Chetan Alsisaria, CEO i współzałożyciel, Polestar Analytics – seria wywiadów

Chetan Alsisaria, CEO i współzałożyciel to lider technologii przedsiębiorstw specjalizujący się w danych, analityce i transformacji napędzanej przez sztuczną inteligencję. Po wczesnych rolach w Deloitte, PwC i EY, współzałożył Polestar Analytics w 2012 roku i od tego czasu rozwinął ją w globalną firmę zajmującą się sztuczną inteligencją i danymi. Kieruje sprzedażą, strategicznymi sojuszami, rozwojem usług i dostawą techniczną, a także pełni funkcję przewodniczącego CAIO Circle, społeczności liderów sztucznej inteligencji skupionych na promowaniu odpowiedzialnego i praktycznego wdrożenia sztucznej inteligencji. Dodatkowo współzałożył Xumane Equity, co odzwierciedla jego szerszy焦点 na innowacjach w systemach i platformach przedsiębiorstw.

Polestar Analytics to globalna firma zajmująca się konwergencją sztucznej inteligencji i danych, która pomaga przedsiębiorstwom przekształcić fragmentowane dane w działania poprzez swoją własną platformę 1Platform. Poprzez ujednolicenie inżynierii danych, analityki, sztucznej inteligencji i workflow biznesowych w jedną ekosystem, firma umożliwia organizacjom poprawę podejmowania decyzji, optymalizację operacji i skalowanie wdrożenia sztucznej inteligencji. Z silnym naciskiem na przypadki użycia specyficzne dla branży i wymierne wyniki, Polestar ewoluowała z firmy konsultingowej w firmę napędzaną platformą, dostarczając uproszczone, inteligentne rozwiązania na skalę przedsiębiorstw.

Współzałożyłeś Polestar Analytics w 2012 roku po rolach w Deloitte, PwC i EY. Jaką lukę w danych i analityce przedsiębiorstw zobaczyłeś w tamtym czasie, a jak ta pierwotna wizja ewoluowała w dzisiejszą platformę 1Platform napędzaną przez sztuczną inteligencję?

Wiesz, kiedy Ajay, Amit i ja założyliśmy Polestar Analytics w 2012 roku, ironia była uderzająca; firmy tonęły w danych, ale głodowały decyzje. Każdy zbierał wszystko, ale przepaść między posiadaniem danych a zrobieniem czegoś znaczącego z nich była ogromna. To jest problem, który postanowiliśmy rozwiązać.

Przewiń do dzisiaj, i szczerze, problem nie zniknął, tylko zmienił się. Objętość jest większa, stawki są wyższe, a teraz masz agenci w grze obok ludzi, którzy muszą zrozumieć to wszystko. To właściwie uczyniło naszą pierwotną wizję jaśniejszą, a nie mętniejszą.

Nasze motto, Dane do wyników, Uproszczone!, to naprawdę wątek, który łączy 2012 rok z dzisiaj. Zaczęliśmy od dostarczalności danych; dostarczania odpowiednich danych odpowiednim ludziom we właściwym czasie. Potem sztuczna inteligencja weszła i wzmogła to, co było możliwe. Teraz z 1Platform idziemy dalej; upraszczamy i maksymalizujemy wyniki nie tylko dla ludzi, ale także dla agenci, którzy coraz częściej podejmują lub informują decyzje.

Co jest ekscytujące, to jak nasz ekosystem dojrzał, aby wesprzeć to. Nasze głębokie integracje z Microsoft (MSFT ), Databricks i Anaplan pomagają połączyć dane, przypadki użycia biznesowego i planowanie. A 1Platform siedzi na wszystkim tym, rodzimy dla tych środowisk, a nie przymocowany.

Więc ewolucja wygląda tak: dostarczalność danych → wzmocnione przez sztuczną inteligencję spostrzeżenia → uproszczone, gotowe do działania wyniki. Pogoń za doskonałością jest taka sama. Szybkość, z jaką możemy dojść do celu, jest tym, co zmieniło się wykładniczo.

Polestar Analytics pozycjonuje się jako firma konwergencji danych i sztucznej inteligencji. Co konwergencja tak naprawdę oznacza w praktyce dla dużych przedsiębiorstw zajmujących się fragmentowanymi systemami i sylowanymi danymi?

Większość czasu fragmentacja nie jest problemem technologicznym, jest problemem ludzi i procesów. To jak masz zespół finansowy, który działa na Anaplan, zespół operacyjny, który żyje w Excelu, zespół inżynierii danych, który buduje potoki na Azure, a każdy ciągnie w różnych kierunkach z różnymi definicjami tego samego wskaźnika. Żadna ilość sztucznej inteligencji nie naprawi problemu zaufania, jeśli podstawa jest złamana.

Więc, kiedy mówimy o konwergencji, mamy na myśli rozwiązanie tego problemu podstawowego. Zanim można warstwę inteligencji nałożyć na górze, potrzebujesz danych, które są czyste, zarządzane i krytycznie dostępne. Nie tylko dla twoich analityków, ale coraz częściej także dla twoich agenci.

W praktyce konwergencja z 1Platform wygląda tak: nie rozrywamy i nie zastępujemy tego, co przedsiębiorstwa zbudowały. Idziemy rodzimi do środowisk, w których już żyją, takich jak Databricks, Microsoft i Anaplan, i szwamy warstwę danych i inteligencji przez nie. Twoje dane planistyczne w Anaplan rozmawiają z twoimi danymi operacyjnymi w Databricks, a twoje środowisko Microsoft to miejsce, w którym decyzje są podejmowane przez ludzi i agenci, aby działać.

Czar nie leży w żadnej z tych integracji. Leży w warstwie łączącej 1Platform, która sprawia, że wszystko wygląda jak jeden spójny system, a nie jak rozłączone narzędzia. To jest to, co konwergencja wygląda w praktyce, celowe uproszczenie, aż złożoność staje się niewidoczna dla biznesu.

Wasza własna platforma 1Platform ma na celu ujednolicenie danych, sztucznej inteligencji i workflow w jeden system. Jak ten podejście różni się od tradycyjnych stosów BI lub nowoczesnych platform danych, takich jak Databricks lub Snowflake?

Databricks i Snowflake to potężne platformy, z którymi nie konkurujemy, są one zbudowane na nas. To rozróżnienie ma znaczenie. Databricks daje infrastrukturę i obliczenia. Siedzimy na górze i zadajemy inne pytanie: co dalej?

Tradycyjne stosy BI wiele rzeczy zrobili dobrze dla swojego czasu, ale analityka biznesowa ewoluowała. Dziś użytkownicy biznesowi potrzebują czegoś więcej niż pulpity. Możesz mieć pięknie zaprojektowany pulpit z piętnastoma wykresami, a ktoś wciąż musi zinterpretować, co to znaczy i zdecydować, co dalej. Ta przepaść między spostrzeżeniem a działaniem jest dokładnie tam, gdzie 1Platform działa.

1Platform nie jest statyczna, ciągle ewoluuje. Nie tylko odpowiada na pytania, które przynosisz; wysuwa pytania, o których nie myślałeś. To zmienia relację między użytkownikami biznesowymi a ich danymi.

Zbudowaliśmy interfejsy niskiego i bez kodu na górze Databricks i Azure, które pozwalają na uruchomienie potoków w sekundach. Zadania, które kiedyś zajmowały dni dla inżynierów danych, teraz mogą być uruchamiane przez użytkowników biznesowych. Na górze tego Agenthood AI umożliwia użytkownikom tworzenie i orchestrację agenci za pomocą prostych interfejsów przeciągnij-i-upuść bez głębokiej wiedzy technicznej.

Ale prawdziwa różnica leży w doświadczeniu końcowego użytkownika. Zamiast skakania po wielu pulpito, użytkownicy otrzymują spostrzeżenia w języku naturalnym, kontekstowe rekomendacje i narracje napędzane przez agenci. KPI nie tylko siedzą na ekranie; agenci aktywnie monitorują je, flagują to, co się liczy, i wyjaśniają, dlaczego. Różnica nie leży w samej platformie danych, ale we wszystkim, co dzieje się po tym, jak dane są gotowe.

Wiele przedsiębiorstw wciąż utknęło w tym, co często nazywa się piekłem pilotów sztucznej inteligencji. Jakie są największe bariery strukturalne lub organizacyjne, które uniemożliwiają sztucznej inteligencji osiągnięcie produkcji na dużą skalę?

Nazywam to cmentarzyskiem pilotów, bo większość projektów nie tylko zwalnia, ale cicho umiera. Największe bariery nie są techniczne, są organizacyjne. Ludzie, procesy i dane.

Zarządzanie zmianą jest systematycznie niedoceniane. Kiedy przebudowujesz, jak ludzie pracują, wyzwania, jak czerpią wartość. Przedsiębiorstwa, które odnoszą sukces, są tymi, w których kierownictwo czyni umiejętności sztucznej inteligencji widocznymi. Kiedy doskonalenie jest nagradzane, a projektowanie procesów jest wspierane strukturalnie, wdrożenie przyspiesza.

Potem jest problem krzywej J. Inwestycje w sztuczną inteligencję często spadają, zanim wzrosną. Wiele organizacji oczekuje zwrotu z inwestycji w ciągu 90 dni, go nie widzi i porzuca wysiłek. Te, które odnoszą sukces, zobowiązują się do pełnej krzywej.

Priorytetem jest także gotowość danych. Słaba jakość danych prowadzi do pewnych błędnych decyzji. Dopóki podstawa danych nie jest zaufana, sztuczna inteligencja na dużą skalę staje się obciążeniem, a nie aktywem.

Na koniec dyscyplina przypadku użycia ma znaczenie. Zamiast próbować zrobić wszystko ze sztuczną inteligencją, organizacje muszą się skupić na przypadkach użycia, które poruszają rzeczywiste wskaźniki biznesowe, udowodnić je i potem skalować.

W Polestar Analytics łączenie danych, sztucznej inteligencji i workflow w jedno miejsce przyspiesza odkrywanie problemów i identyfikację możliwości, zmieniając konwergencję w katalizator zmiany.

Sztuczna inteligencja agencji staje się głównym tematem w branży. Jak Polestar Analytics myśli o agencjach sztucznej inteligencji w workflow przedsiębiorstw, a jakie przypadki użycia zdobywają uznanie w świecie rzeczywistym?

Dla nas agenci muszą być osadzeni w warstwie danych i workflow biznesowych, aby stworzyć prawdziwą wartość. Agent cen, na przykład, nie jest tylko modelem językowym siedzącym na pulpicie; jest zintegrowany z infrastrukturą danych, rozumie kontekst i wspiera podejmowanie decyzji.

Wśród naszych ponad 100 agentów niektóre działają jako asystenci, podczas gdy inne są w pełni zautomatyzowane. Najmocniejsze przypadki użycia są w zarządzaniu wzrostem przychodu, w tym cenach, promocjach i mikście mediów, gdzie decyzje są częste i intensywnie zależą od danych.

Po stronie inżynieryjnej agenci monitorujących potoków i rozwiązywania błędów są już w użyciu. Agenci FinOps zmniejszyli nie wykorzystane koszty chmury o 35 procent. Jest również silne przyjęcie w zarządzaniu majątkiem.

Wspieramy zarówno ekosystemy Microsoft, jak i Databricks, oraz zapewniamy platformę do budowy agentów na zamówienie. Nie każdy agent musi być oparty na modelu językowym; architektura powinna odpowiadać przypadkowi użycia, aby zrównoważyć skalę i koszt.

Zarządzanie jest niezwykle ważne. Z agentami, które oddziałują na systemy finansowe lub dane klientów, silne barierki i nadzór ludzki są wbudowane, aby zapewnić niezawodność na skalę przedsiębiorstw.

Z Twoim niedawnym finansowaniem, podwójnie stawiasz na rozwój IP. Jak ważne jest posiadanie własnych platform w dzisiejszym krajobrazie sztucznej inteligencji w porównaniu z budowaniem na istniejących ekosystemach?

Jesteśmy głęboko zintegrowani z platformami takimi jak Databricks, Microsoft i Anaplan, które zapewniają infrastrukturę i skalę. Nie próbujemy ich zastąpić.

Naszym celem jest posiadanie warstwy inteligencji na górze. Własne IP pozwala nam kontrolować doświadczenie, osadzać wiedzę branżową i dostarczać spójną wartość na skalę.

Nasza różnica polega na specjalistycznej wiedzy branżowej. Czy to jest PromoPulse AI dla zarządzania wzrostem przychodu, czy WealthPulse dla usług finansowych, wartość leży w zrozumieniu przypadków użycia w świecie rzeczywistym i decyzji.

Własne IP, dla nas, to zakodowanie tej wiedzy. To jest to, co sprawia, że platforma jest broniona i prawdziwie użyteczna.

Pracowałeś ściśle z firmami z listy Fortune 1000. Jak oczekiwania wokół zwrotu z inwestycji w sztuczną inteligencję zmieniają się, gdy dyrektorzy generalni żądają wymiernych wyników zamiast eksperymentowania?

Zmiana jest realna, ale eksperymentowanie nie zniknęło. Oczekuje się tylko, że będzie dziać się szybciej i łączyć z wymiernymi wynikami.

Dyrektorzy generalni oceniają zwrot z inwestycji w sztuczną inteligencję przez szersze soczewki, takie jak prędkość decyzji, lojalność klientów, zdolność innowacyjna i odporność.

Zwrot z inwestycji w sztuczną inteligencję nie jest już własnością jednego lidera. Dyrektor techniczny koncentruje się na infrastrukturze i danych, dyrektor finansowy patrzy na wpływ finansowy, a dyrektor operacyjny podkreśla wydajność operacyjną.

Przedsiębiorstwa, które odnoszą sukces, wyrównują te perspektywy wcześnie i zobowiązują się do długoterminowych wyników.

Twoja strategia ekspansji obejmuje Amerykę Północną i Europę. Jakie różnice widzisz w dojrzałości wdrożenia sztucznej inteligencji i gotowości przedsiębiorstw w tych regionach?

Różnica leży bardziej w nastawieniu niż w zdolnościach.

Ameryka Północna priorytetem jest szybkość i eksperymentowanie, napędzane przez presję konkurencyjną.

Europa kładzie nacisk na zarządzanie i etykę sztucznej inteligencji od samego początku. Nie oznacza to jednak wolniejszego wdrożenia. Przedsiębiorstwa równoważą strukturę z przyspieszeniem.

Oba regiony zbiegają się ku skalowalnej, odpowiedzialnej sztucznej inteligencji osadzonej w rdzeniu operacji.

Niedawno założyłeś krąg CAIO, aby zebrać liderów sztucznej inteligencji. Jakie są najpilniejsze rozmowy wśród dyrektorów sztucznej inteligencji, szczególnie wokół zarządzania i etyki?

Krąg CAIO został stworzony, aby dać liderom sztucznej inteligencji przestrzeń do otwartej dyskusji.

Głównym wyzwaniem jest balansowanie szybkości z długoterminowym ryzykiem. Zaufanie i wyjaśnialność są głównymi problemami, szczególnie gdy systemy sztucznej inteligencji wpływają na kluczowe decyzje.

Zarządzanie przechodzi od dokumentów polityki do wbudowanych praktyk operacyjnych. W tym samym czasie wiele organizacji wciąż brakuje modeli wykonawczych, aby wykonać swoje strategie sztucznej inteligencji.

Najcenniejsze spostrzeżenia często pochodzą z otwartych dyskusji między kolegami, a nie z formalnych prezentacji.

Spójrzając w przyszłość, trzy do pięciu lat, czy oczekujesz, że sztuczna inteligencja przedsiębiorstw skonsoliduje się w zjednoczone platformy, takie jak Twoja, czy pozostanie fragmentowanym ekosystemem narzędzi i dostawców? Gdzie Polestar Analytics zamierza się umieścić w tym przyszłym krajobrazie?

Fragmentacja prawdopodobnie będzie kontynuowana. Duże platformy, takie jak Databricks, Microsoft, Salesforce i Anaplan, pozostaną głównymi graczami.

Czego potrzebują przedsiębiorstwa, to ujednolicająca warstwa, która łączy dane, inteligencję i workflow w coś działającego. To jest rola, jaką 1Platform jest zaprojektowana do odegrania.

Przyszłość będzie faworyzować platformy z głęboką wiedzą branżową. Ogólne, poziome rozwiązania będą się trudzić, aby się wyróżnić.

Prawdziwa wartość będzie pochodzić z zrozumienia potrzeb specyficznych dla branży i osadzania inteligencji bezpośrednio w workflow podejmowania decyzji.

Dziękuję za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Polestar Analytics.