Лакшмикант Гундаварапу, главный инновационный директор Tredence – Интервью-серия

Лакшмикант Гундаварапу является главным инновационным директором Tredence. С более чем тремя десятилетиями опыта в ИТ-секторе, Лакшмикант является признанным авторитетом в области трансформации ИИ и цифровых инноваций.

Как бывший глобальный руководитель по данным и ИИ в Microsoft (MSFT ) India, лидерство Лакшмиканта позволило осуществить цифровую трансформацию для более 100 клиентов в 40 странах. В Microsoft Лакшмикант выступал за интеграцию открытых баз данных на Azure и заключал стратегические союзы с поставщиками решений SaaS.

Обладая талантом к разработке клиенто-ориентированных решений ИИ, Лакшмикант excels в создании стратегических партнерств, которые стимулируют инновации. Лакшмикант привносит большой опыт, техническую экспертизу и лидерские качества, чтобы катализировать трансформации, основанные на ИИ, демонстрируя установленную способность переводить появляющиеся технологии в конкретные бизнес-решения.

Tredence – это компания, занимающаяся данными и ИИ, которая помогает бизнесу превратить эксперименты с аналитикой в реальный результат. Они работают в различных отраслях, таких как розничная торговля, потребительские товары, технологии, финансы, здравоохранение и путешествия, предлагая услуги в области инженерии данных, ИИ/МЛ, генеративного ИИ, цепочки поставок, опыта клиентов и цифровой модернизации. Их фокус заключается в сочетании скорости за счет ускорителей, глубокой экспертизы в области и сильных партнерств для предоставления масштабируемых, готовых к использованию решений для предприятий.

С вашим опытом в Microsoft India, какие опыт сформировали ваше видение трансформации предприятий на основе ИИ, которое сейчас проявляется в стратегии Tredence?

Во время моего пребывания в Microsoft, у меня была возможность работать с предприятиями из различных секторов, включая авиацию и недвижимость. Очевидно, что ИИ может создать реальный эффект, когда он имеет четкую цель, поддерживается надежными данными и предназначен для интеграции в оперативное принятие решений.

Например:

• Крупная авиакомпания реализовала ИИ для прогнозирования отказов двигателей, что позволило провести профилактическое обслуживание и повысить как безопасность, так и эффективность.
• Большая компания по недвижимости использовала ИИ для прогнозного мониторинга важных систем зданий, что привело к снижению простоев и оптимизации графиков обслуживания.

Эти опыт научили меня, что технологии сами по себе не трансформируют бизнес. Для этого требуется вдумчивый дизайн, прочные основы данных и механизмы, которые переводят идеи в реальные действия. Этот взгляд теперь определяет подход Tredence: мы разрабатываем решения ИИ, которые являются целеустремленными, информированными данными и способными обеспечивать измеримые результаты на протяжении всего предприятия.

Tredence часто описывается как решение “последней мили” в ИИ. Не могли бы вы поделиться примерами, где это ускорило трансформацию для клиентов? 

Рассмотрим крупного глобального ритейлера. Объединив фрагментированные данные из транзакций, программ лояльности, операций цепочки поставок и цифровых точек соприкосновения, мы смогли реализовать приложения ИИ, которые стимулировали рост доходов, удержание клиентов, персонализацию путешествий и прогнозирование спроса. Мы применили эти идеи оперативно, превратив аналитику в осязаемые бизнес-результаты.

Розничный кейс-стади: Tredence создала унифицированную систему персонализации, которая сгенерировала 58 миллионов долларов дохода и закрыла пробел в 54% КПИ. Это вышло за рамки клиентских прозрений и обеспечило персонализацию, стимулирующую доход, в масштабе.

В биофарме интеграция наборов данных R&D, клинических и коммерческих данных позволила ИИ оптимизировать набор участников испытаний, улучшить дизайн исследования и повысить вовлеченность врачей, тем самым ускорив время выхода на рынок и увеличив доход.

На протяжении секторов, от обнаружения мошенничества в банковском деле до прогнозного обслуживания в производстве, урок остается тем же: ИИ обеспечивает ценность только тогда, когда он стимулирует решения, которые имеют значение для бизнеса.

Банковский кейс-стади: Tredence развернула GenAI AML (анти-отмывание денег) копилоты, которые не только сгенерировали идеи о подозрительных действиях, но и интегрировались в ежедневные операции для увеличения пропускной способности дел на 120%, одновременно снижая ложные положительные результаты на 15%. Это демонстрирует перевод от обнаружения ИИ к оперативной эффективности.

Предприятия часто сталкиваются с трудностями при переходе от пилотных проектов ИИ к производству в масштабе. Каковы самые большие препятствия, и как Tredence помогает их преодолеть?

Многие инициативы ИИ застревают, потому что они не спроектированы с четким бизнес-результатом, даже когда они технически сильны. Ключевые проблемы включают:

1. Пробелы в проектировании, ориентированном на цель: прозрения могут быть интересными, но не решают измеримые бизнес-проблемы.
2. Ограничения данных: фрагментированные или низкокачественные данные предотвращают надежное масштабирование.
3. Оперативные проблемы: без автоматического развертывания, мониторинга, повторной тренировки и управления модели остаются экспериментальными.

В Tredence мы решаем эти проблемы посредством:

• Проектирования, ориентированного на результат, гарантирующего, что каждая инициатива ИИ напрямую связана с измеримыми бизнес-результатами.
• Прочных основ данных, консолидирующих и обогащающих наборы данных для надежной производительности модели.
• Готовых к производству оперативных рамок, включая автоматическое развертывание, мониторинг и повторную тренировку для поддержания точности, устойчивости и соответствия.

Этот подход позволяет предприятиям перейти от экспериментов к полномасштабному ИИ, который последовательно обеспечивает бизнес-воздействие.

Вы недавно объявили о Milky Way, созвездии автономных агентов ИИ. Что вдохновило его дизайн, и как он отличается от традиционных помощников ИИ?

Milky Way родилась из осознания того, что предприятиям нужны не только панели или чат-боты. Им требуется рамка рассуждений, которая может потреблять, интерпретировать и соединять многомерные данные для генерации действенных прозрений.

В отличие от традиционных помощников, агенты Milky Way:

• Рассуждают через различные источники данных, соединяя прозрения, а не просто отвечая на вопросы.
• Анализируют сложные, многомерные проблемы, соединяя информацию через рабочие процессы.
• Предоставляют действенные прозрения, переводя идеи в решения или автоматические действия.

Короче говоря, Milky Way превращает ИИ в сеть рассуждающих агентов, способных справиться с сложностью и стимулировать реальные бизнес-результаты, а не просто заменять базовые инструменты.

Ранние развертывания Milky Way обеспечили быстрые результаты. Что обеспечило эти выгоды?

Три элемента сделали разницу:

1. Внедрение прозрений туда, где принимаются решения, делая рекомендации сразу же действенными.
2. Перспективная разведка, превращающая прозрения в проактивные решения, а не ретроспективный анализ.
3. Безопасные, управляемые платформы, позволяющие масштабировать ИИ на уровне предприятия, сохраняя при этом соответствие и контроль.

Эта комбинация обеспечивает осязаемые бизнес-результаты в течение недель, а не месяцев.

Milky Way отдает приоритет объяснимости, аудитности и рассуждениям. Насколько это критично для доверия предприятия?

Доверие является основным в ИИ предприятия. Milky Way гарантирует:

• Прозрачную рациональность для каждой рекомендации.
• Аудитные следы, документирующие все входные, выходные и действия.
• Постоянное адверсарное тестирование для обеспечения прочности и надежности.

Эта прозрачность и подотчетность отличают Milky Way от непрозрачных, черных ящиков систем, строящих доверие предприятия к принятию.

Как этот переход от инструментов к партнерам ИИ повлияет на организации и принятие решений?

Партнеры ИИ меняют способ, которым организации работают:

• Менеджеры принимают на себя двойные роли, руководя людьми, а также контролируя агентов ИИ.
• Решения становятся совместными, с агентами, обрабатывающими рассуждения, а люди обеспечивают контекст и этический надзор.
• Оперативные структуры эволюционируют, чтобы интегрировать ИИ в ежедневное принятие решений, улучшая скорость, последовательность и качество результатов.

К 2028 году одна треть бизнес-решений может быть принята автономно. Что должны изменить организации, чтобы обеспечить безопасность?

 Чтобы безопасно развернуть автономный ИИ, организации должны реализовать практические меры по культуре, операциям и управлению:

Культура – Построить доверие с ИИ:

• Начните с принятия решений человека в цикле и постепенно увеличивайте автономность.
• Обучите команды понимать, проверять и вмешиваться в рекомендации ИИ.

Операции – Реализуйте мониторинг и контроль рисков:

• Продолжайте отслеживать решения ИИ на точность, предвзятость и соответствие.
• Проводите адверсарные симуляции для выявления уязвимостей.
• Поддерживайте обратные связи, чтобы улучшить модели ИИ из исправлений человека.

Управление – Установите границы и пути эскалации:

• Определите, какие решения могут быть полностью автоматизированы, а какие требуют надзора.
• Обеспечьте аудитность и прослеживаемость всех действий, стимулируемых ИИ.
• Создайте процессы контингентности для вмешательства в случае аномалий или рисков.

Эти шаги позволяют организациям масштабировать автономное принятие решений безопасно, сохраняя при этом контроль, подотчетность и соответствие.

Какова дорожная карта Tredence для Milky Way?

Наша дорожная карта включает:

1. Индустриально-специфические агенты для розничной торговли, здравоохранения, производства и финансовых услуг.
2. Более глубокие интеграции с системами ERP, CRM и цепочки поставок для бесшовного принятия.
3. Непрерывное обучение и рассуждения, чтобы позволить агентам улучшать их интеллект и контекстное понимание с течением времени.

Видение – это экосистема сотрудничающих агентов, которые предприятия могут собрать, управлять и доверять.

Как руководители высшего звена должны подготовиться к тому, что ИИ примет на себя стратегические роли принятия решений?

Принятие ИИ является путешествием зрелости:

• Начните с человеко-ориентированных копилотов, перейдите к полуавтономным рабочим процессам и в конечном итоге позвольте полную автономность в управляемых доменах.
• Инвестируйте в грамотность ИИ, позволяя командам сотрудничать эффективно с системами ИИ.
• Переоцените KPI, рамки управления и оперативные структуры, чтобы сосредоточиться на качестве решений и бизнес-воздействии, а не только на производительности модели.

В конечном итоге, принятие ИИ не является только технологической инициативой; это трансформация лидерства, культуры и оперативного принятия решений.

Спасибо за отличное интервью, читателям, которые хотят узнать больше, следует посетить Tredence.