Mukund Kalmanker, Global Head of Data, Analytics & AI at Apexon – Intervju-serie

Mukund Kalmanker, Global Head of Data, Analytics & AI at Apexon, bringer over to ti års erfaring med å lede store skala bedriftstransformasjonsinitiativer, med en karriere som omfatter seniort ledelsesroller i Wipro hvor han bygget og skalert globale AI-praksiser, inkubert automasjonsplattformer som HOLMES, og hjulpet med å definere bedriftsteknologistrategi på tvers av industrier inkludert finansielle tjenester, telekommunikasjon og helse. Hans arbeid har konsistent fokusert på å oversette fremvoksende teknologier—spesielt AI, dataingeniørvitenskap og automatisering—til praktiske forretningsresultater, kombinert med dypt teknisk ekspertise og en sterk rekord i bygging av globale team, driving digitaliseringsstrategier og levering målbare operasjonelle effektiviteter for store bedrifter.

Apexon er et digitalt først teknologitjenestefirma som hjelper bedrifter å akselerere forretningstransformasjon ved å kombinere AI, dataanalyse og digital ingeniørvitenskap for å skape intelligente, skalerbare systemer og kundeopplevelser. Gjennom sine integrerte kapasiteter på tvers av sky, automatisering og avansert analyse, arbeider selskapet med organisasjoner for å modernisere operasjoner, forbedre beslutningstaking og levere heldekkende digitale løsninger, spesielt i industrier som finansielle tjenester, helse og life sciences.

Efter to tiår med å lede AI- og analytics-initiativer i selskaper som Wipro og nå Apexon, hva er erfaringen som har forma din tilnærming til digital transformasjon?

Over de siste flere årene, hva som har forma min tilnærming mest, er realisasjonen om at suksessfull digital transformasjon ikke bare handler om teknologi—det handler om å tilpasse denne teknologien til å løse virkelige forretningsproblemer og tilpasse seg utviklende menneskelige atferd. Det handler om å utnytte innovasjon som en strategisk håndtering for å lede industrien og gjøre verden til et bedre sted å bo. Uansett om det handler om å hjelpe en bank med å håndtere reguleringsbehov eller en detaljhandelsmerke med å gjenopprette kundeengasjement eller å muliggjøre en helseleverandør med å ta raskere, datadrevne beslutninger, har jeg sett den største innvirkningen når vi starter med sluttopplevelsen i mente. I min tidligere liv og nå i Apexon, har mine team og jeg arbeidet tett med kunder på tvers av industrier for å omdanne Agentic AI, Gen AI, AI, ML, RPA og Data fra buzzwords til forretningsresultater—å låse opp innsikt, forbedre effektivitet, forbedre kundeopplevelse, hjelpe med å håndtere risiko og skape konkurransefordel for våre kunder. Den konstante samarbeid og fokus på resultater er hva som fortsatt former min tenkning.

Hva trakk deg til Apexon, og hvordan alignerer selskapets nåværende tilnærming til data, analytics og AI med din personlige visjon for fremtidens bedriftsteknologi?

Hva som trakk meg til Apexon, er selskapets klare forpliktelse til å hjelpe kunder med å omfavne innovasjon med et formål. Innovasjonskultur og en vekstmentaltitet er innarbeidet i hver person som er tilknyttet Apexon, og det vises i måten vi lærer, innovrer og skyver grensene sammen. Med dypt kompetanse i Data & AI kombinert med dybde i ingeniørvitenskap og en skarp fokus på regulerte industrier som BFSI & Helse, ser Apexon ikke på data eller AI som isolerte kapasiteter—det behandler dem som grunnleggende aktiva for å hjelpe med å konstruere intelligente bedrifter, å bygge skalerbare, IP-drevne forretningsløsninger og plattformer. Dette alignerer tett med min overbevisning om at fremtidens bedriftsteknologi ligger i å skape intelligente systemer som ikke bare er adaptive, men også skalerbare, gjentakende og bygget for langvarig verdi.

I Apexon, er det en bevisst fokus på å oversette fremvoksende teknologi til meningsfulle forretningsresultater—uansett om det handler om å låse opp konkurranseinsikt, å muliggjøre smartere automatisering eller å drive kunde-sentrerte opplevelser. Denne konvergensen av AI med en IP-først-mentaltitet er nettopp hvor jeg tror bedriftstransformasjon er på vei—and I er spennende å hjelpe med å forme denne fremtiden her.

Hvordan hjelper intelligente stoffer med å bygge en tilknyttet bedrift, og hva ser den virkelige implementeringen ut som?

Intelligente stoffer er ikke et produkt eller en plattform. De er en arkitektonisk skift. De kobler punktene mellom forretningsenheter, systemer, data og beslutninger, så at intelligensen ikke er noe du taper inn occasjonelt; det er alltid på. Dette gjør organisasjoner fra å være data-drevne til å være sanntroende intelligens-drevne.

Når det kommer til virkelige resultater—tenk på en detaljhandelsbedrift som justerer forsyningskjedeoperasjoner i sanntid basert på flere faktorer som kjøpsatferd, forstyrrelser i forsyningslinjer, geopolitiske utviklinger, endring i vær eller lokale katastrofer. Eller et sykehus som overflater behandlingsanbefalinger mens klinikerne fortsatt gjennomgår testresultater. Eller banker som kan sye data sammen på tvers av flere transaksjoner for å identifisere komplekse anti-pengevaskingsaktiviteter. Kraften ligger i å veve intelligensen direkte inn i arbeidsflyten, ikke å legge den til etterpå. Dette er hvordan bedrifter blir sanntroende tilknyttet—intelligensen genereres i noen deler av organisasjonen og denne intelligensen forbrukes av hele organisasjonen.

Hvordan bruker Apexon generative AI-verktøy som Copilot for å drive verdi for kunder, og i hvilke områder har du sett den sterkeste tilpasningen?

Vi ser på verktøy som GitHub Copilot ikke bare som kodehjelpere, men som katalysatorer for å gjenopprette hvordan programvare planlegges, bygges og testes. I Apexon, er Copilot integrert på tvers av hele utviklingslivssyklusen—fra å utarbeide brukerhistorier og finpusse krav til å generere testtilfeller og forutsi feil. Det hjelper team med å flytte raskere med større nøyaktighet.

Som et eksempel, arbeider vi med en helseleverandør for å drive Copilot-tilpasning og kombinere det med Agentic-rammeverk for å fullstendig gjenopprette programvareutviklingslivssyklusen for å bringe mer effektivitet i ingeniørvitenskap. For en annen kunde, hjelper vi med å adoptere Gen AI og Agentic-rammeverk for å forbedre datakvalitet og sette kraften i hendene på brukerne som interagerer direkte med regulatorene for å håndtere kompatibilitetsbehov.

Tilpasningen har vært sterkest i områder hvor hastighet, personliggjøring og skala betyr mest—intelligente dokumentbehandling, konversasjons-AI og hyper-automatisering. Disse er rom hvor generativ AI leverer ikke bare utgang, men en strategisk fordel.

Hvordan påvirker akademiske samarbeid med institusjoner som IIT Madras og Imperial College London din AI-forskning og talentutviklingsstrategi?

Våre samarbeid med IIT Madras og Imperial College London spiller en nøkkelrolle i å forme både vår forskningsagenda og hvordan vi bygger fremtidssikre talent. Vi er ikke bare med å finansiere prosjekter—vi arbeider tett med ledende forskere for å utforske frontier-områder som Agentic AI, multi-agent-systemer & AGI. Disse samarbeidene gir oss dypere innsikt i flere fremvoksende områder—som for eksempel hvordan store språkmodeller oppfører seg og utvikler seg, gjør dem kontekstuelle i forskjellige domener.

De tjener også som motorer for talentutvikling. Gjennom fellesprogrammer, skaper vi praktiske læringsmuligheter som broer akademisk dybde med bedriftsrelevant. Det er en to-veisk utveksling: vi får tilgang til fremvoksende tenkning, og studenter engasjerer seg med virkelige problemer. Denne synergien er kritisk for å skale vår AI, data og digital ingeniørvitenskapelige kapasiteter.

I industrier som helse, finansielle tjenester eller telekommunikasjon, hva er et eksempel hvor Apexons AI- eller analytics-løsning betydelig forbedret operasjonell effektivitet eller låste opp nye forretningsmodeller?

Et godt eksempel er vårt arbeid med en ledende nordamerikansk finansiell institusjon for å modernisere sin risikovurderingsprosess ved hjelp av en AI-drevet ramme. Ved å automatisere datainntak, standardisere fragmenterte kilder og deployere en sanntids-risikomotor, reduserte vi manuell innsats med 90% og akselererte vurderinger med 4 ganger. Integerte prediktive varsler og overholdelsessporing hjalp med å kutte reguleringsstraffer med 30% og finansiell eksponering med 40%. Bygget på en sky-basert, mikrotjeneste-arkitektur, løsningen forbedret ikke bare nøyaktighet og hastighet, men også posisjonerte kunden for skalerbar, datadrevet risikostyring i en raskt endrende reguleringsmiljø.

Hvilke fremvoksende teknologier eller AI-trender er du mest fokusert på som den neste store frontieren for bedriftsinnovasjon?

I Apexon, ser vi på Agentic AI som det neste store spranget i bedriftsintelligens på kort sikt. I motsetning til tradisjonell AI som reagerer på påminnelser, kan Agentic AI-systemer autonomt tolke dynamisk kontekst, sette og forfølge mål, samarbeide på tvers av systemer og kontinuerlig forbedre seg gjennom tilbakemelding. Vi har bygget en heldekkende ramme, AgentRise, for å bringe dette til live. AgentRise kombinerer en Agentic AI-hjerne, multi-agent-koordinering, menneske-i-løkken-overvakning og bedriftskvalitets overvåkning.

Resultatet er AI som ikke bare assisterer, men autonomt utfører komplekse forretningsprosesser, fra dokument-triage i helse til sanntids-unntakshåndtering i finansielle tjenester.

Hva som skiller vår tilnærming fra andre, er fokuset på skalerbar, tillitlig intelligens. Vi utnytter modulære komponenter, prompt-ingeniørvitenskap og sikre integrasjoner for å deployere Agentic AI med hastighet og pålitelighet. Det er ikke bare innovasjon—det er AI innbygget i forretningsflyten, opererende trygt i skala og leverer tangibelt resultater. Når disse systemene modnes, tror vi de vil være ryggraden i adaptive, selv-utviklende bedrifter på tvers av regulerte og høy-impakt-industrier.

Vi sporer også fremgang i Narrow AI, Artificial General Intelligence og kvantecomputering—but hva som spenner oss mest, er hvordan disse teknologiene konvergerer for å drive bedrifter som ikke bare er intelligente, men også adaptive, autonome og i stand til selv-styrt evolusjon.

Hva er de største utfordringene organisasjoner møter når de går over fra legacy datasystemer til moderne analytics-arkitekturer?

Organisasjoner møter vanligvis fire store utfordringer når de går over fra legacy-systemer til moderne analytics-arkitekturer.

Første er tilpasning og verdi-realiserings. Legacy-plattformer kan ofte forme dypt innarbeidede måter å arbeide på, og det er kritisk å sikre at nye analytics-plattformer leverer tangibelt forretningsresultater som for eksempel omsetningsvekst, operasjonell effektivitet og forbedret risikostyring, i stedet for å bli ren teknisk oppgradering.

Den andre er teknologimodernisering og kapasitetsbygging. Mange bedrifter opererer komplekse legacy-estater som omfatter hovedmaskiner, lokale systemer og tidlige sky-miljøer. Modernisering av disse miljøene krever nøye rasjonalisering og gjen-arkitektur, samt bygging av ferdigheter, talent og operasjonell modenhetsbehov for å holde moderne data, analytics og AI-plattformer.

Tredje er data- og AI-klarhet. Modernisering er ikke bare om å flytte data til en ny plattform. Organisasjoner må sikre at data er forberedt for avansert analyse og AI ved å styrke datakvalitet, styring, avstamning, personvern og etiske sikkerhetsskranke, så at innsikt og AI-modeller kan være tillitsfulle og skalerbare.

Til slutt er det organisatorisk skift. Ettersom plattformene utvikler seg mot mer autonome og agente AI-kapasiteter, må selskaper tilpasse sine driftsmodeller, arbeidsstyrkeferdigheter og kultur for å muliggjøre effektivt samarbeid mellom mennesker og intelligente systemer.

Hvordan sikrer du at digitale opplevelser og AI-løsninger forblir sentrert rundt menneskelige behov i stedet for bare tekniske resultater?

Jeg tror at grunnlaget for virkelig innvirkende digitale og AI-løsninger er en klar skift i mentalitet, fra å spørre hva teknologien er i stand til, til å spørre hvordan den kan meningsfullt skape forretningsverdi og tjene mennesker og samfunn.

Vi begynner med å grunnlegge hver initiativ i virkelige menneskelige resultater som bedre beslutninger, større inklusjon, sterkere tillit og enklere opplevelser. Dette krever dypt engasjement med brukere, kontinuerlig lytting og design av løsninger rundt hvordan mennesker faktisk adopterer og interagerer med digitale opplevelser. Vi bevisst innarbeider menneske-sentrert design, transparens og ansvar i våre plattformer.

I høy-impakt-domener særlig, må AI operere med sterk menneskelig overvåkning og klare etiske sikkerhetsskranke, for å sikre at det forbedrer menneskelig dømmekraft i stedet for å erstatte den. Like viktig, skal suksess måles ikke bare gjennom ytelsesmetrikker, men også gjennom tilpasning, brukertillit og langvarig verdi-oppbygging.

Når det gjøres riktig, utvides fordelen langt utenfor enkeltorganisasjoner. Menneske-sentrert AI har potensialet til å utvide tilgang til muligheter, styrke institusjoner og forbedre livskvalitet i skala. Det kan hjelpe med å bygge mer resilient økonomi, rettferdigere systemer og bedre informerte samfunn. Til slutt skal vårt mål være å utvikle AI som ikke bare er intelligent, men også ansvarlig, inkluderende og formål-rettet. Teknologi som forsterker menneskelig potensial og bidrar positivt til fremtiden vi former sammen.

Hvordan vurderer du suksessen til Gen AI-utplasseringer i Apexon—er det spesifikke KPI-er eller rammeverk du bruker for å måle effektivitet på tvers av ulike kunde-miljøer?

I Apexon, har vi etablert robuste rammeverk, støttet av en portefølje av IP, løsninger og akseleratorer, for å hjelpe både våre team og våre kunder med å måle effektiviteten av GenAI og Agentic AI-utplasseringer.

Først, fokuserer vi på forretnings-impakt. Dette begynner med klart definerte domene- eller prosess-nivå-objektiver, men ultimate sentrerer det seg på å måle strategiske resultater som forbedret kundeopplevelse, omsetningsvekst, kost-optimisering, operasjonell effektivitet og sterkere risikostyring. Vårt proprietære M4-rammeverk støtter dette ved å tilby en strukturert utførelsesmodell for analytics-engasjement. M4 tilbyr en bevist strategi og forutsigbare skritt for data-modernisering, og hjelper organisasjoner med å kartlegge brukstilfeller, modernisere data-arkitekturer og gå over til sky-baserte analytics-miljøer, samtidig som AI-initiativene forblir tett knyttet til målbare forretnings-KPI-er.

For det andre, vurderer vi tilpasning og verdi-realiserings. AI-utplasseringer skaper meningsfull innvirkning bare når de er tillitsfulle, vidt aksepterte og effektivt forsterker menneskelige kapasiteter. I Apexon, har vår egen bedrifts-omfattende tilpasning av GenAI tjent som en praktisk modell for kunder. Vi begynte med å aktivere ansatte på tvers av organisasjonen med GenAI og Agentic AI-kapasiteter, og utstyre dem med verktøy, retningslinjer og veiledning for ansvarlig bruk, samtidig som vi sporer forretningsresultatene de leverte. Styringsrammeverk, retningslinjer og KPI-er vi utviklet gjennom denne reisen, hjelper nå våre kunder med å akselerere og skale GenAI-tilpasning.

Tredje, måler vi teknisk ytelse. Våre akseleratorer innen Genysys-plattformen muliggjør kontinuerlig overvåkning av nøkkel-operasjonelle metrikker som svar-nøyaktighet, hallucinasjons-rater, kost per inferens, skalerbarhet og generell system-ytelse. Genysys, Apexons proprietære GenAI-plattform, konsoliderer kapasitetene til flere store språkmodeller i et samlet miljø med sømløs integrasjon på tvers av mer enn ti LLM-er. Dette tillater organisasjoner å velge den mest passende modellen for ulike brukstilfeller, samtidig som de beholder oversikt over ytelse, pålitelighet og kost-effektivitet på tvers av utplasseringer.

Til slutt, vurderer vi styring og risiko. Vårt bedrifts-sikkerhetsrammeverk, en del av AgentRise-tilbudet, hjelper organisasjoner med å håndtere kritiske områder som styring, risiko og overholdelse. Gitt vår dypt arbeid med regulerte industrier, hjelper vi kunder med å vurdere forklarbarhet, overvåkbarhet, data-avstamning, personvern-sikkerhetsskranke og tilpasning til ansvarlig AI-standarden, for å sikre at AI-systemer er både skalerbare og tillitsfulle.

Takk for det flotte intervjuet, lesere som ønsker å lære mer, bør besøke Apexon.