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

Gautam Singh jest Dyrektorem Jednostki Biznesowej WNS Analytics oraz współzałożycielem i CEO The Smart Cube, spółki zależnej WNS. Spędził 20 lat na budowaniu i rozwoju The Smart Cube (lidera w dziedzinie badań i analityki) przed jego przejęciem przez WNS. Wcześniej pracował przez 10 lat w firmach doradztwa zarządczego i kapitału venture w Europie i Stanach Zjednoczonych. Gautam zajmował różne stanowiska, w tym w Coven Partners (Londyn), A.T. Kearney (Londyn), Mitsubishi Motors (Indie) i Cummins Engines (Stany Zjednoczone). Ukończył studia MBA na Uniwersytecie Michigan w Ann Arbor, USA oraz studia inżynierskie z zakresu inżynierii mechanicznej na IIT Bombay, Indie.

WNS Analytics pomaga firmom przekształcić ich dane w strategiczną wartość za pomocą „inteligencji decyzyjnej” – łącząc solidną infrastrukturę danych, technologie AI/GenAI/agentic-AI oraz specjalistyczną wiedzę branżową. Oferują usługi w różnych branżach, w tym ubezpieczeniach, bankowości i usługach finansowych, handlu detalicznym, CPG, produkcji, ochronie zdrowia, energii i logistyce. Ich możliwości obejmują inżynierię danych i zarządzanie, analitykę opisową i predykcyjną, narzędzia AI/ML oraz wizualizację – wszystko zaprojektowane w celu umożliwienia szybszych, bardziej pewnych decyzji i ciągłej innowacji.

Zacząłeś swoją karierę w najlepszych firmach doradztwa zarządczego, następnie założyłeś The Smart Cube i prowadziłeś ją 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 firmach doradztwa zarządczego 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 sprowadzała się do wiary we własne możliwości. Zobaczyłem okazję, aby pomóc organizacjom naprawdę wykorzystać ich dane, więc założyłem The Smart Cube z tym celem.

Po 20 latach budowania The Smart Cube, dołączenie do WNS nie było wyjściem, ale ewolucją. Przeniosłem przedsiębiorczą mentalność, ale teraz z o wiele większymi zasobami i zasięgiem. Pozwala nam to rozwiązywać problemy w skali, której nie mógłbym osiągnąć w mniejszym biznesie. Co najważniejsze, uznałem moc wbudowania i napełnienia danych i analityki w podstawowe procesy biznesowe, a nie traktowania ich jako odrębnych interwencji. To bezproblemowe połączenie wiedzy branżowej i transformacji procesów jest centralnym elementem DNA WNS – i to motywowało mnie do przejęcia i teraz do kierowania tą jednostką biznesową w WNS.

W ciągu ponad 20 lat pracy w dziedzinie analityki, jak widziałeś ewolucję roli danych i sztucznej inteligencji w usługach finansowych – od wczesnego przyjęcia do dzisiejszej dużoskalowej, przedsiębiorczej integracji?

Na początku lat 90. analityka oznaczała patrzenie na historyczne dane i tworzenie statystycznych prognoz. Przemiany były zdumiewające.

Początek lat 2000. przyniósł cyfryzację i bardziej zaawansowane modele predykcyjne. Do 2010 roku analityka handlu w czasie rzeczywistym stała się standardem. Niespełna dekadę temu, sztuczna inteligencja zaczęła napędzać prawdziwą zmianę, a ostatnio Generative AI (Gen AI) zajęła centralne miejsce.

Dziś instytucje finansowe traktują dane jako strategiczny aktyw. Pytanie przesunęło się z „Czy możemy używać AI?” na „Jak wbudować AI w każdą decyzję?”.

Wpływ jest namacalny: proces onboardingu, który kiedyś zajmował dni, teraz kończy się w godziny dzięki weryfikacji opartej na AI. Oceny ryzyka kredytowego oceniają setki punktów danych w czasie rzeczywistym, poza tradycyjnymi wynikami. Obliczenia ryzyka, które wymagały nocnych uruchomień partii, są teraz natychmiastowe. A wykrywanie oszustw nie reaguje już tylko po fakcie – blokuje podejrzane działania w czasie rzeczywistym.

Jak przedsiębiorstwa przyszłościowe wykorzystują AI-napędzane jeziora danych i ramy zarządzania, 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 muszą zaprojektować inteligentne ekosystemy danych.

Usługi finansowe stają przed wyjątkowym wyzwaniem: są one ukierunkowane na klienta, obsługują bardzo wrażliwe dane i muszą jednocześnie zapewnić personalizację i odpowiedź w czasie rzeczywistym. To wymaga modułowych jezior danych zbudowanych na elastycznych ramach.

W ramach tej architektury organizacje tworzą specjalistyczne stawy danych dla analizy cen, oceny ryzyka i sprawozdawczości regulacyjnej. Każdy staw działa niezależnie, jednocześnie dostarczając wartość i zachowując granice bezpieczeństwa.

Trend Zero ETL jest szczególnie istotny tutaj, ponieważ eliminuje złożone procesy Extract-Transform-Load, umożliwiając bezpośrednie zapytania w systemach bez przenoszenia danych, co redukuje opóźnienia i zachowuje zarządzanie.

Agenci AI również ewoluują poza wykrywaniem anomalii. Nie tylko sygnalizują podejrzane transakcje, ale także proponują działania i wykonują odpowiedzi w ramach zarządzania. W kwestiach zgodności AI ciągle monitoruje transakcje, generuje raporty i identyfikuje problemy przed regulatorem.

Syntetyczne dane są często przedstawiane jako bezpieczny sposób szkolenia modeli AI bez ujawniania wrażliwych informacji. Czy możesz podzielić się przykładami, jak syntetyczne dane są skutecznie stosowane w wykrywaniu oszustw, analizie ryzyka i walidacji modeli?

W WNS Analytics wykorzystujemy zaawansowaną generację syntetycznych danych, aby tworzyć wysokiej jakości, zgodne z prywatnością zestawy danych, które przyspieszają szkolenie modeli AI, szczególnie w dziedzinach, gdzie 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 jakichkolwiek wrażliwych informacji osobowych lub danych klientów.

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

Szczególnie innowacyjne zastosowanie obejmuje wykorzystanie 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.

Inteligentna automatyzacja i agenci AI są coraz częściej wbudowywani w procesy biznesowe. Jakie najbardziej przełomowe przypadki użycia widziałeś w usługach finansowych, i jak poprawiają one odporność operacyjną i wydajność?

Inteligentna automatyzacja z użyciem agentów AI przyspiesza przepływy pracy przedsiębiorstw, umożliwiając im strumieniowanie operacji i podejmowanie szybszych, bardziej poinformowanych decyzji. Agenci łączą automatyzację z zaawansowanym rozumowaniem, aby dostarczyć odporność, skalowalność i poprawę wydajności.

W WNS Analytics stosujemy ramę GAIN (naszą własną ramę wdrożenia Agentic AI), aby ocenić odpowiednie poziomy autonomii dla agentic AI. Ponadto dostarczamy wielokrotnie używalne, oparte na mikrousługach składniki dla hyperspecjalistycznych agentów za pośrednictwem naszego nagradzanego Hubu Narzędzi AI.

W ubezpieczeniach przekształciliśmy wiele przepływów pracy za pomocą agentic AI. W przypadku regresu roszczeń z tytułu szkód komunikacyjnych nasze rozwiązanie do wykrywania odzysku stron trzecich, napędzane przez autonomiczne agenty AI, 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 z agentic AI zatrudnia wielu specjalistycznych agentów, aby rozbić złożone zapytania, wyodrębnić dane z wielu źródeł i generować spostrzeżenia z 99% dokładnością, jednocześnie redukując czas realizacji o 85%.

Dla wiodącego banku, nasze rozwiązanie Gen AI skróciło czas przeglądu mediów o 60% i zmniejszyło fałszywe pozytywy o 12-15%.

Posiadamy również rozwiązanie zarządzania wiedzą oparte na Gen AI – zaprojektowane jako platforma pozioma – aby zdefiniować, jak przedsiębiorstwa pobierają, rozumieją i kontekstualizują ogromne nieustrukturyzowane dane. Dostarczając precyzyjne, zgodne i spójne spostrzeżenia w czasie rzeczywistym, wzmacniają one podejmowanie decyzji, poprawiają wydajność i wzmacniają odporność operacyjną w różnych branżach.

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

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

Największą barierą dla skalowania AI 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 stworzyliśmy „zespoły mostowe”, które łączą administratorów systemów legacy z inżynierami chmury, przyspieszając wdrożenie, jednocześnie zachowując krytyczne reguły biznesowe.

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

Po trzecie, tempo zmian technologicznych. Nasze WNS AI Lab umożliwia organizacjom eksperymentowanie z nowymi technologiami i tworzenie prototypów przed pełnym wdrożeniem.

Na froncie kulturowym sukces zależy od skutecznego zarządzania zmianą. Projektujemy ramy, które pomagają pracownikom postrzegać AI jako dodatek, a nie substytut. Ustanowienie rady AI jest również mądrym posunięciem, zapewniającym zarządzanie, cross-funkcjonalne wyrównanie i ustrukturyzowaną ścieżkę do przechodzenia od pilotów do przedsiębiorczej skali.

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

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

Instytucje finansowe potrzebują solidnych ram zarządzania AI. W WNS wdrażamy ramy, które zapewniają, że AI jest rozwijany w sposób odpowiedzialny, etyczny i bezpieczny. Nasze podejście wbudowuje kontrole stronniczości, uczciwości, niestandardowych KPI i monitorowania dryfu modelu. To buduje zaufanie, a nie tylko zgodność regulacyjną.

Przejrzystość jest szczególnie krytyczna w usługach finansowych. Jeśli AI odrzuca pożyczkę, wnioskodawcy zasługują na jasne i zrozumiałe wyjaśnienia.

Ostatecznie odpowiedzialny AI jest przewagą konkurencyjną. Banki, które demonstrują uczciwość, przejrzystość i bezpieczeństwo w swoich systemach AI, 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 pojawiające się możliwości AI lub strategie danych, według Ciebie, będą miały największy wpływ na to, jak organizacje finansowe będą działać?

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

Po pierwsze, agentic AI przejdzie od eksperymentalnego do niezbędnego. Autonomiczni agenci AI będą wykonywać złożone przepływy pracy i kierować całą działalnością obok zespołów ludzkich.

Po drugie, systemy ciągłego uczenia się staną się standardem. AI będzie dostosowywał się do każdej interakcji, umożliwiając prawdziwie personalizowane usługi finansowe, które ewoluują z każdą zmianą potrzeb klienta.

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

Mając doświadczenie w przedsiębiorczości, przejęciach i obecnie w roli globalnego lidera, jakie zasady przewodnie pomogły Ci w podejmowaniu decyzji i prowadzeniu zespołów przez zmiany?

Trzy zasady przewodzą mnie.

Po pierwsze, wytrwałość ponad perfekcją. Kiedy założyliśmy The Smart Cube, nie mieliśmy wszystkich odpowiedzi. Popełniliśmy błędy, adaptowaliśmy się i kontynuowaliśmy. Wytrwałość z elastycznością była niezbędna.

Po drugie, buduj trwałą wartość, a nie szybkie wyjście. Profesor ze szkoły biznesu poradził mi kiedyś – lata po założeniu The Smart Cube – „Nie skupiaj się na wyjściu. Skup się na budowaniu udanego biznesu, który przetrwa”. Ten długoterminowy sposób myślenia ukształtował każdą decyzję, jaką podjąłem.

Po trzecie, ciesz się tym, co robisz. Zawsze wierzyłem, że jeśli nie cieszę się, to przechodzę do czegoś innego. Po 30 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 – to miejsce, gdzie realne przywództwo ma znaczenie.

Dla profesjonalistów, którzy chcą kształtować przyszłość AI 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 – wyraźnego przypadku użycia – i pracuj wstecz. AI w finansach wymaga widzenia, jak wszystko się łączy: jak zmiana modeli ryzyka wpływa na doświadczenie klienta lub jak automatyzacja otwiera nowe możliwości.

Po drugie, kultivuj dyscyplinowaną praktyczność ponad idealizmem. Bądź podekscytowany nowymi technologiami, ale rygorystycznie oceniając je. Nie każdy problem wymaga AI – czasem proste analizy lub nawet arkusze kalkulacyjne mogą zrobić zadanie.

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

Na koniec, 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 na przecięciu AI i finansów.

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