Lakshmikant Gundavarapu, Chief Innovation Officer bij Tredence – Interview Series

Lakshmikant Gundavarapu is de Chief Innovation Officer bij Tredence. Met meer dan drie decennia ervaring in de IT-sector, is Lakshmikant een gerespecteerd autoriteit op het gebied van AI-transformatie en digitale innovatie.

Als voormalig Global Head voor Data & AI bij Microsoft India, maakte Lakshmikants leiderschap digitale transformatie mogelijk voor 100+ klanten in 40 landen. Bij Microsoft zette Lakshmikant de integratie van open-source databases op Azure en vormde strategische allianties met SaaS-oplossingsleveranciers.

Met een talent voor het ontwikkelen van klantgerichte AI-oplossingen, excelleert Lakshmikant in het smeden van strategische partnerschappen die innovatie stimuleren. Lakshmikant brengt een schat aan ervaring, technische expertise en leiderschapskwaliteiten met zich mee om AI-gedreven transformaties te catalyseren, waarbij hij een bewezen vermogen heeft om opkomende technologieën om te zetten in concrete bedrijfsoplossingen.

Tredence is een data- en AI-bedrijf dat bedrijven helpt om analytics-experimenten om te zetten in echte wereldimpact. Ze werken in verschillende branches, zoals retail, CPG, technologie, financiën, gezondheidszorg en reizen, en bieden diensten aan op het gebied van data-engineering, AI/ML, generatieve AI, supply chain, customer experience en digitale modernisering. Hun focus ligt op het combineren van snelheid via accelerators, diepe domeinkennis en sterke partnerschappen om schaalbare, enterprise-ready oplossingen te leveren.

Met uw jaren bij Microsoft India, welke ervaringen hebben uw visie voor AI-gedreven ondernemings transformatie gevormd, die nu zichtbaar is in Tredence’s strategie?

Tijdens mijn tijd bij Microsoft had ik de kans om met ondernemingen uit verschillende sectoren te werken, waaronder luchtvaart en onroerend goed. Het is duidelijk dat AI echt impact kan hebben wanneer het een duidelijk doel heeft, wordt ondersteund door betrouwbare data en is ontworpen om te integreren in operationele besluitvorming.

Bijvoorbeeld:

• Een grote luchtvaartmaatschappij implementeerde AI om motorstoringen te voorspellen, waardoor proactief onderhoud mogelijk werd en zowel veiligheid als efficiëntie verbeterde.
• Een groot vastgoedbedrijf gebruikte AI voor voorspellende monitoring van essentiële gebouwsystemen, waardoor downtime werd verminderd en onderhoudsplanningen werden geoptimaliseerd.

Deze ervaringen hebben me geleerd dat technologie alleen ondernemingen niet transformeert. Het vereist zorgvuldige ontwerp, sterke datafundamenten en mechanismen die inzichten omzetten in echte actie. Deze visie drijft nu Tredence’s aanpak: We ontwikkelen AI-oplossingen die doelgericht, data-geïnformeerd en in staat zijn om meetbare resultaten te leveren over de hele onderneming.

Tredence wordt vaak omschreven als het oplossen van het “last-mile”-probleem in AI. Kunt u voorbeelden geven waar deze transformatie voor klanten versnelde? 

Neem een grote wereldwijde retailer. Door gefragmenteerde data van transacties, loyaliteitsprogramma’s, supply chain-operaties en digitale touchpoints te verenigen, hebben we AI-toepassingen mogelijk gemaakt die omzetgroei, klantbehoud, journey-persoonalisatie en vraagvoorspelling stimuleerden. We hebben deze inzichten operationeel toegepast, waardoor analytics werden omgezet in tastbare bedrijfsresultaten.

Detailhandel case study: Tredence creëerde een unified personalisatiesysteem dat $58 miljoen aan omzet genereerde en een KPI-gat van 54% sloot. Dit ging verder dan klantinzichten en leverde omzetstimulerende personalisatie op grote schaal.

In biofarmacie maakte de integratie van R&D-, klinische en commerciële datasets het mogelijk om AI te gebruiken voor het optimaliseren van proefpersonenwerving, het verbeteren van studieontwerp en het verbeteren van artsengagement, waardoor de tijd tot markt en omzet werden verhoogd.

Over sectoren heen, van bankfraude detectie tot voorspellend onderhoud in de productie, blijft de les hetzelfde: AI levert waarde alleen wanneer het beslissingen stimuleert die voor de onderneming van belang zijn.

Bankwezen case study: Tredence implementeerde GenAI AML (anti-witwas) copilots die niet alleen inzichten over verdachte activiteiten genereerden, maar ook werden geïntegreerd in dagelijkse operaties om de casusdoorstroom met 120% te verhogen en valse positieven met 15% te verminderen. Dit toont de vertaling van AI-detectie naar operationele efficiëntie.

Ondernemingen worstelen vaak met het verplaatsen van AI-pilots naar productie op grote schaal. Wat zijn de grootste obstakels, en hoe helpt Tredence deze te overwinnen?

Veel AI-initiatieven stranden omdat ze niet zijn ontworpen met een duidelijk bedrijfsresultaat, zelfs als ze technisch sterk zijn. Sleuteluitdagingen zijn:

1. Purpose-built ontwerpgaten : Inzichten kunnen interessant zijn, maar lossen geen meetbare bedrijfsproblemen op.
2. Databeperkingen: Gefragmenteerde of slechte kwaliteit data voorkomen betrouwbare schaalbaarheid.
3. Operationele uitdagingen: Zonder geautomatiseerde implementatie, monitoring, opnieuw trainen en governance, blijven modellen experimenteel.

Bij Tredence tackelen we deze uitdagingen door:

• Resultaatgericht ontwerp, waarbij elke AI-initiatief rechtstreeks is gekoppeld aan meetbare bedrijfsresultaten.
• Robuuste datafundamenten, door datasets te consolideren en te verrijken voor betrouwbare modelprestaties.
• Productieklare operationele kaders, inclusief geautomatiseerde implementatie, monitoring en opnieuw trainen om nauwkeurigheid, veerkracht en compliance te behouden.

Deze aanpak maakt het mogelijk voor ondernemingen om over te stappen van experimenten naar volledige AI die consistent bedrijfsimpact levert.

U kondigde onlangs Milky Way aan, een constellatie van autonome AI-agents. Wat inspireerde het ontwerp, en hoe verschilt het van conventionele AI-assistenten?

Milky Way is ontstaan uit de realisatie dat ondernemingen meer nodig hebben dan dashboards of chatbots. Ze hebben een redeneringskader nodig dat multivariate data kan consumeren, interpreteren en verbinden om actiegerichte intelligentie te genereren.

In tegenstelling tot conventionele assistenten:

• Redeneren over diverse gegevensbronnen, inzichten verbindend in plaats van alleen vragen te beantwoorden.
• Complex, multidimensionale problemen analyseren, informatie over workflows verbindend.
• Actiegerichte intelligentie leveren, inzichten omzetten in beslissingen of geautomatiseerde acties.

Kortom, Milky Way transformeert AI in een netwerk van redenerende agents die complexiteit kunnen hanteren en echte bedrijfsresultaten kunnen stimuleren, in plaats van basisinstrumenten te vervangen.

Vroege implementaties van Milky Way leverden snelle resultaten op. Wat maakte deze winst mogelijk?

Drie elementen maakten het verschil:

1. Inzichten integreren waar beslissingen worden genomen, waardoor aanbevelingen onmiddellijk actiegericht zijn.
2. Forward-looking intelligentie, inzichten omzetten in proactieve beslissingen in plaats van retrospectieve analyse.
3. Beveiligde, gereguleerde platforms, waardoor ondernemingsbrede AI mogelijk wordt terwijl compliance en controle worden gehandhaafd.

Deze combinatie levert tastbare bedrijfsresultaten op in weken in plaats van maanden.

Milky Way prioriteert verklarende waarde, controleerbaarheid en redeneringspaden. Hoe kritiek is dit voor ondernemingsvertrouwen?

Vertrouwen is fundamenteel in ondernemings-AI. Milky Way waarborgt:

• Transparante rationale voor elke aanbeveling.
• Controleerbare sporen die alle invoer, uitvoer en acties documenteren.
• Continue adversarial testing om robuustheid en betrouwbaarheid te waarborgen.

Deze transparantie en verantwoordelijkheid onderscheiden Milky Way van ondoorzichtige, black-box systemen, waardoor ondernemingsvertrouwen in de adoptie wordt opgebouwd.

Hoe zal deze verschuiving van instrumenten naar AI-teamleden de manier waarop ondernemingen opereren en beslissingen nemen, beïnvloeden?

AI-teamleden veranderen de manier waarop ondernemingen opereren:

• Managers nemen dubbele rollen aan, waarbij ze zowel mensen als AI-agents begeleiden.
• Beslissingen worden collaboratief, waarbij agents redenering afhandelen en mensen context en ethische toezicht bieden.
• Operationele structuren evolueren om AI te integreren in dagelijkse besluitvorming, waardoor de snelheid, consistentie en kwaliteit van resultaten worden verbeterd.

Against 2028 zullen een derde van de bedrijfsbeslissingen mogelijk autonoom worden genomen. Wat moeten ondernemingen veranderen om veiligheid te garanderen?

 Om autonome AI veilig te implementeren, moeten ondernemingen praktische maatregelen nemen op het gebied van cultuur, operaties en governance:

Cultuur – Vertrouwen opbouwen met AI:

• Begin met human-in-the-loop besluitvorming en verhoog geleidelijk de autonomie.
• Train teams om AI-aanbevelingen te begrijpen, te valideren en in te grijpen.

Operaties – Implementeer monitoring en risicobeheersing:

• AI-beslissingen continu volgen voor nauwkeurigheid, bias en compliance.
• Adversarial simulaties uitvoeren om kwetsbaarheden te identificeren.
• Feedbackloops onderhouden om AI-modellen te verbeteren vanuit menselijke correcties.

Governance – Grenzen en escalatiepaden instellen:

• Bepaal welke beslissingen volledig geautomatiseerd kunnen worden en welke toezicht vereisen.
• Controleerbaarheid en traceerbaarheid waarborgen voor alle AI-gedreven acties.
• Contingentieprocessen creëren om in te grijpen bij afwijkingen of risico’s.

Deze stappen stellen ondernemingen in staat om autonome besluitvorming veilig te schalen, terwijl ze controle, verantwoordelijkheid en compliance behouden.

Wat is Tredence’s roadmap voor Milky Way?

Onze roadmap omvat:

1. Branchespecifieke agents voor detailhandel, gezondheidszorg, productie en financiële diensten.
2. Diepere integraties met ERP-, CRM- en supply chain-systemen voor naadloze adoptie.
3. Continue leren en redeneren om agents in staat te stellen hun intelligentie en contextuele begrip te verbeteren over tijd.

De visie is een ecosysteem van samenwerkende agents die ondernemingen kunnen assembleren, reguleren en vertrouwen.

Hoe moeten C-suite leiders zich voorbereiden op AI die strategische beslissingsrollen op zich neemt?

AI-adoptie is een volwassenheidsreis:

• Begin met human-in-the-loop copilots, ga verder met semi-autonome workflows en sta uiteindelijk volledige autonomie toe in gereguleerde domeinen.
• Investeer in AI-literatuur, waardoor teams effectief kunnen samenwerken met AI-systemen.
• Denk KPI’s, governancekaders en operationele structuren opnieuw uit om zich te richten op beslissingskwaliteit en bedrijfsimpact, in plaats van alleen modelprestaties.

Uiteindelijk is AI-adoptie niet alleen een technologische initiatief; het is een transformatie in leiderschap, cultuur en operationele besluitvorming.

Bedankt voor het geweldige interview, lezers die meer willen leren, kunnen Tredence bezoeken op Tredence.