Join our exclusive webinar - "Unlocking Urban Mobility: The Mobility as a Service (MaaS) Revolution" on September 20, 2023! Register now.

Nessian on the Job: Swapnil Kshirsagar, Software Engineer – Trainee

Through our on the Job series, we introduce some of the men and women who play a pivotal role in the success story charted by Ness. In this edition, Swapnil Kshirsagar describes his role as a Software Engineer -Trainee at Ness, the learning experiences working at the company, and more.

Career Path: I began my professional journey with a digital marketing company as an Intern. In that role, I was able to learn new age marketing terms like YouTube marketing, Facebook Ad Campaigns, Copywriting, etc.

Post my B.E. in Computers, I joined Ness to start my first real corporate stint. At Ness, I am part of a team that works for a leading organisation in the Marketing domain. There is always some excitement about working with new people, because you get to face a myriad of business challenges and simultaneously work together to find the best solutions. Being part of Ness is a phenomenal feeling as we build concrete relationships with other team members. There are always opportunities for learning which provides me a great foundation to strengthen my technical expertise.

Roles and Responsibilities:
Currently, I am working as a trainee and gaining experience as a Full Stack Developer. My key responsibilities include building and maintaining the SQL replication, learning new skills and handling existing applications. I am also involved in developing software to meet specific needs of a particular client/business. I review requirements and functional specifications and test environment configurations and management.

What are your best learning experiences at Ness:
Ness’s work culture is enriching and motivating, as it provides a perfect environment to learn, grow, and prosper. It’s a dynamic workplace, where my colleagues bring something new to the table, thereby providing a great opportunity to refresh one’s own technical expertise to deal with any business challenges.

I love my job because I get to work with cutting-edge technologies and expand my skills in the digital era. Ness has a huge focus on continuous learning and employee development that provides a learning curve that is beyond the regular line of work. Learning is offered through various training sessions, webinars, employee-related forums, technology campaigns etc. – ensuring that employees have a numerous opportunity to learn and implement new technologies. As a fresher, you’re mentored at every phase of your career in becoming a true professional.

Your favorite part of working at Ness?
The friendly atmosphere of the team and its diversity cultures make every working day a pleasure. The festive events, special occasions and employee engagement activities help employees break through their normal work routine, stay refreshed, and come back to work with a lot of enthusiasm. All core values such as team bonding, respect, kindness etc. which aren’t normally seen or heard of, are practiced regularly at Ness.

What do you spend time on when not working?
I like to listen to music as it gets me going and refreshes my mood. I also love to read books and enjoy watching humorous movies, which makes me relax and laugh no matter what state I’m in.

Fun facts

I love dancing but I am way out of rhythm.

I am a continuous learner and curious person.

I love interacting and socializing with all kinds of people.

 

Jak využít trendy v oblasti velkých dat?

Přinášíme náš pohled na další vývoj v oblasti velkých dat a analytiky a na faktory, které je třeba zvážit, když si vybíráte nejlepší řešení této problematiky pro naplnění svých podnikatelských potřeb.

Další vývoj datové analytiky

Robotická automatizace procesů (Robotic Process Automation, RPA) teprve začíná nabírat dynamiku. Napodobuje chování pracovníků a umožňuje konzistenci manuální, opakující se práce. V kombinaci s umělou inteligencí (AI) se vytvoří RPA 2.0. Příkladem je situace, kdy zákazník po vás chce něco, co vyžaduje pět různých kroků, několik lidí i rozsáhlou komunikaci mezi odděleními. Chatbot může spustit řešení RPA, které výrazně sníží manuální úkoly i režijní náklady. RPA v kombinaci s AI způsobí výraznou redukci administrativy.

Budoucí trendy velkých dat

  • Internet věcí a edge computing budou mít v nadcházejících letech na projekty v oblasti velkých dat obrovský dopad. Vzhledem k tomu, že inteligentní zařízení využívaná v domácnosti získávají na popularitě, společnosti přitahuje možnost investice do vývoje této technologie.
  • Umělá inteligence/strojové učení bude vylepšovat Business Intelligence extrahováním nových analytických možností a prováděním takových úkolů, jakými jsou segmentace dat, kategorizace, hloubková analýza, předpovídání budoucnosti a poskytování lepšího porozumění obchodním informacím.
  • Metody DevOps budou použity v životním cyklu datové analytiky pro zvýšení flexibility a rozšíření škály datových operací společností.
  • Hybridní cloudové modely získají na popularitě, protože spojují výhody veřejného a soukromého cloudu. Společnosti se přemístily do veřejného cloudu, aby snížily náklady a dosáhly větší škálovatelnosti. S tím, jak přidávaly různé datové soubory, však rostla složitost, takže se ukázalo, že využití veřejného cloudu je pro mnohé příliš drahé. Hybridní cloud může být lepší volbou, protože bude jednak cenově dostupný, jednak škálovatelný.

Jak zvolit nejlepší řešení pro vaše potřeby?

Společnosti chtějí držet krok s novými technologiemi, ale neustále se proměňující trh není snadné sledovat. Některé technologie založené na velkých datech jsou už vyspělé, zatímco jiné se právě rodí. To, kterou si vaše společnost zvolí, závisí na vaší ochotě podstupovat riziko.

Například v bankovnictví je zásadní spolehlivost systémů, takže výkon systému je důležitější než jiné vlastnosti. Prověřené technologie mohou být v tomto případě lepší. V souvislosti s různými technologiemi velkých dat je důležité pochopit všestrannost každého druhu produktu a funkce, které nabízí, a poté vybrat řešení, které nejlépe vyhovuje vašim požadavkům.

Před výběrem vhodného řešení velkých dat je užitečné uvědomit si jejich objem, rozmanitost a rychlost, a také si ujasnit, jak se vaše společnost staví k riziku:

  • Objem – Množství dostupných dat neustále roste. Americká společnost generuje v jakémkoliv okamžiku v průměru několik stovek terabajtů dat. Je nutné si uvědomit, jaký je objem dat a to, jaký nárůst očekáváte v nadcházejících letech.
  • Rozmanitost – Jde o typy a formy dat; mohou to být lékařské záznamy, data ze senzorů, údaje ze sociálních médií nebo videa na YouTube atd. Původní databáze si s touto rozmanitostí nedokážou poradit, takže je nezbytné využívat novější technologie.
  • Rychlost – Většina společností má přístup k historickým datům, ale musí také zohlednit nově generovaná data. Rychlost se netýká pouze rychlosti, jakou se generují a analyzují obrovská množství dat, ale také rychlosti jejich přenosu. Přístup k datům musí zůstat okamžitý, aby bylo možné provést analýzu v reálném čase.

Porozumění těmto třem kategoriím může vaší společnosti pomoci určit, jak nejlépe těžit z nových řešení velkých dat. Užitečné je zkombinovat hluboké znalosti dat, datovou vědu a algoritmy do produkčně připravené platformy, která je škálovatelná a dobře spravovatelná.

Mnoho společností volí spolupráci s partnerem, jakým je například naše společnost, který má reálné zkušenosti s vývojem architektur velkých dat a transformací možností datové analytiky na užitečná obchodní řešení. Práce s velkými daty je zkrátka „běh na dlouhou trať“.

Reflecting on Ness’s 20 years

The close of 2019 marks the anniversary of Ness’s 20th year in business, and I’ve been involved in the last 10 of them. As we start a new decade, it’s time to reflect on what made us who we are and why clients trust us to help drive growth in their businesses.

The company formed in 1999 in Israel to crack the nascent market for digital products. During those first 10 years, we honed our product engineering expertise, co-creating software with many independent software vendors (ISVs) that were – and still are – at the forefront of selling innovative software solutions in their markets. We became adept at helping clients define and execute revenue-enhancing software product roadmaps, co-develop intellectual property, and devise engineering automation practices to accelerate time to market. We practiced distributed Agile development with a DevOps philosophy – long before that mindset even had a name. We established teams of talented engineers in innovation hubs across the United States, Slovakia, Czech Republic, Romania, Israel, and India, so we could offer clients the best combination of design, technology, and process expertise to advance the solutions for their end customers. These product engineering disciplines remain core to our skillset and ingrained in our DNA. Now headquartered in the U.S., Ness has continued to expand its global footprint with clients growing along with us year after year.

In our second decade, we saw that our software engineering skills were crucial for enabling new business models within the much wider universe of enterprises. Marc Andreessen wrote in a now well-known article for The Wall Street Journal in 2011 that “companies in every industry need to assume that a software revolution is coming.”  By then, Ness was already helping enterprises that agreed, and was one of the first in our industry to acquire a digital design agency (Imano) in 2012. We understood that exceptional experience design was imperative for developing exceptional software, particularly as enterprises wanted better options for engaging their customers and empowering their employees. At the same time, we debuted our Data & Analytics practice, helping Ness clients benefit from the insights we uncovered in their data and our recommendations on how to monetize them. We adopted the Ness Connected delivery framework across the business to harmonize design, data, and platform engineering into a cohesive, iterative process as we help enterprises envision, build, and evolve digital solutions that productively disrupt their markets. Ness-built software is frequently the enabler of that disruption.

Twenty years in, we are expert practitioners in Service Design, Cloud, and Big Data strategy and application. We’re also advancing new business models with innovative uses of the Internet of Things, Artificial Intelligence, ServiceNow and Salesforce eco-systems to exploit emerging synergies with Ness’s customer-centric approach to digital solutions. Real-life examples include where Ness is helping global manufacturers add revenue streams by commercializing the value of their machine data with services that complement the products they sell. We’re enabling media and entertainment companies to transform the viewer experience with new personalization and digital media distribution models. We’re helping transport and logistics companies move people and goods faster using real-time 2D and 3D navigation, asset tracking, and insights from telematics data. And, we’re enabling healthcare organizations to improve diagnostics with Artificial Intelligence solutions that improve patient outcomes.

We are co-innovating digital propositions that are redefining a client’s whole company, and we are able to challenge their thinking because we have the experience of addressing common business themes across many domains. We also partner with innovative companies that already have their big idea and need help getting it to market fast, while scaling to satisfy demand.

Undoubtedly, the next 10 years will be much different than the last. We are now designing and building for constant change in the way we architect technology solutions. We will continue to invest to advance our expertise, but our ability to marshal and nurture the exceptional talent and creativity of our team members – towards co-innovating disruptive business models that generate valuable client outcomes – has remained a constant strength throughout the 20 years.  These ongoing efforts inspire me to come to work every day.

We expect 2020 to be a year to remember with a number of exciting developments for our customers and for Ness. Our team will start to share some of these new ideas, perspectives, and predictions in January, kicking off our new decade with the latest evidence of how our forward-thinking imagination continues to drive significant change and progress.

Ness Digital Engineering Timisoara rented 4100 square meters in the tallest office building in Romania.

Ness Digital Engineering is growing fast in Timisoara. The company rented 4100 square meters in UBC 0, the tallest office building in Romania. The UBC 0 will be a part of the United Business center build in Iulius Town Timisoara. The new building will be ready for opening at the end of 2020.

Click here to read the full article.

Automated Knowledge in 2020: What to Expect from AI & Machine Learning

The year 2019 will be remembered in the software world as the year when containerization, cloud native architectures, and Machine Learning broke out into the mainstream. As we approach the end of the decade, it’s time to look forward to the year 2020 and make some predictions about where these disruptive technologies will take us in the next 12 months.

In an article for Dataconomy, Moshe highlights what to expect from Artificial Intelligence & Machine Learning in terms of growth, innovation, and adoption.

Click here to view the full article.

The Next Evolution in Big Data & Analytics

Data is everywhere, and there’s a lot of it. How can we best leverage it? In an article for Toolbox, Mircea Velicescu, VP of Delivery and global practice head of Big Data & Analytics at Ness Digital Engineering, shares his perspective on the next evolutions in Big Data & Analytics and the factors to consider when companies are choosing the best Big Data solutions to meet their needs.

In this article, Mircea discusses some of the future big data trends in the market and how companies can incorporate big data trends in a useful manner to avoid falling behind the dynamic marketplace. He also highlights the three Vs of data that helps companies determine the best ways to capture value from newer Big Data solutions.

Read More

Co očekávat od AI a strojového učení v roce 2020?

Rok 2019 bude v softwarovém světě vzpomínán jako rok, kdy se kontejnerizace, cloudové nativní architektury a strojové učení rozšířily do hlavního proudu. S novým rokem 2020 nastává čas zamyslet se, kam nás tyto převratné technologie mohou dostat v příštích 12 měsících.

Posun od přijetí k automatizaci

Marc Andreessen jednou pronesl, že „software požírá svět“ a dnes se skutečně zdá, jako by se každá organizace stávala softwarovou společností. Rok 2020 samozřejmě přinese nové trendy co se týče technologií a neschopnost přizpůsobit se bude znamenat pro podniky větší technologický dluh. Tento dluh bude muset být nakonec splacen složeným úrokem.

Proto můžeme letos spíše než růst v přijímání technologií očekávat posun v technologických výdajích. Rozpočty podniků se budou i nadále přesouvat z IT do obchodní oblasti a mnohem více finančních prostředků půjde do iniciativ, které zvýší příjmy, protože obchodní hodnota nahrazuje rychlost jako nejvýznamnější metriku DevOps.

Vývoj softwaru a výdaje na informační technologie se zaměří na zavádění umělé inteligence. Jedním z hlavních témat roku 2020 bude automatizace stávajících technologií. Produkty založené na AI, jako Tamr, Paxata a Informatica CLAIRE, které automaticky detekují a opravují odlehlé hodnoty, duplicitní záznamy a další nedostatky, budou i nadále přijímány jako jediný způsob, jak se vypořádat s čištěním velkých dat a udržováním kvality.

Rychlejší výpočetní výkon

Výzkum umělé inteligence je teprve na začátku pochopení síly umělých neuronových sítí a jejich konfigurace. To znamená, že i v příštím roce bude pokrok v algoritmech pokračovat s téměř každodenními inovacemi a novými technikami řešení problémů.

AI dokáže řešit celou řadu složitých problémů, které vyžadují vhled a následné rozhodnutí. Bez schopnosti porozumět strojovému doporučení bude pro člověka těžké takovým doporučením uvěřit. Můžeme tedy očekávat pokrok ve zlepšování transparentnosti a pochopitelnosti algoritmů AI.

Posunou se hranice výpočetního výkonu AI. Zavedené korporace jako Intel a Nvidia i startupy jako Hailo pracují na poskytování levného a rychlého zpracování neuronové sítě pomocí vlastních hardwarových čipů. Vzhledem k tomu, že požadavky odvětví na množství a rychlost výpočetního výkonu ke spuštění algoritmů strojového učení v reálném čase rostou, bude stále více společností vyvíjet pro zdroje dat vhodnější hardware.

Strojové učení se v malých a středních podnicích stane mainstreamovou záležitostí

Strojové učení zaznamenalo v roce 2019 ohromný růst a můžeme očekávat, že bude v roce 2020 přetrvávat. Strojové učení se stane široce dostupným pro středně velké společnosti, protože začíná zlatý věk zpracování přirozeného jazyka (NLP, Natural Language Processing).

Stroje jsou nyní v některých úlohách NLP lepší než lidé, např. v odpovídání na otázky založeném na informacích odvozených z příběhu. BERT, jeden z nejvyhledávanějších algoritmů NLP v roce 2019, bude do konce roku 2020 zapomenut, nahrazen algoritmem ERNIE nebo jiným algoritmem.

Strojové učení bude i nadále zaváděno jako součást téměř každé kategorie softwarových produktů, od ERP po CRM až po HR, což z něj činí základní součást každodenního řízení podniku. Navíc Python posílí svoji pozici jazyka zvoleného pro strojové učení, sníží technickou bariéru pro vstup a umožní více lidem vyzkoušet si nejnovější open source algoritmy AI.

I přes dostupnost strojového učení širší uživatelské základně budou stále hrát hlavní roli data. Kdo dokáže využít více informací, vytěží nejvíce ze svých analytických modelů. Protože čínská vláda shromažďuje obrovské množství dat, bude i nadále Čína první na světě v přesnosti učení s učitelem (supervised learning).

Můžeme tedy očekávat, že západní svět bude průkopníkem pokroku v algoritmech vyžadujících méně tréninkových dat, např. aktivního učení, kde algoritmus požaduje další nejlepší tréninková data pro maximalizaci jeho rychlosti učení. Účinnost v oblasti trénování dat se také zlepší díky nástrojům automatizovaného strojového učení, jako jsou SageMaker a Pachyderm od Amazonu, které automatizují proces vytváření a nasazování nových modelů strojového učení.

Řešení zaměřená na spotřebitele v AI a strojovém učení

Poroste i počet zařízení orientovaných na spotřebitele, která využívají AI a strojové učení. Digitální asistenti a chatboty se staly základem našeho každodenního života a zcela proměnily zákaznický servis a domácí připojení k internetu. Produkty, které integrují Alexu od Amazonu nebo Asistenta od Googlu, se rozšíří a inteligentní reproduktory budou i nadále těžit z rozmachu prodeje, protože spotřebitelé zůstanou loajální svým digitálním pomocníkům.

Odvětví maloobchodu se začne proměňovat zaváděním nakupování bez pokladen (tzv. frictionless shopping). Integrovaná umělá inteligence bude schopna trénovat počítače, aby identifikovaly umístění produktu a položek, které si spotřebitel vložil do nákupního košíku.

Použití rozšířené reality možná uvidíme také v prostorech, které provedou zákazníky obchodem. Protože technologie AI a počítačového vidění dokážou bez problémů identifikovat a vyúčtovat nákup zákazníka, zatímco nakupuje, vznikne tak ničím nerušená zkušenost z nakupování bez zdržení, jaké představují pokladny. Technologie pro nakupování bez pokladen nebude v roce 2020 ještě připravena k hromadnému zavedení, ale očekává se, že dojde k pokroku na zkušebních místech.

A konečně, i když každý rok doufáme, že nám nový rok přinese dokonalé auto bez řidiče, ani v roce 2020 nebude plně automatizovaná jízda realitou. Algoritmy strojového učení pro automatizované systémy vozidel mají stále příliš mnoho základních nedostatků, než abychom jim mohli plně důvěřovat.

Například značka STOP může být rozšířena o pixely neviditelné pouhým okem, které ale způsobují, že je algoritmy strojového učení čtou jako „rychlostní limit 40 km/h“. Tyto typy poruch brání plnohodnotnému vývoji automobilů bez řidiče. Plošné přijetí se může uskutečnit až poté, co budou slabiny algoritmů vyřešeny a systémům bude možné důvěřovat, že zaručí bezpečnost řidičů i chodců. Mezitím bude pokračovat zavádění řízení s pomocí AI, kde AI pouze poskytne pomoc a varování řidiči plně odpovědnému za řízení.

Překonávání bariér AI a strojového učení

Ačkoli lze v nadcházejícím roce očekávat pozoruhodný pokrok v oblasti umělé inteligence a strojového učení, vyskytnou se v jejich šíření určité překážky.

Výrazný nedostatek kvalifikovaných inženýrů strojového učení znemožní méně významným společnostem udržet krok s těmi nejlepšími. Prosperovat budou ti, kdo již vlastní obrovské množství použitelných dat a mají zaměstnance, kteří jsou schopni je využívat.

Bariérou pro přijetí strojového učení a AI zůstane i příští rok důvěra. Kromě nedostatků u autonomních vozidel, která ohrožují bezpečnost, zůstávají bez řešení i etické obavy ze zaujatosti algoritmů. Můžeme se spolehnout na poznatky odvozené prostřednictvím tréninkových dat, které mohou vyjadřovat historickou zaujatost vůči ženám, starším lidem nebo menšinám? Než budou lidé moci plně přijmout autonomní rozhodování nástrojů, je třeba tyto problémy vyřešit.

A nakonec trochu perspektivy: všechny zde popsané posuny jsou součástí „úzké“ AI, kde stroj plní specifický úkol lépe než člověk na základě algoritmů a statistik. Svatým grálem AI je „obecná“ inteligence, kdy stroj má jako základ znalosti reálného světa a logické schopnosti, které mu umožňují tyto znalosti a dovednosti aplikovat na nové úkoly. Zatímco úzká AI se vyvíjí mílovými kroky, obecná AI je stále vizí budoucnosti.

Příští rok bude pro technologie jakousi výzvou „nového věku“. Přínosy strojového učení a AI jsou jasné a jejich dostupnost se zvyšuje. Než však bude možné plně realizovat jejich dopad na podniky a spotřebitele, musí být vyřešeny zásadní problémy. Sledujme, kolik z těchto předpovědí se nakonec uskuteční.

AWS Project Type: Education Company

Case Study

AWS Project Type: Education Company

Executive Summary

Architecture, Application Development and Migration to the AWS Cloud.

About the client

Ness has a long standing engagement with one of the world’s largest education companies, providing solutions which enable online teaching, learning, collaboration and rigorous assessment.

Around ten years ago, Ness worked with them on an automation initiative which succeeded in transforming an overly-manual assessment process; the new workflow automated the emailing/physical distribution of large video, image and document files for review and feedback. The process had been slow, costly and time-consuming. Ness then helped move the whole process to the Amazon cloud and then systematically redesigned and reimaged the workflows at the center of the product architecture.

The Challenge

The original application was hosted on-premise so the client had to manage and maintain a huge number of servers to take care of the peak load during the academic year at examination time. Given that the assessments are seasonal, this was not cost-effective; and adding servers to increase capacity was a long drawn out process (at the time), and could not be achieved with short notice.

With the change in the technology landscape over the last decade, the client wanted to move to the latest Cloud tech stack, and take advantage of the Cloud’s capabilities to help with seasonal scaling, reducing the related costs – and looking at emerging Cloud features as the product matured.

The Solution

As the client had an existing relationship with Amazon, the AWS Cloud was the clear and obvious choice for migration. The entire application was rewritten from the ground up to take advantage of various AWS Cloud services that improved performance significantly. This not only helped in bringing down the development time and maintenance costs, but also helped significantly with the scalability requirements.

AWS Services Used

AWS Lambda, Step Function, Auto Scaling and AWS Aurora were all used in the solution.

Results and Benefits

After deploying the solution on AWS, the Ness client was able to significantly bring down its infrastructure cost and gained the control to easily auto scale up and down based on their load requirements.

AWS Step Functions helped Ness move from business requirements to technology needs. The solution is lightweight and flexible and did not need complex coding.

The AWS Lambdas gave us precision control over cost, when bringing parallel processing online and offering the scalability we needed. This has paved the way for lower maintenance costs and faster roll out of new features.

AWS Project Type: Next-Gen Cloud (Rearchitect)

Case Study

AWS Project Type: Next-Gen Cloud (Rearchitect)

Executive Summary

Architecture, IoT, Kubernetes, and Application Development on the AWS Cloud

About the Client

This UK-based business enjoys breaking new ground in integrated home energy solutions. Over the past decade they developed more than 25 products and sold over 4 million energy monitoring systems across the UK and Europe. In moving towards a smart energy future, they made the tracking of its usage more visible and use that to drive the engagement and behavioural change needed to shape a greener more fuel efficient society.

The Challenge

As they integrated with more European utilities and retail partners, they needed to make an architectural shift with a partner who could help them move from a legacy monolith into microservices, and fully embrace the AWS Cloud Services offering. They attracted over 100K new users per month and needed to offer seamless coverage. They also required assistance migrating their on-premise solution to AWS and rerouting several million existing users onto these new services.

The Solution

As part of the solution, microservices blueprints were designed for fast adoption and development; over 30 microservices were created to replace the monolith. CloudFormation was used for GitOps and Jenkins for Continuous Integration (CI) and Continuous Delivery (CD).

Additionally, AWS Elastic Beanstalk and Lambda were implemented for microservices orchestration and Dynamo and Kinesis were used to handle the massive loads for IoT.

Future executions mean we are currently working on energy specific POCs using EKS and Docker containers.

AWS Services

CloudFormation, Beanstalk, RDS, API Gateway, Lambda, Kinesis, Dynamo DB, EC2, S3, SES, SNS, and SQS are used. For security we are making use of IAM and VPC. Security is increasingy a differentiator in Smart Home offerings.

Results and Benefits

The solution helped the client reduce the cost of maintenance and monitoring, and improve the efficiency of continuous deployment. We also proved that high scalability was no longer an issues and fault tolerance was made more rigorous; Elastic Beanstalk was used in both these scenarios.

test