Доктор Пандуранг Камат, Главный Технологический Офицер, Persistent Systems – Интервью

Доктор Пандуранг Камат является Главным Технологическим Офицером в компании Persistent Systems, где он отвечает за передовые технологические исследования, направленные на раскрытие бизнес-ценности за счет инноваций в масштабе. Он является опытным технологическим лидером, который помогает клиентам улучшить пользовательский опыт, оптимизировать бизнес-процессы и создавать новые цифровые продукты. Его видение для Persistent Systems заключается в том, чтобы стать инновационной мощью, которая будет основой для глобальной и разнообразной инновационной экосистемы, включающей академию и стартапы.

Пандуранг присоединился к Persistent Systems в 2012 году. До этого он был директором по аналитике в компании Ask.com, где он возглавлял глобальную команду по управлению платформой аналитики. Ранее он помог создать безопасные коммуникационные и цифровые медиа-продукты в Bell Labs и HP Labs, а также получил награду за беспроводную исследовательскую платформу в Rutgers University.

Persistent Systems является доверенным партнером по цифровому инжинирингу и модернизации предприятий для мировых лидеров рынка в различных отраслях.

Что изначально привлекло вас к информатике и компьютерному инжинирингу?

Мой интерес к информатике и инжинирингу был спровоцирован летним курсом в школе. Изучение программных конструкций и создание компьютерных игр познакомило меня со структурной логикой, лежащей в основе этих областей. Меня увлекла возможность разбить сложные проблемы и решить их систематически. То, что действительно меня привлекло, была огромная возможность, которую предлагают хорошо спроектированные программы. Они могут автоматизировать задачи, оптимизировать процессы и дать возможность отдельным людям или небольшим командам достичь замечательных результатов. Эта смесь творчества, решения проблем и трансформирующего потенциала продолжает вдохновлять меня. С тех первых опытов до моего текущего пути я остаюсь страстным о бесконечных возможностях, которые предлагает технология. Информатика и инжиниринг не только формируют будущее, но и предлагают пути для инноваций и прогресса, которые движут меня вперед.

Как появление генеративного ИИ изменило то, как работает ваша команда?

Появление генеративного ИИ (GenAI) изменило то, как работает наша команда в Persistent Systems, особенно в разработке программного обеспечения для предприятий. Это нарушение в IT-индустрии не только представляет собой проблемы, но и значительные возможности для переосмысления бизнес-операций в целом.

Как предприятие цифрового инжиниринга, основанное на ИИ, Persistent Systems принял GenAI, чтобы революционизировать различные аспекты жизненного цикла разработки программного обеспечения. За последний год мы разработали инструменты и наборы, которые полностью переопределяют процессы, такие как генерация кода, генерация тестовых случаев и миграция отчетов. В проектах по модернизации наследственных систем наш подход существенно изменился. Мы теперь используем инструменты для оптимизации процессов передачи кода, смягчения проектных рисков и ускорения процесса интеграции новых членов команды, предоставляя им более глубокое понимание сложных кодовых баз. Кроме того, наше сотрудничество с отраслевыми доменами позволяет нам предоставлять индивидуальные решения, используя данные предприятия. Разрабатывая цифровых помощников, способных понимать язык бизнеса и предоставлять соответствующие ссылки, мы повышаем операционную эффективность и процесс принятия решений в предприятиях. Эти помощники следуют принципам Ответственного ИИ, обеспечивая прозрачность, подотчетность, безопасность и конфиденциальность, а также непрерывно улучшая свою точность и производительность посредством автоматической оценки выходных данных моделей.

Какие есть проблемы полной модернизации наследственных систем с помощью генеративного ИИ?

GenAI является мощным инструментом, но это не серебряная пуля для полной модернизации наследственных систем. Организации из различных отраслей должны принять комплексный подход, сочетая человеческий опыт и возможности ИИ. Хотя GenAI предлагает значительный потенциал для модернизации, он имеет свои ограничения. Ключевые проблемы включают:

• Ограниченное понимание наследственных систем: модели GenAI требуют всестороннего понимания существующих систем, чтобы функционировать эффективно. Наследственные системы часто лишены полной документации, что препятствует способности ИИ понять их взаимозависимости эффективно.
• Качество и представленность данных: качество и представленность данных, используемых для обучения модели ИИ, существенно влияют на ее выходные данные. Ограничения обучающих данных могут быть отражены в сгенерированном коде, потенциально вводя новые проблемы.
• Обеспечение качества и безопасности: хотя GenAI может автоматизировать генерацию кода, выходные данные требуют тщательного тестирования и верификации, чтобы соответствовать стандартам качества, функциональным требованиям и стандартам безопасности.
• Ограниченный объем модернизации: GenAI может быть не подходящим для полной переделки систем. Он может преуспеть в конкретных задачах, таких как рефакторинг кода или генерация тестовых случаев, но сложные архитектурные изменения все еще требуют ручного вмешательства.
• Управление изменениями и согласование заинтересованных сторон: управление организационными изменениями и получение согласия заинтересованных сторон являются критическими факторами, определяющими успех модернизации наследственных систем с помощью GenAI. Ясная коммуникация, программы обучения и инициативы по вовлечению заинтересованных сторон могут помочь решить сопротивление изменениям и обеспечить плавные переходы.

Одной из проблем Генеративного ИИ является последовательность, как Persistent Systems помогает в построении последовательного пользовательского опыта?

Последовательность является одним из элементов обеспечения общего пользовательского опыта и результатов, основанных на GenAI, на уровне предприятия. Мы рассматриваем процесс в целом.

Мы предоставляем комплексную поддержку на всех этапах внедрения GenAI. Наша стратегическая направленность и тщательный анализ деловых случаев помогают организациям выбрать наиболее подходящие базовые модели (БМ) в соответствии с их конкретными требованиями. Через детальный анализ и консультации мы помогаем клиентам определить четкие деловые случаи и принимать обоснованные решения о выборе БМ.

Затем мы фокусируемся на нескольких подходах, таких как few-shot-подсказки или даже дообучение, чтобы обеспечить, что модели, используемые в приложениях, настроены на деловой случай и данные предприятия.

Наши решения не только используют стандартные RAG-техники, но также глубже исследуют множественные подсказки и стратегии фрагментации данных, чтобы обеспечить, что наиболее релевантные данные извлекаются и передаются в БМ во время вывода. Мы дополнительно повышаем точность и релевантность этого контекста, используя передовые знание-графы для захвата скрытых отношений внутри данных предприятия.

Мы также используем множественные методы привязки и ограничения, чтобы ограничить и сфокусировать область вывода.

Наконец, мы проходим приложение через строгий и автоматизированный оценочный каркас, который обеспечивает последовательность вывода и опыта, выпуск за выпуском.

Можете ли вы предоставить реальные примеры, где решения на основе GenAI успешно революционизировали взаимодействие с клиентами?

Persistent Systems преобразовал взаимодействие с клиентами для ведущего поставщика программных решений с помощью решений на основе GenAI. Столкнувшись с проблемами масштабируемости в пиковые периоды работы, компания реализовала Центральный репозиторий знаний и бота Conversational AI Teams. Это оптимизировало доступ к информации, что привело к 80% сокращению времени решения запросов клиентов. Качество ответов также существенно улучшилось, что привело к повышению удовлетворенности клиентов.

Мы также помогли частной инвестиционной фирме, используя GenAI для автоматизации создания подробных отчетов об инвестициях. С помощью системы на основе GenAI время, необходимое для генерации отчетов, было сокращено на 90%. Этот оптимизированный подход революционизировал операции фирмы, облегчив быстрое и эффективное принятие решений. Эффективность не только сэкономила ценное время, но и способствовала повышению сотрудничества между заинтересованными сторонами и обеспечила персонализированный подход в каждом меморандуме, повышая общую эффективность.

Как вы подходите к ответственной инновации GenAI?

Наш подход к ответственной инновации GenAI отдает приоритет этическим практикам и соблюдению нормативных требований на протяжении всего процесса разработки и внедрения. Мы подчеркиваем прозрачность, подотчетность и справедливость в процессах принятия решений на основе ИИ.

Мы устанавливаем прочные этические рекомендации, регулирующие разработку, развертывание и использование систем GenAI. В нашем стремлении к ответственной инновации GenAI мы тщательно тестируем и проверяем наши системы, чтобы смягчить потенциальные риски, такие как предвзятости, дезинформация и проблемы конфиденциальности.

Кроме того, мы отдаем приоритет прозрачности и подотчетности в процессах принятия решений на основе ИИ, предоставляя пользователям четкое понимание работы системы. В конечном итоге наш подход направлен на разработку и развертывание систем GenAI, которые стимулируют инновации и эффективность, одновременно положительно влияя на общество.

Каково ваше видение будущего ИИ?

Мое видение будущего ИИ многогранно. Во-первых, в области цифрового инжиниринга я представляю ИИ не только как помощника в программировании, но и как совместного партнера, подобного “парному программисту”. Это предполагает, что ИИ помогает в задачах программирования и активно участвует в решении проблем, картографируя сложные задачи и выполняя подзадачи.

Во-вторых, я предвижу эпоху персонализированных агентов и помощников ИИ, предлагающих адаптированные trải nghiệm отдельным лицам – подход “персонализации 1”. Эти агенты будут понимать уникальные предпочтения, поведение и потребности пользователей, предоставляя высоко индивидуализированную поддержку и услуги.

Наконец, я верю в эволюцию составных систем ИИ, где различные модели ИИ сосуществуют для решения разных задач. Не будет единой “универсальной” модели, а скорее комбинация крупных и небольших, общих и специализированных моделей, работающих вместе в сервисах ИИ. Этот подход обеспечивает большую гибкость, эффективность и эффективность в решении широкого спектра проблем в различных доменах.

Благодарим за отличное интервью, читатели, желающие узнать больше, могут посетить Persistent Systems.