Dr. Pandurang Kamat é diretor de tecnologia da Persistent Techniques e é responsável pela pesquisa de tecnologia avançada focada em desbloquear valor de negócios por meio da inovação em escala. Ele é um líder tecnológico experiente que ajuda os clientes a melhorar a experiência do usuário, otimizar processos de negócios e criar novos produtos digitais. Sua visão para a Persistent é ser uma potência de inovação que ancora um ecossistema de inovação world e diversificado, composto por academia e start-ups.
Pandurang ingressou na Persistent em 2012. Antes da Persistent, ele foi diretor de análise dos negócios de pesquisa e conteúdo da Ask.com, onde liderou uma equipe world para gerenciar a plataforma analítica da Ask. Antes disso, ele ajudou a criar comunicações seguras e produtos de mídia digital nos Bell Labs e HP Labs e uma premiada plataforma de pesquisa sem fio na Rutgers College.
A Persistent Techniques é um parceiro confiável de engenharia digital e modernização empresarial para líderes de mercado globais em todos os setores.
O que inicialmente atraiu você para a ciência da computação e a engenharia da computação?
Meu interesse por ciência da computação e engenharia surgiu durante um curso de verão na escola. Aprender construções de programação e criar jogos de computador me apresentou à lógica estruturada que dá suporte a esses campos. Fiquei cativado pela capacidade de decompor problemas complexos e resolvê-los sistematicamente. O que realmente me atraiu foi a imensa vantagem que programas bem elaborados oferecem. Eles podem automatizar tarefas, otimizar processos e capacitar indivíduos ou pequenas equipes para alcançar feitos notáveis. Essa mistura de criatividade, resolução de problemas e potencial transformador continua a me inspirar. Desde essas experiências iniciais até a minha jornada contínua, continuo apaixonado pelas infinitas possibilidades que a tecnologia apresenta. A ciência e a engenharia da computação não apenas moldam o futuro, mas também oferecem caminhos para inovação e progresso que me impulsionam a seguir em frente.
A maior parte dos negócios de sistemas persistentes vem da construção de software program para empresas. Como o advento da IA generativa transformou a forma como sua equipe opera?
O advento da IA generativa (GenAI) transformou a forma como nossa equipe opera na Persistent, especialmente no desenvolvimento de software program empresarial. Esta disrupção na indústria das TI não só apresenta desafios, mas também oportunidades significativas para reimaginar as operações empresariais de forma holística.
Como uma empresa de engenharia digital alimentada por IA, a Persistent adotou a GenAI para revolucionar vários aspectos do ciclo de vida da engenharia de software program. No ano passado, desenvolvemos ferramentas e suítes que redefinem completamente processos como geração de código, geração de casos de teste e migração de relatórios. Em projetos de modernização legados, nossa abordagem evoluiu significativamente. Agora utilizamos ferramentas para agilizar os processos de controle de código, mitigar os riscos do projeto e agilizar a integração de novos membros da equipe, fornecendo-lhes uma compreensão mais profunda de bases de código complexas. Além disso, a nossa colaboração com domínios da indústria permite-nos fornecer soluções personalizadas que aproveitam os dados empresariais. Ao desenvolver assistentes digitais capazes de compreender a linguagem empresarial e fornecer referências relevantes, aumentamos a eficiência operacional e a tomada de decisões nas empresas. Esses assistentes aderem aos princípios de IA responsável, garantindo transparência, responsabilidade, segurança e privacidade, ao mesmo tempo que melhoram continuamente sua precisão e desempenho por meio da avaliação automatizada dos resultados do modelo.
Quais são alguns dos desafios da modernização completa de sistemas legados usando IA generativa?
GenAI é uma ferramenta poderosa, mas não é uma solução mágica para a modernização completa de sistemas legados. As organizações de todos os setores devem adotar uma abordagem combinada, aproveitando a experiência humana e as capacidades de IA. Embora a GenAI ofereça um potencial substancial de modernização, ela tem as suas limitações. Os principais desafios incluem:
- Compreensão limitada dos sistemas legados: os modelos GenAI requerem um conhecimento completo dos sistemas existentes para funcionarem de forma eficaz. Os sistemas legados muitas vezes carecem de documentação abrangente, dificultando a capacidade da IA de compreender eficazmente as suas interdependências.
- Qualidade e preconceito dos dados: A qualidade e representatividade dos dados usados para treinar o modelo de IA têm um impacto significativo no seu resultado. As limitações dos dados de treinamento podem ser refletidas no código gerado, potencialmente introduzindo novos problemas.
- Garantindo qualidade e segurança: embora o GenAI possa automatizar a geração de código, o resultado precisa de testes e verificação rigorosos para atender aos requisitos de qualidade, funcionais e padrões de segurança.
- Escopo limitado de modernização: GenAI pode ser inadequado para revisões completas do sistema. Ele pode se destacar em tarefas específicas, como refatoração de código ou geração de casos de teste, mas mudanças arquitetônicas complexas ainda exigem intervenção guide.
- Gestão de Mudanças e Alinhamento das Partes Interessadas: Gerenciar mudanças organizacionais e obter a adesão das partes interessadas são fatores críticos para determinar o sucesso da modernização de sistemas legados com GenAI. A comunicação clara, os programas de formação e as iniciativas de envolvimento das partes interessadas podem ajudar a enfrentar a resistência à mudança e facilitar transições suaves.
Um dos desafios da IA generativa é a consistência. Como os sistemas persistentes ajudam na construção de uma experiência de usuário consistente?
A consistência é um elemento para fornecer uma experiência de usuário e resultados gerais de nível empresarial e seguros para empresas, alimentados por GenAI. Olhamos para o processo de forma holística.
Fornecemos suporte ponta a ponta em todos os estágios de adoção do GenAI. Nossa orientação estratégica e análises meticulosas de casos de uso ajudam as organizações a selecionar os modelos de fundação (FMs) mais adequados, adaptados às suas necessidades específicas. Através de um exame e consulta detalhados, auxiliamos os clientes na definição de casos de uso claros e na tomada de seleções de FM informadas.
Em seguida, nos concentramos em diversas abordagens, como solicitações rápidas ou até mesmo ajustes finos, para garantir que os modelos usados nos aplicativos estejam em sintonia com o caso de uso e os dados corporativos.
Nossas soluções não apenas empregam técnicas RAG padrão, mas também se aprofundam em múltiplas estratégias de prompts e agrupamento de dados para garantir que os dados mais relevantes sejam recuperados e fornecidos ao FM durante a inferência. Melhoramos ainda mais a precisão e a relevância desse contexto usando gráficos de conhecimento avançados para capturar relacionamentos ocultos nos dados corporativos.
Também empregamos múltiplas técnicas de fundamentação e proteções para limitar e focar o alcance da inferência.
Por fim, submetemos a aplicação a uma estrutura de avaliação rigorosa e automatizada que garante consistência de inferência e experiência, lançamento após lançamento.
Você poderia fornecer exemplos do mundo actual onde as soluções baseadas em GenAI revolucionaram com sucesso as interações com os clientes?
A Persistent transformou as interações com os clientes para um fornecedor líder de soluções de software program por meio de soluções baseadas em GenAI. Enfrentando desafios de escalabilidade durante períodos operacionais de pico, a empresa implementou um Repositório Central de Conhecimento e um BOT de Equipes de IA Conversacional. Simplificou o acesso às informações, levando a uma redução de 80% no tempo de resolução de consultas dos clientes. A qualidade das respostas também melhorou significativamente, resultando em maior satisfação do cliente.
Também auxiliamos uma empresa de personal fairness utilizando GenAI para automatizar a criação de relatórios de investimento detalhados. Com o sistema desenvolvido pela GenAI, o tempo necessário para gerar relatórios foi reduzido em 90%. Esta abordagem simplificada revolucionou as operações da empresa, facilitando a tomada de decisões rápida e eficaz. A eficiência não só economizou um tempo valioso, mas também promoveu uma maior colaboração entre as partes interessadas e garantiu um toque personalizado em cada memorando, melhorando a eficácia geral.
Como você aborda a inovação da GenAI responsável?
Nossa abordagem à inovação da GenAI Responsável prioriza práticas éticas e conformidade regulatória em todos os processos de desenvolvimento e implementação. Enfatizamos a transparência, a responsabilidade e a justiça na tomada de decisões baseada na IA.
Estabelecemos diretrizes éticas robustas que regem o desenvolvimento, implantação e uso de sistemas GenAI. Na nossa busca pela inovação da GenAI Responsável, testamos e validamos rigorosamente os nossos sistemas para mitigar riscos potenciais, como preconceitos, desinformação e questões de privacidade.
Além disso, priorizamos a transparência e a responsabilidade nos processos de tomada de decisão baseados em IA, fornecendo aos utilizadores informações claras sobre as operações do sistema. Em última análise, a nossa abordagem visa desenvolver e implementar sistemas GenAI que impulsionem a inovação e a eficiência, ao mesmo tempo que contribuem positivamente para a sociedade.
Qual é a sua visão para o futuro da IA?
Minha visão para o futuro da IA é multifacetada. Em primeiro lugar, na engenharia digital, imagino a IA não apenas como um assistente de codificação, mas também como um parceiro colaborativo, semelhante a um “programador par”. Isso envolve a assistência da IA nas tarefas de codificação e a participação ativa na resolução de problemas, mapeando tarefas complexas e executando subtarefas.
Em segundo lugar, prevejo uma period de agentes e assistentes de IA personalizados que oferecem experiências personalizadas aos indivíduos – uma abordagem de “personalização de 1”. Esses agentes entenderão as preferências, comportamentos e necessidades exclusivas dos usuários, fornecendo suporte e serviços altamente personalizados.
Por último, acredito na evolução dos sistemas compostos de IA, onde vários modelos de IA coexistem para responder a diferentes necessidades. Não haverá um único modelo “tamanho único”, mas sim uma combinação de modelos grandes e pequenos, gerais e criados para um propósito específico, trabalhando juntos em serviços de IA. Esta abordagem permite maior flexibilidade, eficiência e eficácia na resolução de uma ampla gama de problemas em diferentes domínios.
Obrigado pela ótima entrevista, os leitores que desejam saber mais devem visitar Persistent Techniques.
