Lakshmikant Gundavarapu, Chief Innovation Officer i Tredence – Intervju-serie

Lakshmikant Gundavarapu er Chief Innovation Officer i Tredence. Med over tre tiår i IT-sektoren er Lakshmikant en anerkjent autoritet innen AI-omforming og digital innovasjon.

Som tidligere Global Head for Data & AI i Microsoft India, muliggjorde Lakshmikants lederskap digital omforming for over 100 kunder i 40 land. Hos Microsoft fremmet Lakshmikant integreringen av åpne kildekodedatabaser på Azure og etablerte strategiske allianser med SaaS-løsningstilbydere.

Med en evne til å utvikle kundeorienterte AI-løsninger, utmerker Lakshmikant seg i å fremme strategiske samarbeid som driver innovasjon. Lakshmikant bringer en rikdom av erfaring, teknisk ekspertise og ledelsesdyktighet for å katalysere AI-drevne transformasjoner, og viser en etablert evne til å oversette nye teknologier til konkrete forretningsløsninger.

Tredence er et data- og AI-selskap som hjelper bedrifter med å omforme analytiske eksperimenter til virkelige resultater. De arbeider innen bransjer som detaljhandel, CPG, teknologi, finansielle tjenester, helsevesen og reise, og tilbyr tjenester innen dataingeniørvitenskap, AI/ML, generativ AI, leverandørkjede, kundeopplevelse og digital modernisering. Deres fokus er på å kombinere hastighet gjennom akseleratorer, dypt domeneekspertise og sterke samarbeid for å levere skalerbare, bedriftsklare løsninger.

Hva var det med din tid i Microsoft India som formet din visjon for AI-drevne bedriftstransformasjoner som nå vises i Tredences strategi?

Under min tid i Microsoft hadde jeg mulighet til å arbeide med bedrifter innen ulike sektorer, inkludert luftfart og eiendom. Det er tydelig at AI kan skape virkelig innvirkning når det har en klar formål, er støttet av pålitelige data og er designet for å integrere i operasjonelle beslutninger.

For eksempel:

• Et stort flyselskap implementerte AI for å forutsi motorfeil, og muliggjorde proaktivt vedlikehold og forbedret både sikkerhet og effisiens.
• Et stort eiendomsselskap brukte AI for prediktiv overvåking av essensielle bygningssystemer, og fikk redusert nedtid og optimalisert vedlikeholdsplaner.

Disse erfaringene lærte meg at teknologi alene ikke transformerer bedrifter. Det krever tankefullt design, sterke datafundamenter og mekanismer som oversetter innsikt til virkelig handling. Denne perspektivet driver nå Tredences tilnærming: Vi utvikler AI-løsninger som er formål-drevne, data-informerte og i stand til å levere målbare resultater på tvers av bedriften.

Tredence beskrives ofte som å løse «siste-mile»-problemet i AI. Kan du dele eksempler hvor dette akselererte transformasjon for kunder? 

Vurdér en stor global detaljhandler. Ved å samordne fragmentert data fra transaksjoner, kundeprogrammer, leverandørkjedeoperasjoner og digitale berøringspunkter, muliggjorde vi AI-applikasjoner som drev omsetningsvekst, kunderetensjon, reise-personalisering og etterspørselsprognose. Vi anvendte disse innsiktene operasjonelt, og omdannet analyse til konkrete forretningsresultater.

Detaljhandelscase: Tredence skapte et samordnet personliggjøringssystem som genererte 58 millioner dollar i omsetning og lukket en 54% KPI-lukke. Dette gikk utover kundeinnsikt og levert omsetningsdrivende personliggjøring i skala.

I bioteknologi integrerte vi FoU-, kliniske og kommersielle datasett for å optimalisere kliniske studier, forbedre legeengasjement og akselerere tid til marked og øke omsetning.

På tvers av sektorer, fra banksvindel-oppdaging til prediktivt vedlikehold i produksjon, er læren den samme: AI leverer verdi bare når det driver beslutninger som betyr noe for bedriften.

Bankcase: Tredence deployerte GenAI AML (anti-pengeløsning) copiloter som ikke bare genererte innsikt om mistenkelige aktiviteter, men også integrerte i daglige operasjoner for å øke saksgangen med 120% og kutte feilpositive med 15%. Dette viser oversettelsen fra AI-oppdaging til operasjonell effisiens.

Bedrifter har ofte vanskeligheter med å gå fra AI-piloter til produksjon i skala. Hva er de største hindringene, og hvordan hjelper Tredence med å overvinne dem?

Mange AI-initiativer stopper fordi de ikke er designet med et klart forretningsresultat, selv om de er teknisk sterke. Nøkkelutfordringene inkluderer:

1. Formål-drevet designgap: Innsikt kan være interessant, men løser ikke målbare forretningsproblemer.
2. Data-begrensninger: Fragmentert eller dårlig kvalitet på data forhindrer pålitelig skala.
3. Operasjonelle utfordringer: Uten automatisert deploy, overvåking, om-trening og styring, forblir modellene eksperimentelle.

Hos Tredence møter vi disse utfordringene gjennom:

• Resultat-fokusert design, som sikrer at hver AI-initiativ er direkte knyttet til målbare forretningsresultater.
• Robuste datafundamenter, som konsoliderer og beriker datasett for pålitelig modell-ytelse.
• Produksjonsklare operasjonelle rammer, inkludert automatisert deploy, overvåking og om-trening for å opprettholde nøyaktighet, motstandskraft og overholdelse.

Dette tilnærmingen muliggjør at bedrifter kan gå fra eksperiment til fullskala AI som konsekvent leverer forretningsinnvirkning.

Du annonserte nylig Milky Way, en konstellasjon av autonome AI-agenter. Hva inspirerte designet, og hvordan adskiller det seg fra konvensjonelle AI-assistenter?

Milky Way ble født av erkjennelsen av at bedrifter trenger mer enn dashboards eller chatbots. De trenger en resonneringsramme som kan forbruke, tolke og koble multivariate data for å generere handlebare innsikt.

I motsetning til konvensjonelle assistenter:

• Gransker Milky Way-agenter over diverse datakilder, og koble innsikt i stedet for bare å svare på spørsmål.
• Analyserer komplekse, flerdimensjonale problemer, og broer informasjon over arbeidsflyter.
• Leverer handlebare innsikt, og omgjør innsikt til beslutninger eller automatiserte handlinger.

Kort sagt, transformerer Milky Way AI til et nettverk av resonneringsagenter, i stand til å håndtere kompleksitet og drive virkelig forretningsresultater, i stedet for å erstatte grunnleggende verktøy.

Tidlige deployeringer av Milky Way leverte raskt resultater. Hva muliggjorde disse gevinstene?

Tre elementer gjorde en forskjell:

1. Innbettet innsikt der beslutninger skjer, og gjorde anbefalinger umiddelbart håndterbare.
2. Fremoverrettet intelligens, og omdannet innsikt til proaktive beslutninger i stedet for retrospektiv analyse.
3. Sikre, styrede plattformer, som muliggjorde bedrifts-skala AI samtidig som de opprettholdt overholdelse og kontroll.

Denne kombinasjonen leverer konkrete forretningsresultater på noen uker i stedet for måneder.

Milky Way prioriterer forklarbarhet, granskbarhet og resonneringsveier. Hvor kritisk er dette for bedrifts-tillit?

Tillit er grunnleggende i bedrifts-AI. Milky Way sikrer:

• Gjennomsiktig begrunnelse for hver anbefaling.
• Granskingsspor som dokumenterer alle inndata, utdata og handlinger.
• kontinuerlig motstandstest for å sikre robusthet og pålitelighet.

Denne gjennomsiktighet og ansvar adskiller Milky Way fra uklare, sorte boks-systemer, og bygger bedrifts-tillit i adopsjon.

Hvordan vil denne overgangen fra verktøy til AI-samarbeidspartnere påvirke organisasjoner og beslutninger?

AI-samarbeidspartnere endrer måten organisasjoner opererer:

• Lederne tar på seg doble roller, og styrer både mennesker og AI-agenter.
• Beslutninger blir samarbeidende, med agenter som håndterer resonnering og mennesker som gir kontekst og etisk tilsyn.
• Operasjonelle strukturer utvikler seg for å integrere AI i daglige beslutninger, og forbedre hastighet, konsistens og kvalitet på resultater.

Ettersom en tredjedel av forretningsbeslutningene kan bli tatt autonomt innen 2028, hva må organisasjoner endre for å sikre sikkerhet?

 For å trygt deployere autonom AI, bør organisasjoner implementere praktiske tiltak på tvers av kultur, operasjoner og styring:

Kultur – Bygg tillit med AI:

• Start med menneske-i-løkken beslutninger og øk autonomi gradvis.
• Trening av team for å forstå, validere og intervenere i AI-anbefalinger.

Operasjoner – Implementer overvåking og risikokontroller:

• Spore kontinuerlig AI-beslutninger for nøyaktighet, bias og overholdelse.
• Utfør motstandssimuleringer for å identifisere sårbarheter.
• Oppretthold tilbakekoblingsløkker for å forbedre AI-modeller fra menneskelige korreksjoner.

Styring – Sett grenser og eskalasjonsveier:

• Definer hvilke beslutninger som kan være fullstendig automatiserte og hvilke som krever tilsyn.
• Sikre granskbarhet og sporbarhet for alle AI-drevne handlinger.
• Opprette kontingensprosesser for å intervenere i tilfeller av anomalier eller risiko.

Disse tiltakene muliggjør at organisasjoner kan skala autonom beslutningstagning trygt samtidig som de opprettholder kontroll, ansvar og overholdelse.

Hva er Tredences veikart for Milky Way?

Vårt veikart inkluderer:

1. Bransjespesifikke agenter for detaljhandel, helsevesen, produksjon og finansielle tjenester.
2. Dypere integrasjoner med ERP-, CRM- og leverandørkjedesystemer for sømløs adopsjon.
3. Kontinuerlig læring og resonnering for å muliggjøre agenter å forbedre sin intelligens og kontekstforståelse over tid.

Visjonen er et økosystem av samarbeidende agenter som bedrifter kan samle, styre og stole på.

Hvordan bør C-suite-ledere forberede seg på AI som tar på seg strategiske beslutningsroller?

AI-adopsjon er en modenhetssreise:

• Start med menneske-i-løkken copiloter, fremme til semi-autonome arbeidsflyter og til slutt tillate full autonomi i styrede domener.
• Investere i AI-litteratur, og muliggjøre team å samarbeide effektivt med AI-systemer.
• Omtenke KPI-er, styringsrammer og operasjonelle strukturer for å fokusere på beslutningskvalitet og forretningsinnvirkning, i stedet for bare modell-ytelse.

Til slutt er AI-adopsjon ikke bare en teknologisk initiativ; det er en transformasjon i ledelse, kultur og operasjonell beslutningstagning.

Takk for det flotte intervjuet, lesere som ønsker å lære mer kan besøke Tredence.