Nitin Singhal, VP van 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 de potentie van data voor een wereldwijd publiek te ontsluiten.

Voor zijn rol bij SnapLogic was Nitin Senior Director of Engineering bij Twitter, waar hij de Data Management- en Privacy Infrastructure-engineeringsfuncties leidde. Zijn werk omvatte het opzetten van gegevensbeheerpraktijken tijdens een cruciale periode voor het bedrijf, waardoor verantwoordelijke gegevensgebruik en naleving van privacyregels mogelijk werden.

Nitin heeft ook verschillende ingenieurs- en productleidersposities gehad bij vooraanstaande organisaties, waaronder Visa (V ), PayPal (PYPL ) en JPMorgan Chase, waar hij een significante bijdrage leverde aan de ontwikkeling van datastrategie en -beheer.

SnapLogic is een AI-gebaseerd 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 technologie-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 opkomst 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 uit te voeren. De democratisering van AI-technologie inspireert me, waardoor we een positief verschil kunnen maken in mensenlevens. Deze voortdurende reis voedt mijn toewijding om AI vooruit te helpen op een manier die niet alleen innovatief en efficiënt is, maar ook veilig, verantwoord en toegankelijk voor iedereen.

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

Het gebruik van verouderde technologie houdt significante risico’s in 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 belemmeren. De verborgen kosten van het onderhoud van dergelijke systemen lopen op, waardoor middelen worden uitgeput en het moeilijk wordt om top-talent aan te trekken dat moderne technologie-omgevingen prefereert. Terwijl bedrijven in een cyclus van stagnatie terechtkomen, missen ze kansen voor progressieve groei en riskeren ze door meer agile concurrenten te worden ingehaald.

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 op het gebied van energie, vraag en infrastructuur?

Legacy-systemen ondervinden aanzienlijke uitdagingen bij het voldoen aan de eisen van moderne AI-toepassingen vanwege hun inherente beperkingen. Deze verouderde infrastructuur beschikt niet over voldoende gegevensverwerkingscapaciteit, schaalbaarheid en flexibiliteit voor de intensieve berekeningsbehoeften van AI. Ze creëren vaak gegevenssilo’s en -bottlenecks, waardoor real-time, onderling verbonden gegevensverwerking wordt belemmerd, wat essentieel is voor AI-gedreven inzichten. Deze onverenigbaarheid belemmert de implementatie van geavanceerde AI-technologieën en leidt tot inefficiënt gebruik van middelen, verhoogd energieverbruik en potentieel systeemfalen. Als gevolg hiervan hebben bedrijven die vertrouwen op legacy-systemen moeite om het volle potentieel van AI te benutten op kritieke gebieden zoals precisietargeting, loonafrekening en fraude-detectie, waardoor hun concurrentiepositie in een AI-gedreven landschap wordt beperkt.

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

Het gebruik van verouderde technologie betekent dat bedrijven afhankelijk zijn van handmatige processen en gesiloede gegevens, wat leidt tot verhoogde kosten en verminderde productiviteit. In de loop van de tijd wordt deze inefficiëntie verergerd, waardoor kansen worden gemist en de concurrentiepositie van het bedrijf wordt ondermijnd, omdat meer agile concurrenten AI-oplossingen adopteren. Bovendien wordt het potentieel van werknemers verspild aan herhaalde taken in plaats van strategisch werk, wat kan leiden tot frustratie en potentieel hogere personeelsverloop. Terwijl concurrenten AI gebruiken voor grotere efficiëntie en innovatie, riskeren bedrijven die de modernisering van hun systemen uitstellen verder achterop te raken, waardoor hun marktpositie en langetermijnlevenbaarheid in een steeds digitaler wordend 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 gegevensvraag te voldoen. Als ze moeite hebben om grote datasets efficiënt te verwerken, cloudoplossingen te gebruiken of automatisering te ondersteunen, is dit een duidelijk teken dat ze mogelijk achterblijven. Bovendien moeten bedrijven onderzoeken of legacy-systemen bottlenecks creëren of excessieve handmatige interventie vereisen, waardoor productiviteit wordt belemmerd. Belangrijke indicatoren van achterblijvende infrastructuur zijn gegevenssilo’s, onvoldoende real-time-analyse, onvoldoende rekenkracht voor complexe algoritmen en moeilijkheden bij het aantrekken van AI-talent. Uiteindelijk riskeren organisaties die constant achterblijven bij AI-mogelijkheden hun concurrentiepositie in een steeds digitaler wordend landschap te verliezen. Ik wil ook benadrukken dat state-of-the-art-observatie-, beveiligings- en privacybeschermingstechnieken volgens een 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 cloudoplossingen die AI-gedreven automatisering ondersteunen en het makkelijk maken om nieuwe technologieën te integreren. In het bijzonder kunnen low-code-platforms bedrijven met beperkte middelen helpen om AI-agents snel te implementeren zonder diepe technische expertise nodig te hebben. Ondernemingen moeten er ook voor zorgen dat ze flexibele, cloudgebaseerde infrastructuur hebben die kan worden geschaald om toekomstige AI-toepassingen te ondersteunen.

Volgens u, welke industrieën hebben het meeste te winnen door AI snel te adopteren en legacy-systemen te upgraden?

Industrieën die afhankelijk zijn van datagedreven besluitvorming en herhaalde 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. Evenzo kunnen verkoop- en klantenserviceteams een aanzienlijke productiviteitsverbetering zien door het gebruik van AI om routinevragen of leads efficiënter te verwerken. Bedrijven in de gezondheidszorg, productie en detailhandel kunnen ook aanzienlijk profiteren van AI, vooral omdat AI-hulpmiddelen helpen bij het optimaliseren van supply chains, vraag voorspellen en administratief werk automatiseren. In plaats van deze herhaalde taken uit te voeren, kunnen domeinexperts zich richten op strategisch werk, waardoor een hoog rendement op AI-investeringen ontstaat.

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

 Het platform van SnapLogic stelt bedrijven in staat om workflows over data en applicaties te unificeren en te automatiseren, waardoor legacy-systemen met moderne, AI-klaar infrastructuur worden verbonden. Door het naadloos verbinden van gefragmenteerde gegevensbronnen en het vereenvoudigen van integratie over cloud- en on-premisesomgevingen, 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. De IRIS AI-technologie van SnapLogic biedt intelligente aanbevelingen voor het opbouwen van datapipelines, waardoor de complexiteit van integratietaken aanzienlijk wordt verminderd en het platform toegankelijk wordt voor gebruikers met verschillende niveaus van technische expertise.

SnapLogic geeft prioriteit aan gegevensbeheer, naleving en beveiliging bij AI-initiatieven. Met functies zoals eind-tot-eind-encryptie, uitgebreide logging en agentactievoorbeelden, kunnen ondernemingen hun AI-projecten met vertrouwen opschalen. De recente lancering van een integratiecatalogus en datapariteitstools biedt essentiële context om gevoelige gegevens te beschermen tegen lekken tijdens ingress en egress. Bovendien biedt SnapLogic integratiecapaciteiten in moderne systemen op een composable manier, waardoor bedrijfsdoelstellingen worden aangestuurd en flexibele oplossingen worden geboden om kosten-, nalevings- en onderhoudsuitdagingen aan te pakken.

Wat zijn enkele unieke uitdagingen die u bent 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 was ervoor zorgen dat het SnapLogic-platform de rigiditeit van oudere systemen kon accommoderen, terwijl het nog steeds de flexibiliteit en schaalbaarheid ondersteunde die nodig zijn voor AI-toepassingen. Een andere uitdaging was het creëren van een platform dat toegankelijk is voor zowel technische als niet-technische gebruikers, wat een balans tussen geavanceerde functionaliteit en gebruiksgemak vereist.

Als een onderneming voor enterprise SAAS moet SnapLogic de unieke en generieke behoeften van honderden klanten over verschillende industrieën balanceren, terwijl het platform constant wordt geëvolueerd 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 gegevens naadloos integreren over oude en nieuwe platforms. 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 meer vertellen over de “Generative Integration” van SnapLogic en hoe deze naadloze AI-gedreven automatisering in enterprise-omgevingen mogelijk maakt?

De Generative Integration van SnapLogic is een baanbrekende functie van het SnapLogic-platform die generatieve AI en grote taalmodellen (LLM’s) gebruikt om de creatie van integratiepijplines en -workflows te stroomlijnen en te automatiseren. Deze innovatieve benadering stelt bedrijven in staat om systemen, applicaties en gegevensbronnen naadloos te verbinden, waardoor een soepelere overgang naar AI-gedreven omgevingen mogelijk wordt. Door natuurlijke taalprompten te interpreteren, empoweren de Generative Integration zelfs niet-technische gebruikers om integraties snel en eenvoudig te ontwikkelen, aan te passen en te implementeren. Deze democratisering van integratie versnelt digitale transformatie en vermindert de afhankelijkheid van uitgebreide coderingskennis, waardoor ondernemingen zich kunnen richten op strategische initiatieven en operationele efficiëntie kunnen verbeteren.

Daarnaast 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 beschikbare tools kunnen benutten en toch robuuste governance- en compliance-standaarden kunnen handhaven.

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