博士潘杜朗·卡马特，Persistent Systems 首席技术官 – 采访系列

博士潘杜朗·卡马特是Persistent Systems的首席技术官，他负责高级技术研究，专注于通过创新实现业务价值。他是一位经验丰富的技术领导者，帮助客户改善用户体验，优化业务流程，并创建新的数字产品。他的愿景是使Persistent成为一个创新强国，成为全球和多元化的创新生态系统的锚点，包括学术界和初创企业。

潘杜朗于2012年加入Persistent Systems。在加入Persistent Systems之前，他是Ask.com搜索和内容业务的分析总监，他领导了一个全球团队来管理Ask的分析平台。在此之前，他帮助在贝尔实验室和HP实验室建立安全通信和数字媒体产品，并在鲁特格斯大学建立了一个获奖的无线研究平台。

Persistent Systems是全球市场领先者跨行业的可信赖的数字工程和企业现代化合作伙伴。

是什么最初吸引你进入计算机科学和计算机工程领域？

我对计算机科学和工程的兴趣是在学校的一个夏季课程中被激发的。学习编程构造和创建计算机游戏让我接触到了这些领域的结构化逻辑。我被能够分解复杂问题并系统地解决它们的能力所吸引。真正吸引我的是精心设计的程序所提供的巨大杠杆作用。它们可以自动执行任务，优化流程，并赋予个人或小团队实现卓越成就的能力。这种创造力、问题解决能力和转型潜力的结合继续激励着我。从最初的经历到我的持续旅程，我仍然对技术所呈现的无尽可能性充满热情。计算机科学和工程不仅塑造未来，还为创新和进步提供了途径，这些途径推动着我向前。

Persistent Systems的大部分业务来自为企业构建软件，生成性AI的出现如何改变了您的团队的运作方式？

生成性AI（GenAI）的出现改变了我们在Persistent Systems的团队运作方式，特别是在企业软件开发中。这一IT行业的颠覆不仅带来了挑战，也带来了重新构想业务运作的重大机会。

作为一个AI驱动的数字工程企业，Persistent Systems已经接受了GenAI来革新软件工程生命周期的各个方面。在过去的一年里，我们开发了工具和套件，这些工具和套件完全重新定义了代码生成、测试用例生成和报告迁移等流程。在遗留系统现代化项目中，我们的方法已经发生了显著的变化。我们现在利用工具来简化代码接管流程，减轻项目风险，并通过为新团队成员提供对复杂代码库的更深入的理解来加快他们的入职速度。此外，我们与行业领域的合作使我们能够提供利用企业数据的定制解决方案。通过开发能够理解业务语言并提供相关参考的数字助手，我们提高了企业的运营效率和决策能力。这些助手遵循负责任的AI原则，确保透明度、问责制、安全性和隐私，同时通过自动评估模型输出来不断提高其准确性和性能。

使用生成性AI完全现代化遗留系统的一些挑战是什么？

生成性AI是一种强大的工具，但它不是完全遗留系统现代化的银弹。各个行业的组织必须采用综合方法，利用人类专业知识和AI能力。虽然生成性AI为现代化提供了巨大的潜力，但它也存在局限性。关键挑战包括：

• 对遗留系统的有限理解：生成性AI模型需要对现有系统有深入的理解才能有效地发挥作用。遗留系统通常缺乏全面文档，这阻碍了AI有效地理解其相互依赖关系的能力。
• 数据质量和偏差：用于训练AI模型的数据的质量和代表性对其输出有着重大影响。训练数据的局限性可能会在生成的代码中体现出来，可能引入新的问题。
• 确保质量和安全性：虽然生成性AI可以自动化代码生成，但输出需要经过严格的测试和验证，以满足质量、功能要求和安全标准。
• 现代化的有限范围：生成性AI可能不适合进行完全的系统改造。它可以在特定任务（如代码重构或测试用例生成）中表现出色，但复杂的架构变化仍需要手动干预。
• 变更管理和利益相关者对齐：管理组织变更和获得利益相关者的认同是决定使用生成性AI现代化遗留系统成功的关键因素。清晰的沟通、培训计划和利益相关者参与计划可以帮助解决对变更的抵制并促进平稳过渡。

生成性AI的一个挑战是一致性，Persistent Systems如何帮助建立一致的用户体验？

一致性是提供整体企业级、企业安全的生成性AI驱动用户体验和结果的一个方面。我们从整体上看待这个过程。

我们在生成性AI采用过程的所有阶段提供端到端的支持。我们的战略指导和详细的用例分析帮助组织选择最适合其特定需求的基础模型（FMs）。通过详细的检查和咨询，我们帮助客户定义明确的用例并做出明智的FM选择。

然后，我们专注于多种方法，例如少量提示甚至微调，以确保应用程序中使用的模型适应用例和企业数据。

我们的解决方案不仅采用标准的RAG技术，还深入研究多个提示和数据块处理策略，以确保在推理期间为基础模型提供最相关的数据。我们通过使用高级知识图来捕获企业数据中的隐藏关系，从而进一步提高上下文的准确性和相关性。

我们还采用多种接地技术和防护栏来限制和集中推理的范围。

最后，我们将应用程序置于一个严格的自动评估框架之下，以确保推理和体验的一致性，版本接版本。

您能否提供生成性AI驱动解决方案成功革新客户互动的现实世界示例？

Persistent Systems通过生成性AI驱动解决方案改变了一个领先的软件解决方案提供商的客户互动。面临峰值期间的可扩展性挑战，该公司实施了一个中央知识库和对话式AI团队BOT。它简化了访问信息，导致客户查询解决时间减少了80%。响应质量也显著提高，导致客户满意度提高。

我们还通过利用生成性AI来自动创建详细的投资报告来帮助一家私募股权公司。使用生成性AI驱动的系统，生成报告所需的时间减少了90%。这种简化的方法革新了公司的运营，促进了快速有效的决策。效率不仅节省了宝贵的时间，还促进了利益相关者之间的合作，并在每个备忘录中添加了个性化的元素，从而提高了整体有效性。

您如何处理负责的生成性AI创新？

我们对负责的生成性AI创新采取优先考虑道德实践和监管合规的方法，贯穿整个开发和实施过程。我们强调AI驱动的决策过程中的透明度、问责制和公平性。

我们建立了管理生成性AI系统开发、部署和使用的强有力的道德指南。在我们追求负责的生成性AI创新过程中，我们严格测试和验证我们的系统，以减轻潜在风险，例如偏差、虚假信息和隐私问题。

此外，我们在AI驱动的决策过程中优先考虑透明度和问责制，为用户提供对系统操作的清晰洞察。最终，我们的方法旨在开发和部署能够推动创新和效率的生成性AI系统，同时对社会做出积极贡献。

您对AI的未来有什么愿景？

我对AI的未来有多方面的愿景。首先，在数字工程领域，我设想AI不仅是一种编码辅助工具，也是一种协作伙伴，类似于“配对编程者”。这涉及AI在编码任务中提供帮助，并积极参与问题解决，通过绘制复杂任务和执行子任务来实现这一点。

其次，我预见一个个性化AI代理和助手的时代，它们为个人提供量身定制的体验——一种“个性化1”的方法。这些代理将了解用户的独特偏好、行为和需求，提供高度定制化的支持和服务。

最后，我相信复合AI系统的演化，即各种AI模型共存以解决不同的需求。不会有一个“一刀切”的模型，而是一组大型和小型、通用和专用模型共同在AI服务中发挥作用。这种方法提供了更大的灵活性、效率和有效性，以解决不同领域的广泛问题。

感谢这次精彩的采访，希望了解更多的读者可以访问Persistent Systems。