Mukund Kalmanker, Globalny Dyrektor ds. Danych, Analizy i Sztucznej Inteligencji w Apexon – Wywiad

Mukund Kalmanker, Globalny Dyrektor ds. Danych, Analizy i Sztucznej Inteligencji w Apexon, posiada ponad dwie dekady doświadczenia w kierowaniu dużymi projektami transformacji przedsiębiorstw, ze szczególnym uwzględnieniem senior roles w Wipro, gdzie zbudował i skalował globalne praktyki sztucznej inteligencji, inkubował platformy automatyzacji takie jak HOLMES, oraz pomagał definiować strategię technologiczną przedsiębiorstw w branżach takich jak usługi finansowe, telekomunikacja i opieka zdrowotna. Jego praca koncentruje się na tłumaczeniu nowych technologii, w szczególności sztucznej inteligencji, inżynierii danych i automatyzacji, na praktyczne wyniki biznesowe, łącząc głęboką wiedzę techniczną z silnym rekordem budowania zespołów globalnych, napędzania strategii cyfryzacji i dostarczania mierzalnych wydajności operacyjnych dla dużych przedsiębiorstw.

Apexon to firma świadcząca usługi technologiczne, która pomaga przedsiębiorstwom przyspieszyć transformację biznesu, łącząc sztuczną inteligencję, analitykę danych i inżynierię cyfrową, aby tworzyć inteligentne, skalowalne systemy i doświadczenia klientów. Za pomocą swoich zintegrowanych możliwości w chmurze, automatyzacji i zaawansowanej analityki, firma współpracuje z organizacjami w celu modernizacji operacji, poprawy podejmowania decyzji i dostarczania kompleksowych rozwiązań cyfrowych, szczególnie w branżach takich jak usługi finansowe, opieka zdrowotna i nauki o życiu.

Po dwóch dekadach kierowania inicjatywami sztucznej inteligencji i analityki w firmach takich jak Wipro i obecnie Apexon, jaki doświadczenie najbardziej ukształtowało Pana podejście do transformacji cyfrowej?

W ciągu ostatnich kilku lat, to, co najbardziej ukształtowało moje podejście, to uznanie, że udana transformacja cyfrowa nie dotyczy tylko technologii, ale również dopasowania tej technologii do rozwiązywania realnych problemów biznesowych i dostosowania się do ewoluujących zachowań ludzi. Chodzi o wykorzystanie innowacji jako strategicznego narzędzia do prowadzenia branży i poprawy świata. Niezależnie od tego, czy pomaga to bankowi w rozwiązaniu potrzeb regulacyjnych, czy markowi detalicznemu w ponownym wyobrażeniu zaangażowania klienta, czy dostawcy opieki zdrowotnej w podejmowaniu szybszych, opartych na danych decyzji, widziałem największy wpływ, gdy zaczynamy od końcowego doświadczenia. W moim poprzednim życiu i obecnie w Apexon, moi zespoły i ja pracowaliśmy ściśle z klientami z różnych branż, aby zmienić Agentic AI, Gen AI, AI, ML, RPA i Dane z buzzwordów w wyniki biznesowe – odblokowując spostrzeżenia, poprawiając wydajność, poprawiając doświadczenie klienta, pomagając zarządzać ryzykiem i tworząc przewagę konkurencyjną dla naszych klientów. Ta stała współpraca i koncentracja na wynikach to to, co nadal kształtuje moje myślenie.

Czym Pana przyciągnęło do Apexon, i jak podejście firmy do danych, analityki i sztucznej inteligencji odpowiada Pana wizji przyszłości technologii przedsiębiorstw?

To, co przyciągnęło mnie do Apexon, to jego wyraźne zaangażowanie w pomoc klientom w przyjęciu innowacji z celem. Kultura innowacji i nastawienie na wzrost są wpisane w każdego członka zespołu Apexon, i to widać w tym, jak uczymy się, innowujemy i wspólnie przekraczamy granice. Z głębokimi możliwościami w zakresie Danych i AI, połączonymi z głębią inżynierii i ostrym skupieniem na branżach regulowanych, takich jak BFSI i Zdrowie, Apexon nie traktuje danych ani AI jako izolowanych możliwości – traktuje je jako podstawowe aktywa, które pomagają inżynierom budować Inteligentne Przedsiębiorstwa, tworzyć skalowalne, oparte na IP rozwiązania biznesowe i platformy. To odpowiada moim przekonaniom, że przyszłość technologii przedsiębiorstw leży w tworzeniu inteligentnych systemów, które nie tylko są adaptacyjne, ale także skalowalne, powtarzalne i zbudowane z myślą o długoterminowej wartości.

W Apexon jest celowe skupienie się na tłumaczeniu najnowocześniejszych technologii na znaczące wyniki biznesowe – niezależnie od tego, czy chodzi o odblokowanie wglądu konkurencyjnego, umożliwienie inteligentniejszej automatyzacji, czy napędzanie doświadczeń ukierunkowanych na klienta. To zbieżność AI z nastawieniem na IP jest dokładnie tym, gdzie uważam, że transformacja przedsiębiorstw jest skierowana – i jestem podekscytowany, że mogę pomóc kształtować tę przyszłość.

Jak inteligentne tkaniny pomagają budować połączone przedsiębiorstwo, i jak wygląda ich rzeczywista implementacja?

Inteligentne tkaniny nie są produktem ani platformą. Są to architektoniczna zmiana. Łączą punkty między jednostkami biznesowymi, systemami, danymi i decyzjami, tak aby inteligencja nie była czymś, do czego się okazjonalnie dostaje, ale czymś, co jest zawsze włączone. To zmienia organizacje z bycia napędzanymi danymi na bycie naprawdę ukierunkowanymi na inteligencję.

Przechodząc do realnego wpływu – wyobraź sobie detalistę, który dostosowuje operacje łańcucha dostaw w czasie rzeczywistym na podstawie czynników takich jak zachowania zakupowe, zakłócenia w łańcuchach dostaw, rozwój geopolityczny, zmieniająca się pogoda lub nawet lokalne klęski żywiołowe. Albo szpital, który ujawnia zalecenia leczenia, podczas gdy klinicyści wciąż przeglądają wyniki testów. Albo banki, które są w stanie zszyć dane z wielu transakcji, aby zidentyfikować złożone działania przeciwko praniu pieniędzy. Moc leży w tkaniu inteligencji bezpośrednio w przepływie pracy, a nie dodawaniu jej później. To jest sposób, w jaki przedsiębiorstwa stają się naprawdę połączone – inteligencja jest generowana w każdej części organizacji, a ta inteligencja jest konsumowana przez całą organizację.

Jak Apexon wykorzystuje narzędzia generatywnej sztucznej inteligencji, takie jak Copilot, do tworzenia wartości dla klientów, i w jakich obszarach widzi Pan największe przyjęcie?

Widzimy narzędzia takie jak GitHub Copilot nie tylko jako asystentów kodowania, ale jako katalizatory dla ponownego wyobrażenia, w jaki sposób oprogramowanie jest planowane, budowane i testowane. W Apexon, Copilot jest wbudowany w całym cyklu inżynierii – od tworzenia historii użytkowników i udoskonalania wymagań po generowanie przypadków testowych i przewidywanie defektów. Pomaga zespołom poruszać się szybciej z większą dokładnością.

Na przykład, pracujemy z dostawcą opieki zdrowotnej, aby napędzić przyjęcie Copilot i połączyć go z ramami Agentic, aby całkowicie ponownie wyobrazić się cyklu życia inżynierii oprogramowania i wprowadzić więcej wydajności w inżynierii. Dla innego klienta, pomagamy przyjąć Gen AI i ramy Agentic, aby poprawić jakość danych i oddać władzę w ręce użytkowników, którzy wchodzą w interakcje z regulatorami, aby rozwiązać potrzeby zgodności.

Przyjęcie było największe w obszarach, w których liczy się szybkość, personalizacja i skala – inteligentna obróbka dokumentów, sztuczna inteligencja konwersacyjna i hiper-automatyzacja. Są to przestrzenie, w których generatywna sztuczna inteligencja dostarcza nie tylko dane wyjściowe, ale także strategiczną przewagę.

Jak partnerstwa akademickie z instytucjami takimi jak IIT Madras i Imperial College London wpływają na Pana strategię badawczą i rozwoju talentów?

Nasze współprace z IIT Madras i Imperial College London odgrywają kluczową rolę w kształtowaniu zarówno naszego programu badawczego, jak i sposobu, w jaki budujemy talenty przyszłości. Nie tylko finansujemy projekty – pracujemy ściśle z wiodącymi badaczami, aby zbadać obszary takie jak Agentic AI, systemy wieloagentowe i AGI. Te partnerstwa dają nam głębszy wgląd w wiele obszarów – na przykład, jak duże modele językowe zachowują się i ewoluują, stając się kontekstowymi w różnych dziedzinach.

One również służą jako silniki rozwoju talentów. Za pomocą wspólnych programów, tworzymy praktyczne możliwości uczenia się, które łączą głębię akademicką z relevancją przedsiębiorstwa. Jest to wymiana dwukierunkowa: zyskujemy dostęp do najnowocześniejszego myślenia, a studenci angażują się w realne problemy. Ta synergia jest kluczowa dla skalowania naszych możliwości AI, danych i inżynierii cyfrowej.

W branżach takich jak opieka zdrowotna, finanse lub telekomunikacja, jaki jest przykład, w którym rozwiązanie analityczne lub AI Apexon znacząco poprawiło wydajność operacyjną lub odblokowało nowe modele biznesowe?

Dobrym przykładem jest nasza praca z wiodącą instytucją finansową w Ameryce Północnej, aby zmodernizować proces oceny ryzyka za pomocą ramy napędzanej przez AI. Automatyzując pobieranie danych, standaryzując rozproszone źródła i wdrażając silnik ryzyka w czasie rzeczywistym, zmniejszyliśmy wysiłek ręczny o 90% i przyspieszyliśmy oceny czterokrotnie. Zintegrowane alertów predykcyjnych i śledzenia zgodności pomogło obciąć kary regulacyjne o 30% i ekspozycję finansową o 40%. Zbudowane na architekturze chmurowej, mikrousługowej, rozwiązanie nie tylko poprawiło dokładność i szybkość, ale także umieściło klienta w pozycji do skalowalnego, opartego na danych zarządzania ryzykiem w szybko zmieniającym się środowisku regulacyjnym.

Które nowe technologie lub trendy sztucznej inteligencji są Panem najbardziej skupione jako następna wielka granica innowacji przedsiębiorstw?

W Apexon widzimy Agentic AI jako następny wielki skok w inteligencji przedsiębiorstw w najbliższej perspektywie. W przeciwieństwie do tradycyjnej sztucznej inteligencji, która reaguje na podpowiedzi, systemy Agentic AI mogą autonomicznie interpretować dynamiczny kontekst, ustalać i realizować cele, współpracować w systemach i ciągle się poprawiać za pomocą informacji zwrotnej. Zbudowaliśmy kompletny framework, AgentRise, aby to urzeczywistnić. AgentRise łączy mózg Agentic AI, orkiestrację wieloagentową, nadzór ludzki i obserwację na poziomie przedsiębiorstwa.

Wynikiem jest sztuczna inteligencja, która nie tylko asystuje, ale autonomicznie wykonuje złożone przepływy pracy biznesowych, od triażu dokumentów w opiece zdrowotnej po obsługę wyjątków w czasie rzeczywistym w finansach.

To, co odróżnia nasze podejście, to koncentracja na skalowalnej, zaufanej inteligencji. Wykorzystujemy modułowe składniki, inżynierię podpowiedzi i bezpieczne integracje, aby wdrożyć Agentic AI z szybkością i niezawodnością. To nie tylko innowacja – to sztuczna inteligencja wbudowana w przepływ biznesu, działająca bezpiecznie w skali i dostarczająca mierzalne wyniki. Gdy te systemy dojrzewają, wierzymy, że będą kręgosłupem adaptacyjnych, samorozwijających się przedsiębiorstw w branżach regulowanych i o wysokim wpływie.

Także śledzimy postępy w wąskiej sztucznej inteligencji, sztucznej inteligencji ogólnej i komputacji kwantowej – ale to, co nas najbardziej ekscytuje, to sposób, w jaki te technologie konwergują, aby napędzać przedsiębiorstwa, które nie tylko są inteligentne, ale także adaptacyjne, autonomiczne i zdolne do samokierowania.

Jakie są największe wyzwania, z którymi organizacje spotykają się podczas przejścia z systemów legacy do nowoczesnych architektur analitycznych?

Organizacje zwykle spotykają cztery główne wyzwania podczas przejścia z systemów legacy do nowoczesnych architektur analitycznych.

Pierwszym jest przyjęcie i realizacja wartości. Platformy legacy często kształtują głęboko zakorzenione sposoby pracy, co sprawia, że zarządzanie zmianą jest kluczowe. Organizacje muszą zapewnić, że nowe platformy analityczne dostarczają mierzalne wyniki biznesowe, takie jak wzrost przychodu, wydajność operacyjna i poprawa zarządzania ryzykiem, a nie stają się tylko technicznymi ulepszeniami.

Drugim jest modernizacja technologii i budowanie możliwości. Wiele przedsiębiorstw operuje złożonymi posiadłościami legacy, obejmującymi głównie komputery, systemy na miejscu i wczesne środowiska chmurowe. Modernizacja tych środowisk wymaga przemyślanego racjonalizowania i ponownego projektowania, wraz z budowaniem umiejętności, talentów i dojrzałości operacyjnej niezbędnych do utrzymania nowoczesnych platform danych, analityki i sztucznej inteligencji.

Trzecim jest przygotowanie danych i AI. Modernizacja nie jest po prostu przeniesieniem danych na nową platformę. Organizacje muszą zapewnić, że dane są przygotowane do zaawansowanej analityki i AI, poprzez wzmocnienie jakości danych, zarządzania, pochodzenia, prywatności i etycznych zabezpieczeń, tak aby spostrzeżenia i modele AI mogły być zaufane i skalowalne.

Wreszcie, jest to zmiana organizacyjna. Gdy platformy ewoluują w kierunku bardziej autonomicznych i agentyckich możliwości AI, firmy muszą dostosować swoje modele operacyjne, umiejętności pracowników i kulturę, aby umożliwić skuteczną współpracę między ludźmi i inteligentnymi systemami.

Jak zapewnić, aby doświadczenia cyfrowe i rozwiązania AI pozostały ukierunkowane na potrzeby ludzkie, a nie tylko techniczne?

Wierzę, że podstawą naprawdę wpływowych cyfrowych i rozwiązań AI jest wyraźna zmiana w myśleniu, od pytania, na co jest zdolna technologia, do pytania, jak może ona znacząco tworzyć wartość biznesową i służyć ludziom i społeczeństwu.

Zaczynamy od zakotwiczenia każdej inicjatywy w realnych wynikach ludzkich, takich jak lepsze decyzje, większa inkluzja, silniejsze zaufanie i prostsze doświadczenia. To wymaga głębokiej interakcji z użytkownikami, ciągłego słuchania i projektowania rozwiązań wokół tego, jak ludzie naprawdę przyjmują i wchodzą w interakcje z doświadczeniami cyfrowymi. Celowo wbudowujemy projektowanie ukierunkowane na ludzi, przejrzystość i odpowiedzialność w nasze platformy.

W dziedzinach o wysokim wpływie, szczególnie, AI musi działać z silnym nadzorem ludzkim i wyraźnymi barierami etycznymi, zapewniając, że wzmaga ona osąd ludzki, a nie zastępuje go. Równie ważne jest to, że sukces powinien być mierzony nie tylko przez metryki wydajności, ale także przez przyjęcie, zaufanie użytkowników i długoterminową tworzenie wartości. Gdy to się robi dobrze, korzyści sięgają daleko poza poszczególne organizacje. Ukierunkowana na ludzi sztuczna inteligencja ma potencjał, aby rozszerzyć dostęp do możliwości, wzmocnić instytucje i poprawić jakość życia w skali. Może pomóc budować bardziej odporne gospodarki, sprawiedliwsze systemy i lepiej poinformowane społeczeństwa. Ostatecznie, naszym celem powinno być rozwijanie AI, która nie tylko jest inteligentna, ale także odpowiedzialna, inkluzja i celowa. Technologia, która wzmacnia potencjał ludzki i przyczynia się pozytywnie do przyszłości, którą wspólnie kształtujemy.

Jak ocenia Pan sukces wdrożeń Gen AI w Apexon – czy są specjalne KPI lub ramy, które Pan używa do mierzenia skuteczności w różnych środowiskach klientów?

W Apexon ustanowiliśmy solidne ramy, wspierane przez portfolio IP, rozwiązań i akceleratorów, aby pomóc zarówno naszym zespołom, jak i naszym klientom mierzyć skuteczność wdrożeń Gen AI i Agentic AI.

Po pierwsze, koncentrujemy się na wpływie biznesowym. To zaczyna się od wyraźnie zdefiniowanych celów na poziomie domeny lub procesu, ale ostatecznie koncentruje się na mierzeniu strategicznych wyników, takich jak poprawa doświadczenia klienta, wzrost przychodu, optymalizacja kosztów, wydajność operacyjna i lepsze zarządzanie ryzykiem. Nasza własna ramka M4 wspiera to, dostarczając ustrukturyzowany model wykonania dla zaangażowań analitycznych. M4 oferuje udowodnioną strategię i przewidywalne kroki dla modernizacji danych, pomagając organizacjom mapować przypadki użycia, modernizować architektury danych i przechodzić do chmurowych środowisk analitycznych, zapewniając, że inicjatywy AI pozostają ściśle związane z mierzalnymi KPI biznesowymi.

Drugim jest ocena przyjęcia i realizacji wartości. Wdrożenia AI tworzą znaczący wpływ tylko wtedy, gdy są zaufane, szeroko przyjęte i skutecznie uzupełniają możliwości ludzkie. W Apexon, nasze własne przedsięwzięcie wdrożenia Gen AI i Agentic AI służyło jako praktyczny model dla klientów. Zaczęliśmy od umożliwienia pracownikom na całym przedsiębiorstwie korzystania z Gen AI i Agentic AI, wyposażając ich w narzędzia, polityki i wytyczne dla odpowiedzialnego użycia, jednocześnie śledząc wyniki biznesowe, które dostarczyli. Ramy zarządzania, polityki i KPI, które rozwinęliśmy podczas tej podróży, teraz pomagają naszym klientom przyspieszyć i skalować przyjęcie Gen AI.

Trzecim jest mierzenie wydajności technicznej. Nasze akceleratory w ramach platformy Genysys umożliwiają ciągłe monitorowanie kluczowych metryk operacyjnych, takich jak dokładność odpowiedzi, wskaźniki halucynacji, koszt na inferencję, skalowalność i ogólna wydajność systemu. Genysys, platforma Gen AI Apexon, konsoliduje możliwości wielu dużych modeli językowych w zintegrowanym środowisku z bezproblemową integracją ponad dziesięciu LLM. To pozwala organizacjom wybrać najbardziej odpowiednie modele dla różnych przypadków użycia, jednocześnie utrzymując widoczność w wydajności, niezawodności i efektywności kosztowej wdrożeń.

Wreszcie, oceniamy zarządzanie i ryzyko. Nasza ramka przedsiębiorstwa, część oferty AgentRise, pomaga organizacjom rozwiązać kluczowe obszary, takie jak zarządzanie, ryzyko i zgodność. Biorąc pod uwagę naszą głęboką pracę z branżami regulowanymi, pomagamy klientom ocenić wyjaśnialność, audytowalność, pochodzenie danych, zabezpieczenia prywatności i wyrównanie z odpowiedzialnymi standardami AI, aby zapewnić, że systemy AI są zarówno skalowalne, jak i godne zaufania.

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