Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Rozhovorová série

Dr. Rich Sonnenblick, Chief Data Scientist společnosti Planview, má roky zkušeností s prací s některými z největších farmaceutických a biotechnologických společností na světě. Díky této hluboké studii a aplikaci úspěšně vytvořil procesy pro prioritizaci a přehled portfolia, systémy hodnocení a metody finanční valuace a prognóz, které zlepšují jak прогнозování produktů, tak analýzu portfolia. Dr. Sonnenblick má doktorát a magisterský titul z Carnegie Mellon University v oboru Inženýrství a veřejné politiky a bakalářský titul v oboru Fyzika z University of California, Santa Cruz.

Platforma Planview pro propojenou práci je navržena tak, aby zlepšila dobu dodání a předpověditelnost, zvýšila efektivitu a maximalizovala kapacitu a podpořila dodání strategických iniciativ zaměřených na dosažení optimálních obchodních výsledků.

Máte rozsáhlou kariéru, během které jste přecházel z managementu poradenské činnosti na vedení iniciativ v oblasti datové vědy. Co vás inspirovalo k tomuto přechodu a jak vaše cesta ovlivnila váš přístup k využívání umělé inteligence v obchodě?

Management poradenské činnosti mi poskytl široký přehled o obchodních neefektivitách a nevyužitých příležitostech, kde existuje zřetelná mezera mezi strategickými radami a realizovatelnými informacemi. Datová věda tuto mezeru překlenula, proměňujíc surová data v strategická aktiva, která mají sílu informovat rozhodování v reálném čase. Moje cesta mě naučila pohlížet na umělou inteligenci jako na nástroj, který může rafinovat procesy, urychlit rozhodování a odemknout kreativitu způsoby, které zesilují lidské odborné znalosti.

V Planview jste vedl integraci pokročilých řešení umělé inteligence napříč různými obchodními funkcemi. Můžete sdílet, jak vaše role Chief Data Scientist ovlivnila strategii umělé inteligence společnosti a jaké byly největší výzvy, se kterými jste se setkal na této cestě?

V Planview je umělá inteligence zabudována do naší platformy jako nástroj pro odemknutí informací a zlepšení rozhodování. Soustředil jsem se na využití umělé inteligence pro optimalizaci řízení zdrojů, projektového plánování a provozní efektivity. Náš asistent Copilot AI poskytuje školení na pracovišti pro uživatele na všech úrovních dovedností, automatizuje časově náročné úkoly, jako je generování zpráv, a využívá osvědčených postupů k navržení produktivních akcí, čímž umožňuje týmům rychle učinit informovaná rozhodnutí.

Jak může umělá inteligence pomoci společnostem identifikovat neefektivitu uvnitř týmů a zlepšit alokaci zdrojů?

Umělá inteligence vyniká v identifikaci vzorců v datech, které jsou příliš složité na to, aby je lidé rychle rozpoznali. Může zdůraznit nevyužité zdroje, identifikovat úzká místa a předpovídat nerovnováhu zátěže. Například analýzou cílů portfolia, projektových časových os a metrik výkonu týmu může umělá inteligence navrhnout přerozdělení úkolů nebo realokaci zdrojů napříč portfoliem, aby vytvořila maximum dopadu bez přidání dalších zdrojů.

Jaké jsou některé běžné neefektivity v řízení zdrojů, které je umělá inteligence zvláště účinná při řešení?

Umělá inteligence je zvláště vhodná pro zdůraznění aktivit, které nejsou v souladu se strategií, a aktivit s nízkým výkonem, a tyto kritické dovednosti jsme zahrnuli do Copilotu Planview. Jak se Copilot vyvíjí, je schopen zdůrazňovat a navrhovat opatření k jejich zmírnění. Může také identifikovat plýtvání v procesech, jako je redundance úkolů nebo nadměrné předávání, a navrhnout optimalizace.

Proč je plýtvání významnou výzvou pro týmy softwarového vývoje a jak může umělá inteligence snížit plýtvání?

Plýtvání ve softwarovém vývoji často pramení z neefektivit, jako je špatné prioritizace, nadměrné ladění nebo nesoulad úsilí týmu. Umělá inteligence může snížit plýtvání, působí jako asistent programování, automatizuje opakující se úkoly a poskytuje předpovědní informace o projektových časových osách a potenciálních rizicích. Například může analyzovat minulé projekty, aby identifikovala vzorce, které vedou k zpožděním, a pomohla tak týmům vyhnout se těmto pastem.

Jsou nějaké konkrétní modely nebo nástroje umělé inteligence, které jsou zvláště vhodné pro optimalizaci životního cyklu softwarového vývoje?

Pro optimalizaci životního cyklu softwarového vývoje hledáme zvýšenou efektivitu a soulad. Planview Copilot ve Vizu identifikuje úzká místa a překážky toku a poskytuje akční informace přizpůsobené datům organizace. Týmy mohou použít běžný jazyk k interpretaci tokových metrik, identifikaci systémových zpomalení dodávky a obdržení podrobných doporučení. Tato optimalizace je klíčem k růstu produktivity a konečným zefektivněním dodávky.

Jak vztahy mezi daty vytvářejí další hodnotu při nasazení umělé inteligence jako asistenta práce?

Mapováním vztahů mezi body dat — ať už v projektových časových osách, využívání zdrojů nebo komunikaci týmu — může umělá inteligence odhalit informace, které jdou za zjevné. Například propojení trendů nálady ve statusových aktualizacích s projektovými výsledky může pomoci manažerům předvídat překážky, než je tým ohlásí vedení, a poskytnout jim dostatek času na provedení proaktivních úprav.

Jaké kroky by měly menší organizace učinit, aby přijaly umělou inteligenci dostupně bez kompromisů v dopadu?

Menší organizace by měly začít s dostupnými generativními nástroji umělé inteligence, které slouží jako brány k sofistikovanějším řešením. Nástroje, které shrnují dokumenty, pomáhají s marketingovým obsahem nebo asistují při generování kódu, jsou nákladově efektivními způsoby, jak tyto organizace mohou zahájit přijetí umělé inteligence bez rozsáhlých investic. Začínání s horizontální nabídkou umělé inteligence, která je aplikovatelná na širokou škálu případů použití, bude lepší hodnotou než investice do specializovaných aplikací, které ohýbají generativní umělou inteligenci pro velmi specifické úkoly. To umožňuje organizaci identifikovat případné použití s největším dopadem specifické pro jejich organizaci, místo aby investovaly do více nabídek.

Jakou roli hraje prediktivní analýza při zlepšování projektových výsledků?

Prediktivní analýza pomáhá týmům předvídat potenciální překážky a výsledky na základě historických dat a současných trendů. Agenti umělé inteligence mohou předpovídat pravděpodobnost zpoždění projektů nebo nedostatku zdrojů, umožňující produktovým manažerům upravit plány proaktivně. Toto předvídání minimalizuje rizika a maximalizuje efektivitu, nakonec umožňující organizacím dosáhnout svých strategických cílů rychleji.

Jak si představujete transformaci obchodních operací umělou inteligencí v příštím desetiletí a které vznikající trendy umělé inteligence jsou vám nejbližší pro jejich potenciální dopad na odvětví?

Umělá inteligence bude i nadále transformovat obchodní operace v příštím desetiletí. Bude vytvářet nové role, zlepšovat prediktivní schopnosti a zefektivňovat inovace.

Provozovatelé LLM, odborníci na integraci umělé inteligence, se stanou normou a nahradí vývojáře, kteří nebudou přijímat umělou inteligenci do své denní práce. Generativní umělá inteligence bude pokračovat ve vyhlazování hranic s prediktivní umělou inteligencí, obohacující algoritmy syntetickými scénáři pro strategická rozhodnutí založená na vnějších a vnitřních faktorech. V biotechnologii bude umělá inteligence vytvářet komplexní profily pacientů, aby odhalila nové léčby, zatímco v kybernetické bezpečnosti bude umělá inteligence simulovat nové hrozby pro prediktivní modely, aby je protiaktovala. Vznikající trendy, jako je adaptivní inference a menší, efektivnější modely umělé inteligence, budou řešit výpočetní výzvy v příštích letech. Budou zajišťovat rychlejší, cílenější řešení.

Od strategického plánování po proaktivní bezpečnost bude integrace umělé inteligence umožňovat společnostem pružně reagovat, odhalovat odolné strategie a provozní excelenci ve stále více dynamickém světě.

Děkuji za skvělý rozhovor, čtenáři, kteří si chtějí přečíst více, by měli navštívit Planview.