Nitin Singhal, VP of Engineering (Data, AI, en Integraties) bij SnapLogic

Nitin Singhal is een ervaren technologie- en productleider met meer dan 25 jaar ervaring in de industrie. Hij is momenteel Vice President of Engineering bij SnapLogic, waar hij zich richt op de verantwoorde integratie van applicaties en systemen, met behulp van Agentic-architectuur om het potentieel van data voor een wereldwijd publiek te ontsluiten.

Voordat hij bij SnapLogic kwam, was Nitin Senior Director of Engineering bij Twitter, waar hij de Data Management- en Privacy Infrastructure-engineeringsfuncties leidde. Zijn werk bestond uit het opzetten van data-governancepraktijken tijdens een kritieke periode voor het bedrijf, om verantwoorde data-gebruik en naleving van privacyreglementen te garanderen.

Nitin heeft ook verschillende engineerings- en productleiderschapsposities gehad bij vooraanstaande organisaties, waaronder Visa, PayPal en JPMorgan Chase, waar hij een belangrijke bijdrage leverde aan significante vooruitgang in datastrategie en -beheer.

SnapLogic is een AI-gepowered integratieplatform dat data- en applicatie-workflows stroomlijnt met no-code-tools en meer dan 1.000 vooraf gebouwde connectors. Het ondersteunt ETL/ELT, automatisering, API-beheer en beveiligde implementaties in cloud-, on-premises- en hybride omgevingen. Functies zoals SnapGPT en AutoSync vergroten de efficiëntie, waardoor organisaties processen naadloos kunnen integreren en orkestreren.

U heeft bijna 25 jaar ervaring met het stimuleren van technologische innovatie. Wat inspireerde u om een carrière na te streven die gericht is op het gebruik van technologie om complexe problemen op te lossen, en hoe is die passie geëvolueerd met de opkomst van AI?

Vanaf het begin van mijn carrière was ik gefascineerd door de uitdaging om puzzels op te lossen en de logische schoonheid van wiskunde. Deze fascinatie leidde me natuurlijk naar het onderzoeken van hoe technologie complexe, echte problemen kon aanpakken. Vroeg in mijn carrière werd ik geïnspireerd door het potentieel van technologie om problemen zoals transactiefraude-detectie en dataprivacy-risico’s aan te pakken. Mijn passie is alleen maar dieper geworden nu AI is geëvolueerd, vooral met de komst van Generative AI. Ik heb de transformatieve impact van AI gezien, van het empoweren van boeren met gewasinzichten via smartphones tot het mogelijk maken voor alledaagse gebruikers, zoals mijn vader, om taken zoals belastingaangiftes gemakkelijk te navigeren. De democratisering van AI-technologie inspireert me, waardoor we een positief verschil kunnen maken in mensenlevens. Deze voortdurende reis versterkt mijn toewijding om AI vooruit te helpen op manieren die niet alleen innovatief en efficiënt zijn, maar ook veilig, verantwoord en toegankelijk voor iedereen.

Wat zijn de grootste risico’s waaraan bedrijven blootstaan als ze verouderde technologie gebruiken in de tijd van geavanceerde AI?

Het gebruik van verouderde technologie brengt significante risico’s met zich mee die de toekomst van een bedrijf in gevaar kunnen brengen. Verouderde systemen, met name legacy-infrastructuur, leiden tot verlammende inefficiënties en voorkomen dat organisaties AI kunnen inzetten voor hoogwaardige taken. Deze verouderde technologieën hebben moeite met data-toegang en -integratie, waardoor dure operationele bottlenecks ontstaan die automatisering en innovatie hinderen. De verborgen kosten van het onderhoud van dergelijke systemen lopen op, waardoor resources worden gedraineerd en het moeilijk wordt om top-talent aan te trekken dat moderne technische omgevingen prefereert. Als bedrijven vast komen te zitten in een cyclus van stagnatie, missen ze kansen voor progressieve groei en lopen ze het risico om ingehaald te worden door meer agile concurrenten.

De keuze is duidelijk: evolueer zoals de iPhone of onderga de lotgevallen van BlackBerry.

Hoe worstelen legacy-systemen met het voldoen aan de eisen van moderne AI-toepassingen, met name met betrekking tot energie, vraag en infrastructuur?

Legacy-systemen hebben aanzienlijke moeite om aan de eisen van moderne AI-toepassingen te voldoen vanwege hun inherente beperkingen. Deze verouderde infrastructuur heeft meer data-verwerking capaciteiten, schaalbaarheid en flexibiliteit nodig voor de intensieve berekeningsbehoeften van AI. Ze creëren vaak data-silos en -bottlenecks, waardoor real-time, geïntegreerde data-verwerking wordt gehinderd, wat essentieel is voor AI-gedreven inzichten. Deze incompatibiliteit belemmert de implementatie van geavanceerde AI-technologieën en leidt tot inefficiënt resource-gebruik, verhoogde energieverbruik en potentiële systeemuitval. Als gevolg hiervan worstelen bedrijven die vertrouwen op legacy-systemen om het volledige potentieel van AI te benutten in kritieke gebieden zoals precisie-targeting, loonadministratie en fraude-detectie, waardoor hun concurrentievoordeel in een AI-gedreven landschap wordt beperkt.

Wat zijn de “verborgen” kosten van complacentie voor bedrijven die aarzelen om hun systemen te moderniseren?

Het gebruik van verouderde technologie betekent dat bedrijven afhankelijk zijn van handmatige processen en gesiloede data, waardoor kosten toenemen en productiviteit afneemt. Na verloop van tijd leidt deze inefficiëntie tot gemiste kansen en een aanzienlijk verlies van concurrentievoordeel, aangezien meer agile concurrenten AI-oplossingen adopteren. Bovendien wordt het potentieel van werknemers verspild aan herhalende taken in plaats van strategisch werk, waardoor frustratie en potentieel hogere personeelsverloop ontstaat. Als concurrenten AI gebruiken voor grotere efficiëntie en innovatie, lopen bedrijven die modernisering uitstellen het risico om verder achterop te raken, waardoor hun marktpositie en langetermijnlevenbaarheid in een steeds digitaler landschap in gevaar komen.

Organisaties moeten onderscheid maken tussen legitieme zorgen over AI-adoptie en gevallen waarin menselijke onzekerheden leiden tot misleidende verhalen.

Hoe kunnen bedrijven beoordelen of ze achterblijven in termen van infrastructuurklaarheid voor AI?

Bedrijven kunnen hun AI-klaarheid beoordelen door te bepalen of hun huidige systemen kunnen worden geïntegreerd met moderne AI-hulpmiddelen en kunnen worden geschaald om aan de toenemende data-eisen te voldoen. Als ze moeite hebben om grote datasets efficiënt te verwerken, cloud-oplossingen te gebruiken of automatisering te ondersteunen, is het een duidelijk teken dat ze mogelijk achterblijven. Bovendien moeten bedrijven onderzoeken of legacy-systemen bottlenecks creëren of excessieve handmatige interventie vereisen, waardoor productiviteit wordt gehinderd. Sleutelindicatoren van achterblijvende infrastructuur zijn data-silos, onvoldoende real-time-analyse, onvoldoende rekenkracht voor complexe algoritmen en moeite om AI-talent aan te trekken. Uiteindelijk riskeren organisaties die constant achterblijven bij AI-mogelijkheden hun concurrentievoordeel in een steeds digitaler landschap te verliezen. Ik wil ook benadrukken dat state-of-the-art-observatie-, beveiligings- en privacybeschermingstechnieken volgens composable-architectuur essentieel zijn voor naadloze en verantwoorde AI-klaarheid.

Wat zijn enkele praktische stappen die organisaties vandaag kunnen nemen om hun systemen toekomstbestendig te maken voor AI-innovaties?

De eerste stap is om de huidige technische stack te evalueren en te zoeken naar gebieden waar AI kan worden geïntegreerd. Organisaties moeten prioriteit geven aan schaalbare cloud-oplossingen die AI-gedreven automatisering ondersteunen en het gemakkelijk maken om nieuwe technologieën te integreren. In het bijzonder kunnen low-code-platforms bedrijven met beperkte resources helpen om AI-agents snel te implementeren zonder diepe technische expertise nodig te hebben. Ondernemingen moeten er ook voor zorgen dat ze flexibele, cloud-gebaseerde infrastructuur hebben die kan worden geschaald naar behoefte om toekomstige AI-toepassingen te ondersteunen.

Welke industrieën hebben, naar uw mening, het meeste te winnen door AI snel te adopteren en legacy-systemen te upgraden?

Industrieën die afhankelijk zijn van data-gedreven besluitvorming en herhalende taken hebben het meeste te winnen. Bijvoorbeeld in de financiële dienstverlening kan AI taken zoals klantenservice, fraude-detectie en kredietgoedkeuring automatiseren, waardoor operaties worden gestroomlijnd en de klantbeleving wordt verbeterd. Ook verkoop- en klantenserviceteams kunnen een aanzienlijke productiviteitsboost zien door AI te gebruiken om routinevragen of leads efficiënter te verwerken. Bedrijven in de gezondheidszorg, fabricage en detailhandel kunnen ook aanzienlijk profiteren van AI, vooral omdat AI-hulpmiddelen helpen bij het optimaliseren van supply chains, voorspellen van vraag en automatiseren van administratief werk. In plaats van deze herhalende taken uit te voeren, kunnen domeinexperts zich richten op strategisch werk, waardoor een hoog rendement op AI-investeringen ontstaat.

Hoe ondersteunt SnapLogic’s platform specifiek bedrijven bij het vervangen van gefragmenteerde, legacy-infrastructuur door AI-gedreven oplossingen?

 SnapLogic’s platform empowerd bedrijven om workflows te unificeren en te automatiseren over data en applicaties, waardoor legacy-systemen worden verbonden met moderne, AI-klaar infrastructuur. Door gefragmenteerde data-bronnen naadloos te verbinden en integratie over cloud- en on-premises-omgevingen te vereenvoudigen, versnelt SnapLogic de overgang naar een geïntegreerd systeem waar AI onmiddellijk waarde kan bieden.

Het low-code-interface van het platform, inclusief tools zoals AgentCreator en SnapGPT, stelt bedrijven in staat om AI-gedreven oplossingen snel te implementeren voor verschillende use-cases, van het automatiseren van klantinteracties tot het verbeteren van financiële rapportage en marketingeffectiviteit. SnapLogic’s IRIS AI-technologie biedt intelligente aanbevelingen voor het opbouwen van data-pipelines, waardoor de complexiteit van integratietaken aanzienlijk wordt verminderd en het platform toegankelijk wordt gemaakt voor gebruikers met uiteenlopende niveaus van technische expertise.

SnapLogic geeft prioriteit aan data-governance, compliance en beveiliging in AI-initiatieven. Met functies zoals eind-tot-eind-encryptie, uitgebreide logging en agent-actievoorbeelden, kunnen ondernemingen hun AI-projecten met vertrouwen opschalen. De recente lancering van een integratiecatalogus en data-lijn-tools biedt essentiële context om gevoelige data te beschermen tegen lekken tijdens ingress en egress. Bovendien biedt SnapLogic integratie-mogelijkheden in moderne systemen op een composable manier, waardoor bedrijfsdoelstellingen worden gestimuleerd en flexibele oplossingen worden geboden om kosten-, compliance- en onderhoudsuitdagingen aan te pakken.

Welke unieke uitdagingen bent u tegengekomen bij SnapLogic bij het ontwikkelen van producten die legacy- en moderne AI-geïntegreerde systemen verbinden?

 Een unieke uitdaging bij het verbinden van legacy- en moderne AI-geïntegreerde systemen is ervoor zorgen dat het SnapLogic-platform de rigiditeit van oudere systemen kan accommoderen, terwijl het nog steeds de flexibiliteit en schaalbaarheid ondersteunt die nodig is voor AI-toepassingen. Een andere uitdaging is het creëren van een platform dat toegankelijk is voor zowel technische als niet-technische gebruikers, wat een balans vereist tussen geavanceerde functionaliteit en gebruiksgemak.

Als een enterprise SAAS-bedrijf, balanceert SnapLogic de unieke en generieke behoeften van honderden klanten uit verschillende industrieën, terwijl het platform voortdurend evolueert om nieuwe en moderne technologieën te adopteren op een flexibele, verantwoorde en backward-compatibele manier.

Om dit aan te pakken, hebben we vooraf gebouwde connectors ontwikkeld die data naadloos over oude en nieuwe platforms verbinden. Met SnapLogic AgentCreator hebben we organisaties ook in staat gesteld om AI-agents te implementeren die taken automatiseren, real-time beslissingen nemen en zich aanpassen binnen bestaande workflows.

Kunt u verder ingaan op SnapLogic’s “Generative Integration” en hoe het naadloze AI-gedreven automatisering in enterprise-omgevingen mogelijk maakt?

SnapLogic’s Generative Integration is een baanbrekende functie van het SnapLogic-platform dat generatieve AI en grote taalmodellen (LLM’s) gebruikt om de creatie van integratie-pipelines en workflows te stroomlijnen en te automatiseren. Deze innovatieve benadering stelt bedrijven in staat om systemen, applicaties en data-bronnen naadloos te verbinden, waardoor een soepelere overgang naar AI-gedreven omgevingen wordt gefaciliteerd. Door natuurlijke taalprompts te interpreteren, empowerd Generative Integration zelfs niet-technische gebruikers om integraties te ontwikkelen, aan te passen en te implementeren met gemak en snelheid. Deze democratisering van integratie versnelt digitale transformatie en vermindert de afhankelijkheid van uitgebreide coderingsdeskundigheid, waardoor ondernemingen zich kunnen richten op strategische initiatieven en operationele efficiëntie kunnen verbeteren.

Bovendien biedt SnapLogic immense flexibiliteit door klanten toe te staan om elke openbare LLM-modellen te gebruiken die zijn aangepast aan hun specifieke behoeften, waardoor organisaties de beste tools kunnen gebruiken die beschikbaar zijn, terwijl ze nog steeds robuuste governance- en compliance-standaarden handhaven.

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