Lakshmikant Gundavarapu, Chief Innovation Officer w Tredence – Seria wywiadów

Lakshmikant Gundavarapu jest Chief Innovation Officer w Tredence. Z ponad trzema dekadami doświadczenia w sektorze IT, Lakshmikant jest cenionym autorytetem w dziedzinie transformacji AI i innowacji cyfrowych.

Jako były Globalny Dyrektor ds. Danych i AI w Microsoft (MSFT ) India, przywództwo Lakshmikanta umożliwiło transformację cyfrową dla ponad 100 klientów z 40 krajów. W Microsoft Lakshmikant wspierał integrację baz danych open-source na platformie Azure i tworzył strategiczne sojusze z dostawcami rozwiązań SaaS.

Z talentem do tworzenia rozwiązań AI ukierunkowanych na klienta, Lakshmikant excels w tworzeniu strategicznych partnerstw, które napędzają innowacje. Lakshmikant wnosi bogate doświadczenie, ekspertyzę techniczną i umiejętności przywódcze, aby skatalizować transformacje napędzane przez AI, demonstrując ustaloną zdolność do tłumaczenia wschodzących technologii na konkretnych rozwiązań biznesowych.

Tredence to firma danych i AI, która pomaga firmom przekształcić eksperymenty analityczne w realny wpływ. Pracują w różnych branżach, takich jak handel detaliczny, CPG, technologia, finanse, opieka zdrowotna i podróże, oferując usługi w zakresie inżynierii danych, AI/ML, generatywnej AI, łańcucha dostaw, doświadczenia klienta i modernizacji cyfrowej. Ich celem jest łączenie szybkości za pomocą akceleratorów, głębokiej wiedzy branżowej i silnych partnerstw, aby dostarczać skalowalne, gotowe do użycia rozwiązania.

Twoje doświadczenia w Microsoft India ukształtowały Twoją wizję transformacji przedsiębiorstw napędzanych przez AI, która teraz pojawia się w strategii Tredence. Jakie doświadczenia miały największy wpływ?

Podczas mojego pobytu w Microsoft miałem okazję pracować z przedsiębiorstwami z różnych sektorów, w tym lotnictwa i nieruchomości. Jest oczywiste, że AI może mieć realny wpływ, gdy ma wyraźny cel, jest wspierany przez niezawodne dane i jest zaprojektowany do integracji z decyzjami operacyjnymi.

Na przykład:

• Duży przewoźnik lotniczy wdrożył AI do przewidywania awarii silników, umożliwiając proaktywne konserwacje i poprawiając bezpieczeństwo i wydajność.
• Duża firma deweloperska wykorzystała AI do przewidywania monitorowania niezbędnych systemów budynków, co skutkowało zmniejszeniem przestojów i zoptymalizowaniem planów konserwacyjnych.

Te doświadczenia nauczyły mnie, że sama technologia nie transformuje firm. Wymaga starannej konstrukcji, silnych podstaw danych i mechanizmów, które tłumaczą spostrzeżenia na rzeczywiste działania. Ta perspektywa teraz napędza podejście Tredence: rozwijamy rozwiązania AI, które są ukierunkowane na cel, poinformowane o danych i zdolne do dostarczania wymiernych wyników w całym przedsiębiorstwie.

Tredence jest często opisywany jako rozwiązujący „ostatni mil” problem w AI. Czy mógłbyś podzielić się przykładami, gdzie ten przyspieszony proces transformacji dla klientów? 

Rozważmy duży detalista globalnego. Poprzez ujednolicenie fragmentowanych danych z transakcji, programów lojalnościowych, operacji łańcucha dostaw i punktów dotykowych cyfrowych, umożliwiliśmy aplikacjom AI, które napędzały wzrost przychodu, retencję klientów, personalizację podróży i prognozowanie popytu. Zastosowaliśmy te spostrzeżenia operacyjnie, zmieniając analitykę w namacalne wyniki biznesowe.

Studium przypadku detalicznego: Tredence stworzył zjednoczony system personalizacji, który wygenerował 58 milionów dolarów przychodu i zamknął 54% luki KPI. To poszło dalej niż spostrzeżenia klientów i dostarczyło personalizację napędzającą przychody w skali.

W biofarmacji integracja danych R&D, klinicznych i handlowych umożliwiła AI zoptymalizowanie rekrutacji do badań, udoskonalenie projektu badań i poprawę zaangażowania lekarzy, co przyspieszyło czas wprowadzenia na rynek i zwiększyło przychody.

Przez sektory, od wykrywania oszustw bankowych do konserwacji predykcyjnej w produkcji, lekcja pozostaje taka sama: AI dostarcza wartości tylko wtedy, gdy napędza decyzje, które mają znaczenie dla biznesu.

Studium przypadku bankowego: Tredence wdrożył GenAI AML (anti-money laundering) copilotów, które nie tylko generowały spostrzeżenia o podejrzanych działaniach, ale także zintegrowały się z codziennymi operacjami, aby zwiększyć przepustowość o 120%, jednocześnie zmniejszając fałszywe pozytywy o 15%. To pokazuje tłumaczenie z wykrywania AI na efektywność operacyjną.

Przedsiębiorstwa często mają trudności z przeniesieniem się z pilotów AI do produkcji na dużą skalę. Jakie są największe przeszkody, i jak Tredence pomaga im je pokonać?

Wiele inicjatyw AI zatrzymuje się, ponieważ nie są one zaprojektowane z wyraźnym wynikiem biznesowym, nawet jeśli są technicznie silne. Kluczowe wyzwania obejmują:

1. Luki w projekcie ukierunkowanym na cel: Spostrzeżenia mogą być interesujące, ale nie rozwiązują wymiernych problemów biznesowych.
2. Ograniczenia danych: Fragmentowane lub niskiej jakości dane uniemożliwiają niezawodne skalowanie.
3. Wyzwania operacyjne: Bez zautomatyzowanego wdrożenia, monitorowania, ponownego szkolenia i zarządzania, modele pozostają eksperymentalne.

W Tredence rozwiązujemy te wyzwania poprzez:

• Projekt ukierunkowany na wynik, zapewniając, że każda inicjatywa AI jest bezpośrednio związana z wymiernymi wynikami biznesowymi.
• Silne podstawy danych, konsolidując i wzbogacając zestawy danych w celu niezawodnego działania modelu.
• Gotowe do produkcji ramy operacyjne, w tym zautomatyzowane wdrożenie, monitorowanie i ponowne szkolenie, aby utrzymać dokładność, odporność i zgodność.

To podejście umożliwia przedsiębiorstwom przejście od eksperymentów do pełnoskalowego AI, który niezawodnie dostarcza wpływu biznesowego.

Niedawno ogłosiliście Milky Way, konstelację autonomicznych agentów AI. Co zainspirowało jego projekt, i jak różni się od konwencjonalnych asystentów AI?

Milky Way powstał z uwagi, że przedsiębiorstwa potrzebują więcej niż tylko pulpity lub czatboty. Potrzebują ramy rozumowania, która może spożywać, interpretować i łączyć dane wielowymiarowe, aby generować działania wykonalne.

W przeciwieństwie do konwencjonalnych asystentów, agenci Milky Way:

• Rozumieją się na różnych źródłach danych, łącząc spostrzeżenia, a nie tylko odpowiadając na pytania.
• Analizują złożone, wielowymiarowe problemy, łącząc informacje między workflow.
• Dostarczają działania wykonalne, konwertując spostrzeżenia na decyzje lub zautomatyzowane działania.

Krótko mówiąc, Milky Way transformuje AI w sieć agentów rozumowania, zdolnych do radzenia sobie z złożonością i napędzania realnych wyników biznesowych, a nie tylko zastępując podstawowe narzędzia.

Wczesne wdrożenia Milky Way przyniosły szybkie rezultaty. Co umożliwiło te zyski?

Trzy elementy zrobiły różnicę:

1. Osadzanie spostrzeżeń tam, gdzie podejmowane są decyzje, czyniąc rekomendacje natychmiast wykonalnymi.
2. Wyprzedzająca inteligencja, konwertująca spostrzeżenia w proaktywne decyzje, a nie tylko retrospektywną analizę.
3. Zabezpieczone, zarządzane platformy, umożliwiające przedsiębiorstwom skalowanie AI, jednocześnie utrzymując zgodność i kontrolę.

To połączenie dostarcza namacalnych wyników biznesowych w tygodniach, a nie miesiącach.

Milky Way priorytetem jest wyjaśnialność, audytowalność i ścieżki rozumowania. Jak krytyczne jest to dla zaufania przedsiębiorstw?

Zaufanie jest podstawą w przedsiębiorstwach AI. Milky Way zapewnia:

• Przezroczyste uzasadnienie dla każdej rekomendacji.
• Ślady audytu dokumentujące wszystkie dane wejściowe, wyjściowe i działania.
• Ciągłe testy adversarialne, aby zapewnić solidność i niezawodność.

Ta przejrzystość i odpowiedzialność różnią Milky Way od nieprzezroczystych, czarnych skrzynek systemów, budując zaufanie przedsiębiorstw do adopcji.

Jak ta zmiana z narzędzi na współpracowników AI wpłynie na organizacje i podejmowanie decyzji?

Współpracownicy AI zmieniają sposób, w jaki organizacje działają:

• Menadżerowie pełnią podwójne role, kierując ludźmi, a także nadzorując agenci AI.
• Decyzje stają się współpracą, z agentami zajmującymi się rozumowaniem, a ludźmi dostarczającymi kontekst i nadzór etyczny.
• Struktury operacyjne ewoluują, aby zintegrować AI z codziennym podejmowaniem decyzji, poprawiając szybkość, spójność i jakość wyników.

Do 2028 roku jedna trzecia decyzji biznesowych może być podejmowana autonomicznie. Co muszą zmienić organizacje, aby zapewnić bezpieczeństwo?

 Aby bezpiecznie wdrożyć autonomiczne AI, organizacje powinny wdrożyć praktyczne środki w kulturze, operacjach i zarządzaniu:

Kultura – Buduj zaufanie z AI:

• Rozpocznij od podejmowania decyzji z udziałem człowieka i stopniowo zwiększaj autonomię.
• Szkol teams, aby zrozumieli, zwalidowali i interweniowali w rekomendacjach AI.

Operacje – Wdrożenie monitorowania i kontroli ryzyka:

• Ciągle śledź decyzje AI pod kątem dokładności, stronniczości i zgodności.
• Przeprowadź symulacje adversarialne, aby zidentyfikować słabości.
• Utrzymuj pętle informacyjne, aby poprawić modele AI z korekt ludzkich.

Zarządzanie – Ustaw granice i ścieżki eskalacji:

• Zdefiniuj, które decyzje mogą być w pełni zautomatyzowane, a które wymagają nadzoru.
• Zapewnij audytowalność i ślad wszystkich działań AI.
• Utwórz procesy awaryjne, aby interweniować w przypadku anomalii lub ryzyka.

Te kroki pozwalają organizacjom skalować podejmowanie decyzji autonomicznie, jednocześnie utrzymując kontrolę, odpowiedzialność i zgodność.

Jaki jest plan rozwoju Milky Way?

Nasza mapa drogowa obejmuje:

1. Agenci branżowi dla handlu detalicznego, opieki zdrowotnej, produkcji i usług finansowych.
2. Głębsze integracje z systemami ERP, CRM i łańcucha dostaw, aby umożliwić bezproblemową adopcję.
3. Ciągłe uczenie się i rozumowanie, aby umożliwić agentom poprawę ich inteligencji i zrozumienia kontekstu w czasie.

Wizja to ekosystem współpracujących agentów, których przedsiębiorstwa mogą zmontować, zarządzać i ufać.

Jak powinni się przygotować liderzy z poziomu C-suite do AI, która obejmie strategiczne role podejmowania decyzji?

Adopcja AI to podróż dojrzałości:

• Rozpocznij od współpracowników z udziałem człowieka, przejdź do półautonomicznych workflow, a ostatecznie pozwól na pełną autonomię w zarządzanych dziedzinach.
• Zainwestuj w umiejętności AI, umożliwiając zespołom skuteczną współpracę z systemami AI.
• Przemyśl wskaźniki KPI, ramy zarządzania i struktury operacyjne, aby skupić się na jakości decyzji i wpływie biznesowym, a nie tylko na wydajności modelu.

Ostatecznie adopcja AI nie jest tylko inicjatywą technologiczną; jest to transformacja w przywództwie, kulturze i podejmowaniu decyzji operacyjnych.

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