Gautam Singh, Globalny Kierownik Jednostki Biznesowej Analityki, Danych i Sztucznej Inteligencji, WNS Analytics – Seria Wywiadów

Gautam Singh jest kierownikiem jednostki biznesowej WNS Analytics oraz współzałożycielem i dyrektorem generalnym The Smart Cube, spółki zależnej WNS. Spędził 20 lat na tworzeniu i rozwoju The Smart Cube (lidera w dziedzinie badań i analityki) przed jej przejęciem przez WNS. Wcześniej pracował przez 10 lat w doradztwie zarządczym i kapitałowym w Europie i Stanach Zjednoczonych. Gautam pełnił różne role, w tym stanowiska w Coven Partners (Londyn), A.T. Kearney (Londyn), Mitsubishi Motors (Indie) i Cummins Engines (Stany Zjednoczone). Ukończył studia MBA na Uniwersytecie Michigan, Ann Arbor, USA oraz studia inżynierskie z zakresu inżynierii mechanicznej na IIT Bombay, Indie.

WNS Analytics pomaga firmom przekształcić ich dane w strategiczną wartość poprzez „inteligencję decyzyjną” – łącząc solidną infrastrukturę danych, technologie sztucznej inteligencji i wiedzę specjalistyczną. Oferują usługi w różnych branżach, w tym ubezpieczeniach, bankowości i usługach finansowych, detalu, produktów konsumpcyjnych, produkcji, opieki zdrowotnej, energii i logistyki. Ich możliwości obejmują inżynierię danych i zarządzanie, analitykę opisową i predykcyjną, narzędzia sztucznej inteligencji i wizualizację – wszystko to zostało zaprojektowane w celu umożliwienia szybszych i bardziej pewnych decyzji oraz ciągłej innowacji.

Rozpocząłeś swoją karierę w najlepszych firmach doradztwa zarządczego, następnie założyłeś The Smart Cube i kierowałeś nią przez ponad dwie dekady, zanim została przejęta przez WNS. Co skłoniło Cię do przejścia z doradztwa na przedsiębiorczość, a później do kierowania globalnym biznesem analityki danych i sztucznej inteligencji?

Spędziłem dziesięć lat w doradztwie zarządczym i zobaczyłem wyraźną lukę na rynku: firmy siedziały na górach danych, ale nie wykorzystywały ich w pełni. W 2003 roku analityka była jeszcze podstawowa – pracowaliśmy z arkuszami kalkulacyjnymi Excel.

Decyzja o opuszczeniu życia korporacyjnego była kwestią wiary we własne możliwości. Zobaczyłem okazję, aby pomóc organizacjom w pełni wykorzystać ich dane, więc założyłem The Smart Cube z tym celem.

Po dwudziestu latach budowania The Smart Cube, dołączenie do WNS nie było wyjściem, ale ewolucją. Przeniosłem ze sobą mentalność przedsiębiorczą, ale teraz z o wiele większymi zasobami i zasięgiem. Pozwala to nam rozwiązywać problemy w skali, której nie mogłem osiągnąć w mniejszym biznesie. Co najważniejsze, uznałem, że integracja danych i analityki z procesami biznesowymi jest centralnym elementem DNA WNS – i to motywowało mnie do przejęcia i teraz do kierowania tą jednostką biznesową w WNS.

W ciągu Twoich 20+ lat pracy w dziedzinie analityki, jak zmieniła się rola danych i sztucznej inteligencji w usługach finansowych – od wczesnego przyjęcia do dzisiejszej integracji na dużą skalę?

W późnych latach 90. analityka oznaczała patrzenie na historyczne dane i tworzenie statystycznych prognoz. Przemiana była zdumiewająca.

Początek lat 2000. przyniósł cyfryzację i bardziej zaawansowane modele predykcyjne. Do 2010 roku analityka handlu w czasie rzeczywistym stała się standardem. Niedługo potem, uczenie maszynowe zaczęło napędzać prawdziwą zmianę, a ostatnio sztuczna inteligencja generatywna (Gen AI) zajęła centralne miejsce.

Dziś instytucje finansowe traktują dane jako strategiczny aktyw. Pytanie przeszło od „Czy możemy używać sztucznej inteligencji?” do „Jak wbudować sztuczną inteligencję w każdą decyzję?”

Wpływ jest namacalny: procesy obsługi klienta, które kiedyś trwały dni, teraz są finalize w godziny dzięki weryfikacji opartej na sztucznej inteligencji. Oceny ryzyka kredytowego oceniają setki punktów danych w czasie rzeczywistym, poza tradycyjnymi ocenami. Obliczenia ryzyka, które wymagały nocnych uruchomień partii, są teraz natychmiastowe. Wykrywanie oszustw nie reaguje już tylko po fakcie – blokuje podejrzane działania w czasie rzeczywistym.

Jak przedsiębiorstwa przyszłościowe wykorzystują sztuczną inteligencję i ramy zarządzania danymi, aby poprawić podejmowanie decyzji w czasie rzeczywistym, zgodność z przepisami i przejrzystość w operacjach finansowych?

Budowanie monolitycznych magazynów danych i liczenie na spostrzeżenia nie działa już. Instytucje potrzebują inteligentnych ekosystemów danych.

Usługi finansowe stają przed unikalnym wyzwaniem: są one ukierunkowane na klienta, obsługują bardzo wrażliwe dane i muszą jednocześnie zapewniać personalizację i odpowiedzi w czasie rzeczywistym. Wymaga to modułowych jezior danych zbudowanych na elastycznych ramach.

W ramach tej architektury organizacje tworzą specjalistyczne zbiorniki danych dla analiz cen, ocen ryzyka i sprawozdawczości regulacyjnej. Każdy zbiornik działa niezależnie, jednocześnie dostarczając natychmiastowej wartości i zachowując granice bezpieczeństwa.

Trend Zero ETL jest szczególnie istotny tutaj, ponieważ eliminuje złożone procesy ETL, umożliwiając bezpośrednie zapytania w systemach. Pozwala to sztucznej inteligencji na dostęp i analizę danych w czasie rzeczywistym bez ich przenoszenia, redukując opóźnienia i zachowując zarządzanie.

Agenci sztucznej inteligencji ewoluują również poza wykrywaniem anomalii. Nie tylko sygnalizują podejrzane transakcje, ale także polecają działania i wykonują odpowiedzi w ramach parametrów zarządzania. W kwestiach zgodności sztuczna inteligencja ciągle monitoruje transakcje, generuje raporty i identyfikuje problemy, zanim zrobią to organy regulacyjne.

Czy możesz podzielić się przykładami, jak dane syntetyczne są stosowane skutecznie w wykrywaniu oszustw, analizie ryzyka i walidacji modeli?

W WNS Analytics wykorzystujemy zaawansowaną generację danych syntetycznych, aby utworzyć wysokiej jakości, zgodne z prywatnością zestawy danych, które przyspieszają szkolenie modeli sztucznej inteligencji, szczególnie w dziedzinach, w których brakuje danych. Nasze syntetyczne zestawy danych naśladują scenariusze rzeczywiste, odzwierciedlając te same wzorce statystyczne, zachowania i korelacje, co rzeczywiste dane finansowe – przepływy transakcji, trendy oszustw, zachowania klientów – bez ujawniania żadnych wrażliwych informacji osobowych (PII) lub danych klientów.

Ta zdolność przekształca usługi finansowe w dziedzinach takich jak analityka ryzyka, wykrywanie oszustw, ocena kredytowa, testy stresowe i modelowanie zgodności. Te syntetyczne zestawy danych umożliwiają organizacjom szybkie uruchomienie rozwoju rozwiązań sztucznej inteligencji, jednocześnie zapewniając prywatność danych i pewność regulacyjną.

Szczególnie innowacyjnym zastosowaniem jest użycie danych z maskowanymi danymi osobowymi do tworzenia modeli podobnych. Pozwala to firmom na skierowanie ukierunkowanych ofert do konsumentów, umożliwiając marketing personalizowany, jednocześnie zachowując pełną prywatność.

Jakie są najbardziej przełomowe przypadki użycia inteligentnej automatyki i agentów sztucznej inteligencji, które widziałeś w usługach finansowych, i jak poprawiają one odporność operacyjną i wydajność?

Inteligentna automatyka wykorzystująca agenty sztucznej inteligencji przyspiesza przedsięwzięcia biznesowe, umożliwiając organizacjom usprawnienie operacji i podejmowanie szybszych, bardziej świadomych decyzji. Agenci ci łączą automatykę z zaawansowanym rozumowaniem, dostarczając odporność, skalowalność i poprawę wydajności.

W WNS Analytics stosujemy ramę GAIN (naszą własną ramę wdrożenia sztucznej inteligencji agentynej) do oceny odpowiednich poziomów autonomii dla agentów sztucznej inteligencji. Dostarczamy również wielokrotnie używalne, oparte na mikrousługach komponenty dla hyperspecjalistycznych agentów za pośrednictwem naszego nagradzanego centrum utility sztucznej inteligencji.

W ubezpieczeniach przekształciliśmy wiele procesów za pomocą sztucznej inteligencji agentynej. W przypadku regresu roszczeń z tytułu szkód komunikacyjnych nasze rozwiązanie oparte na sztucznej inteligencji generatywnej, napędzane przez autonomiczne agenty, osiągnęło 85% dokładności, podwajając objętość odzysku i zwiększając roczne odzyski o około 49% – odblokowując miliony możliwości, które wcześniej były pomijane.

W przypadku underwritingu nasz asystent badawczy oparty na sztucznej inteligencji agentynej zatrudnia wielu specjalistycznych agentów do rozłożenia złożonych zapytań, wyodrębnienia danych z wielu źródeł i wygenerowania spostrzeżeń z 99% dokładnością, jednocześnie redukując czas oczekiwania o 85%.

Dla czołowego banku nasze rozwiązanie oparte na sztucznej inteligencji generatywnej skróciło czas przeglądu mediów o 60% i zmniejszyło fałszywe pozytywy o 12-15%.

Posiadamy również rozwiązanie oparte na sztucznej inteligencji generatywnej do zarządzania wiedzą – zaprojektowane jako platforma pozioma – aby zdefiniować, w jaki sposób przedsiębiorstwa pobierają, rozumieją i kontekstualizują ogromne nieustrukturyzowane dane. Dostarczając precyzyjne, zgodne i spójne spostrzeżenia w czasie rzeczywistym, poprawia podejmowanie decyzji, zwiększa wydajność i wzmacnia odporność operacyjną w różnych branżach.

Te rozwiązania uzupełniają osąd ludzki, tworząc szybsze i bardziej dokładne systemy.

Dla przedsiębiorstw, które mają na celu skalowanie inicjatyw sztucznej inteligencji, jakie są największe bariery – techniczne, kulturowe czy strategiczne – i jak mogą je pokonać przywódcy?

Największą barierą dla skalowania sztucznej inteligencji nie jest technologia – jest to gotowość organizacyjna.

Po pierwsze, istnieją sylosy danych w systemach legacy. Pełna wymiana nie jest zawsze praktyczna; zamiast tego należy skoncentrować się na budowaniu inteligentnych mostów. W WNS utworzyliśmy „zespoły mostowe”, które łączą administratorów systemów legacy z inżynierami chmury, przyspieszając wdrożenie i zachowując krytyczne reguły biznesowe.

Po drugie, luka umiejętności. Przedsiębiorstwa potrzebują odpowiedniej mieszanki ekspertów branżowych, inżynierów danych, naukowców danych i tłumaczy, którzy mogą połączyć techniczne spostrzeżenia z wartością biznesową.

Po trzecie, tempo zmian technologicznych. Nasze laboratorium sztucznej inteligencji WNS umożliwia organizacjom eksperymentowanie z nowymi technologiami i tworzenie prototypów przed wdrożeniem na pełną skalę.

Na froncie kulturowym sukces zależy od skutecznego zarządzania zmianą. Projektujemy ramy, które pomagają pracownikom traktować sztuczną inteligencję jako coś dodatkowego, a nie zastępującego. Ustanowienie rady sztucznej inteligencji jest również mądrym posunięciem, zapewniającym zarządzanie, wyrównanie cross-funkcjonalne i ustrukturyzowaną ścieżkę do przechodzenia od pilotów do skali przedsiębiorstwa.

Z rosnącą kontrolą nad etyką sztucznej inteligencji, stronniczością i przejrzystością, jak mogą instytucje finansowe osiągnąć odpowiednią równowagę między innowacjami a odpowiedzialnym zarządzaniem sztuczną inteligencją?

Innowacja i odpowiedzialność nie są przeciwstawne – odpowiedzialność musi być wbudowana w innowację od samego początku.

Instytucje finansowe potrzebują solidnych ram zarządzania sztuczną inteligencją. W WNS wdrożujemy ramy, które zapewniają, że sztuczna inteligencja jest rozwijana w sposób odpowiedzialny, etyczny i bezpieczny. Nasze podejście wbudowuje kontrole stronniczości, sprawiedliwości, niestandardowych KPI i monitorowania dryfu modelu. To buduje zaufanie, a nie tylko zgodność z przepisami.

Przejrzystość jest szczególnie istotna w usługach finansowych. Jeśli sztuczna inteligencja odrzuca pożyczkę, wnioskodawcy zasługują na jasne i zrozumiałe wyjaśnienia.

Ostatecznie odpowiedzialna sztuczna inteligencja jest przewagą konkurencyjną. Banki, które demonstrują uczciwość, przejrzystość i bezpieczeństwo w swoich systemach sztucznej inteligencji, zdobywają zaufanie klientów. Te, które traktują zarządzanie jako późniejsze, ryzykują karami regulacyjnymi i uszkodzeniem reputacji, które jest o wiele trudniejsze do naprawienia.

W ciągu najbliższych 3-5 lat, które nadchodzące możliwości sztucznej inteligencji lub strategie danych, według Ciebie, będą miały największy wpływ na to, jak organizacje finansowe będą funkcjonować?

Trzy rozwoje zmienią usługi finansowe w ciągu najbliższych trzech do pięciu lat.

Po pierwsze, sztuczna inteligencja agentyjna przejdzie od eksperymentalnej do niezbędnej. Autonomiczni agenci sztucznej inteligencji będą wykonywać złożone procesy biznesowe i współpracować z zespołami ludzkimi.

Po drugie, systemy ciągłego uczenia się staną się standardem. Sztuczna inteligencja będzie dostosowywać się do każdej interakcji, umożliwiając prawdziwie personalizowane usługi finansowe, które ewoluują wraz z potrzebami klienta.

Po trzecie, zobaczymy potężne zbieżenie technologii: komputery kwantowe do zaawansowanych obliczeń ryzyka, blockchain do transparentnych dzienników decyzji sztucznej inteligencji i edge computing do natychmiastowych decyzji lokalnych. Te technologie razem odblokują całkowicie nowe formy usług finansowych, których dopiero zaczynamy wyobrażać sobie.

Mając na uwadze Twoją karierę w przedsiębiorczości, przejęciach i obecnej roli przywódczej, jakie zasady przewodnie pomogły Ci w podejmowaniu decyzji i prowadzeniu zespołów przez zmiany?

Trzy zasady przewodnie mnie prowadzą.

Po pierwsze, wytrwałość nad perfekcją. Kiedy zaczynaliśmy The Smart Cube, nie mieliśmy wszystkich odpowiedzi. Popełnialiśmy błędy, adaptowaliśmy się i szliśmy dalej. Wytrwałość z elastycznością była niezbędna.

Po drugie, buduj trwałą wartość, a nie szybkie wyjście. Profesor ze szkoły biznesu kiedyś doradził mi – lata po założeniu The Smart Cube – „Nie koncentruj się na wyjściu. Koncentruj się na budowaniu udanego biznesu, który przetrwa”. Ten długoterminowy nastawienie ukształtowało każdą decyzję, którą podjąłem.

Po trzecie, ciesz się tym, co robisz. Zawsze wierzyłem, że jeśli nie cieszę się, to przechodzę do czegoś innego. Po trzydziestu latach wciąż budzę się z entuzjazmem, a ten entuzjazm inspiruje zespoły przez zmiany.

Prowadzenie przez przejęcie potwierdziło inną prawdę: zmiana udaje się, gdy włączasz ludzi. Techniczna integracja jest prosta; integracja kulturowa – budowanie wspólnej wizji – jest tam, gdzie prawdziwe przywództwo ma znaczenie.

Dla profesjonalistów, którzy chcą kształtować przyszłość sztucznej inteligencji w finansach, jakie umiejętności, nastawienia lub doświadczenia, według Ciebie, będą najcenniejsze?

Przyszłość należy do tych, którzy potrafią łączyć światy. Czyste umiejętności techniczne lub ekspertyza branżowa same w sobie nie będą wystarczające.

Po pierwsze, rozwijaj myślenie systemowe. Zaczynaj od potrzeby rynku – jasnego przypadku użycia – i pracuj wstecz. Sztuczna inteligencja w finansach wymaga widzenia, jak wszystko się łączy: jak zmiana modeli ryzyka wpływa na doświadczenie klienta lub jak automatyzacja otwiera nowe możliwości.

Po drugie, kultywuj praktyczność nad ideałami. Bądź podekscytowany nowymi technologiami, ale rygorystycznie oceniając je. Nie każdy problem wymaga sztucznej inteligencji – czasami proste analizy lub nawet arkusze kalkulacyjne mogą to zrobić.

Po trzecie, buduj umiejętności translatorskie. Jest to niezwykle ważne. Być w stanie wyjaśnić złożone pojęcia sztucznej inteligencji członkom zarządu i przetłumaczyć wymagania biznesowe dla naukowców danych jest bezcenne. Najmocniejsi liderzy sztucznej inteligencji wyrównują technologię z strategią biznesową.

Wreszcie, przyjmij ciągłe uczenie się. Narzędzia, które były na szczycie pięć lat temu, są już przestarzałe. Pozostawanie ciekawym, skromnym i zaangażowanym w uczenie się otworzy drzwi do możliwości, których jeszcze nie możemy wyobrazić sobie na przecięciu sztucznej inteligencji i finansów.

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