Lakshmikant Gundavarapu, Chief Innovation Officer på Tredence – Intervju-serie

Lakshmikant Gundavarapu är Chief Innovation Officer på Tredence. Med över tre decennier i IT-sektorn är Lakshmikant en ansedd auktoritet inom AI-omvandling och digital innovation.

Som tidigare Global Head för Data & AI på Microsoft (MSFT ) India möjliggjorde Lakshmikants ledarskap digital omvandling för 100+ kunder i 40 länder. På Microsoft främjade Lakshmikant integrationen av öppen källkods-databaser på Azure och etablerade strategiska allianser med SaaS-lösningstillverkare.

Med en fallenhet för att utveckla kundcentrerade AI-lösningar utmärker sig Lakshmikant i att främja strategiska partnerskap som driver innovation. Lakshmikant bidrar med en rik erfarenhet, teknisk expertis och ledarskapsförmåga för att katalysera AI-drivna omvandlingar, vilket visar en etablerad förmåga att översätta ny teknik till konkreta affärslösningar.

Tredence är ett data- och AI-företag som hjälper företag att omvandla analytiska experiment till verkliga resultat. De arbetar inom branscher som detaljhandel, CPG, teknik, finans, hälsovård och resor, och erbjuder tjänster inom dataingenjörskap, AI/ML, generativ AI, supply chain, kundupplevelse och digital modernisering. Deras fokus ligger på att kombinera hastighet genom acceleratorer, djup branschkompetens och starka partnerskap för att leverera skalbara, företagsklara lösningar.

Med dina år på Microsoft India, vilka erfarenheter formade din vision för AI-drivna företagsomvandlingar som nu syns i Tredences strategi?

Under min tid på Microsoft hade jag möjlighet att arbeta med företag inom olika sektorer, inklusive flyg och fastighet. Det är uppenbart att AI kan skapa verklig effekt när det har ett tydligt syfte, stöds av tillförlitliga data och är utformat för att integreras i operativa beslutsprocesser.

Till exempel:

• Ett stort flygbolag implementerade AI för att förutsäga motorhaveri, vilket möjliggjorde proaktivt underhåll och förbättrade både säkerhet och effektivitet.
• Ett stort fastighetsföretag använde AI för prediktiv övervakning av väsentliga byggnadssystem, vilket resulterade i minskad nedtid och optimerade underhållsscheman.

Dessa erfarenheter lärde mig att tekniken i sig inte omvandlar företag. Det kräver genomtänkt design, starka datafundament och mekanismer som översätter insikter till verklig handling. Denna synsätt driver nu Tredences tillvägagångssätt: Vi utvecklar AI-lösningar som är syftesdrivna, datainformerade och kapabla att leverera mätbara resultat över hela företaget.

Tredence beskrivs ofta som att lösa “last mile”-problemet i AI. Kan du dela exempel där denna acceleration förbättrade omvandlingen för kunder? 

Överväg en stor global detaljhandlare. Genom att förena fragmenterad data från transaktioner, lojalitetsprogram, supply chain-aktiviteter och digitala kontaktytor möjliggjorde vi AI-applikationer som drev intäktsökning, kundbehållning, resa-personalisering och efterfrågan på förutsägelse. Vi tillämpade dessa insikter operativt, omvandlade analyser till verkliga affärsresultat.

Detaljhandelsfallstudie: Tredence skapade ett enhetligt personligt system som genererade 58 miljoner dollar i intäkt och stängde en 54% KPI-gap. Detta gick utöver kundinsikter och levererade intäktsdrivande personligisering i stor skala.

I bioteknik integrerade R&D-, kliniska och kommersiella datamängder möjliggjorde AI att optimera kliniska prövningar, förbättra studieutformning och förbättra läkarengagemang, vilket accelererade tid till marknaden och ökade intäkter.

Över sektorer, från bankbedrägeriupptäckt till prediktivt underhåll i tillverkning, förblir läxan densamma: AI levererar värde endast när det driver beslut som är viktiga för affärerna.

Bankfallstudie: Tredence distribuerade GenAI AML (anti-penningtvätts-) copiloter som inte bara genererade insikter om misstänkta aktiviteter utan också integrerades i dagliga operationer för att öka ärendegenomströmning med 120% medan de minskade falska positiva med 15%. Detta visar omvandlingen från AI-upptäckt till operativ effektivitet.

Företag kämpar ofta för att gå från AI-piloter till produktion i stor skala. Vilka är de största hindren, och hur hjälper Tredence till att övervinna dem?

Många AI-initiativ stannar av eftersom de inte är utformade med ett tydligt affärsresultat, även när de är tekniskt starka. Nyckelutmaningar inkluderar:

1. Utformningsluckor för ändamål: Insikter kan vara intressanta, men löser inte mätbara affärsproblem.
2. Data-begränsningar: Fragmenterad eller dålig kvalitet på data förhindrar tillförlitlig skalning.
3. Operativa utmaningar: Utan automatiserad distribution, övervakning, omträning och styrning förblir modellerna experimentella.

På Tredence tacklar vi dessa utmaningar genom:

• Resultatfokuserad utformning, som säkerställer att varje AI-initiativ är direkt kopplat till mätbara affärsresultat.
• Robusta datafundament, som konsoliderar och berikar datamängder för tillförlitlig modellprestanda.
• Produktionsklara operativa ramar, som inkluderar automatiserad distribution, övervakning och omträning för att upprätthålla noggrannhet, motståndskraft och regelefterlevnad.

Detta tillvägagångssätt möjliggör för företag att gå från experiment till fullskalig AI som konsekvent levererar affärsresultat.

Du tillkännagav nyligen Milky Way, en konstellation av autonoma AI-agenter. Vad inspirerade dess utformning, och hur skiljer den sig från konventionella AI-assistenterna?

Milky Way föddes ur insikten att företag behöver mer än instrumentpaneler eller chattbotar. De kräver ett resonemangssystem som kan konsumera, tolka och ansluta multivariata data för att generera handlingsbara insikter.

Till skillnad från konventionella assistenter:

• Resonerar Milky Way-agenter över olika datakällor, ansluter insikter snarare än att bara svara på frågor.
• Analyserar de komplexa, multidimensionella problemen, broar information över arbetsflöden.
• Levererar de handlingsbara insikter, omvandlar insikter till beslut eller automatiserade åtgärder.

Kort sagt, omvandlar Milky Way AI till ett nätverk av resonemangsagenter, kapabla att hantera komplexitet och driva verkliga affärsresultat, snarare än att ersätta grundläggande verktyg.

Tidiga distributioner av Milky Way levererade snabba resultat. Vad möjliggjorde dessa vinster?

Tre element gjorde skillnad:

1. Inbäddade insikter där beslut fattas, gjorde rekommendationer omedelbart handlingsbara.
2. Framåtriktad intelligens, omvandlade insikter till proaktiva beslut snarare än retrospektiv analys.
3. Säkra, styrda plattformar, möjliggjorde företagsomfattande AI samtidigt som de upprätthöll regelefterlevnad och kontroll.

Denna kombination levererar verkliga affärsresultat på veckor snarare än månader.

Milky Way prioriterar förklarbarhet, granskbarhet och resonemangsvägar. Hur viktigt är detta för företagsförtroende?

Förtroende är grundläggande i företags AI. Milky Way säkerställer:

• Transparenta motiv för varje rekommendation.
• Granskningsbara spår som dokumenterar alla indata, utdata och åtgärder.
• Ständig motstridig testning för att säkerställa robusthet och tillförlitlighet.

Denna transparens och ansvarsskyldighet skiljer Milky Way från ogenomskinliga, svarta lådor-system, byggande företagsförtroende i antagandet.

Hur kommer denna förändring från verktyg till AI-kollegor att påverka organisationer och beslutsfattande?

AI-kollegor förändrar sättet organisationer fungerar:

• Chefer tar på sig dubbla roller, guider människor medan de övervakar AI-agenter.
• Beslut blir samarbetsinriktade, med agenter som hanterar resonemang och människor som tillhandahåller kontext och etisk tillsyn.
• Operativa strukturer utvecklas för att integrera AI i dagliga beslutsprocesser, förbättrar hastighet, konsekvens och kvalitet på resultaten.

Senast 2028 kan en tredjedel av affärsbesluten fattas autonomt. Vad måste organisationer ändra för att säkerställa säkerhet?

 För att säkert distribuera autonom AI bör organisationer implementera praktiska åtgärder över kultur, operationer och styrning:

Kultur – Bygg förtroende med AI:

• Börja med mänskliga beslutsprocesser och öka autonomin gradvis.
• Träna team för att förstå, validera och ingripa i AI-rekommendationer.

Operationer – Implementera övervakning och riskkontroller:

• Spåra kontinuerligt AI-beslut för noggrannhet, fördom och regelefterlevnad.
• Genomför motstridig simulering för att identifiera sårbarheter.
• Underhåll återkopplingsloopar för att förbättra AI-modeller från mänskliga korrigeringar.

Styrning – Sätt gränser och eskalationsvägar:

• Definiera vilka beslut som kan vara fullständigt automatiserade och vilka som kräver tillsyn.
• Säkerställ granskbarhet och spårbarhet för alla AI-drivna åtgärder.
• Skapa beredskapsprocesser för att ingripa vid avvikelser eller risker.

Dessa steg möjliggör för organisationer att skala autonomt beslutsfattande på ett säkert sätt samtidigt som de behåller kontroll, ansvar och regelefterlevnad.

Vad är Tredences vägkarta för Milky Way?

Vår vägkarta inkluderar:

1. Branschspecifika agenter för detaljhandel, hälsovård, tillverkning och finansiella tjänster.
2. Djupare integrationer med ERP-, CRM- och supply chain-system för sömlös antagande.
3. Kontinuerligt lärande och resonemang för att möjliggöra för agenter att förbättra sin intelligens och kontextuell förståelse över tid.

Visionen är ett ekosystem av samarbetande agenter som företag kan montera, styra och lita på.

Hur bör C-svit-chefer förbereda sig för AI som tar på sig strategiska beslutsroller?

AI-antagande är en mognadsresa:

• Börja med mänskliga beslutsprocesser, gå vidare till semi-autonoma arbetsflöden och tillåt slutligen full autonomin i styrda domäner.
• Investera i AI-litteracitet, möjliggör för team att samarbeta effektivt med AI-system.
• Omdefiniera KPI:er, styrningsramar och operativa strukturer för att fokusera på besluts kvalitet och affärsresultat, snarare än bara modellprestanda.

Slutligen är AI-antagande inte bara en teknisk initiativ; det är en omvandling av ledarskap, kultur och operativt beslutsfattande.

Tack för det underbara samtalet, läsare som vill lära sig mer bör besöka Tredence.