Nitin Singhal, VP of Engineering (Data, AI och Integrations) på SnapLogic

Nitin Singhal är en erfaren teknologi- och produktledare med över 25 års erfarenhet inom branschen. Han är för närvarande Vice President of Engineering på SnapLogic, med fokus på ansvarsfull integration av applikationer och system, med hjälp av Agentic-arkitektur för att frigöra datapotentialen för en global publik.

Innan sin roll på SnapLogic var Nitin Senior Director of Engineering på Twitter, där han ledde Data Management och Privacy Infrastructure engineering-funktionerna. Hans arbete innefattade att etablera datastyrningspraxis under en kritisk period för företaget, för att säkerställa ansvarsfull dataanvändning och regelefterlevnad.

Nitin har också haft olika ingenjörs- och produktledarroller på framstående organisationer, inklusive Visa (V ), PayPal (PYPL ) och JPMorgan Chase, där han bidrog till betydande framsteg inom datastrategi och hantering.

SnapLogic är en AI-driven integrationsplattform som förenklar data- och applikationsflöden med hjälp av verktyg utan kod och över 1 000 förbyggda anslutningar. Den stöder ETL/ELT, automatisering, API-hantering och säkra distributioner över moln, lokala och hybridmiljöer. Funktioner som SnapGPT och AutoSync förbättrar effektiviteten, vilket möjliggör för organisationer att integrera och orkestrera processer utan problem.

Du har nästan 25 års erfarenhet av att driva teknisk innovation. Vad var det som först inspirerade dig att följa en karriär som fokuserar på att använda teknik för att lösa komplexa problem, och hur har den passionen utvecklats med AI:s framväxt?

Från början av min karriär var jag fascinerad av utmaningen att lösa pussel och den logiska skönheten i matematiken. Detta ledde naturligt till att jag ville utforska hur tekniken kunde användas för att lösa komplexa, verkliga problem. Tidigt i min karriär inspirerades jag av potentialen för tekniken att hantera frågor som transaktionsbedrägeri och dataskyddsrisker. Min passion har bara djupnat alltmer när AI har utvecklats, särskilt med introduktionen av generativ AI. Jag har sett AI:s transformerande effekt, från att ge jordbrukare insikter via smartphones till att möjliggöra för vanliga användare, som min far, att hantera uppgifter som skatteavdrag på ett enkelt sätt. Democratisk tillgång till AI-teknik exciterar mig, eftersom det möjliggör för oss att göra en positiv skillnad i människors liv. Denna pågående resa driver min engagemang för att utveckla AI på ett sätt som är innovativt, effektivt och samtidigt säkert, ansvarsfullt och tillgängligt för alla.

Vilka är de största riskerna som företag möter när de förlitar sig på föråldrad teknik i AI-eran?

Att förlita sig på föråldrad teknik medför betydande risker som kan hota ett företags framtid. Föråldrade system, särskilt äldre infrastrukturer, leder till förlamande ineffektivitet och hindrar organisationer från att utnyttja AI för högvärdiga uppgifter. Dessa föråldrade tekniker har svårt att hantera data tillgänglighet och integration, vilket skapar dyra operativa flaskhalsar som hindrar automatisering och innovation. De dolda kostnaderna för att underhålla sådana system ackumuleras, vilket dränerar resurser medan det blir svårt att attrahera toppbegåvningar som föredrar moderna tekniska miljöer. När företag fastnar i en cykel av stagnation missar de möjligheter till progressiv tillväxt och riskerar att bli omkörda av mer agila konkurrenter.

Valet är tydligt: utvecklas som iPhone eller möta samma öde som BlackBerry.

Hur kämpar äldre system för att möta kraven från moderna AI-applikationer, särskilt när det gäller energi, efterfrågan och infrastruktur?

Äldre system möter betydande utmaningar när de försöker möta kraven från moderna AI-applikationer på grund av deras inbyggda begränsningar. Dessa föråldrade infrastrukturer saknar den datorkapacitet, skalbarhet och flexibilitet som krävs för AI:s intensiva beräkningsbehov. De skapar ofta datasilor och flaskhalsar, vilket hindrar hantering av data i realtid och sammanhängande datahantering, som är avgörande för AI-drivna insikter. Denna oförenlighet hindrar implementeringen av avancerad AI-teknik och leder till ineffektiv resursanvändning, ökad energiförbrukning och potentiella systemsystem. Följaktligen kämpar företag som förlitar sig på äldre system för att fullt ut utnyttja AI:s potential inom kritiska områden som precisionsriktning, löneavräkning och bedrägeridetektering, vilket i slutändan begränsar deras konkurrenskraft i en AI-driven landskap.

Vilka är de “dolda” kostnaderna för eftergivenhet för företag som tvekar att modernisera sina system?

Att förlita sig på föråldrad teknik innebär att företag förlitar sig på manuella processer och siloade data, vilket leder till ökade kostnader och minskad produktivitet. Över tiden ackumuleras denna ineffektivitet, vilket resulterar i missade möjligheter och en betydande förlust av konkurrenskraft allt eftersom mer agila konkurrenter antar AI-lösningar. Dessutom slösas anställdas potential på repetitiva uppgifter istället för strategiskt arbete, vilket orsakar frustration och potentiellt högre personalomsättning. När rivaler utnyttjar AI för ökad effektivitet och innovation riskerar företag som dröjer med moderniseringen att halka efter alltmer, vilket i slutändan hotar deras marknadsposition och långsiktiga livskraft i ett alltmer digitalt landskap.

Organisationer måste skilja mellan legitima farhågor kring AI-antagande och situationer där mänskliga osäkerheter ger upphov till vilseledande berättelser.

Hur kan företag utvärdera om de halkar efter när det gäller infrastrukturberedskap för AI?

Företag kan utvärdera sin AI-beredskap genom att bedöma om deras nuvarande system kan integreras med moderna AI-verktyg och skalas för att möta ökande datakrav. Om de kämpar för att bearbeta stora datamängder effektivt, utnyttja molnlösningar eller stödja automatisering, är det ett tydligt tecken på att de kanske halkar efter. Dessutom bör företag undersöka om äldre system skapar flaskhalsar eller kräver överdriven manuell inblandning, vilket hindrar produktivitet. Viktiga indikatorer på eftersatt infrastruktur inkluderar datasilor, otillräcklig realtidsanalys, bristfällig beräkningskraft för komplexa algoritmer och utmaningar i att attrahera AI-talang. I slutändan riskerar organisationer som ständigt försöker hinna ikapp AI-förmågor att förlora sin konkurrenskraft i ett alltmer digitalt landskap. Jag vill också betona att banbrytande övervaknings-, säkerhets- och integritetsmetoder som följer kompositarkitektur är avgörande för smidig och ansvarsfull AI-beredskap.

Vilka praktiska steg kan organisationer ta idag för att framtidsäkra sina system för AI-innovationer?

Det första steget är att utvärdera den nuvarande tekniska stacken och leta efter områden där AI kan integreras. Organisationer bör prioritera skalbara molnlösningar som stöder AI-driven automatisering och gör det enkelt att införa nya tekniker. Särskilt lågkodsplattformar kan hjälpa företag med begränsade resurser att snabbt distribuera AI-agenter utan att behöva djup teknisk expertis. Företag bör också se till att de har flexibla, molnbaserade infrastrukturer som kan skalas efter behov för att stödja framtida AI-applikationer.

Enligt din åsikt, vilka branscher har mest att vinna på att snabbt anta AI och uppgradera äldre system?

Branscher som förlitar sig på datastyrda beslut och repetitiva uppgifter har mest att vinna. Till exempel kan AI inom den finansiella sektorn automatisera uppgifter som kundsupport, bedrägeridetektering och kreditgodkännanden, vilket förenklar verksamheten och förbättrar kundupplevelsen. Likaså kan försäljnings- och kundtjänstavdelningar se en betydande produktivitetsökning genom att använda AI för att hantera rutinärenden eller bearbeta leads på ett mer effektivt sätt. Företag inom hälso- och sjukvård, tillverkning och detaljhandel kan också dra betydande nytta av AI, särskilt eftersom AI-verktyg kan hjälpa till att optimera leverantörskedjor, förutsäga efterfrågan och automatisera administrativa uppgifter. Istället för att utföra dessa repetitiva uppgifter kan experter inom respektive område fokusera på strategiskt arbete, vilket ger en hög avkastning på AI-investeringen.

Hur stöder SnapLogics plattform specifikt företag i att ersätta fragmenterad, äldre infrastruktur med AI-drivna lösningar?

 SnapLogics plattform ger företag möjlighet att förenhetliga och automatisera arbetsflöden över data och applikationer, vilket möjliggör en smidig övergång från äldre system till modern, AI-beredd infrastruktur. Genom att ansluta fragmenterade datakällor och förenkla integration över moln- och lokala miljöer accelererar SnapLogic övergången till ett enhetligt system där AI kan ge omedelbar nytta.

Plattformens lågkodsgränssnitt, inklusive verktyg som AgentCreator och SnapGPT, möjliggör för företag att snabbt distribuera AI-drivna lösningar för olika användningsfall, från automatisering av kundinteraktioner till förbättring av finansiell rapportering och marknadsföringseffektivitet. SnapLogics IRIS AI-teknik ger intelligenta rekommendationer för att bygga datapipeliner, vilket avsevärt minskar komplexiteten i integrationsuppgifter och gör plattformen tillgänglig för användare med varierande teknisk kompetens.

SnapLogic prioriterar datastyrning, regelefterlevnad och säkerhet i AI-initiativ. Med funktioner som slut-till-slut-kryptering, omfattande loggning och agentåtgärdsförhandsgranskning kan företag med tillförsikt skala upp sina AI-projekt. Den nyliga lanseringen av en integrationskatalog och dataärvda verktyg ger väsentlig kontext för att skydda känslig data från läckage under in- och utgång. Dessutom erbjuder SnapLogic integrationsförmåga till moderna system på ett kompositmässigt sätt, vilket driver affärsmål samtidigt som det erbjuder flexibla lösningar för att hantera kostnader, regelefterlevnad och underhållsutmaningar.

Vilka unika utmaningar har du mött på SnapLogic när det gäller att utveckla produkter som broar äldre och moderna AI-integrerade system?

 En unik utmaning när det gäller att broa äldre och moderna AI-integrerade system har varit att säkerställa att SnapLogic-plattformen kan hantera den rigiditet som äldre system har, samtidigt som den stöder den flexibilitet och skalbarhet som krävs för AI-applikationer. En annan utmaning har varit att skapa en plattform som är tillgänglig för såväl tekniska som icke-tekniska användare, vilket kräver en balans mellan avancerad funktionalitet och användarvänlighet.

Som ett företag inom företags-SaaS balanserar SnapLogic de unika och generiska behoven hos hundratals kunder över olika branscher, samtidigt som plattformen kontinuerligt utvecklas för att anta nya och moderna tekniker på ett flexibelt, ansvarsfullt och bakåtkompatibelt sätt.

För att hantera detta har vi utvecklat förbyggda anslutningar som smidigt integrerar data över gamla och nya plattformar. Med SnapLogic AgentCreator har vi också möjliggjort för organisationer att distribuera AI-agenter som automatiserar uppgifter, fattar beslut i realtid och anpassar sig inom befintliga arbetsflöden.

Kan du förklara SnapLogics “Generative Integration” och hur det möjliggör smidig AI-driven automatisering i företagsmiljöer?

SnapLogics Generative Integration är en banbrytande funktion i SnapLogics plattform som använder generativ AI och stora språkmodeller (LLM) för att strömlinjeforma och automatisera skapandet av integrationspipeliner och arbetsflöden. Denna innovativa tillvägagångssätt möjliggör för företag att smidigt ansluta system, applikationer och datakällor, vilket underlättar en smidigare övergång till AI-drivna miljöer. Genom att tolka naturliga språkliga instruktioner ger Generative Integration även icke-tekniska användare möjlighet att utveckla, anpassa och distribuera integrationer snabbt. Denna demokratisering av integration accelererar digital transformation och minskar beroendet av omfattande kodkompetens, vilket tillåter företag att fokusera på strategiska initiativ och förbättra operativ effektivitet.

Dessutom erbjuder SnapLogic en enorm flexibilitet genom att tillåta kunder att använda valfria offentliga LLM-modeller anpassade till deras specifika behov, vilket säkerställer att organisationer kan utnyttja de bästa verktygen samtidigt som de upprätthåller robusta styrnings- och regelefterlevnadsstandarder.

Tack för det utmärkta samtalet, läsare som vill lära sig mer kan besöka SnapLogic.