Dr. Pandurang Kamat, Chief Technology Officer, Persistent Systems – Intervjuserie

Dr. Pandurang Kamat är Chief Technology Officer på Persistent Systems (PERSISTENT.BO ), och han ansvarar för avancerad teknisk forskning med fokus på att frigöra affärsnytta genom innovation i stor skala. Han är en erfaren teknisk ledare som hjälper kunder att förbättra användarupplevelsen, optimera affärsprocesser och skapa nya digitala produkter. Hans vision för Persistent är att vara en innovationskraft som förankrar ett globalt och diversifierat innovationssystem, bestående av akademi och start-ups.

Pandurang gick med i Persistent 2012. Innan han kom till Persistent var han Director of Analytics för Ask.com:s sök- och innehållsverksamhet, där han ledde ett globalt team för att hantera Ask:s analytikplattform. Innan dess hjälpte han till att bygga säkra kommunikations- och digitala medieprodukter på Bell Labs och HP Labs, samt ett prisbelönt trådlöst forskningsplattform på Rutgers University.

Persistent Systems är en pålitlig Digital Engineering- och Enterprise Modernization-partner för globala marknadsledare inom olika branscher.

Vad var det som initialt drog dig till datavetenskap och datateknik?

Mitt intresse för datavetenskap och datateknik väcktes under en sommarkurs i skolan. Att lära sig programmeringskonstruktioner och skapa dataspel introducerade mig till den strukturerade logik som stöder dessa områden. Jag blev fascinerad av förmågan att bryta ned komplexa problem och lösa dem systematiskt. Det som verkligen drog mig in var den enorma kraft som välutformade program erbjuder. De kan automatisera uppgifter, optimera processer och ge individer eller små team möjlighet att uppnå anmärkningsvärda prestationer. Denna blandning av kreativitet, problemlösning och transformerande potential fortsätter att inspirera mig. Från dessa första upplevelser till min pågående resa, förblir jag passionerad om de oändliga möjligheterna som tekniken erbjuder. Datavetenskap och datateknik formar inte bara framtiden, utan erbjuder också vägar för innovation och framsteg som driver mig framåt.

Den största delen av Persistent Systems verksamhet kommer från att bygga programvara för företag, hur har introduktionen av generativ AI förändrat hur ditt team arbetar?

Introduktionen av generativ AI (GenAI) har förändrat hur vårt team arbetar på Persistent, särskilt när det gäller utveckling av programvara för företag. Denna störning inom IT-branschen presenterar inte bara utmaningar, utan också betydande möjligheter att omdefiniera affärsverksamhet holistiskt.

Som ett AI-drivet Digital Engineering-företag har Persistent antagit GenAI för att revolutionera olika aspekter av programvaruteknikens livscykel. Under det senaste året har vi utvecklat verktyg och sviter som helt omdefinierar processer som kodgenerering, testfallsgenerering och rapportöverföring. I projekt för modernisering av äldre system har vår metod utvecklats betydligt. Vi använder nu verktyg för att rationalisera kodövertagande, minimera projektrisker och påskynda ombordstigning av nya teammedlemmar genom att ge dem en djupare förståelse för komplexa kodbas. Dessutom möjliggör vår samverkan med branschdomäner att vi kan leverera skräddarsydda lösningar som utnyttjar företagsdata. Genom att utveckla digitala assistenter som kan förstå affärsspråk och ge relevanta referenser, förbättrar vi operativ effektivitet och beslutsfattning inom företag. Dessa assistenter följer principerna för Ansvarig AI, vilket säkerställer transparens, ansvar, säkerhet och integritet medan de kontinuerligt förbättrar sin noggrannhet och prestanda genom automatiserad utvärdering av modellutdata.

Vilka är några av utmaningarna med att fullständigt modernisera äldre system med hjälp av generativ AI?

GenAI är ett kraftfullt verktyg, men det är inte en silverkula för fullständig modernisering av äldre system. Organisationer inom olika branscher måste anta en kombinerad strategi, som utnyttjar mänsklig expertis och AI-förmågor. Medan GenAI erbjuder betydande potential för modernisering, har det sina begränsningar. Nyckelutmaningar inkluderar:

• Begränsad förståelse av äldre system: GenAI-modeller kräver en djup förståelse av befintliga system för att fungera effektivt. Äldre system saknar ofta omfattande dokumentation, vilket hindrar AI:s förmåga att förstå deras beroenden effektivt.
• Datakvalitet och bias: Kvaliteten och representativiteten hos data som används för att träna AI-modellen har en betydande inverkan på dess utdata. Begränsningar i träningdata kan återspeglas i den genererade koden, vilket potentiellt introducerar nya problem.
• Säkerställande av kvalitet och säkerhet: Medan GenAI kan automatisera kodgenerering, kräver utdatat rigorös testning och validering för att uppfylla kvalitets-, funktions- och säkerhetskrav.
• Begränsad omfattning av modernisering: GenAI kan vara olämplig för fullständiga systemövergångar. Det kan excellerera vid specifika uppgifter som kodrefaktorisering eller testfallsgenerering, men komplexa arkitekturförändringar kräver fortfarande manuell inblandning.
• Ändringshantering och intressentöverensstämmelse: Hantering av organisatorisk förändring och intressentöverensstämmelse är avgörande faktorer för att bestämma framgången för modernisering av äldre system med GenAI. Tydlig kommunikation, utbildningsprogram och intressentengagemang kan hjälpa till att hantera motstånd mot förändring och underlätta smidiga övergångar.

En av utmaningarna med Generativ AI är konsekvens, hur hjälper Persistent Systems till att bygga en konsekvent användarupplevelse?

Konsekvens är ett element i att tillhandahålla en övergripande företagsklass, företagssäker GenAI-driven användarupplevelse och resultat. Vi ser på processen holistiskt.

Vi erbjuder stöd från början till slut genom alla faser av GenAI-antagande. Vår strategiska vägledning och noggranna användningsfallsanalyser hjälper organisationer att välja den mest lämpliga grundmodellen (FMs) anpassad till deras specifika krav. Genom en detaljerad undersökning och konsultation hjälper vi kunder att definiera tydliga användningsfall och fatta informerade beslut om FM-val.

Sedan fokuserar vi på flera tillvägagångssätt, som few-shot-prompting eller till och med finjustering, för att säkerställa att modellerna som används i applikationerna är anpassade till användningsfallet och företagsdata.

Våra lösningar använder inte bara standard-RAG-tekniker utan går också djupare in i flera prompt- och datachunkningsstrategier för att säkerställa att den mest relevanta data hämtas och ges till FM under inferens. Vi förbättrar ytterligare noggrannheten och relevansen hos denna kontext genom att använda avancerade kunskapsgrafer för att fånga dolda relationer inom företagsdata.

Vi använder också flera grundningsmetoder och skyddsräcken för att begränsa och fokusera omfattningen av inferens.

Slutligen placerar vi applikationen i en rigorös och automatiserad utvärderingsram som säkerställer konsekvens i inferens och upplevelse, utgåva efter utgåva.

Kan du ge exempel på hur GenAI-drivna lösningar har revolutionerat kundinteraktioner i verkligheten?

Persistent har transformerat kundinteraktioner för en ledande programvaruleverantör genom GenAI-drivna lösningar. Företaget mötte skalbarhetsutmaningar under toppdriftsperioder och införde ett centralt kunskapsarkiv och en konversationsbot för AI-team. Det rationaliserade tillgången till information, vilket ledde till en 80-procentig minskning av tiden för att lösa kundförfrågningar. Kvaliteten på svaren förbättrades också avsevärt, vilket resulterade i förbättrad kundtillfredsställelse.

Vi hjälpte också en privat equity-firma genom att utnyttja GenAI för att automatisera skapandet av detaljerade investeringsrapporter. Med det GenAI-drivna systemet minskades tiden för att generera rapporter med 90 %. Denna strömlinjeformade metod revolutionerade företagets verksamhet, vilket möjliggjorde snabb och effektiv beslutsfattning. Effektiviteten sparade inte bara värdefull tid utan främjade också ökad samverkan mellan intressenter och säkerställde en personlig touch i varje promemoria, vilket förbättrade den övergripande effektiviteten.

Hur närmar du dig ansvarsfull GenAI-innovation?

Vår strategi för ansvarsfull GenAI-innovation prioriterar etiska metoder och regelefterlevnad under hela utvecklings- och implementeringsprocessen. Vi betonar transparens, ansvar och rättvisa i AI-drivna beslutsprocesser.

Vi etablerar robusta etiska riktlinjer som styr utveckling, distribution och användning av GenAI-system. I vår strävan efter ansvarsfull GenAI-innovation testar och validerar vi rigoröst våra system för att mildra potentiella risker som bias, desinformation och integritetsproblem.

Dessutom prioriterar vi transparens och ansvar i AI-drivna beslutsprocesser genom att ge användarna tydliga insikter i systemets drift. Slutligen syftar vår strategi till att utveckla och distribuera GenAI-system som driver innovation och effektivitet samtidigt som de bidrar positivt till samhället.

Vad är din vision för AI:s framtid?

Min vision för AI:s framtid är mångfacetterad. Först och främst inom digital ingenjörskonst ser jag AI inte bara som en kodhjälpare, utan också som en samarbetspartner, liknande en “parprogrammerare”. Detta innebär att AI hjälper till med koduppgifter och aktivt deltar i problemlösning genom att kartlägga komplexa uppgifter och utföra underuppgifter.

För det andra ser jag en era av personliga AI-agenter och assistenter som erbjuder anpassade upplevelser till individer – en “personalisering av 1”-ansats. Dessa agenter kommer att förstå användarnas unika preferenser, beteenden och behov, och ge högt anpassat stöd och tjänster.

Slutligen tror jag på utvecklingen av sammansatta AI-system, där olika AI-modeller samexisterar för att tillgodose olika behov. Det kommer inte att finnas en enda “en-storlek-passar-alla”-modell, utan snarare en kombination av stora och små, allmänna och specialbyggda modeller som arbetar tillsammans i AI-tjänster. Denna strategi möjliggör större flexibilitet, effektivitet och effektivitet i att lösa ett brett spektrum av problem inom olika domäner.

Tack för den underbara intervjun, läsare som vill lära sig mer kan besöka Persistent Systems.