必要です。

このアーキテクチャ内で、機関は価格分析、リスク評価、規制報告書などの専用データポンドを作成します。各ポンドは独立して動作し、同時に大きなエコシステムにフィードバックし、即時の価値を提供しながらセキュリティ境界を維持します。

Zero ETLトレンドは、ここで特に重要です。データをシステム間で直接照会できるようにすることで、複雑なExtract-Transform-Loadプロセスを排除し、AIがデータをリアルタイムでアクセスおよび分析できるようにします。これにより、待ち時間が短縮され、ガバナンスが維持されます。

AIエージェントも、異常検出を超えて進化しています。彼らは、疑わしい取引をフラグするだけでなく、行動を推奨し、ガバナンスパラメータ内で応答を実行します。規制遵守では、AIは取引を継続的に監視し、報告書を生成し、規制当局が気づく前に問題を特定します。

合成データは、機密情報を公開せずにAIモデルをトレーニングするための安全な方法として推奨されます。金融サービスにおける詐欺検出、リスク分析、モデル検証で合成データが有効に適用されている例を示してください。

WNSアナリティクスでは、高度な合成データ生成を使用して、高忠実度のプライバシー対応データセットを作成し、特にデータが不足しているドメインでのAIモデルトレーニングを加速します。私たちの合成データセットは、現実世界のシナリオを模倣し、実際の金融データと同じ統計パターン、行動、相関関係を反映しますが、機密の個人情報（PII）や顧客データを公開しません。

この機能は、リスク分析、詐欺検出、信用スコアリング、ストレステスト、コンプライアンスモデリングなどの分野で金融サービスを変革しています。これらの合成データセットにより、組織はAIソリューションの開発を迅速に開始しながら、データプライバシーと規制の信頼性を確保できます。

特に革新的な応用例の1つは、PIIマスク付きデータを使用して類似モデルを作成することです。これにより、企業はターゲットを絞ったオファーを顧客に提示できますが、完全なプライバシーを維持します。

金融サービスにおけるビジネスワークフローにインテリジェントオートメーションとAIエージェントが組み込まれることが増えています。金融サービスで最も変革的なユースケースは何ですか? それらはどのようにして運用の堅牢性とパフォーマンスを向上させますか?

AIエージェントを活用したインテリジェントオートメーションは、エンタープライズワークフローを加速し、組織が運用を合理化し、より迅速で情報に基づいた意思決定を行えるようにしています。これらのエージェントは、自動化と高度な推論を組み合わせて、堅牢性、スケーラビリティ、パフォーマンスの向上を提供します。

WNSアナリティクスでは、Agentic AIの導入のための独自フレームワークGAINを適用し、Agentic AIの適切な自律レベルを評価します。さらに、AI Utilities Hubを介して、再利用可能なマイクロサービスベースのコンポーネントを提供し、ハイパースペシャライズドエージェントを提供しています。

保険では、Agentic AIを使用して複数のワークフローを変革しました。自動車保険の第三者回収検出では、Gen AI駆動のソリューションを使用して、85%の精度を達成し、回収量を2倍にし、年間の回収額を約49%増加させました。これにより、以前は見過ごされていた数百万ドルの機会が解放されました。

保険の承保では、Agentic AI駆動の研究アシスタントを使用して、複雑なクエリを分解し、複数のソースからデータを抽出し、99%の精度で洞察を生成し、ターンアラウンド時間を85%短縮しました。

主要銀行では、Gen AIソリューションを使用して、悪性メディアスクリーニング時間を60%削減し、誤陽性を12〜15%削減しました。

私たちは、企業が大量の非構造化データを取得し、推論し、文脈化する方法を再定義するために設計された、Gen AI駆動のナレッジマネジメントソリューションも開発しました。正確で、コンプライアンスのある、そして一貫性のある洞察をリアルタイムで提供することで、意思決定を強化し、効率を向上させ、運用の堅牢性を強化します。

これらのソリューションは、人間の判断を強化し、より迅速で正確なシステムを作成します。

AIイニシアチブを拡大しようとする企業にとって、最大の障害は技術的、文化的、戦略的ものですか? リーダーはこれらの障害をどのように克服できますか?

AIイニシアチブの拡大における最大の障害は技術ではありません。組織の準備度です。

まず、レガシーシステム全体にデータシロがあります。完全な置き換えは常に実用的ではないため、インテリジェントなブリッジを構築することに焦点を当てる必要があります。WNSでは、レガシーシステムの管理者とクラウドエンジニアをペアにした「ブリッジチーム」を作成し、実装を加速しながら重要なビジネスルールを維持しています。

2番目に、スキルギャップがあります。企業は、ドメインの専門家、データエンジニア、データサイエンティスト、技術的洞察とビジネス価値を接続できるトランスレーターの適切な組み合わせが必要です。

3番目に、技術の進化のペースがあります。WNS AI Labでは、企業が新興技術を実験し、実装前にProof of Conceptを構築できるようにしています。

文化面では、成功は効果的な変更管理に依存します。私は、従業員がAIを加算的なものではなく、置き換えとして見るのではなく、AIを加算的なものとして見るための枠組みを設計しています。AIカウンシルを設立することも賢明な選択です。ガバナンス、クロスファンクショナルな整合、パイロットからエンタープライズ全体への拡大への構造化されたパスを提供します。

AIの倫理、偏り、透明性に関する検討が増えています。金融機関は、イノベーションと責任あるAIガバナンスのバランスをとるために、どのように対応できますか?

イノベーションと責任は、相反する選択ではありません。責任はイノベーションの最初から組み込まれる必要があります。

金融機関は、堅牢なAIガバナンスフレームワークが必要です。WNSでは、AIが責任を持って、倫理的に、安全に開発されることを保証するフレームワークを実装しています。私たちのアプローチでは、偏り、公平性、カスタムKPI、モデルドリフトの監視に対するチェックが組み込まれています。これにより、信頼が構築され、規制遵守のみではありません。

透明性は、特に金融サービスにおいて、非常に重要です。AIがローンを拒否した場合、申請者は明確で理解できる説明を受けるに値します。

最終的に、責任あるAIは競争上の優位性です。顧客の信頼を得るために、公平性、透明性、セキュリティを示す銀行は、規制上の罰則や修復がより困難な評判の被害を冒すリスクを負います。

次の3〜5年で、どの新興AI機能またはデータ戦略が金融機関の運用方法に最も大きな影響を与えるでしょうか?

3つの開発が金融サービスを再定義するでしょう。

まず、Agentic AIは、実験的なものから不可欠なものへと移行します。自律的なAIエージェントは、人間のチームとともに複雑なワークフローを実行し、全体の部門をオーケストレートします。

2番目に、継続的な学習システムが標準となります。AIは、毎回のやり取りから学習し、顧客のニーズの変化に合わせて進化する、真正にパーソナライズされた金融サービスを可能にします。

3番目に、強力なテクノロジーの収束が見られます。量子コンピューティングによる高度なリスク計算、ブロックチェーンによる透明なAI意思決定ログ、エッジコンピューティングによる瞬時のローカライズされた意思決定。まとめて、これらのテクノロジーは、まだ想像できない全く新しい金融サービスの形を解放します。

起業家、買収、そして現在のグローバルリーダーシップの役割を経て、どのような指針があなたの決定とチームを変化させるリーダーシップを助けてきましたか?

3つの原則が私を導いてきました。

まず、完璧主義よりも忍耐力です。当初、The Smart Cubeを設立したとき、私にはすべての答えがなかったです。間違いを犯し、適応し、前進しました。適応力を持った忍耐力は、必須でした。

2番目に、長期的な価値を築くことです。ビジネススクールの教授は、私がThe Smart Cubeを設立してから数年後に私にアドバイスしました。「出口に焦点を当てるのではなく、成功したビジネスを築くことに焦点を当てましょう」。その長期的な思考は、私が下したすべての決定を形作ってきました。

3番目に、楽しむことです。私は常に、楽しんでいない場合は、別のことに移ることを信じてきました。30年後でも、私はまだ興奮して起きます。その熱意は、チームを変化を導くために鼓舞しています。

買収を経て、もう1つの真実が強化されました。変化は、人々を連れて行くときに成功します。技術的統合は簡単ですが、文化的統合 – 共有されたビジョンを構築する – そこが真正のリーダーシップが重要になる場所です。

金融におけるAIの未来を形作りたいプロフェッショナルにとって、どのようなスキル、思考、経験が最も貴重であると思いますか?

未来は、世界を架け橋できる人々のものです。純粋な技術スキルやドメインの専門知識だけでは十分ではありません。

まず、システム思考を身につけましょう。市場のニーズ – 明確なユースケース – から始め、後ろ向きに作業します。金融におけるAIには、すべてがどのように接続されているかを理解する必要があります。リスクモデルの変更が顧客体験にどのように影響するか、またはオートメーションが新しい機会を開く方法についてです。

2番目に、厳格な実用性を養いましょう。新しいテクノロジーに興奮するが、評価する際には厳格でなければなりません。すべての問題にAIが必要というわけではありません。時には、単純な分析またはスプレッドシートで仕事ができます。

3番目に、翻訳スキルを身につけましょう。これは不可欠です。複雑なAI概念を取締役に説明したり、データサイエンティストのためにビジネス要件を翻訳したりする能力は、無価値です。最も強いAIリーダーは、テクノロジーとビジネス戦略を整列させます。

最後に、継続的な学習に取り組みましょう。5年前の最先端のツールはすでに古くなっています。好奇心、謙虚さ、学習への取り組みを維持することで、AIと金融の交差点でまだ想像できない機会の扉が開かれます。

素晴らしいインタビュー、ありがとうございます。読者がもっと学びたい場合は、WNSアナリティクスを訪けてください。