ガウタム・シン、グローバルビジネスユニットヘッド、アナリティクス、データ、AI、WNSアナリティクス – 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（WNSの子会社）の共同創設者兼CEOです。The Smart Cube（研究およびアナリティクスリーダー）を設立して成長させた後、20年間でWNSに買収されました。その前に、彼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）、カミンズエンジンズ（米国）での経験があります。彼は、米国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。「意思決定の知性」を通じて、堅牢なデータインフラストラクチャ、AI/GenAI/アジェンティックAI技術、およびドメイン固有の専門知識を組み合わせます。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、物流を含むさまざまな業界でサービスを提供しています。その機能は、データエンジニアリングおよびガバナンス、記述的および予測的分析、AI/MLツール、視覚化にわたり、すべてが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を設立して20年以上にわたって指導し、WNSによる買収を経て、グローバルデータアナリティクスおよびAIビジネスを率いることになりました。コンサルティングから起業家への移行、および後にグローバルデータアナリティクスおよびAIビジネスへの移行の動機とは何でしたか?

10年間マネジメントコンサルティングに従事し、明確な市場のギャップを発見しました。企業は大量のデータを持っていますが、その価値を十分に抽出していません。2003年当時、アナリティクスはまだ基本的なものでした。私たちは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という決定は、自己に対する信念に基づくものでした。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、現在ははるかに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で問題に対処できます。最も重要なのは、データおよび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の重要性を認識したことです。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は、WNSのDNAの中核です。それが私を買収され、現在WNSのこのビジネスユニットを率いる動機となりました。

あなたは20年以上にわたってアナリティクスに携わってきました。金融サービスにおけるデータおよびAIの役割の進化について、初期の採用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、アナリティクスとは、歴史的なデータの分析と統計予測を行うことを意味しました。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、リアルタイムトレーディングアナリティクス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）が主役となっています。

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?」に移りました。

影響は有形です。AIベースの検証により、顧客のオンボーディングが数日かかっていたのが数時間で完了します。信用リスク評価は、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。また、不正検出は事後的な対応ではなく、リアルタイムで疑わしい活動をブロックします。

前向きに考えている企業は、AI駆動のデータレイクとガバナンスフレームワークを使用して、金融業務におけるリアルタイムの意思決定、規制遵守、透明性を改善するためにどのようにしていますか?

モノリシックなデータウェアハウスを構築し、インサイトを期待することはもう機能しません。機関は、知的データエコシステムを設計する必要があります。

金融サービスには、ユーザーに直面し、高度に機密性の高いデータを扱いながら、パーソナライゼーションとリアルタイムのレスポンス性を提供するというユニークな課題があります。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、規制報告用の特殊なデータポンドを作成します。各ポンドは独立して動作しながら、より大きなエコシステムにフィードし、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、ここで特に関連しています。データを移動せずにシステム全体で直接クエリを実行できるため、複雑なExtract-Transform-Loadプロセスを排除し、待ち時間を短縮し、ガバナンスを維持します。

AIエージェントは、異常検出を超えて進化しています。彼らは、不正な取引のみをフラグ付けするのではなく、行動を推奨し、ガバナンスパラメータ内で対応を実行します。コンプライアンスでは、AIは取引を継続的に監視し、レポートを生成し、規制当局が行う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しばしば推奨されます。金融サービスにおける不正検出、リスク分析、モデル検証で合成データが効果的に適用されている具体的な例を共有できますか?

WNSアナリティクスでは、AIモデルをトレーニングするために、高忠実度のプライバシー対応データセットを生成するための高度な合成データ生成を利用しています。私たちの合成データセットは、実際の金融データと同じ統計パターン、動作、相関関係を反映しながら、実世界のシナリオをエミュレートしますが、機密の個人情報（PII）や顧客データは公開しません。

この機能は、リスク分析、不正検出、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。合成データセットを使用して、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コンプライアンスを確保することができます。

特に革新的な応用例の1つは、PIIマスク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、企業は顧客にターゲットを絞ったオファーを提示できますが、完全なプライバシーを維持します。

インテリジェントオートメーションとAIエージェントは、ビジネスワークフローに埋め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を見てきましたが、それらはどのようにして運用の回復力とパフォーマンスを改善していますか?

AIエージェントを使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させ、企業が運用を合理化し、より迅速で情報に基づいた決定を下せ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、回復力、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の実装のための独自のGAINフレームワークを適用します。さらに、AIユーティリティハブを介して、ハイパースペシャライズドエージェントのための再利用可能な、マイクロサービスベースのコンポーネントを提供します。

保険の分野で、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、自律AIエージェントを使用したGen AI駆動のソリューションが、85%の精度を達成し、回収量を2倍に増やし、年間の回収額を約49%増加させ、以前に見逃されていた数百万ドルの機会を解放しました。

アンダーライティングでは、複数の特殊なエージェントを使用するAgentic AI駆動の研究アシスタントが、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%の精度でインサイトを生成し、ターンアラウンドタイムを85%短縮します。

主要銀行では、Gen AIソリューションが、不祥事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。

また、企業が広範な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、Gen AI駆動のナレッジマネジメントソリューションを設計しました。正確で、コンプライアンスのある、また一貫性のあるインサイトをリアルタイムで提供することで、意思決定を強化し、効率を向上し、運用の回復力を強化します。

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、技術的、文化的、戦略的な面で最大の障害は何ですか? それらをどのように克服できますか?

AIを拡大する最大の障害は技術ではありません。組織の準備度です。

第一に、レガシーシステム全体の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、レガシーアドミニストレーターとクラウドエンジニアをペアにする「ブリッジチーム」を作成しました。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。

第二に、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、技術的インサイトとビジネス価値を結び付けることが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。

第三に、技術の進化のペースです。WNS AIラボでは、企業が新興技術を実験し、実装前にPoCを構築できるようにしています。

文化的側面では、成功は効果的な変更管理に依存します。AIを加算的ではなく置き換えとして見るのではなく、従業員がAIを視覚化できるフレームワークを設計しています。AI評議会を設立することも賢明な措置です。ガバナンス、クロスファンクショナルな整合性、および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、透明性に関する監視が強化される中で、金融機関はどのようにして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ことができますか?

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構築さ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は、偏り、公平性、カスタムKPI、モデルのドリフトのチェックを組み込み、信頼を築き、規制遵守のみならず、提供します。このように、責任あるAIは競争上の優位性となります。公平性、透明性、セキュリティをAIシステムで実証する銀行は、顧客の信頼を獲得します。ガバナンスを後回しにしたものは、規制上の罰則と、修復がより困難な評判の被害に直面するリスクがあります。

次の3〜5年間で、どのような新しいAI機能やデータ戦略が金融組織の運用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変革するでしょう。

第一に、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エージェントが、人間のチームと並んで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。

第二に、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。

第三に、技術の収束が起こります。高度なリスク計算のための量子コンピューティング、AIの意思決定ログの透明性のためのブロックチェーン、瞬時のローカライズされた意思決定のためのエッジコンピューティング。这些技術が組み合わさることで、現在想像している以上の金融サービスの新しい形を解放します。

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意思決定とチームを変化させることを助けてきましたか?

3つの原則が私を導いてきました。

第一に、完全性よりも忍耐力。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。適応性を持った忍耐力は、不可欠でした。

第二に、短期的な退出ではなく、持続可能な価値を築くこと。ビジネススクールの教授は、私にこうアドバイスしました。「出口に焦点を当てるのではなく、成功するビジネスを築くことに焦点を当てなさい。そうすれば、出口は自然と訪れます」。長期的な視点が、私が下したすべての決定を形作ってきました。

第三に、楽しむこと。私は常に、楽しんでいない場合は、別のことに移るべきであると信じてきました。30年経過しましたが、まだ毎日、ワクワクする気持ちで起きています。この熱意が、変化を通じてチームを鼓舞しています。

買収を通じて、私はもう1つの真実を学びました。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 – こそが、真正のリーダーシップが必要なところです。

金融におけるAIの未来を形作ろうとするプロフェッショナルにとって、どのようなスキル、心構え、または経験が最も貴重であると思いますか?

未来は、世界を架け橋する人々のものです。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。

第一に、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 – から始めて、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繋がっ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な影響を与えるか、または自動化が新しい機会をどのように開くか。

第二に、理想主義よりも、厳格な実用性を養いましょう。新しい技術に熱狂する必要がありますが、それらを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、シンプルな分析またはスプレッドシートで仕事ができます。

第三に、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概念を取締役会に説明し、ビジネス要件をデータサイエンティストに翻訳する能力が必要です。AIの最も強力なリーダーは、技術とビジネス戦略を一致させます。

最後に、継続的な学習を受け入れましょう。5年前の最先端のツールはすでに旧式です。好奇心、謙虚さ、学習への取り組みを維持することで、AIと金融の交差点で想像できない機会が開かれます。

素晴らしいインタビュー、詳しく知りたい読者はWNSアナリティクスを訪問してください。