Nitin Singhal, VP of Engineering (Data, AI og Integrations) i SnapLogic

Nitin Singhal er en erfaren teknologi- og produktleder med over 25 års erfaring i bransjen. Han er for tiden visepresident for ingeniørarbeid i SnapLogic, med fokus på ansvarlig integrering av applikasjoner og systemer, og utnytter Agentic-arkitektur for å låse opp datapotensialet for et globalt publikum.

Før sin stilling i SnapLogic, var Nitin senior direktør for ingeniørarbeid i Twitter, der han ledet Data Management og Privacy Infrastructure ingeniørfunksjoner. Hans arbeid omfattet å etablere datastyringspraksis under en kritisk periode for selskapet, og sikre ansvarlig databruk og overholdelse av personvernsregler.

Nitin har også hatt ulike ingeniør- og produktlederstillinger i fremtredende organisasjoner, inkludert Visa (V ), PayPal (PYPL ) og JPMorgan Chase, der han bidro til betydelige fremgang i datastrategi og -håndtering.

SnapLogic er en AI-drevet integreringsplattform som strømlinjeformer data- og applikasjonsarbeidsflyter med verktøy uten kode og over 1 000 forhåndsbygde koblinger. Den støtter ETL/ELT, automatisering, API-håndtering og sikre distribusjoner på tvers av sky, lokale og hybride miljøer. Funksjoner som SnapGPT og AutoSync forbedrer effektiviteten, og gjør det mulig for organisasjoner å integrere og dirigere prosesser uten problemer.

De har nesten 25 års erfaring med å drive teknologisk innovasjon. Hva var det som først inspirerte deg til å søke en karriere som fokuserer på å bruke teknologi til å løse komplekse problemer, og hvordan har denne lidenskapen utviklet seg med fremveksten av AI?

Fra begynnelsen av min karriere, var jeg fanget av utfordringen med å løse puslespill og den logiske skjønnheten i matematikk. Denne fascinasjonen ledet naturlig til å utforske hvordan teknologi kunne håndtere komplekse, virkelige problemer. Tidlig i min karriere, var jeg inspirert av potensialet i teknologi til å takle problemer som transaksjonsbedrageri og datasikkerhetsrisiko. Min lidenskap har bare dypnet seg etter hvert som AI har utviklet seg, særlig med fremveksten av generativ AI. Jeg har sett AI sin transformative effekt, fra å gi bønder innsikt i avlinger via smarttelefoner til å gjøre det mulig for vanlige brukere, som min far, å navigere oppgaver som skatteinnbetaling enkelt. Democratialiseringen av AI-teknologi begeistrer meg, og gjør det mulig for oss å gjøre en positiv forskjell i menneskers liv. Denne pågående reisen driver min forpliktelse til å fremme AI på måter som ikke bare er innovative og effektive, men også trygge, ansvarlige og tilgjengelige for alle.

Hva er de største risikoenene bedriftene står overfor når de avhenger av foreldet teknologi i en tid med avansert AI?

Å avhenge av foreldet teknologi utgjør betydelige risikoer som kan true en bedrifts fremtid. Forældede systemer, særlig legacy-infrastrukturer, fører til lamslående ineffektivitet og forhindrer organisasjoner fra å utnytte AI til høyverdige oppgaver. Disse forældede teknologiene sliter med data tilgjengelighet og integrering, og skaper kostbare operasjonelle flaskhalser som hindrer automatisering og innovasjon. De skjulte kostnadene ved å vedlikeholde slike systemer adderer seg opp, og tømmer ressurser samtidig som det blir vanskeligere å tiltrekke seg topp-talent som foretrekker moderne teknologimiljøer. Etter hvert som selskapene blir fanget i en syklus av stagnasjon, går de glipp av progressive vekstmuligheter og risikerer å bli forbigått av mer agile konkurrenter.

Valget er klart: Utvikle deg som iPhone eller møte samme skjebne som BlackBerry.

Hvordan sliter legacy-systemer med å møte kravene til moderne AI-applikasjoner, særlig når det gjelder energi, etterspørsel og infrastruktur?

Legacy-systemer møter betydelige utfordringer når det gjelder å møte kravene til moderne AI-applikasjoner på grunn av deres innebygde begrensninger. Disse forældede infrastrukturer mangler data prosesseringskapasitet, skalerbarhet og fleksibilitet for AI sin intensive beregningsbehov. De skaper ofte data-siloer og flaskhalser, og hindrer realtids, sammenkoblet datahåndtering som er avgjørende for AI-drevne innsikter. Denne uforenligheten hindrer implementeringen av avanserte AI-teknologier og fører til ineffektiv ressursbruk, økt energiforbruk og potensielle systemfeil. Derfor sliter bedrifter som avhenger av legacy-systemer med å fullt ut utnytte AI sitt potensiale i kritiske områder som presisjonstargeting, lønnsutbetaling og bedrageribekjempelse, og begrenser deres konkurranseevne i et AI-drevet landskap.

Hva er de “skjulte” kostnadene av å være tilfreds for selskaper som nøler med å modernisere sine systemer?

Å avhenge av foreldet teknologi betyr at bedrifter avhenger av manuelle prosesser og siloede data, noe som fører til økte kostnader og redusert produktivitet. Over tid adderer denne ineffektiviteten seg opp, og resulterer i gåtte muligheter og en betydelig tap av konkurranseevne ettersom mer agile konkurrenter adopterer AI-løsninger. Videre blir ansattes potensiale spilt bort på repetitive oppgaver i stedet for strategisk arbeid, noe som kan føre til frustrasjon og potensielt høyere fraflyttingsrater. Ettersom konkurrenter utnytter AI for økt effektivitet og innovasjon, risikerer selskaper som forsinker moderniseringen å falle ytterligere bak, og til slutt sette sin markedsposisjon og langsiktige levedyktighet i en stadig mer digitalt landskap.

Organisasjoner må skille mellom legitime bekymringer omkring AI-adopteringsprosesser og tilfeller der menneskelige usikkerheter gir opphav til misvisende narrativer.

Hvordan kan bedrifter vurdere om de faller bak i forhold til infrastrukturberedskap for AI?

Bedrifter kan vurdere sin AI-beredskap ved å se om deres nåværende systemer kan integreres med moderne AI-verktøy og skaleres for å møte økende datakrav. Hvis de sliter med å prosessere store datasæt effektivt, utnytte sky-løsninger eller støtte automatisering, er det et tydelig tegn på at de kanskje faller bak. Videre bør selskapene undersøke om legacy-systemer skaper flaskhalser eller krever eksessiv manuell inngripen, og hindrer produktivitet. Nøkkelindikatorer for etterlaten infrastruktur inkluderer datasiloer, utilstrekkelig realtidsanalyse, utilstrekkelig beregningskraft for komplekse algoritmer og utfordringer i å tiltrekke AI-talent. Til slutt risikerer organisasjoner som stadig spiller catch-up med AI-kapasiteter å tape sin konkurranseevne i et stadig mer digitalt landskap. Jeg vil også understreke at banebrytende observasjon, sikkerhet og personvernsteknikker som følger komposabel arkitektur er avgjørende for enkel og ansvarlig AI-beredskap.

Hva er noen praktiske skritt organisasjoner kan ta i dag for å fremtidssikre sine systemer for AI-innovasjoner?

Det første skrittet er å vurdere den nåværende teknologistaken og se etter områder der AI kan integreres. Organisasjoner bør prioritere skalerbare sky-løsninger som støtter AI-drevet automatisering og gjør det enkelt å inkorporere nye teknologier. Spesielt kan lavkode-plattformer hjelpe bedrifter med begrensede ressurser å raskt deployere AI-agenter uten å trenge dypt teknisk ekspertise. Bedrifter bør også sikre at de har fleksible, sky-baserte infrastrukturer som kan skaleres etter behov for å støtte fremtidige AI-applikasjoner.

I din mening, hvilke bransjer har mest å vinne på å raskt adoptere AI og oppgradere legacy-systemer?

Bransjer som avhenger av data-drevne beslutninger og repetitive oppgaver har mest å vinne. For eksempel kan AI i finanssektoren automatisere oppgaver som kundeservice, bedrageribekjempelse og lånegodkjenning, og strømlinjeforme operasjoner og forbedre kundeopplevelsen. Salgs- og kundeserviceavdelinger kan også se en betydelig produktivitetsøkning ved å bruke AI til å håndtere rutineforespørsler eller prosessere leads mer effektivt. Selskaper i helse, produksjon og detaljhandelsbransjene kan også dra betydelig nytte av AI, særlig siden AI-verktøy kan hjelpe med å optimalisere forsyningssystemer, forutsi etterspørsel og automatisere administrative oppgaver. I stedet for å utføre disse repetitive oppgavene, kan domene-ekspertene fokusere på strategisk arbeid og skape en høy avkastning på AI-investeringen.

Hvordan støtter SnapLogic sin plattform spesifikt bedrifter i å erstatte fragmenterte, legacy-infrastrukturer med AI-drevne løsninger?

 SnapLogic sin plattform gir bedrifter mulighet til å samordne og automatisere arbeidsflyter på tvers av data og applikasjoner, og å knytte legacy-systemer til moderne, AI-klare infrastrukturer. Ved å sammenkoble fragmenterte datasårer og forenkle integrering på tvers av sky- og lokale miljøer, akselererer SnapLogic overgangen til et samordnet system der AI kan levere umiddelbar verdi.

Plattformens lavkode-grensesnitt, inkludert verktøy som AgentCreator og SnapGPT, gjør det mulig for bedrifter å raskt deployere AI-drevne løsninger for ulike brukstilfeller, fra å automatisere kundesamtaler til å forbedre finansiell rapportering og markedsførings-effektivitet. SnapLogic sin IRIS AI-teknologi gir intelligente anbefalinger for å bygge datapiper, og reduserer betydelig kompleksiteten ved integreringsoppgaver, og gjør plattformen tilgjengelig for brukere med varierende teknisk ekspertise.

SnapLogic prioriterer datastyring, overholdelse og sikkerhet i AI-initiativer. Med funksjoner som end-to-end-kryptering, omfattende logging og agent-handlingsforhåndsvisning, kan bedrifter trygt skalerer AI-prosjektene sine. Den nylige lanseringen av en integreringskatalog og data-ættelighetsverktøy gir essensiell kontekst for å beskytte følsomme data mot lekkasje under inngang og utgang. Videre tilbyr SnapLogic integreringsmuligheter til moderne systemer på en komposabel måte, og driver forretningsmål samtidig som den tilbyr fleksible løsninger for å håndtere kostnader, overholdelse og vedlikeholdsutfordringer.

Hva er noen unike utfordringer du har møtt i SnapLogic når det gjelder å utvikle produkter som kobler legacy- og moderne AI-integerte systemer?

 En unik utfordring i å koble legacy- og moderne AI-integerte systemer har vært å sikre at SnapLogic sin plattform kan akseptere rigiditeten til eldre systemer samtidig som den støtter fleksibiliteten og skalerbarheten som kreves for AI-applikasjoner. En annen utfordring har vært å skape en plattform som er tilgjengelig både for tekniske og ikke-tekniske brukere, noe som krever en balanse mellom avansert funksjonalitet og enkelhet.

Som et enterprise SAAS-selskap balanserer SnapLogic de unike og generiske behovene til hundrevis av kunder over ulike bransjer, samtidig som plattformen kontinuerlig utvikles for å adoptere nye og moderne teknologier på en fleksibel, ansvarlig og bakover-kompatibel måte

For å møte denne utfordringen har vi utviklet forhåndsbygde koblinger som sammenkobler data på tvers av gamle og nye plattformer. Med SnapLogic AgentCreator har vi også gjort det mulig for organisasjoner å deployere AI-agenter som automatiserer oppgaver, tar reelle beslutninger og tilpasser seg innen eksisterende arbeidsflyter.

Kunne du forklare SnapLogic sin “Generative Integration” og hvordan den muliggjør enkel AI-drevet automatisering i bedriftsmiljøer?

SnapLogic sin Generative Integration er en banebrytende funksjon i SnapLogic sin plattform som utnytter generativ AI og store språkmodeller (LLM) for å strømlinjeforme og automatisere opprettelsen av integrerings-piper og -arbeidsflyter. Denne innovative tilnærmingen gjør det mulig for bedrifter å sammenkoble systemer, applikasjoner og datasårer på en enkel måte, og å lette overgangen til AI-drevne miljøer. Ved å tolke naturlige språkliggende forespørsler, muliggjør Generative Integration selv ikke-tekniske brukere å utvikle, tilpasse og deployere integrasjoner raskt. Denne demokratiseringen av integrasjon akselererer digital transformasjon og reduserer avhengigheten av omfattende kode-ekspertise, og lar bedrifter fokusere på strategiske initiativer og forbedre operasjonell effektivitet.

Videre tilbyr SnapLogic en enorm fleksibilitet ved å la kundene bruke offentlige LLM-modeller tilpasset deres spesifikke behov, og sikrer at organisasjoner kan utnytte de beste verktøyene som er tilgjengelige samtidig som de opprettholder robuste styrings- og overholdelsesstandarder.

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