Mukund Kalmanker，Apexon 数据、分析和人工智能全球负责人 – 采访系列

Mukund Kalmanker，Apexon 数据、分析和人工智能全球负责人，拥有二十多年的经验，领导了大规模的企业转型项目，曾在 Wipro 担任高级领导职务，建立和扩展了全球人工智能实践，孵化了自动化平台，如 HOLMES，并帮助制定了跨行业的企业技术战略，包括金融服务、电信和医疗保健。他的工作始终专注于将新兴技术，特别是人工智能、数据工程和自动化，转化为实际的商业成果，结合了深厚的技术专业知识和建立全球团队、推动数字化战略和为大型企业提供可衡量的运营效率的强大记录。

Apexon 是一家数字第一的技术服务公司，帮助企业通过结合人工智能、数据分析和数字工程来加速业务转型，创建智能、可扩展的系统和客户体验。通过其在云计算、自动化和高级分析方面的集成能力，公司与组织合作，现代化运营、改善决策和提供端到端的数字解决方案，特别是在金融服务、医疗保健和生命科学等行业。

在 Wipro 和 Apexon 领导人工智能和分析项目二十年后，您的方法如何受到影响，您认为哪些经验最能代表您的方法?

过去几年中，影响我方法的最重要的经验是，成功的数字转型不仅仅是关于技术，而是关于将技术与解决现实世界的商业问题和适应不断变化的人类行为相结合。它是关于利用创新作为战略杠杆来领导行业和使世界变得更好。无论是帮助银行解决监管需求、零售品牌重新想象客户参与，还是使医疗保健提供者能够做出更快、更有数据驱动的决策，我都看到，当我们从最终体验开始时，会产生最大的影响。在我之前的生活和现在在 Apexon 的工作中，我的团队和我一直与各个行业的客户密切合作，将 Agentic AI、Gen AI、AI、ML、RPA 和数据从流行词汇转化为商业成果——解锁洞察力、提高效率、改善客户体验、帮助管理风险和为客户创造竞争优势。这种持续的合作和对成果的关注是继续塑造我思维的关键因素。

是什么吸引您加入 Apexon，他们目前对数据、分析和人工智能的方法如何与您的个人愿景相符?

吸引我加入 Apexon的是他们明确致力于帮助客户以有目的的创新。创新文化和成长心态在每个与 Apexon 相关的人中都根深蒂固，这从他们学习、创新和共同突破界限的方式中可见一斑。凭借在数据和人工智能方面的深厚能力和对工程的深刻理解，Apexon 不将数据或人工智能视为孤立的能力，而是视为帮助打造智能企业的基础资产，建立可扩展、具有知识产权的商业解决方案和平台。这与我的信念相吻合，即企业技术的未来在于创建智能系统，这些系统不仅适应性强，还具有可扩展性、可重复性和长期价值。

在 Apexon，我们专注于将尖端技术转化为有意义的商业成果，无论是解锁竞争洞察力、实现更智能的自动化，还是推动以客户为中心的体验。这正是企业转型的未来所在，我很高兴能够在这里塑造这一未来。

智能织物如何帮助建立连接的企业，它们的实际应用是什么?

智能织物不是产品或平台，而是一种架构上的转变。它们连接了业务单元、系统、数据和决策之间的点，使得智能不是偶尔使用的东西，而是始终在线。这样就可以将组织从数据驱动转变为真正的智能驱动。

实际应用中，例如零售商可以根据多种因素（如购买行为、供应链中断、地缘政治发展、天气变化或本地灾难）实时调整供应链运营。或者，医院可以在医生查看测试结果的同时提供治疗建议。或者，银行可以将数据连接起来，识别出复杂的反洗钱活动。智能的力量在于将其直接融入工作流程中，而不是事后添加。这就是企业真正连接的方式——智能可以在任何组织部分生成，并被整个组织使用。

Apexon 如何使用生成式人工智能工具，如 Copilot，来为客户带来价值，您在哪些领域看到最强的采用?

我们将工具如 GitHub Copilot 视为不仅仅是编码助手，而是重新构想软件规划、构建和测试的催化剂。在 Apexon，Copilot 融入了整个工程生命周期，从草拟用户故事和完善需求到生成测试用例和预测缺陷。它帮助团队更快地工作，并提高准确性。

例如，我们正在与一家医疗保健提供者合作，推动 Copilot 的采用，并将其与 Agentic 框架相结合，以完全重新构想软件工程生命周期，带来更高的效率。在另一个客户项目中，我们正在帮助采用生成式人工智能和 Agentic 框架来提高数据质量，并将权力交给直接与监管机构互动的用户，以解决合规性需求。

采用最强的领域是速度、个性化和规模最重要的领域——智能文档处理、对话式人工智能和超自动化。这些领域是生成式人工智能可以带来战略优势的地方。

与 IIT Madras 和 Imperial College London 等机构的学术合作如何影响您的 AI 研究和人才发展战略?

我们与 IIT Madras 和 Imperial College London 的合作在塑造我们的研究议程和人才发展战略方面发挥了关键作用。我们不仅仅是资助项目，我们还与领先的研究人员密切合作，探索前沿领域，如 Agentic AI、多智能体系统和通用人工智能。这些合作伙伴关系让我们更深入地了解了新兴领域，例如大型语言模型的行为和演化，使其在各个领域中具有背景依赖性。

它们还作为人才发展的引擎。通过联合项目，我们为学生创造了实践学习机会，将学术深度与企业相关性相结合。这种互利的交流对于扩大我们的 AI、数据和数字工程能力至关重要。

在医疗保健、金融或电信等行业中，Apexon 的 AI 或分析解决方案如何显著提高运营效率或解锁新的商业模式?

一个很好的例子是我们与一家领先的北美金融机构合作，使用人工智能驱动的框架现代化其风险评估流程。通过自动化数据摄取、标准化分散的来源和部署实时风险引擎，我们将手动工作量减少了 90%，并将评估速度提高了 4 倍。集成的预测警报和合规性跟踪帮助减少了 30% 的监管处罚和 40% 的财务暴露。建立在云原生、微服务架构上的解决方案不仅提高了准确性和速度，还使客户能够在快速变化的监管环境中实现可扩展、数据驱动的风险管理。

您目前最关注哪些新兴技术或 AI 趋势作为企业创新下一个大前沿?

在 Apexon，我们认为 Agentic AI 是企业智能的下一个重大飞跃。在传统的 AI 只能对提示做出反应不同，Agentic AI 系统可以自主地解释动态背景、设定和追求目标、跨系统协作并通过反馈持续改进。我们已经建立了一个端到端的框架，AgentRise，将这一愿景变为现实。AgentRise 结合了 Agentic AI 大脑、多智能体编排、人机监督和企业级可观察性。

结果是 AI 不仅仅是辅助工具，而是能够自主执行复杂的业务工作流程，从医疗保健中的文档分类到金融中的实时异常处理。我们的方法的独特之处在于对可扩展、可信任的智能的关注。我们利用模块化组件、提示工程和安全集成，以速度和可靠性部署 Agentic AI。这不仅仅是创新，而是将 AI 嵌入业务流程中，在规模上安全运行，并带来有形的成果。随着这些系统的成熟，我们相信它们将成为自适应、自我进化的企业的骨干，在监管和高影响力行业中发挥作用。

我们还在关注狭义 AI、人工通用智能和量子计算的进展，但我们最感兴趣的是这些技术如何融合在一起，为企业提供动力，使其不仅变得智能，还变得自适应、自治和能够自我指导演化。

组织在从传统数据系统转向现代分析架构时面临的最大挑战是什么?

组织通常会遇到四个主要挑战，当他们从传统系统转向现代分析架构时。

首先是采用和价值实现。传统平台通常会形成根深蒂固的工作方式，使得变革管理至关重要。组织必须确保新的分析平台能够带来有形的商业成果，例如收入增长、运营效率和风险管理的改善，而不仅仅是技术升级。

第二是技术现代化和能力构建。许多企业运行着复杂的传统系统，包括大型机、内部系统和早期的云环境。现代化这些环境需要周密的合理化和重新架构，以及建设技能、人才和运营成熟度，以维持现代数据、分析和人工智能平台。

第三是数据和 AI 准备度。现代化不仅仅是将数据迁移到一个新平台。组织必须确保数据为高级分析和人工智能做好准备，通过加强数据质量、治理、血统、隐私和道德保障，以便洞察和人工智能模型可以被信任和扩展。

最后是组织转型。随着平台的演进为更自治和更具代理性的 AI 能力，公司必须适应其运营模式、工作技能和文化，以便于人类和智能系统之间的有效合作。

如何确保数字体验和 AI 解决方案以人类需求为中心，而不是仅仅关注技术成果?

我相信真正有影响力的数字和 AI 解决方案的基础是一种思维方式的转变，从询问技术的能力转变为询问如何为人类和社会创造有意义的商业价值和服务。

我们从将每个项目都建立在真实的人类成果上开始，例如更好的决策、更强的信任、更简单的体验。这种方法需要与用户深入参与、持续倾听和设计围绕人类实际采用和交互的解决方案。我们有意将以人为中心的设计、透明度和问责制嵌入我们的平台中。

在高影响力领域尤其如此，人工智能必须在强大的人类监督和明确的道德防护栏下运行，确保其增强人类判断力而不是取代它。同样重要的是，成功不仅仅通过性能指标来衡量，还要通过采用率、用户信心和长期价值创造来衡量。当做得好时，益处远远超出了个别组织。以人为中心的人工智能有潜力扩大机会、加强机构、改善生活质量，并帮助建设更具韧性的经济、更公平的系统和更好的社会。最终，我们的目标应该是开发不仅仅是智能的人工智能，而是负责任的、包容的和有目的的人工智能。这种技术应该放大人类的潜力，并为我们共同塑造的未来做出积极的贡献。

您如何评估 Apexon 部署的通用 AI 的成功？是否有特定的 KPI 或框架用于衡量不同客户环境下的有效性?

在 Apexon，我们已经建立了强大的框架，支持一系列知识产权、解决方案和加速器，帮助我们的团队和客户衡量通用 AI 和代理 AI 部署的有效性。

首先，我们关注业务影响。这始于明确定义的领域或流程级目标，但最终集中在战略成果上，例如客户体验的改善、收入增长、成本优化、运营效率的提高和风险管理的加强。我们的 M4 框架支持这一点，提供了一个结构化的执行模型用于分析项目。M4 提供了一个经过验证的策略和可预测的步骤，用于数据现代化，帮助组织绘制用例、现代化数据架构和转向基于云的分析环境，同时确保人工智能计划与可衡量的业务 KPI 密切相关。

第二，我们评估采用和价值实现。人工智能部署只有在被信任、广泛采用并有效增强人类能力时，才会产生有意义的影响。在 Apexon，我们自己的企业范围内采用通用 AI 和代理 AI 为客户提供了一个实践模型。我们从使组织内的员工能够使用通用 AI 和代理 AI 能力开始，配备他们以工具、政策和使用人工智能的指导，同时跟踪他们所带来的业务成果。我们通过这段旅程开发的治理框架、政策和 KPI 现在帮助我们的客户加速和扩大通用 AI 的采用。

第三，我们衡量技术性能。我们的 Genysys 平台中的加速器使我们能够持续监测关键的运营指标，例如响应准确性、幻觉率、每次推理的成本、可扩展性和整体系统性能。Genysys，Apexon 的通用 AI 平台，整合了多个大型语言模型到一个统一的环境中，具有与十多个 LLM 无缝集成的能力。这使组织能够为不同用例选择最合适的模型，同时在部署中保持对性能、可靠性和成本效率的可见性。

最后，我们评估治理和风险。我们的企业防护栏框架，是 AgentRise 产品的一部分，帮助组织解决关键领域，例如治理、风险和合规性。鉴于我们与监管行业的深入合作，我们帮助客户评估可解释性、可审计性、数据血统、隐私保障和与负责任的 AI 标准的对齐，以确保 AI 系统既可扩展又值得信赖。

感谢这次精彩的采访，希望读者能够通过访问 Apexon 了解更多信息。