ดร. ปัณฑุรัง คามัต, ประธานเจ้าหน้าที่เทคโนโลยี Persistent Systems – สัมภาษณ์รายการ

ดร. ปัณฑุรัง คามัต เป็นประธานเจ้าหน้าที่เทคโนโลยีของ Persistent Systems (PERSISTENT.BO ) และรับผิดชอบในการวิจัยเทคโนโลยีขั้นสูงเพื่อปลดปล่อยคุณค่าทางธุรกิจผ่านนวัตกรรมขนาดใหญ่ เขาเป็นผู้นำด้านเทคโนโลยีที่มีประสบการณ์ในการช่วยให้ลูกค้าปรับปรุงประสบการณ์ของผู้ใช้ ปรับปรุงกระบวนการทางธุรกิจ และสร้างผลิตภัณฑ์ดิจิทัลใหม่ๆ วิสัยทัศน์ของเขาสำหรับ Persistent คือการเป็นศูนย์กลางนวัตกรรมที่มีพลังในการเชื่อมโยงระบบนิเวศนวัตกรรมระดับโลกและหลากหลาย ซึ่งประกอบด้วยสถาบันการศึกษาและสตาร์ทอัพ

ปัณฑุรังเข้าร่วม Persistent ในปี 2012 ก่อนที่จะเข้าร่วม Persistent เขาเคยดำรงตำแหน่งผู้อำนวยการด้านการวิเคราะห์สำหรับธุรกิจค้นหาและเนื้อหาของ Ask.com ซึ่งเขานำทีมระดับโลกเพื่อจัดการแพลตฟอร์มการวิเคราะห์ของ Ask ก่อนหน้านั้นเขาช่วยสร้างผลิตภัณฑ์สื่อสารที่ปลอดภัยและผลิตภัณฑ์สื่อดิจิทัลที่ Bell Labs และ HP Labs และได้รับรางวัลสำหรับแพลตฟอร์มการวิจัยไร้สายที่ Rutgers University

Persistent Systems เป็นพันธมิตรด้านวิศวกรรมดิจิทัลและสมัยใหม่ที่เชื่อถือได้สำหรับผู้นำตลาดระดับโลกในอุตสาหกรรมต่างๆ

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิชาวิทยาการคอมพิวเตอร์และวิศวกรรมคอมพิวเตอร์?

ความสนใจของฉันในวิทยาการคอมพิวเตอร์และวิศวกรรมคอมพิวเตอร์เกิดขึ้นในช่วงฤดูร้อนในโรงเรียน การเรียนรู้โครงสร้างการเขียนโปรแกรมและการสร้างเกมคอมพิวเตอร์ทำให้ฉันเข้าใจถึงตรรกะที่มีโครงสร้างซึ่งสนับสนุนสาขาเหล่านี้ ฉันถูกดึงดูดโดยความสามารถในการแบ่งปัญหาที่ซับซ้อนและแก้ไขมันอย่างเป็นระบบ สิ่งที่ดึงดูดฉันจริงๆ คือพลังที่โปรแกรมที่ออกแบบมาอย่างดีสามารถมอบให้ได้ พวกมันสามารถทำให้กระบวนการทำงานอัตโนมัติ ปรับปรุงกระบวนการ และทำให้บุคคลหรือทีมขนาดเล็กสามารถบรรลุผลลัพธ์ที่น่าประทับใจได้ ส่วนผสมของความคิดสร้างสรรค์ การแก้ปัญหา และศักยภาพในการเปลี่ยนแปลงที่นำเสนอโดยเทคโนโลยีนี้ยังคงสร้างแรงบันดาลใจให้ฉัน ตั้งแต่ประสบการณ์แรกๆ ของฉันจนถึงการเดินทางที่ฉันยังคงดำเนินอยู่ ฉันยังคงหลงใหลในโอกาสที่ไม่มีที่สิ้นสุดซึ่งเทคโนโลยีนี้นำเสนอ วิทยาการคอมพิวเตอร์และวิศวกรรมคอมพิวเตอร์ไม่เพียงแต่กำหนดรูปแบบอนาคตเท่านั้น แต่ยังเป็นเส้นทางสู่นวัตกรรมและความก้าวหน้าที่ขับเคลื่อนฉันไปข้างหน้า

ธุรกิจส่วนใหญ่ของ Persistent Systems มาจากการสร้างซอฟต์แวร์สำหรับองค์กรธุรกิจ การมาถึงของ AI ที่สร้างสรรค์ (GenAI) ได้เปลี่ยนแปลงวิธีการทำงานของทีมของคุณอย่างไร?

การมาถึงของ GenAI ได้เปลี่ยนแปลงวิธีการทำงานของทีมของเราอย่างมากที่ Persistent โดยเฉพาะอย่างยิ่งในด้านการพัฒนาซอฟต์แวร์สำหรับองค์กรธุรกิจ การเปลี่ยนแปลงนี้ไม่เพียงแต่นำเสนอความท้าทายเท่านั้น แต่ยังเป็นโอกาสที่สำคัญในการจินตนาการถึงการดำเนินธุรกิจใหม่

ในฐานะองค์กรวิศวกรรมดิจิทัลที่ใช้ AI เราได้ใช้ GenAI เพื่อปฏิวัติวงจรชีวิตของวิศวกรรมซอฟต์แวร์ในช่วงปีที่ผ่านมา เราได้พัฒนาตัวช่วยและชุดเครื่องมือที่เปลี่ยนแปลงกระบวนการด้านการสร้างโค้ด การสร้างกรณีทดสอบ และการย้ายข้อมูลใหม่ ในโครงการการปรับปรุงระบบเก่าของเรา วิธีการของเรามีการเปลี่ยนแปลงอย่างมาก เราใช้เครื่องมือเพื่อทำให้กระบวนการรับโค้ดใหม่เร็วขึ้น ลดความเสี่ยงของโครงการ และเร่งการฝึกอบรมสมาชิกใหม่ในทีมโดยการให้ข้อมูลเชิงลึกเกี่ยวกับฐานโค้ดที่ซับซ้อน นอกจากนี้ การทำงานร่วมกับโดเมนของอุตสาหกรรมทำให้เราสามารถนำเสนอโซลูชันที่ปรับให้เหมาะสมกับข้อมูลขององค์กรได้ โดยการพัฒนาแอสซิสตันท์ดิจิทัลที่สามารถเข้าใจภาษาธุรกิจและให้ข้อมูลอ้างอิงที่เกี่ยวข้อง เราได้ปรับปรุงประสิทธิภาพการทำงานและกระบวนการตัดสินใจภายในองค์กรเหล่านั้น แอสซิสตันท์เหล่านี้ยึดมั่นในหลักการของ AI ที่รับผิดชอบ โดยรับประกันความโปร่งใส ความรับผิดชอบ ความมั่นคง และความเป็นส่วนตัว ในขณะเดียวกันก็ปรับปรุงความแม่นยำและประสิทธิภาพของพวกมันอย่างต่อเนื่องผ่านการประเมินผลลัพธ์ของโมเดลอัตโนมัติ

อะไรคือความท้าทายในการปรับปรุงระบบเก่าโดยใช้ GenAI?

GenAI เป็นเครื่องมือที่ทรงพลัง แต่ไม่ใช่คำตอบสุดท้ายสำหรับการปรับปรุงระบบเก่า องค์กรต่างๆ ต้องใช้วิธีการที่ผสมผสานระหว่างความเชี่ยวชาญของมนุษย์และความสามารถของ AI ความท้าทายหลักๆ ได้แก่:

• การเข้าใจระบบเก่าที่ไม่สมบูรณ์: โมเดล GenAI ต้องการความเข้าใจที่ครอบคลุมเกี่ยวกับระบบที่มีอยู่เพื่อทำงานได้อย่างมีประสิทธิภาพ ระบบเก่าๆ มักขาดเอกสารที่ครอบคลุม ซึ่งทำให้ AI ไม่สามารถเข้าใจความสัมพันธ์ระหว่างระบบได้อย่างมีประสิทธิภาพ
• คุณภาพและความลำเอียงของข้อมูล: คุณภาพและความเป็นตัวแทนของข้อมูลที่ใช้ในการฝึกโมเดล AI มีผลกระทบอย่างมากต่อผลลัพธ์ ข้อจำกัดของข้อมูลฝึกสามารถสะท้อนให้เห็นในโค้ดที่สร้างขึ้นได้ ซึ่งอาจนำไปสู่ปัญหใหม่ๆ
• การรับรองคุณภาพและความปลอดภัย: แม้ว่า GenAI จะสามารถสร้างโค้ดอัตโนมัติได้ แต่ผลลัพธ์จำเป็นต้อง经过การทดสอบและตรวจสอบอย่างเข้มงวดเพื่อให้ตรงตามมาตรฐานคุณภาพ ฟังก์ชัน และความปลอดภัย
• ขอบเขตการปรับปรุงที่จำกัด: GenAI อาจไม่เหมาะสมสำหรับการเปลี่ยนแปลงระบบทั้งหมด มันสามารถทำงานได้ดีในงานเฉพาะ เช่น การสร้างโค้ดใหม่หรือการสร้างกรณีทดสอบ แต่การเปลี่ยนแปลงโครงสร้างที่ซับซ้อนยังคงต้องการการแทรกแซงจากมนุษย์
• การเปลี่ยนแปลงและการจัดการผู้มีส่วนได้ส่วนเสีย: การจัดการการเปลี่ยนแปลงและได้รับการยอมรับจากผู้มีส่วนได้ส่วนเสียเป็นปัจจัยสำคัญในการกำหนดความสำเร็จของการปรับปรุงระบบเก่าด้วย GenAI การสื่อสารที่ชัดเจน โปรแกรมฝึกอบรม และการมีส่วนร่วมของผู้มีส่วนได้ส่วนเสียสามารถช่วยจัดการการเปลี่ยนแปลงและอำนวยความสะดวกในการเปลี่ยนแปลงที่ราบรื่น

หนึ่งในความท้าทายของ GenAI คือความสม่ำเสมอ Persistent Systems ช่วยเหลือในการสร้างประสบการณ์ผู้ใช้ที่สม่ำเสมอย่างไร?

ความสม่ำเสมอเป็นเพียงหนึ่งในองค์ประกอบของการนำเสนอประสบการณ์ผู้ใช้ที่มีคุณภาพสูงและปลอดภัยสำหรับ GenAI เรามองกระบวนการนี้ในภาพรวม

เรามอบการสนับสนุนแบบ end-to-end ในทุกขั้นตอนของการนำ GenAI ไปใช้ การให้คำแนะนำเชิงกลยุทธ์และการวิเคราะห์กรณีการใช้งานอย่างละเอียดช่วยให้องค์กรต่างๆ สามารถเลือกโมเดลพื้นฐาน (FMs) ที่เหมาะสมกับความต้องการเฉพาะของตนได้ ผ่านการตรวจสอบและปรึกษาหารืออย่างละเอียด เราช่วยให้ลูกคัดสามารถกำหนดกรณีการใช้งานที่ชัดเจนและเลือก FM ที่เหมาะสม

จากนั้น เราเน้นไปที่แนวทางต่างๆ เช่น การกระตุ้นให้ใช้ข้อมูลน้อยหรือการปรับให้เหมาะสม เพื่อให้แน่ใจว่าโมเดลที่ใช้ในแอปพลิเคชันถูกปรับให้เหมาะสมกับกรณีการใช้งานและข้อมูลขององค์กร

โซลูชันของเราทำงานร่วมกับเทคนิค RAG มาตรฐานและยังขยายไปสู่กลยุทธ์การกระตุ้นและการแบ่งข้อมูลหลายๆ วิธีเพื่อให้แน่ใจว่าข้อมูลที่เกี่ยวข้องมากที่สุดถูกนำมาใช้และให้กับ FM ระหว่างการอนุมาน เรายังเพิ่มความแม่นยำและความเกี่ยวข้องของบริบทนี้โดยใช้กราฟความรู้ขั้นสูงเพื่อจับความร่วมมือที่ซ่อนอยู่ภายในข้อมูลขององค์กร

เรายังใช้เทคนิคการยึดและรั้วหลายๆ วิธีเพื่อจำกัดและเน้นการอนุมาน

สุดท้าย เราวางแอปพลิเคชันผ่านเฟรมเวิร์กการประเมินที่เข้มงวดและอัตโนมัติซึ่งรับประกันความสม่ำเสมอของการอนุมานและประสบการณ์ในการเผยแพร่ผลิตภัณฑ์ใหม่ๆ

คุณสามารถให้ตัวอย่างที่แท้จริงที่ GenAI ช่วยให้ปฏิวัติประสบการณ์ของลูกค้าได้หรือไม่?

Persistent ได้เปลี่ยนแปลงประสบการณ์ของลูกค้าสำหรับผู้ให้บริการซอฟต์แวร์ชั้นนำผ่านโซลูชันที่ใช้ GenAI องค์กรนี้เผชิญกับความท้าทายด้านการปรับขนาดในช่วงเวลาที่มีการใช้งานสูงสุด และได้ใช้ระบบจัดเก็บข้อมูลกลางและแชทบอท AI ซึ่งช่วยให้สามารถเข้าถึงข้อมูลได้อย่างรวดเร็ว และลดเวลาในการตอบคำถามของลูกค้าลง 80% คุณภาพของคำตอบก็ได้รับการปรับปรุงอย่างมาก ส่งผลให้ความพึงพอใจของลูกค้าเพิ่มขึ้น

เรายังช่วยให้กองทุนเอกชนโดยใช้ GenAI เพื่อสร้างรายงานการลงทุนโดยอัตโนมัติ ด้วยระบบที่ใช้ GenAI ระยะเวลาที่ต้องใช้ในการสร้างรายงานลดลง 90% วิธีการที่เร็วขึ้นนี้ไม่เพียงแต่ช่วยประหยัดเวลาเท่านั้น แต่ยังช่วยให้เกิดการทำงานร่วมกันระหว่างผู้มีส่วนได้ส่วนเสียและเพิ่มความส่วนตัวในแต่ละบันทึก ทำให้ประสิทธิภาพโดยรวมดีขึ้น

คุณเข้าใกล้การสร้างนวัตกรรม GenAI ที่มีความรับผิดชอบอย่างไร?

แนวทางของเราในการสร้างนวัตกรรม GenAI ที่มีความรับผิดชอบให้ความสำคัญกับแนวปฏิบัติที่มีจริยธรรมและความสอดคล้องกับกฎระเบียบตลอดกระบวนการสร้างและใช้งาน เราเน้นความโปร่งใส ความรับผิดชอบ และความยุติธรรมในการตัดสินใจโดยใช้ AI

เรากำหนดนโยบายทางจริยธรรมที่เข้มงวดสำหรับการพัฒนา การใช้งาน และการนำ GenAI ไปใช้ ในการแสวงหานวัตกรรม GenAI ที่มีความรับผิดชอบ เราทดสอบและตรวจสอบระบบของเราอย่างเข้มงวดเพื่อลดความเสี่ยง เช่น ความลำเอียง ข้อมูลที่ไม่ถูกต้อง และประเด็นความเป็นส่วนตัว

นอกจากนี้ เรายังให้ความสำคัญกับความโปร่งใสและความรับผิดชอบในการตัดสินใจโดยใช้ AI โดยให้ข้อมูลที่ชัดเจนเกี่ยวกับการทำงานของระบบแก่ผู้ใช้ สุดท้าย แนวทางของเรามุ่งหวังที่จะพัฒนาและใช้ระบบ GenAI ที่ไม่เพียงแต่ขับเคลื่อนนวัตกรรมและประสิทธิภาพเท่านั้น แต่ยังช่วยให้สังคมดีขึ้น

วิสัยทัศน์ของคุณสำหรับอนาคตของ AI คืออะไร?

วิสัยทัศน์ของฉันสำหรับอนาคตของ AI มีหลายด้าน ประการแรก ในด้านวิศวกรรมดิจิทัล ฉันเห็น AI ไม่เพียงแต่เป็นผู้ช่วยในการเขียนโค้ดเท่านั้น แต่ยังเป็นหุ้นส่วนที่ทำงานร่วมกัน เช่นเดียวกับ “ผู้เขียนโค้ดคู่” ซึ่ง AI ช่วยในการเขียนโค้ดและเข้าร่วมในการแก้ปัญหาโดยการวางแผนงานที่ซับซ้อนและดำเนินการย่อยๆ

ประการสอง ฉันเห็นอนาคตที่มีเอเย่นต์ AI และผู้ช่วยส่วนบุคคลที่ให้ประสบการณ์ที่ปรับให้เหมาะสมกับแต่ละบุคคล – แนวทาง “ส่วนบุคคล 1” เหล่านี้จะเข้าใจความชอบ พฤติกรรม และความต้องการที่เป็นเอกลักษณ์ของผู้ใช้ และให้การสนับสนุนและบริการที่ปรับให้เหมาะสมสูง

ประการสุดท้าย ฉันเชื่อว่าระบบ AI ที่ซับซ้อนจะพัฒนา โดยที่โมเดล AI หลายๆ รูปแบบทำงานร่วมกันเพื่อแก้ปัญหาที่หลากหลาย จะไม่มีโมเดล “ขนาดเดียวที่เหมาะกับทุกคน” แต่จะมีการรวมกันของโมเดลขนาดใหญ่และเล็ก โมเดลทั่วไปและแบบเฉพาะจุด ที่ทำงานร่วมกันในบริการ AI วิธีนี้ช่วยให้มีความยืดหยุ่น ประสิทธิภาพ และประสิทธิผลที่ดีขึ้นในการแก้ปัญหาที่หลากหลายในหลายโดเมน

ขอขอบคุณสำหรับการสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม Persistent Systems เพื่อเรียนรู้เพิ่มเติม