Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Série de Entrevistas

Dr. Pandurang Kamat é o Chief Technology Officer da Persistent Systems (PERSISTENT.BO ), responsável por pesquisas de tecnologia avançada focadas em desbloquear o valor empresarial por meio da inovação em escala. Ele é um líder de tecnologia experiente que ajuda os clientes a melhorar a experiência do usuário, otimizar processos de negócios e criar novos produtos digitais. Sua visão para a Persistent é ser uma potência de inovação que ancora um ecossistema de inovação global e diverso, composto por academia e startups.

Pandurang ingressou na Persistent em 2012. Antes de ingressar na Persistent, ele foi o Diretor de Análise para os negócios de busca e conteúdo da Ask.com, onde liderou uma equipe global para gerenciar a plataforma de análise da Ask. Antes disso, ele ajudou a construir produtos de comunicação segura e mídia digital nos laboratórios Bell e HP, e uma plataforma de pesquisa sem fio vencedora de prêmios na Universidade Rutgers.

Persistent Systems é um parceiro de confiança de Engenharia Digital e Modernização Empresarial para líderes de mercado globais em várias indústrias.

O que inicialmente o atraiu para a ciência da computação e engenharia de computação?

Meu interesse em ciência da computação e engenharia foi despertado durante um curso de verão na escola. Aprender construtos de programação e criar jogos de computador me introduziu à lógica estruturada que suporta esses campos. Fiquei fascinado pela capacidade de decompor problemas complexos e resolvê-los sistematicamente. O que realmente me atraiu foi o imenso poder que os programas bem projetados oferecem. Eles podem automatizar tarefas, otimizar processos e empoderar indivíduos ou equipes pequenas para alcançar feitos notáveis. Essa combinação de criatividade, resolução de problemas e potencial transformador continua a me inspirar. Desde essas experiências iniciais até minha jornada contínua, permaneço apaixonado pelas infinitas possibilidades que a tecnologia apresenta. Ciência da computação e engenharia não apenas moldam o futuro, mas também oferecem oportunidades para inovação e progresso que me impulsionam para frente.

A maior parte do negócio da Persistent Systems vem da construção de software para empresas, como a chegada da inteligência artificial gerativa transformou a forma como sua equipe opera?

A chegada da inteligência artificial gerativa (GenAI) transformou a forma como nossa equipe opera na Persistent, particularmente no desenvolvimento de software empresarial. Essa disruptura dentro da indústria de TI não apenas apresenta desafios, mas também oportunidades significativas para reimaginar operações de negócios holisticamente.

Como uma empresa de Engenharia Digital impulsionada por IA, a Persistent adotou a GenAI para revolucionar vários aspectos do ciclo de vida de engenharia de software. Ao longo do último ano, desenvolvemos ferramentas e conjuntos que redefinem completamente processos como geração de código, geração de casos de teste e migração de relatórios. Em projetos de modernização de legado, nossa abordagem evoluiu significativamente. Agora, aproveitamos ferramentas para otimizar processos de transferência de código, mitigar riscos de projeto e acelerar a integração de novos membros da equipe, fornecendo-lhes uma compreensão mais profunda de bases de código complexas. Além disso, nossa colaboração com domínios de indústria nos permite entregar soluções personalizadas que aproveitam dados empresariais. Ao desenvolver assistentes digitais capazes de entender linguagem de negócios e fornecer referências relevantes, melhoramos a eficiência operacional e a tomada de decisões dentro das empresas. Esses assistentes seguem princípios de IA Responsável, garantindo transparência, responsabilidade, segurança e privacidade, enquanto continuam a melhorar sua precisão e desempenho por meio da avaliação automatizada da saída do modelo.

Quais são alguns dos desafios de modernizar completamente sistemas legados usando inteligência artificial gerativa?

GenAI é uma ferramenta poderosa, mas não é uma bala de prata para a modernização completa de sistemas legados. Organizações em várias indústrias devem adotar uma abordagem combinada, aproveitando a expertise humana e as capacidades da IA. Embora a GenAI ofereça um grande potencial para modernização, ela tem limitações. Desafios importantes incluem:

• Compreensão Limitada de Sistemas Legados: Modelos de GenAI exigem uma compreensão abrangente dos sistemas existentes para funcionar de forma eficaz. Sistemas legados frequentemente carecem de documentação abrangente, dificultando a capacidade da IA de entender suas interdependências de forma eficaz.
• Qualidade e Viés dos Dados: A qualidade e a representatividade dos dados usados para treinar o modelo de IA têm um impacto significativo em sua saída. Limitações dos dados de treinamento podem ser refletidas no código gerado, potencialmente introduzindo novos problemas.
• Garantir Qualidade e Segurança: Embora a GenAI possa automatizar a geração de código, a saída necessita de testes rigorosos e verificação para atender aos padrões de qualidade, requisitos funcionais e segurança.
• Escopo Limitado de Modernização: GenAI pode ser inadequada para reformulações completas de sistemas. Ela pode se destacar em tarefas específicas, como refatoração de código ou geração de casos de teste, mas mudanças arquitetônicas complexas ainda exigem intervenção manual.
• Gerenciamento de Mudanças e Alinhamento de Stakeholders: Gerenciar a mudança organizacional e obter a adesão dos stakeholders são fatores críticos para determinar o sucesso da modernização de sistemas legados com GenAI. Comunicação clara, programas de treinamento e iniciativas de engajamento de stakeholders podem ajudar a abordar a resistência à mudança e facilitar transições suaves.

Um dos desafios da Inteligência Artificial Gerativa é a consistência, como a Persistent Systems ajuda a construir uma experiência de usuário consistente?

Consistência é um elemento de fornecer uma experiência de usuário e resultados de empresa de classe empresarial e seguros, impulsionados por GenAI. Olhamos para o processo de forma holística.

Oferecemos suporte de ponta a ponta em todas as etapas da adoção da GenAI. Nossa orientação estratégica e análises de casos de uso meticulosas ajudam as organizações a selecionar os modelos de base (FMs) mais adequados para suas necessidades específicas. Por meio de um exame detalhado e consultoria, assistimos os clientes a definir casos de uso claros e fazer seleções de FM informadas.

Em seguida, nos concentramos em várias abordagens, como promptings de poucos disparos ou até mesmo fine-tuning, para garantir que os modelos usados nos aplicativos estejam sintonizados com o caso de uso e os dados da empresa.

Nossas soluções não apenas empregam técnicas RAG padrão, mas também aprofundam-se em estratégias de prompting e chunking de dados para garantir que os dados mais relevantes sejam recuperados e fornecidos ao FM durante a inferência. Além disso, melhoramos a precisão e a relevância desse contexto usando Grafos de Conhecimento avançados para capturar relações ocultas dentro dos dados da empresa.

Também empregamos várias técnicas de ancoragem e guardrails para limitar e focar o escopo da inferência.

Finalmente, colocamos o aplicativo em um quadro de avaliação rigoroso e automatizado que garante a consistência da inferência e da experiência, lançamento após lançamento.

Poderia fornecer exemplos do mundo real onde soluções impulsionadas por GenAI revolucionaram com sucesso as interações do cliente?

A Persistent transformou as interações do cliente para um provedor líder de soluções de software por meio de soluções impulsionadas por GenAI. Diante de desafios de escalabilidade durante períodos operacionais de pico, a empresa implementou um Repositório Central de Conhecimento e um BOT de Equipe de Inteligência Conversacional. Isso otimizou o acesso às informações, levando a uma redução de 80% no tempo de resolução de consultas de clientes. A qualidade das respostas também melhorou significativamente, resultando em uma satisfação do cliente aprimorada.

Também ajudamos uma empresa de private equity, aproveitando a GenAI para automatizar a criação de relatórios de investimento detalhados. Com o sistema impulsionado por GenAI, o tempo necessário para gerar relatórios foi reduzido em 90%. Essa abordagem otimizada revolucionou as operações da empresa, facilitando a tomada de decisões rápida e eficaz. A eficiência não apenas economizou tempo valioso, mas também fomentou uma colaboração aumentada entre stakeholders e garantir um toque personalizado em cada memorando, melhorando a eficácia geral.

Como você aborda a inovação responsável em GenAI?

Nossa abordagem para a inovação responsável em GenAI prioriza práticas éticas e conformidade regulatória em todo o processo de desenvolvimento e implementação. Enfatizamos transparência, responsabilidade e equidade na tomada de decisões impulsionada por IA.

Estabelecemos diretrizes éticas robustas que regem o desenvolvimento, implantação e uso de sistemas GenAI. Em nossa busca por inovação responsável em GenAI, testamos e validamos rigorosamente nossos sistemas para mitigar riscos potenciais, como vieses, desinformação e questões de privacidade.

Além disso, priorizamos a transparência e a responsabilidade nos processos de tomada de decisão impulsionada por IA, fornecendo aos usuários insights claros sobre as operações do sistema. Em última análise, nossa abordagem visa desenvolver e implantar sistemas GenAI que impulsionem inovação e eficiência, contribuindo positivamente para a sociedade.

Qual é sua visão para o futuro da IA?

Minha visão para o futuro da IA é multifacetada. Primeiramente, na engenharia digital, eu vislumbro a IA não apenas como um assistente de codificação, mas também como um parceiro colaborativo, semelhante a um “programador em par”. Isso envolve a IA assistindo em tarefas de codificação e participando ativamente da resolução de problemas, mapeando tarefas complexas e executando subtarefas.

Em segundo lugar, antevê um período de agentes e assistentes de IA personalizados, oferecendo experiências personalizadas para indivíduos – uma abordagem de “personalização de 1”. Esses agentes entenderão as preferências, comportamentos e necessidades únicas dos usuários, fornecendo suporte e serviços altamente personalizados.

Por fim, acredito na evolução de sistemas de IA compostos, onde vários modelos de IA coexistem para atender a diferentes necessidades. Não haverá um modelo “tamanho único” que se ajuste a todos, mas sim uma combinação de modelos grandes e pequenos, gerais e personalizados, trabalhando juntos em serviços de IA. Essa abordagem permite uma maior flexibilidade, eficiência e eficácia na resolução de uma ampla gama de problemas em diferentes domínios.

Obrigado pela grande entrevista, leitores que desejam aprender mais devem visitar Persistent Systems.