Join our webinar - "Harness Automation to Transform Your IVR Testing" on May 30, 2024 | Register now.

Tour of the IBC2019 Conference, Amsterdam

1,700 exhibitors provided a perfect platform to network, build relationships, and discover the latest trends and technologies. Hundreds of companies from the video delivery, video digitization, and workflow digitization space showcased their products with 300 plus inspirational speakers including game changing keynotes that addressed more than 1,100 delegates at the IBC Conference this year.

Martin Focazio, shares insights from the three-day long IBC2019 Conference:

Day 1: Hot topics include the digitization of hardware and cloud enablement of hardware-centered production workflows, and the application of Artificial Intelligence and Machine Learning to content workflows.

 

Day 2: A studio tour: showcasing a range of hardware, the actual machineries that are being used for the production workflows. Devices include basic multi-camera switching to actual, real-time AR /VR product suites.

 

Day 3: Seminars, workshops, and learnings on a new range of products and the impact these products have on the content production workflow and a clear understanding of how the software and services intersect.

 

Highlights and key takeaways from the IBC2019 Conference:

A great platform to learn about the cutting-edge ideas, trend-setting products and transformative technology impacting the market. One thing that I observed through the show was how legacy companies in the industry have always transformed their products as the marketplace changed – but now, there is a deeper, more substantial change than a change in formats or hardware. Software – especially the many variations of AI – are deeply entwined in the content creation and management workflows. It may be the companies with the best AI will emerge as the dominant forces soon.

Souboje v rámci modernizace a vysvětlitelná umělá inteligence

Proč potřebujeme, aby byla umělá inteligence vysvětlitelná? A na jaké spory se připravit v rámci významné modernizace starých platforem? Moshe Kranc přichází se svým pohledem na technologické výzvy současnosti a nabízí řešení.

Jako technický ředitel mám příležitost potkávat se s mnoha současnými a potenciálními zákazníky, kteří působí v různých oblastech, například v maloobchodě, finančním sektoru, vzdělávání nebo zdravotnictví. To mi poskytuje jedinečný pohled na obchodní a technologické výzvy, kterým tyto společnosti a instituce čelí, a na způsoby, jak se s nimi vypořádávají. V tomto článku popisuji společná témata, se kterými jsem se setkal za posledních několik měsíců u společností z různých segmentů.

Vysvětlitelná umělá inteligence

Umělá inteligence (AI) se dnes nabízí jako řešení mnoha podnikových výzev a nesnází. Za samotná rozhodnutí jsou však nakonec zodpovědní lidé, nikoliv algoritmy. Když se něco pokazí, dělat jen to, co doporučil algoritmus AI, nezní jako příliš rozumný přístup.

Pokud tedy podniky chtějí založit kritická rozhodnutí na algoritmech AI, musí pochopit, proč algoritmus doporučil konkrétní akci a jaké je logické zdůvodnění. To nejen zvyšuje důvěru v systém, ale také pomáhá označit nepřesná nebo jinak problematická doporučení.

Mnoho algoritmů AI, jako je hluboké učení, zakládá svá doporučení na vzorcích, které rozeznávají ve velkých objemech trénovacích dat. V mnoha případech jsou data založena spíše na statistikách než na jakékoli logice srozumitelné pro člověka, takže výsledky mohou obsahovat skrytou předpojatost nebo zkreslení.

Předpokládejme například, že společnost chce analyzovat data a určit úroveň platu, kterou navrhne novému zaměstnanci. Zkušební data použitá k vyladění tohoto algoritmu, pokud jsou založena čistě na historických datech o mzdách, mohou být zkreslená, protože budou ovlivněna nespravedlivými mzdami žen nebo menšin v minulosti.

Jakýkoliv systém založený na AI, který my používáme, je vysvětlitelný, tj. jakákoli doporučení, která navrhuje, mohou být člověku vysvětlena a odůvodněna.

To vyplývá z nejnovějšího technologického vývoje, který dokáže lidem pomoci pochopit nejasné statistické algoritmy typu hlubokého učení, například LIME – Local Interpretable Model-Agnostic Explanations (Lokální interpretovatelná modelová agnostická vysvětlení).

Vysvětlitelnou AI lze použít na cokoli, co má dopad na životy lidí a mohlo by být zkresleno předpojatostí – od stanovení přijetí do vzdělávacího programu nebo na univerzitu až po rozhodnutí, jak (resp. spíš na kolik) někoho pojistit, nebo zda někomu vydat kreditní kartu nebo poskytnout půjčku na základě demografických údajů.

Modernizace s respektem

Někteří naši zákazníci se rozhodli provést významnou modernizaci svých platforem a přechází ze staršího mainframového systému na modernější kontejnerizovanou architekturu založenou na cloudu. Motivací bývá závažná událost, jako je oznámení konce životnosti mainframu, nebo potřeba zvýšit agilnost a zkrátit dobu nutnou pro zavedení nové obchodní funkce.

Ať už zákazníci mají jakýkoliv důvod, musí přechod pečlivě řídit tak, aby obvyklý provoz pokračoval bez přerušení a aby celá společnost byla připravena přijmout a používat nový systém na konci přechodného období.

Veteráni vs. nováčci

Mezi běžná úskalí těchto modernizačních projektů patří rozpor mezi přívrženci starší verze a modernizačními týmy. Příliš často se společnost dělí na „veterány“, kteří rozumí stávajícím podnikovým procesům a technologiím, a „nováčky“, kteří rozumí nejnovějším technologiím a metodologiím.

Výsledkem je určitý kulturní rozkol, kdy přívrženci starší verze nesdílí znalosti s modernizačním týmem, protože se cítí z celého procesu vynecháni, a modernizačnímu týmu zase chybí hluboké znalosti o existující doméně a technologiích, které jsou potřebné k jejich modernizaci. Jedním z řešení, jak takový rozkol zmírnit, je „smíchání“ těchto dvou skupin, například použití produktových manažerů „veteránů“ k řízení požadavků na modernizovaný systém.

Je také zásadní budovat respekt ze strany modernizačního týmu ke stávajícímu starému systému, který, i když může být zastaralý, byl ve své době pravděpodobně nejmodernější a přinesl společnosti dostatečný finanční úspěch k financování současné modernizace.
Příliš optimistické naplánování procesu modernizace nezohledňuje problémy jako:
  • dostupnost odborníků na danou problematiku pro zachycení požadavků;
  • vyvíjející se požadavky, které vyplynou až poté, co uživatelé uvidí první verzi;
  • čas potřebný k zachycení a implementaci nefunkčních požadavků pro pozdější operace, jako je paralelní provoz a vyřazení z mainframu;
  • porodní bolesti při vytváření funkčního vývojového prostředí.
Umíme rozpoznat zkratky

Přístup „velkého třesku“, který neposkytuje žádná krátkodobá řešení, jednoznačně vítězí. Víceletý časový plán pro produkt, který se nasadí najednou na konci vývoje, je odsouzen k selhání, protože tvůrci podnikatelských rozhodnutí ztratí trpělivost dlouho předtím, než bude produkt připraven.

U nás jsme se naučili rozpoznat „zkratky“, které umožňují, aby části nového systému byly nasazeny během několika měsíců, a mohly poskytovat hmatatelné obchodní výhody, které povzbuzují k dalším krokům.

Je lákavé dosáhnout jiných cílů, zatímco modernizujete celý systém, například vylepšit obchodní procesy, které nefungují úplně ideálně, nebo transformovat způsob práce organizace z vodopádového modelu s občasnými dodávkami na agilnější model.

Dle našich zkušeností je ale takový postup chybný, protože tím otevíráte příliš mnoho bojových front najednou. Kdo říká, že nový proces definovaný modernizačním týmem je ve všem lepší než ten stávající? Kdo říká, že uživatelé vašeho produktu by upřednostňovali časté releasy, které by umožnil agilní vývoj? Modernizace je sama o sobě dostatečnou výzvou, a proto by měla být financována a řešena samostatně.

How to become a CIO: A cheat sheet

The main responsibilities of the CIO are to work with the other C-level executives and technology departments to create the best technology game plan for the business. However, the rise of technologies including Artificial Intelligence (AI), Internet of Things (IoT), cloud computing, and big data analytics bring new challenges and responsibilities for CIOs. Moshe’s quote on CIOs’ changing responsibilities has been featured in TechRepublic

Click here to read the full article.

Perspectives from Ness’s CTO – Common Business and Technical Challenges

As Chief Technology Officer of Ness Digital Engineering, I have the opportunity to meet with many customers and potential customers who operate in a variety of business domains, e.g., retail, financial, education, healthcare. This affords me a unique perspective on the kinds of business and technical challenges these companies face, and the ways they are dealing with those challenges.

Each company may think their problems are unique, but it is truly remarkable how many of these problems are shared across companies and across verticals. To paraphrase Tolstoy, unsuccessful companies are highly similar, while every successful company is successful in its own way. In this article, I would like to describe some of the common challenges and themes that I have seen over the past few months across multiple companies and domains.

Explainable AI

Artificial Intelligence has arrived and is being touted as the solution to many enterprise challenges and bottlenecks. But, at the end of the day, it is people, not algorithms, that are responsible for any decisions that are made. If something goes wrong, just doing what the AI algorithm recommended is not a very convincing defense. So, if enterprises are going to base mission-critical decisions on AI algorithms, they need to understand why the algorithm recommended what it did and what the underlying logic was. Not only does this build trust in the system, but it also helps flag inaccurate or otherwise problematic recommendations.

The problem today is that many AI algorithms like deep learning base their recommendations on patterns they discern in large volumes of training data. In many cases, they are based on statistics rather than on any human-understandable logic, so the results may contain hidden bias or distortion. For example, suppose a company wants to analyze data to determine the salary level to propose to a new employee. The training data used to tune this algorithm, if based purely on historical wage data, may be biased to perpetuate unfair wages to women or minorities.

That’s why Ness ensures that any AI-based system we deploy is explainable, i.e., any recommendations it proposes can be explained and justified to a human being. This is based on recent technological advances that can help humans understand obscure statistical algorithms like Deep Learning, e.g., Local Interpretable Model-Agnostic Explanations (LIME).

There are many use casesexplainable AI can be applied for anything that impacts people’s lives and could be tainted by bias. This could range from determining admissions to a training program or university to deciding how much to insure someone for or whether to issue someone a credit card or a loan based on demographics

Respectful Platform Modernization

Some of Ness’s customers are engaged in a major platform modernization project, moving from a legacy mainframe system to a more modern cloud-based containerized architecture. The motivation may be a compelling event such as an end-of-life announcement for the mainframe, or may be motivated by a need to increase agility and reduce the time required to introduce a new business feature. Whatever the motivation, the transition must be carefully managed so that the business continues to run with no interruptions, and so that the entire company is ready to accept and use the new system at the end of the transition period.

Some of the common pitfalls we see in these modernization projects:

Cultural schisms between the legacy and the modernization teams. All too often, the company divides into the “old-timers,” who understand the existing business processes and technologies, and the “new kids” who understand the latest technologies and development methodologies. The result is a cultural schism, where the legacy team does not share knowledge with the modernization team because they feel left out of the process, and the modernization team lacks the deep knowledge of the existing domain and technologies that is needed to modernize them. One solution we’ve used to ameliorate this schism is to mix the teams, e.g., use legacy product managers to drive requirements for the modernized system. It’s also crucial to cultivate a sense of respect from the modernization team for the existing legacy system which, while it may be outdated, was probably state of the art in its time and brought the company enough financial success to fund the current modernization effort.

Over-optimistic scheduling of the modernization process, that fails to consider issues like:

– Availability of subject matter experts, who also have to keep the lights on, for requirements capture.

– Evolving requirements that get articulated only after users see a first version.

– Time required to capture and implement non-functional requirements for later-stage operations such as parallel-run and mainframe retirement.

– Teething pains in setting up a functioning development environment.

A big-bang approach that does not provide any short-term business wins. A multi-year timetable for a product that gets deployed in one go at the end of development is doomed to failure, because business decision makers will lose patience long before the product is ready. At Ness we have learned to identify “cut points” where portions of the new system can be deployed within a few months and can start providing tangible business benefits that create an appetite for more.

Intermixing of modernization and other goals. It’s tempting to accomplish other goals while you are modernizing the entire system anyway, e.g., improve business processes that appear broken, or transform the organization’s way of working from a waterfall model with infrequent deliveries to a more agile model. In Ness’s experience, this is a mistake because it opens up too many battlefronts at once. Who says a new process defined by the modernization team is any better than the existing process used by the legacy team? Who says your product’s users would prefer the frequent releases that agile development could enable? Modernization is enough of a challenge all by itself and should therefore be funded and tackled all by itself.

Read more about Application Modernization: https://www.ness.com/application-modernization-one-size-does-not-fit-all/

Inovativní myšlení je pohonem nových modelů dopravy

Automobilové značky, které už nyní investují do pokročilých technologií a dodají zákazníkům ty nejvýjimečnější zážitky, v tržní soutěži uspějí. Cestování samo se stane stejně hodnotným jako dosažení cíle cesty.

Jedním z velkých minusů vozidel z hlediska efektivity, zvláště ve městech, je, že ve vysoké míře zahálejí na parkovištích. Obecně si většina rušných měst nemůže dovolit plýtvat místem pro auta a aktivně tedy zkoumají, jak nejlépe využít alternativní řešení včetně mobility jako služby.

Zájem o MaaS (Mobility-as-a-Service) je známkou inovativního myšlení, které žene vpřed hledání odpovědi na otázku, jak jsou dopravní služby poskytovány a využívány.

S nástupem  nových technologií a změnou uživatelských preferencí co se týče vlastnictví aut došlo k posunu v myšlení o „automobilových obchodních modelech“. Posouváme se do doby, kdy lidé už nebudou vlastnit auta, ale požádají o jízdu autem bez řidiče dle své potřeby – to zároveň může vyřešit narůstající dopravní přetížení měst.

Rapidní pokrok v technologiích, jakými jsou umělá inteligence, učení strojů a hluboké neuronové sítě, dovolí uživatelům stanovit polohu nejbližšího dostupného samořiditelného auta, které je vyzvedne a dopraví na dané místo. Toto je sice stále futuristický scénář, ale rozhodně už se rozvíjí a je mu věnována pozornost.

Zároveň se v automobilovém průmyslu dostává do popředí role softwaru. Pokrok v pokročilých systémech asistovaného řízení / aktivní bezpečnost, mobilní konektivita, informace a zábava, navigační a komunikační rozhraní umožňují takový zážitek z automobilu, který lze přirovnat k pocitu, jako byste byli v mobilním pokoji s veškerým potřebným vybavením.

Pro tradiční výrobce aut bude toto novým softwarem vytvořené mobilní prostředí znamenat rozsáhlé narušení současného, na výrobu zaměřeného obchodního modelu.

Společnosti podnikající v automobilového průmyslu a obchodu musí začít vymýšlet, jak by se nejlépe podílely na ekosystémech mobility příští generace, které se objevují jako výsledek technologických a uživatelských trendů.

Budoucnost automobilismu bude o vytvoření hodnoty značky poskytováním skvělých zákaznických zážitků v každém styčném bodě. Automobilové značky, které už nyní investují do pokročilých technologií a dodají zákazníkům ty nejvýjimečnější zážitky, v tržní soutěži uspějí. Cestování samo se stane stejně hodnotným jako dosažení cíle cesty.

Comprehensive Lineage Metadata for Improved Data Governance

As data grows, enterprises aspire to derive real-time, anywhere/anytime insights from the data that can provide a competitive advantage.

Nevertheless, the most common impediment to achieving this goal is poor data quality. So, what’s the key to ensuring high quality insights? “The best way to achieve data quality is by combining or blending these three techniques: decoded lineage, data similarity lineage and manual lineage mapping,” says Moshe Kranc CTO, Ness Digital Engineering.

Read More

The Business Potential of Conversational Interfaces

As technology advances, our interactions with technology are expanding. Given improvements in processing power and artificial intelligence, we are increasingly able to use our voices, rather than our fingers, to interact with devices and technologies.

Angshuman Patra, our Chief Delivery Officer for Americas & Global Head of Ness’s Cloud & Platform Engineering Practice shares some interesting observations below about how conversational interfaces (chatbots, voice assistant, etc.) are changing the way people interact with devices and the benefits that these interfaces can bring to user experiences.

Why are companies interested in using conversational interfaces?

Conversation is a natural form of human interaction; we are comfortable interacting this way. From improving business communications to enhancing customer service, driving online sales revenue, and creating better employee experiences, the use cases for conversational interfaces are many. Conversational interfaces can improve the speed, quality, usefulness, and efficiency of customer and employee engagement with relatively incremental cost to the business.

How can companies ensure that the information conversational interfaces provide to users is relevant?

Let’s take a simple example: Let’s say you want to go on vacation, and you want to know how many vacation days you have available. Today, you probably log into an Employee Portal and click through to a Time Off summary page to find out how many days you have available. This process probably takes you less than 2 minutes.

Think of an alternative: same scenario, but this time you use a conversational interface, such as Amazon’s Alexa:

You: “Alexa, how many vacation days do I have left?”

Alexa: “Please confirm your identity. What is your employee number and passcode?”

You: “ABC123” ; “123456”

Alexa: “Thank you, Dianne. You have 10 days of vacation left this year”

In this alternative case, it’s the same scenario, and the same information is provided in the response, but it’s a different user experience. This one takes you 30 seconds and with less process friction. Which would you prefer?

Getting the right information to you at the right time is important, and doing so requires a layered approach. For simpler interactions, like FAQ responses, the process is generally straightforward: responses are generated though a knowledge base search. In this case the quality and response time of the search within large diverse knowledge base needs to be efficient and effective. Advances in Deep learning technologies are helping make this process better. Another layer to consider is the integration with source systems that contain the information. In our vacation case earlier, we had to get the results from the HR system and send it back you. Here APIs are helping solve the problem. Security and compliance are also important layers with conversational interfaces. How can companies make sure that security is not compromised and that they are compliant with existing regulations like PCI and GDPR? System “learning” is also a big part of ensuring relevant information is provided to users. Neural-network-based solutions are learning solutions, and their accuracy improves as more interactions occur with the system.

There are certainly times when a conversational interface is not best-suited to provide the most relevant information, and it’s important to plan for that also. For example, Ness developed a solution for a client that facilitates a seamless transfer to a “live agent” when the bot or the voice assistant is unable to respond, or when compliance requirements do not allow for a response.

What considerations are important when designing an effective conversational interface?

There are many aspects of conversational interface design. Some of the dimensions also depend on the objectives the company wants to achieve. Here are some core design elements:

  1. Is easy to use: the interface must be natural and conversational
  2. Facilitates error handling: if a conversational interface cannot address a query, the solution should offer an alternative method of addressing the user’s needs
  3. Addresses security and privacy: these considerations are particularly important when dealing with personal or financial information
  4. Has personality: it is important to give the interface a personality that aligns with your brand to reinforce your company’s value proposition and help improve brand recall

With AI-powered conversational interfaces, organizations are inching towards the holy grail on engagement, where each interaction is personalized to that user based on his or her past behaviors, current emotions, and social influences, among many other parameters. It is still early days in the design of conversational interfaces. The best is yet to come.

The Razor’s Edge between Legacy Modernization & Digital Transformation

Companies fall short of their newer and more agile counterparts due to a major roadblock — legacy systems. CIOs are well-aware of the existential threat of a slow transformation, but modernizing legacy systems is not a simple task. In an article for TechHQ, David Tanacea, Chief Domains Officer, Ness Digital Engineering & Barry Tait, Director of Modernization and Cloud Strategies, Modern Systems share insights about identifying the ideal path for a legacy transformation project.

Click here to read the full article

Riding The Razor’s Edge between Legacy Modernization & Digital Transformation

Companies fall short of their newer and more agile counterparts due to a major roadblock — legacy systems. Unfortunately, simply adding a digital frontend on top of a mainframe legacy system is not a simple task. The required timeframe to develop and release new features on top of an existing monolithic legacy architecture is also lengthy, and businesses can suffer by way of slow forward progress. Most CIOs are well-aware of the existential threat of a slow transformation.

In an article for TechHQ, David Tanacea, Chief Domains Officer, Ness Digital Engineering & Barry Tait, Director of Modernization and Cloud Strategies, Modern Systems share insights about identifying the ideal path for a legacy transformation project. The article highlights how organizations can reduce their risk associated with aging technology and focus on growing their businesses via access to newer, elastic IT methods.

Read More

test