Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Wywiad

Dr. Pandurang Kamat jest Chief Technology Officer w Persistent Systems (PERSISTENT.BO ), gdzie jest odpowiedzialny za zaawansowane badania technologiczne skupione na odblokowaniu wartości biznesowej poprzez innowacje na dużą skalę. Jest doświadczonym liderem technologicznym, który pomaga klientom poprawić doświadczenie użytkownika, zoptymalizować procesy biznesowe i tworzyć nowe produkty cyfrowe. Jego wizja dla Persistent Systems jest taka, aby być potęgą innowacji, która kotwiczy globalny i zróżnicowany ekosystem innowacji, składający się z akademii i startupów.

Pandurang dołączył do Persistent Systems w 2012 roku. Przed Persistent Systems był Dyrektorem Analityki dla Ask.com, gdzie kierował globalnym zespołem zarządzającym platformą analityczną Ask.com. Wcześniej pomagał budować bezpieczne komunikacje i produkty mediów cyfrowych w Bell Labs i HP Labs, a także nagrodzony platformę badawczą bezprzewodową na Rutgers University.

Persistent Systems jest zaufanym partnerem inżynierii cyfrowej i modernizacji przedsiębiorstw dla globalnych liderów rynkowych w różnych branżach.

Czym pierwotnie zainteresował Cię się komputerowa nauka i inżynieria?

Mój zainteresowanie komputerową nauką i inżynierią zostało zainspirowane podczas letniego kursu w szkole. Nauka konstrukcji programistycznych i tworzenie gier komputerowych wprowadziło mnie w strukturalną logikę, która wspiera te dziedziny. Byłem zafascynowany możliwością rozbicia złożonych problemów i rozwiązania ich w sposób systematyczny. To, co mnie naprawdę pociągało, to ogromna siła, jaką dają dobrze zaprojektowane programy. Mogą one zautomatyzować zadania, zoptymalizować procesy i dać możliwość małym zespołom osiągnięcia niezwykłych wyników. Ta kombinacja kreatywności, rozwiązywania problemów i przekształcania potencjału nadal mnie inspiruje. Od tych pierwszych doświadczeń do mojej ciągłej podróży, pozostaję pasjonatem nieograniczonych możliwości, jakie oferuje technologia. Komputerowa nauka i inżynieria nie tylko kształtują przyszłość, ale także oferują ścieżki do innowacji i postępu, które mnie napędzają.

Jak pojawienie się sztucznej inteligencji generatywnej zmieniło sposób, w jaki Twoja drużyna działa?

Pojawienie się sztucznej inteligencji generatywnej (GenAI) zmieniło sposób, w jaki nasz zespół działa w Persistent Systems, szczególnie w rozwoju oprogramowania dla przedsiębiorstw. Ta perturbacja w branży IT nie tylko stwarza wyzwania, ale także znaczące możliwości, aby ponownie wyobrazić sobie operacje biznesowe w sposób całościowy.

Jako przedsiębiorstwo inżynierii cyfrowej zasilanej przez AI, Persistent Systems przyjął GenAI, aby zrewolucjonizować różne aspekty cyklu życia inżynierii oprogramowania. W ciągu ostatniego roku opracowaliśmy narzędzia i pakiety, które całkowicie zmieniają procesy takie jak generowanie kodu, generowanie przypadków testowych i migracja raportów. W projektach modernizacji dziedzictwa nasze podejście ewoluowało znacząco. Teraz wykorzystujemy narzędzia do uproszczenia procesów przejęcia kodu, złagodzenia ryzyka projektowego i przyspieszenia wdrożenia nowych członków zespołu, zapewniając im głębsze zrozumienie złożonych baz kodu. Ponadto nasza współpraca z branżami umożliwia nam dostarczanie rozwiązań dostosowanych do danych przedsiębiorstw. Poprzez rozwój asystentów cyfrowych, które rozumieją język biznesowy i zapewniają odpowiednie odniesienia, zwiększamy wydajność operacyjną i podejmowanie decyzji w przedsiębiorstwach. Ci asystenci przestrzegają zasad Odpowiedzialnego AI, zapewniając przejrzystość, odpowiedzialność, bezpieczeństwo i prywatność, a także ciągłe doskonalenie ich dokładności i wydajności poprzez automatyczne ocenianie wyników modelu.

Jakie są niektóre wyzwania związane z całkowitą modernizacją systemów dziedzictwa przy użyciu sztucznej inteligencji generatywnej?

GenAI jest potężnym narzędziem, ale nie jest srebrną kulą dla pełnej modernizacji systemów dziedzictwa. Organizacje z różnych branż muszą przyjąć podejście łączące ludzką ekspertyzę i możliwości AI. Chociaż GenAI oferuje znaczący potencjał dla modernizacji, ma swoje ograniczenia. Kluczowe wyzwania obejmują:

• Ograniczona wiedza o systemach dziedzictwa: Modele GenAI wymagają dogłębnej wiedzy o istniejących systemach, aby funkcjonować skutecznie. Systemy dziedzictwa często nie posiadają kompleksowej dokumentacji, utrudniając AI zrozumienie ich zależności.
• Jakość danych i stronniczość: Jakość i reprezentatywność danych wykorzystanych do szkolenia modelu AI mają znaczący wpływ na jego wynik. Ograniczenia danych szkoleniowych mogą być odzwierciedlone w wygenerowanym kodzie, potencjalnie wprowadzając nowe problemy.
• Zapewnienie jakości i bezpieczeństwa: Chociaż GenAI może zautomatyzować generowanie kodu, wynik wymaga rygorystycznego testowania i weryfikacji, aby spełnić wymagania jakościowe, funkcjonalne i bezpieczeństwa.
• Ograniczony zakres modernizacji: GenAI może być niewłaściwy do pełnej przebudowy systemów. Może się sprawdzić w konkretnych zadaniach, takich jak refaktoryzacja kodu lub generowanie przypadków testowych, ale złożone zmiany architektoniczne nadal wymagają interwencji manualnej.
• Zarządzanie zmianą i wyrównanie interesariuszy: Zarządzanie zmianą organizacyjną i uzyskanie zgody interesariuszy są kluczowymi czynnikami decydującymi o powodzeniu modernizacji systemów dziedzictwa przy użyciu GenAI. Jasna komunikacja, programy szkoleniowe i inicjatywy zaangażowania interesariuszy mogą pomóc w rozwiązaniu oporu wobec zmiany i ułatwić płynne przejścia.

Jednym z wyzwań sztucznej inteligencji generatywnej jest spójność, jak Persistent Systems pomaga w budowaniu spójnego doświadczenia użytkownika?

Spójność jest jednym z elementów zapewnienia ogólnego doświadczenia użytkownika na poziomie przedsiębiorstwa i bezpieczeństwa GenAI. Spójrzmy na ten proces całościowo.

Oferujemy wsparcie na wszystkich etapach adopcji GenAI. Nasze strategiczne wytyczne i staranne analizy przypadków użycia pomagają organizacjom w wyborze najbardziej odpowiednich modeli podstawowych (FMs) dostosowanych do ich konkretnych wymagań. Przez szczegółowe badanie i konsultacje pomagamy klientom w definiowaniu wyraźnych przypadków użycia i podejmowaniu świadomych decyzji o wyborze FM.

Następnie koncentrujemy się na wielu podejściach, takich jak few-shot prompting lub fine-tuning, aby upewnić się, że modele wykorzystywane w aplikacjach są dostosowane do przypadku użycia i danych przedsiębiorstwa.

Nasze rozwiązania nie tylko wykorzystują standardowe techniki RAG, ale także idą głębiej w strategie wielokrotnego promptowania i dzielenia danych, aby upewnić się, że najbardziej istotne dane są pobierane i przekazywane do FM podczas inferencji. Dodatkowo poprawiamy dokładność i istotność tego kontekstu, wykorzystując zaawansowane Grafy Wiedzy do przechwytywania ukrytych relacji w danych przedsiębiorstwa.

Także wykorzystujemy wiele technik ugruntowania i barier, aby ograniczyć i ukierunkować zakres inferencji.

Na koniec poddajemy aplikację rygorystycznemu i zautomatyzowanemu ramowi oceny, który zapewnia spójność inferencji i doświadczenia, wydanie po wydaniu.

Czy mógłbyś podać przykłady z życia wzięte, w których rozwiązania zasilane przez GenAI zrewolucjonizowały interakcje z klientami?

Persistent Systems przekształcił interakcje z klientami dla wiodącego dostawcy rozwiązań oprogramowania poprzez rozwiązania zasilane przez GenAI. Borykając się z wyzwaniami skalowalności w okresach szczytu, firma wdrożyła Centralne Repozytorium Wiedzy i Bot Konwersacyjny Drużyny. Uprościło to dostęp do informacji, prowadząc do 80% redukcji czasu rozwiązania zapytań klientów. Jakość odpowiedzi również znacznie się poprawiła, co doprowadziło do zwiększenia satysfakcji klientów.

Pomogliśmy także firmie private equity, wykorzystując GenAI do zautomatyzowania tworzenia szczegółowych raportów inwestycyjnych. Z systemem zasilanym przez GenAI czas potrzebny do wygenerowania raportów został zmniejszony o 90%. To uproszczone podejście zrewolucjonizowało operacje firmy, ułatwiając szybkie i skuteczne podejmowanie decyzji. Wydajność nie tylko zaoszczędziła cenny czas, ale także wspierała zwiększoną współpracę między interesariuszami i zapewniała personalny charakter w każdym memorandum, zwiększając ogólną skuteczność.

Jak podchodzisz do odpowiedzialnej innowacji GenAI?

Nasze podejście do odpowiedzialnej innowacji GenAI priorytetem są praktyki etyczne i zgodność z przepisami na wszystkich etapach rozwoju i wdrożenia. Kładziemy nacisk na przejrzystość, odpowiedzialność i uczciwość w podejmowaniu decyzji z użyciem AI.

Ustanawiamy solidne wytyczne etyczne, które regulują rozwój, wdrożenie i użycie systemów GenAI. W naszym dążeniu do odpowiedzialnej innowacji GenAI, rygorystycznie testujemy i walidujemy nasze systemy, aby zminimalizować potencjalne ryzyka, takie jak stronniczość, dezinformacja i problemy z prywatnością.

Ponadto priorytetem jest dla nas przejrzystość i odpowiedzialność w procesach podejmowania decyzji z użyciem AI, zapewniając użytkownikom jasne wglądy w działanie systemu. Ostatecznie nasze podejście ma na celu rozwój i wdrożenie systemów GenAI, które napędzają innowacje i wydajność, jednocześnie przyczyniając się pozytywnie do społeczeństwa.

Jaka jest Twoja wizja przyszłości sztucznej inteligencji?

Moja wizja przyszłości sztucznej inteligencji jest wieloaspektowa. Po pierwsze, w inżynierii cyfrowej widzę AI nie tylko jako pomocnika programistycznego, ale także jako współpracownika, podobnego do “para-programisty”. To oznacza, że AI pomaga w zadaniach programistycznych i aktywnie uczestniczy w rozwiązywaniu problemów, mapowaniu złożonych zadań i wykonywaniu podzadań.

Po drugie, przewiduję erę personalizowanych agentów AI i asystentów, oferujących dostosowane doświadczenia poszczególnym osobom – podejście “personalizacji 1”. Ci agenci będą rozumieć unikalne preferencje, zachowania i potrzeby użytkowników, dostarczając wysoko spersonalizowaną pomoc i usługi.

Na koniec wierzę w ewolucję złożonych systemów AI, gdzie różne modele AI współistnieją, aby rozwiązać różne potrzeby. Nie będzie jednego “uniwersalnego” modelu, ale raczej kombinacji dużych i małych, ogólnych i specjalistycznych modeli pracujących razem w usługach AI. To podejście pozwala na większą elastyczność, wydajność i skuteczność w rozwiązywaniu szerokiego zakresu problemów w różnych dziedzinach.

Dziękujemy za wspaniały wywiad, czytelnicy, którzy chcą dowiedzieć się więcej, powinni odwiedzić Persistent Systems.