Мукунд Калманкер, Глобальный руководитель данных, аналитики и ИИ в Apexon – Интервью-серия

Мукунд Калманкер, Глобальный руководитель данных, аналитики и ИИ в Apexon, имеет более двух десятилетий опыта руководства крупномасштабными инициативами по трансформации предприятий, с карьерой, включающей руководящие должности в Wipro, где он создавал и масштабировал глобальные практики ИИ, инкубировал платформы автоматизации, такие как HOLMES, и помогал определять стратегию технологий предприятия в различных отраслях, включая финансовые услуги, телекоммуникации и здравоохранение. Его работа постоянно была сосредоточена на переводе новых технологий – в частности, ИИ, инженерии данных и автоматизации – в практические бизнес-результаты, сочетая глубокую техническую экспертизу с сильной репутацией в построении глобальных команд, стимулировании стратегий цифровизации и обеспечении измеримых операционных эффективностей для крупных предприятий.

Apexon – это цифровая технологическая компания, которая помогает предприятиям ускорить бизнес-трансформацию, сочетая ИИ, аналитику данных и цифровую инженерию для создания интеллектуальных, масштабируемых систем и опыта взаимодействия с клиентами. Благодаря своим интегрированным возможностям в области облака, автоматизации и продвинутой аналитики компания работает с организациями для модернизации операций, улучшения принятия решений и предоставления комплексных цифровых решений, особенно в отраслях, таких как финансовые услуги, здравоохранение и биотехнологии.

После двух десятилетий руководства инициативами по ИИ и аналитике в компаниях, таких как Wipro и теперь Apexon, какой опыт наиболее сформировал ваш подход к цифровой трансформации?

За последние несколько лет то, что наиболее сформировало мой подход, – это осознание того, что успешная цифровая трансформация не только о технологиях, но и об выравнивании этих технологий для решения реальных бизнес-проблем и выравнивании с эволюционирующими человеческими поведениями. Это о том, чтобы использовать инновации как стратегический рычаг для лидерства в отрасли и улучшения мира. Будь то помощь банку в решении нормативных требований или розничному бренду в переосмыслении взаимодействия с клиентами, или же облегчение поставщикам медицинских услуг принятия быстрых, обоснованных решений, я видел наибольшее влияние, когда мы начинаем с учетом конечного опыта. В моей предыдущей жизни и сейчас в Apexon мои команды и я работали в тесном сотрудничестве с клиентами из различных отраслей, чтобы превратить ИИ, МЛ, RPA и данные из модных слов в бизнес-результаты – разблокируя идеи, улучшая эффективность, улучшая опыт клиентов, помогая управлять рисками и создавая конкурентное преимущество для наших клиентов. Это постоянное сотрудничество и фокус на результатах – это то, что продолжает формировать мое мышление.

Что привлекло вас в Apexon, и как подход компании к данным, аналитике и ИИ соответствует вашему личному видению будущего технологий предприятий?

То, что привлекло меня в Apexon, – это четкая приверженность компании помощи клиентам в принятии инноваций с целью. Культура инноваций и роста ума внедрена в каждого человека, связанного с Apexon, и это видно в том, как мы учимся, инновируем и вместе расширяем границы. С глубокими возможностями в области данных и ИИ, в сочетании с глубиной в инженерии и острым фокусом на регулируемых отраслях, таких как BFSI и здравоохранение, Apexon не рассматривает данные или ИИ как изолированные возможности – она рассматривает их как основные активы для помощи в проектировании Интеллектуальных предприятий, для создания масштабируемых, основанных на ИП бизнес-решений и платформ. Это соответствует моему убеждению, что будущее технологий предприятий заключается в создании интеллектуальных систем, которые не только адаптивны, но и масштабируемы, повторяемы и построены для долгосрочной ценности.

В Apexon есть намеренный фокус на переводе передовой технологии в значимые бизнес-результаты – будь то разблокировка конкурентного прозрения, обеспечение более умной автоматизации или стимулирование клиенто-ориентированных опытов. Это слияние ИИ с подходом, основанным на ИП, – это именно то, где, по моему мнению, направлена трансформация предприятий – и я рад помочь формировать это будущее здесь.

Как интеллектуальные ткани помогают строить связанное предприятие, и как выглядит их реальное внедрение?

Интеллектуальные ткани – это не продукт или платформа. Это архитектурный сдвиг. Они соединяют точки между бизнес-единицами, системами, данными и решениями, так что интеллект не является чем-то, к чему вы иногда обращаетесь; он всегда включен. Это превращает организации из ориентированных на данные в по-настоящему интеллектуальные.

Что касается реального воздействия – представьте себе розничного продавца, корректирующего операции цепочки поставок в режиме реального времени на основе нескольких факторов, таких как поведение покупателей, сбои в цепочках поставок, геополитические события, изменение погоды или даже местные бедствия. Или больницу, выявляющую рекомендации по лечению, пока клинический работник еще просматривает результаты тестов. Или банки, способные сшить данные по нескольким транзакциям, чтобы выявить сложные операции по отмыванию денег. Сила заключается в том, чтобы вплести интеллект непосредственно в поток работы, а не добавлять его после факта. Вот как предприятия становятся по-настоящему связанными – интеллект генерируется в любой части организации, и этот интеллект потребляется всей организацией.

Как Apexon использует инструменты генеративного ИИ, такие как Copilot, для создания ценности для клиентов, и в каких областях вы видели наиболее сильное внедрение?

Мы рассматриваем инструменты, такие как GitHub Copilot, не только как помощники кодирования, но и как катализаторы для переосмысления того, как планируется, строится и тестируется программное обеспечение. В Apexon Copilot встроен на протяжении всего цикла инженерии – от составления историй пользователей и уточнения требований до генерации тестовых случаев и прогнозирования дефектов. Это помогает командам работать быстрее с большей точностью.

Например, мы работаем с поставщиком медицинских услуг, чтобы стимулировать внедрение Copilot и сочетать его с фреймворками Agentic, чтобы полностью переосмыслить цикл жизни программного обеспечения и принести больше эффективности в инженерию. Для другого клиента мы помогаем принять Gen AI и фреймворки Agentic, чтобы улучшить качество данных и передать власть в руки пользователей, взаимодействующих напрямую с регулирующими органами для решения проблем соответствия.

Внедрение было наиболее сильным в областях, где важны скорость, персонализация и масштаб – интеллектуальная обработка документов, разговорный ИИ и гипер-автоматизация. Это пространства, где генеративный ИИ обеспечивает не только вывод, но и стратегическое преимущество.

Как академические партнерства с учреждениями, такими как IIT Madras и Imperial College London, влияют на вашу стратегию исследований и развития талантов в области ИИ?

Наши сотрудничества с IIT Madras и Imperial College London играют ключевую роль в формировании как нашей исследовательской программы, так и того, как мы строим будущие таланты. Мы не просто финансируем проекты – мы тесно сотрудничаем с ведущими исследователями, чтобы изучить передовые области, такие как ИИ, системы с несколькими агентами и AGI. Эти партнерства дают нам более глубокое понимание нескольких новых областей – например, того, как крупные языковые модели ведут себя и эволюционируют, делая их контекстно-зависимыми в различных доменах.

Они также служат двигателями для развития талантов. Через совместные программы мы создаем практические возможности обучения, которые объединяют академическую глубину с актуальностью для предприятия. Это двусторонний обмен: мы получаем доступ к передовым идеям, а студенты взаимодействуют с реальными проблемами. Эта синергия имеет решающее значение для масштабирования наших возможностей в области ИИ, данных и цифровой инженерии.

В отраслях, таких как здравоохранение, финансы или телекоммуникации, какое одно пример, где решение Apexon по ИИ или аналитике значительно улучшило операционную эффективность или открыло новые бизнес-модели?

Хорошим примером является наша работа с ведущим финансовым учреждением в Северной Америке по модернизации процесса оценки рисков с помощью ИИ-ориентированного фреймворка. Автоматизируя поглощение данных, стандартизируя фрагментированные источники и развертывая двигатель рисков в режиме реального времени, мы сократили ручной труд на 90% и ускорили оценки в 4 раза. Интегрированные прогнозные оповещения и отслеживание соответствия помогли сократить нормативные штрафы на 30% и финансовое воздействие на 40%. Построенное на основе облачной, микросервисной архитектуры, решение не только улучшило точность и скорость, но и позиционировало клиента для масштабируемого, основанного на данных управления рисками в быстро меняющейся нормативной среде.

Какие новые технологии или тенденции ИИ вы наиболее сосредоточены на как на следующем большом рубеже для инноваций предприятий?

В Apexon мы видим ИИ как следующий крупный скачок в Интеллекте предприятий в ближайшем будущем. В отличие от традиционного ИИ, который реагирует на запросы, системы ИИ могут автономно интерпретировать динамический контекст, устанавливать и преследовать цели, сотрудничать между системами и непрерывно улучшаться через обратную связь. Мы построили комплексный фреймворк, AgentRise, чтобы оживить это. AgentRise сочетает мозг ИИ, оркестровку нескольких агентов, надзор человека и наблюдаемость на уровне предприятия.

Результатом является ИИ, который не только помогает, но и автономно выполняет сложные бизнес-потоки, от триажа документов в здравоохранении до обработки исключений в режиме реального времени в финансах.

Что отличает наш подход – это фокус на масштабируемом, заслуживающем доверия интеллекте. Мы используем модульные компоненты, инженерию подсказок и безопасные интеграции, чтобы развернуть ИИ с скоростью и надежностью. Это не только инновации – это ИИ, встроенный в поток бизнеса, работающий безопасно в масштабе и обеспечивающий осязаемые результаты. Когда эти системы созревают, мы считаем, что они будут основой адаптивных, самоэволюционирующих предприятий в регулируемых и высокоэффективных отраслях.

Мы также отслеживаем достижения в области узкого ИИ, искусственного общего интеллекта и квантовых вычислений – но то, что нас наиболее возбуждает, – это то, как эти технологии сходятся, чтобы обеспечить предприятия, которые не только интеллектуальны, но и адаптивны, автономны и способны к самоуправлению.

Какие самые большие проблемы, с которыми сталкиваются организации при переходе от устаревших систем данных к современным аналитическим архитектурам?

Организации обычно сталкиваются с четырьмя основными проблемами при переходе от устаревших систем к современным аналитическим архитектурам.

Первая – это принятие и осознание ценности. Устаревшие платформы часто формируют глубоко укоренившиеся способы работы, что делает управление изменениями критически важным. Организации должны обеспечить, чтобы новые аналитические платформы обеспечивали осязаемые бизнес-результаты, такие как рост выручки, операционная эффективность и улучшение управления рисками, а не становились чисто техническими апгрейдами.

Вторая – это модернизация технологий и построение возможностей. Многие предприятия эксплуатируют сложные устаревшие активы, охватывающие мейнфреймы, локальные системы и ранние облачные среды. Модернизация этих сред требует вдумчивой рационализации и перестройки, а также построения навыков, талантов и операционной зрелости, необходимых для поддержания современных платформ данных, аналитики и ИИ.

Третья – это готовность данных и ИИ. Модернизация не только означает перемещение данных на новую платформу. Организации должны обеспечить, чтобы данные были подготовлены для продвинутой аналитики и ИИ, укрепляя качество данных, управление, происхождение, конфиденциальность и этические гарантии, чтобы идеи и модели ИИ могли быть доверены и масштабированы.

Наконец, есть организационный сдвиг. По мере того, как платформы эволюционируют в сторону более автономных и агентских возможностей ИИ, компании должны адаптировать свои операционные модели, навыки рабочей силы и культуру, чтобы обеспечить эффективное сотрудничество между людьми и интеллектуальными системами.

Как вы обеспечиваете, чтобы цифровые trải nghiệm и решения ИИ оставались сосредоточенными на человеческих потребностях, а не только на технических результатах?

Я считаю, что основа по-настоящему влиятельных цифровых и ИИ-решений – это четкий сдвиг в мышлении, от вопроса о том, на что способна технология, к вопросу о том, как она может создать бизнес-ценность и служить людям и обществу.

Мы начинаем с того, что основываем каждую инициативу на реальных человеческих результатах, таких как лучшие решения, большее включение, более сильное доверие и более простые trải nghiệm. Это требует глубокого взаимодействия с пользователями, непрерывного слушания и проектирования решений вокруг того, как люди фактически принимают и взаимодействуют с цифровыми trải nghiệmами. Мы намеренно встраиваем в наши платформы человеко-ориентированный дизайн, прозрачность и подотчетность.

В областях высокого воздействия, особенно, ИИ должен работать с сильным человеческим надзором и четкими этическими ограждениями, обеспечивая, что он усиливает человеческое суждение, а не заменяет его. Не менее важно, что успех должен измеряться не только показателями производительности, но и принятием, уверенностью пользователей и долгосрочной ценностью. Когда это сделано хорошо, выгоды распространяются далеко за пределы отдельных организаций. Человеко-ориентированный ИИ имеет потенциал расширить доступ к возможностям, укрепить институты и улучшить качество жизни в масштабе. Он может помочь построить более устойчивые экономики, более справедливые системы и лучше информированные общества. В конечном итоге, наша цель должна заключаться в разработке ИИ, который не только интеллектуален, но и ответственный, инклюзивный и целенаправленный. Технология, которая усиливает человеческий потенциал и способствует положительному вкладу в будущее, которое мы формируем вместе.

Как вы оцениваете успех внедрения Gen AI в Apexon – есть ли конкретные КПИ или фреймворки, которые вы используете для измерения эффективности в разных клиентских средах?

В Apexon у нас есть надежные фреймворки, поддержанные портфелем ИП, решений и ускорителей, чтобы помочь как нашим командам, так и нашим клиентам измерить эффективность внедрения GenAI и Agentic AI.

Сначала мы фокусируемся на бизнес-воздействии. Это начинается с четко определенных целей или процессных целей, но в конечном итоге центрируется на измерении стратегических результатов, таких как улучшение опыта клиентов, рост выручки, оптимизация затрат, операционная эффективность и более сильное управление рисками. Наш проприетарный фреймворк M4 поддерживает это, предоставляя структурированную модель выполнения для аналитических проектов. M4 предлагает проверенную стратегию и предсказуемые шаги для модернизации данных, помогая организациям намечать случаи использования, модернизировать архитектуры данных и перейти к облачным аналитическим средам, обеспечивая, что инициативы ИИ остаются тесно связаны с измеримыми бизнес-КПИ.

Вторая – это принятие и осознание ценности. Внедрения ИИ создают значимое воздействие только тогда, когда они доверены, широко приняты и эффективно усиливают человеческие возможности. В Apexon наше собственное внедрение GenAI на уровне всего предприятия послужило практической моделью для клиентов. Мы начали с того, что дали возможность сотрудникам по всей организации использовать возможности GenAI и Agentic AI, оснастив их инструментами, политиками и руководством для ответственного использования, а также отслеживая бизнес-результаты, которые они обеспечили. Фреймворки управления, политики и КПИ, которые мы разработали через этот опыт, теперь помогают нашим клиентам ускорить и масштабировать внедрение GenAI.

Третье – это техническая производительность. Наши ускорители в платформе Genysys позволяют непрерывно отслеживать ключевые операционные метрики, такие как точность ответа, скорость заявлений, стоимость на вывод, масштабируемость и общую производительность системы. Genysys, проприетарная платформа GenAI Apexon, консолидирует возможности нескольких крупных языковых моделей в единой среде с бесшовной интеграцией более чем десяти LLM. Это позволяет организациям выбирать наиболее подходящие модели для разных случаев использования, сохраняя при этом видимость производительности, надежности и эффективности затрат на развертывание.

Наконец, мы оцениваем управление и риск. Наш фреймворк enterprise guardrail, часть предложения AgentRise, помогает организациям решать критические области, такие как управление, риск и соответствие. Учитывая нашу глубокую работу с регулируемыми отраслями, мы помогаем клиентам оценить объяснимость, аудиторию, происхождение данных, гарантии конфиденциальности и соответствие ответственным стандартам ИИ, чтобы обеспечить, что системы ИИ являются как масштабируемыми, так и заслуживающими доверия.

Спасибо за отличное интервью, читатели, которые хотят узнать больше, должны посетить Apexon.