Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Interviewreeks

Dr. Pandurang Kamat is Chief Technology Officer bij Persistent Systems (PERSISTENT.BO ), hij is verantwoordelijk voor geavanceerd technologisch onderzoek gericht op het ontsluiten van bedrijfswaarde door innovatie op grote schaal. Hij is een ervaren technologie-leider die klanten helpt bij het verbeteren van de gebruikerservaring, het optimaliseren van bedrijfsprocessen en het creëren van nieuwe digitale producten. Zijn visie voor Persistent is om een innovatiekracht te zijn die een wereldwijd en divers innovatie-ecosysteem verankert, bestaande uit academici en start-ups.

Pandurang trad in 2012 toe tot Persistent. Voordat hij bij Persistent kwam, was hij de directeur van Analytics voor de zoek- en contentbedrijven van Ask.com, waar hij een wereldwijd team leidde om het analytics-platform van Ask te beheren. Voordat hij daar werkte, hielp hij bij het bouwen van beveiligde communicatie- en digitale mediaproducten bij Bell Labs en HP Labs en een award-winning draadloos onderzoeksplatform bij Rutgers University.

Persistent Systems is een vertrouwd partner voor digitale engineering en ondernemingsmodernisering voor wereldwijde marktleiders in verschillende industrieën.

Wat trok je aanvankelijk aan tot informatica en computerengineering?

Mijn interesse in informatica en engineering werd gewekt tijdens een zomercursus op school. Het leren van programmeerconstructies en het maken van computerspellen introduceerde me bij de gestructureerde logica die deze vakgebieden ondersteunt. Ik was gefascineerd door de mogelijkheid om complexe problemen te ontrafelen en systematisch op te lossen. Wat me echt aantrok, was de immense hefboom die goed ontworpen programma’s bieden. Ze kunnen taken automatiseren, processen optimaliseren en individuen of kleine teams in staat stellen om opmerkelijke prestaties te leveren. Deze combinatie van creativiteit, probleemoplossing en transformatief potentieel blijft me inspireren. Van die eerste ervaringen tot mijn voortdurende reis, blijf ik gepassioneerd over de eindeloze mogelijkheden die technologie biedt. Informatica en engineering niet alleen vormgeven de toekomst, maar bieden ook wegen voor innovatie en vooruitgang die me vooruit helpen.

Hoe heeft de opkomst van generatieve AI de manier waarop je team werkt, veranderd?

De opkomst van generatieve AI (GenAI) heeft de manier waarop ons team werkt, veranderd bij Persistent, met name in de ontwikkeling van software voor ondernemingen. Deze verstoring binnen de IT-industrie biedt niet alleen uitdagingen, maar ook significante kansen om bedrijfsprocessen holistisch te herdefiniëren.

Als een AI-gedreven digitale engineering-onderneming, heeft Persistent GenAI omarmd om verschillende aspecten van de software-engineering-levenscyclus te revolutioneren. In het afgelopen jaar hebben we tools en suites ontwikkeld die processen zoals codegeneratie, testgevalgeneratie en rapportmigratie volledig herdefiniëren. In projecten voor legacy-modernisering is onze aanpak aanzienlijk veranderd. We gebruiken nu tools om code-overnameprocessen te stroomlijnen, projectrisico’s te mitigeren en de inwerking van nieuwe teamleden te versnellen door hen een dieper inzicht te geven in complexe codebases. Bovendien maakt onze samenwerking met industriedomeinen het mogelijk om maatwerkoplossingen te leveren met behulp van ondernemingsgegevens. Door het ontwikkelen van digitale assistenten die bedrijfstaal kunnen begrijpen en relevante verwijzingen kunnen bieden, verbeteren we operationele efficiëntie en besluitvorming binnen ondernemingen. Deze assistenten houden zich aan de principes van Verantwoorde AI, waardoor transparantie, verantwoordelijkheid, beveiliging en privacy worden gewaarborgd, terwijl ze hun nauwkeurigheid en prestaties voortdurend verbeteren door middel van geautomatiseerde evaluatie van modeluitvoer.

Wat zijn enkele van de uitdagingen van het volledig moderniseren van legacy-systemen met behulp van generatieve AI?

GenAI is een krachtig instrument, maar het is geen zilveren kogel voor de complete modernisering van legacy-systemen. Ondernemingen in verschillende industrieën moeten een gecombineerde aanpak hanteren, waarbij zowel menselijke expertise als AI-mogelijkheden worden benut. Hoewel GenAI een aanzienlijk potentieel voor modernisering biedt, heeft het zijn beperkingen. Enkele van de belangrijkste uitdagingen zijn:

• Beperkt begrip van legacy-systemen: GenAI-modellen vereisen een grondig begrip van bestaande systemen om effectief te functioneren. Legacy-systemen ontbreken vaak aan uitgebreide documentatie, waardoor het voor AI moeilijk is om hun onderlinge afhankelijkheden effectief te begrijpen.
• Gegevenskwaliteit en vooroordeel: De kwaliteit en representativiteit van de gegevens die worden gebruikt om het AI-model te trainen, hebben een aanzienlijke invloed op de gegenereerde output. Beperkingen van de trainingsgegevens kunnen worden weerspiegeld in de gegenereerde code, waardoor mogelijk nieuwe problemen ontstaan.
• Garanderen van kwaliteit en beveiliging: Hoewel GenAI codegeneratie kan automatiseren, moet de gegenereerde output grondig worden getest en geverifieerd om te voldoen aan kwaliteits-, functionele en beveiligingseisen.
• Beperkte reikwijdte van modernisering: GenAI kan mogelijk niet geschikt zijn voor een complete systeemoverhaul. Het kan uitstekend presteren bij specifieke taken zoals code-refactoring of testgevalgeneratie, maar complexe architectonische veranderingen vereisen nog steeds menselijke interventie.
• Change Management en stakeholder-uitlijning: Het beheren van organisatorische verandering en het verkrijgen van stakeholder-buy-in zijn cruciale factoren bij het bepalen van het succes van het moderniseren van legacy-systemen met GenAI. Duidelijke communicatie, trainingsprogramma’s en stakeholder-betrokkenheidsinitiatieven kunnen helpen om weerstand tegen verandering te overwinnen en een soepele overgang te faciliteren.

Een van de uitdagingen van Generatieve AI is consistentie, hoe helpt Persistent Systems bij het opbouwen van een consistente gebruikerservaring?

Consistentie is één aspect van het bieden van een algehele ondernemingsklasse, ondernemingsveilige GenAI-geactiveerde gebruikerservaring en resultaten. We kijken naar het proces holistisch.

We bieden ondersteuning van begin tot eind in alle fasen van GenAI-adoptie. Onze strategische richtlijnen en zorgvuldige use-case-analyses helpen ondernemingen bij het selecteren van de meest geschikte foundation-modellen (FMs) aangepast aan hun specifieke behoeften. Door middel van een gedetailleerde examinatie en consultatie, helpen we klanten bij het definiëren van duidelijke use-cases en het maken van geïnformeerde FM-selecties.

Vervolgens richten we ons op meerdere benaderingen, zoals few-shot prompting of fine-tuning, om ervoor te zorgen dat de modellen die in de toepassingen worden gebruikt, zijn afgestemd op de use-case en ondernemingsgegevens.

Onze oplossingen maken niet alleen standaard RAG-technieken gebruik van, maar gaan ook dieper in op meerdere prompting- en data-chunking-strategieën om ervoor te zorgen dat de meest relevante gegevens worden opgehaald en aan de FM worden gegeven tijdens inferentie. We verhogen de nauwkeurigheid en relevantie van deze context verder door het gebruik van geavanceerde Kennisgraphen om verborgen relaties binnen de ondernemingsgegevens te vangen.

We passen ook meerdere grounding-technieken en guardrails toe om de reikwijdte van inferentie te beperken en te focussen.

Tenslotte onderwerpen we de toepassing aan een grondige en geautomatiseerde evaluatiekader dat de consistentie van inferentie en ervaring garandeert, release na release.

Kunt u voorbeelden geven van situaties waarin GenAI-geactiveerde oplossingen succesvol de interactie met klanten hebben getransformeerd?

Persistent heeft de interactie met klanten getransformeerd voor een toonaangevende software-oplossingsprovider met behulp van GenAI-geactiveerde oplossingen. De onderneming kampte met schaalbaarheidsuitdagingen tijdens piekoperatieperiodes en implementeerde een Centraal KennisRepository en Conversational AI Teams BOT. Dit stroomlijnde de toegang tot informatie, waardoor de tijd voor het oplossen van klantvragen met 80% werd verminderd. De kwaliteit van de antwoorden verbeterde ook aanzienlijk, wat leidde tot een verbeterde klanttevredenheid.

We hebben ook een particuliere equity-firm geholpen door GenAI te gebruiken om de creatie van gedetailleerde investeringsrapporten te automatiseren. Met het GenAI-geactiveerde systeem werd de tijd die nodig was om rapporten te genereren, met 90% verminderd. Deze gestroomlijnde aanpak revolutioneerde de operaties van de onderneming, waardoor snelle en effectieve besluitvorming mogelijk werd. De efficiëntie zorgde niet alleen voor tijdbesparing, maar ook voor een toename van de samenwerking tussen stakeholders en zorgde voor een persoonlijke touch in elk memo, waardoor de algehele effectiviteit werd verbeterd.

Hoe benaderen jullie verantwoorde GenAI-innovatie?

Onze aanpak van verantwoorde GenAI-innovatie prioriteert ethische praktijken en regelgevingsconformiteit gedurende de ontwikkelings- en implementatiefasen. We benadrukken transparantie, verantwoordelijkheid en eerlijkheid in AI-gedreven besluitvorming.

We stellen robuuste ethische richtlijnen op voor de ontwikkeling, implementatie en het gebruik van GenAI-systemen. In onze zoektocht naar verantwoorde GenAI-innovatie, testen en valideren we onze systemen grondig om potentiële risico’s zoals vooroordelen, desinformatie en privacyproblemen te mitigeren.

Verder prioriteren we transparantie en verantwoordelijkheid in AI-gedreven besluitvormingsprocessen door gebruikers duidelijke inzichten te bieden in systeemoperaties. Uiteindelijk is onze aanpak gericht op het ontwikkelen en implementeren van GenAI-systemen die innovatie en efficiëntie stimuleren, terwijl ze een positieve bijdrage leveren aan de samenleving.

Wat is uw visie voor de toekomst van AI?

Mijn visie voor de toekomst van AI is veelzijdig. Ten eerste, in digitale engineering, zie ik AI niet alleen als een codingsassistent, maar ook als een collaboratieve partner, vergelijkbaar met een “pair programmer”. Dit houdt in dat AI helpt bij coderingstaken en actief deelneemt aan probleemoplossing door complexe taken in kaart te brengen en subtaken uit te voeren.

Ten tweede, voorzie ik een tijdperk van gepersonaliseerde AI-agents en -assistenten die op maat gemaakte ervaringen bieden aan individuen – een “personalisatie van 1”-aanpak. Deze agents zullen de unieke voorkeuren, gedragingen en behoeften van gebruikers begrijpen en bieden zeer gepersonaliseerde ondersteuning en diensten.

Tenslotte geloof ik in de evolutie van samengestelde AI-systemen, waarin verschillende AI-modellen samenwerken om verschillende behoeften te vervullen. Er zal geen enkel “one-size-fits-all”-model zijn, maar eerder een combinatie van grote en kleine, algemene en specifieke modellen die samenwerken in AI-diensten. Deze aanpak biedt grotere flexibiliteit, efficiëntie en effectiviteit bij het oplossen van een breed scala aan problemen in verschillende domeinen.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Persistent Systems bezoeken.