Jay Allardyce, generální manažer, Data & Analytics v insightsoftware – Interview Series

Jay Allardyce je generální manažer, Data & Analytics v insightsoftware. Je technologickým manažerem s více než 23 lety zkušeností v podnikových společnostech, jako jsou Google (GOOGL ), Uptake, GE a HP. Je také spoluzakladatelem GenAI.Works, který vede největší komunitu umělé inteligence na LinkedIn.

insightsoftware je globálním poskytovatelem finančních a operačních softwarových řešení. Společnost nabízí nástroje, které podporují finanční plánování a analýzu (FP&A), účetnictví a operace. Jejich produkty jsou navrženy tak, aby zlepšily dostupnost dat a pomohly organizacím učinit včasné a informované rozhodnutí.

Vy jste zdůraznil naléhavost, aby podniky přijaly umělou inteligenci v reakci na rostoucí očekávání zákazníků. Jaké jsou hlavní kroky, které by podniky měly podniknout, aby se vyhnuly pasti „AI FOMO“ a přijetí generických řešení AI?

Zákazníci dávají podnikům jasně najevo, že chtějí zvýšit schopnosti AI ve svých nástrojích. V reakci na to podniky spěchají, aby splnily tyto požadavky a udržely krok se svými konkurenty, což vytváří chaotickou situaci pro všechny strany. A ano, konečným výsledkem je AI FOMO, který může podnítit podniky k tomu, aby spěchaly s inovacemi a snažily se prostě říci: „Máme AI!“

Největší radou, kterou mohu podnikům dát, je vzít si čas na pochopení toho, jaké bolestivé body zákazníci žádají AI, aby vyřešily. Je zde procesní problém, který je příliš ručně náročný? Je zde opakující se úkol, který potřebuje být automatizován? Jsou zde výpočty, které by mohly být snadno provedeny strojem?

Jakmile podniky získají tento nezbytný kontext, mohou začít přijímat řešení s účelem. Budou moci nabízet zákazníkům nástroje AI, které řeší problém, místo těch, které pouze přidávají k zmatku jejich stávajících problémů.

Mnohé společnosti spěchají s implementací AI, aniž by plně rozuměly jejím případům použití. Jak mohou podniky identifikovat správná řešení AI, která jsou přizpůsobena jejich specifickým potřebám, místo aby se spoléhaly na generické implementace?

Na straně zákazníka je důležité udržovat stálou komunikaci, aby lépe pochopili, které případy použití jsou nejnaléhavější. Zákaznické rady mohou poskytnout užitečné řešení. Ale kromě zákazníků je také důležité, aby týmy hledaly interně a chápaly, jak přidání nových nástrojů AI ovlivní interní funkčnost. Pro každý nový nástroj, který je zaveden zákazníkovi, jsou interní týmy dat面ni s novými proměnnými a novými daty, která jsou vytvářena.

Zatímco všichni chceme přidat nové schopnosti a ukázat je zákazníkům, žádná nasazení AI nebude úspěšné bez podpory interních datových týmů a vědců za jejich vývojem. Interně se sjednoťte, abyste pochopili kapacitu a poté se podívejte ven, aby rozhodli, které požadavky zákazníků lze ubytovat s odpovídající podporou za nimi.

Vy jste pomohl společnostem Fortune 1000 přijmout datově orientovaný přístup. Co skutečně znamená pro společnost být „datově orientovanou“ a jaké jsou některé z nejčastějších pastí, se kterými se podniky setkávají během této transformace?

Aby společnost mohla být „datově orientovanou“, musí se naučit účinně využívat data. Skutečně datově orientovaný tým může správně provést datové rozhodování, které zahrnuje použití informací k informování a podpoře obchodních rozhodnutí. Místo toho, aby se spoléhali pouze na intuici nebo osobní zkušenosti, rozhodovatelé shromažďují a analyzují relevantní data, aby vedli své strategie. Rozhodování založené na datech může pomoci podnikům získat více informované, objektivní poznatky, které na rychle se měnícím trhu mohou znamenat rozdíl mezi strategickým rozhodnutím a impulzivním.

Častou pastí při dosahování tohoto je neúčinné datové řízení, které vede k „datovému přetížení“, kdy týmy jsou zatíženy velkým množstvím dat a nejsou schopny s nimi nic udělat. Zatímco podniky se snaží soustředit své úsilí na nejvýznamnější data, mít příliš mnoho z nich dostupných může vést k zpožděním a neefektivitě, pokud nejsou řádně spravována.

Vzhledem k vašim zkušenostem s IoT a průmyslovými technologiemi, jak vidíte budoucí vývoj umělé inteligence a IoT v odvětvích, jako jsou energie, doprava a těžká stavba?

Když IoT přišel na scénu, existoval názor, že umožní lepší propojení, aby se zlepšilo rozhodování. V důsledku toho toto propojení odemklo celý nový svět ekonomické hodnoty, a skutečně to bylo a stále je případem pro průmyslový sektor.

Problém byl, že mnoho lidí se soustředilo na „chytrou instalaci“, pomocí IoT pro připojení, extrakci a komunikaci s distribuovanými zařízeními, a méně na výsledek. Je třeba určit přesný problém, který má být vyřešen, nyní, když jste připojeni k 400 těžebním zařízením nebo 40 vlastním elektrárnám. Výsledek, nebo problém, který má být vyřešen, nakonec závisí na pochopení toho, jaký KPI by mohl být zlepšen, který pohání horní řádek, produktivitu pracovního postupu nebo úspory na dolní řádek (pokud to není kombinace). Každý podnik je řízen sadou vrcholových KPI, které měří provozní a akcionářské výkony. Jakmile jsou tyto stanoveny, problém, který má být vyřešen (a tedy jaké údaje by byly užitečné), se stává jasným.

S touto základnou na místě může umělá inteligence – ať už prediktivní nebo generativní – mít 10-50krát větší dopad na pomoc podniku být více produktivním ve svých činnostech. Optimalizované zásobování, servisní cykly a opravy jsou všechny založeny na jasném signálu poptávky, který je kombinován s vstupními proměnnými, které jsou potřebné. Například myšlenka mít „správnou část, ve správný čas, na správném místě“ může znamenat miliony pro stavební společnost – protože mají méně požadavků na skladování zásob a optimalizované servisní techniky na základě modelu AI, který ví nebo předpovídá, kdy stroj selže nebo kdy může nastat servisní událost. V důsledku toho může tento model, kombinovaný se strukturovanými provozními daty a daty IoT (pro distribuovaná aktiva), pomoci společnosti být více dynamickou a okrajově optimalizovanou, aniž by obětovala spokojenost zákazníků.

Vy jste hovořil o důležitosti efektivní利用 dat. Jaké jsou některé z nejčastějších způsobů, jakými podniky zneužívají data, a jak mohou tyto údaje proměnit v opravdovou konkurenční výhodu?

Pojem „umělá inteligence“, když je brán doslova, může být somewhat zavádějící. Vstupování libovolných a všech dat do AI motoru neznamená, že bude produkovat užitečné, relevantní nebo přesné výsledky. Zatímco týmy se snaží držet krok s tempem inovací AI ve světě, občas zapomínáme na důležitost kompletní datové přípravy a kontroly, které jsou kritické pro zajištění toho, že data, která krmí AI, jsou zcela přesná. Stejně jako lidské tělo závisí na vysoké kvalitě paliva, aby se pohánělo, AI závisí na čistých, konzistentních datech, která zajišťují přesnost svých předpovědí. Zvláště ve světě finančních týmů je to nejdůležitější, aby týmy mohly produkovat přesné zprávy.

Jaké jsou některé z nejlepších postupů pro posílení ne-technických týmů v rámci organizace, aby efektivně využívaly data a AI, aniž by je zahltili složitými nástroji nebo procesy?

Moje rada je pro lídry, aby se soustředili na posílení ne-technických týmů, aby generovaly své vlastní analýzy. Aby podniky byly skutečně agilní, technické týmy potřebují soustředit své úsilí na to, aby proces byl více intuitivní pro zaměstnance po celé organizaci, místo aby se soustředily na stále rostoucí seznam požadavků od financí a operací. Odstranění manuálních procesů je opravdu prvním důležitým krokem v tomto procesu, protože umožňuje provozním lídrům trávit méně času sběrem dat a více času jejich analýzou.

insightsoftware se zaměřuje na přinášení AI do finančních operací. Jak AI mění způsob, jakým CFO a finanční týmy fungují, a jaké jsou hlavní výhody, které AI může přinést finančním rozhodnutím?

AI mělo hluboký dopad na finanční rozhodování a finanční týmy. Skutečně, 87% týmů již používá AI ve středním až vysokém rozsahu, což je fantastickým měřítkem jeho úspěchu a dopadu. Konkrétně může AI pomoci finančním týmům produkovat životně důležité předpovědi rychleji a častěji – což významně zlepšuje současné předpovědní cykly, které odhadují, že 58% rozpočtových cyklů trvá déle než pět dní.

Přidáním AI do tohoto rozhodovacího procesu mohou týmy využít jej k automatizaci únavných úkolů, jako je generování zpráv, ověření dat a aktualizace zdrojových systémů, což uvolní cenný čas pro strategickou analýzu. To je zvláště důležité na nestabilním trhu, kde finanční týmy potřebují agilitu a flexibilitu, aby poháněly odolnost. Například finanční tým uprostřed rozpočtových a plánovacích cyklů. Řešení AI mohou dodat více přesné předpovědi, které pomáhají finančním odborníkům učinit lepší rozhodnutí prostřednictvím hlubšího plánování a analýzy.

Jak vidíte budoucí vývoj požadavků na data v příštích pěti letech, zejména ve vztahu k integraci AI a přechodu na cloudové zdroje?

Domyšlím si, že příští pět let bude demonstrovat potřebu lepší datové agility. S tím, jak rychle se mění trh, data musí být dostatečně agilní, aby umožnila podnikům zůstat konkurenceschopnými. Viděli jsme to v přechodu z on-prem na off-prem na cloud, kde podniky měly data, ale žádná z nich nebyla dostatečně užitečná nebo agilní, aby jim pomohla v přechodu. Vylepšená flexibilita znamená vylepšené datové rozhodování, spolupráci, řízení rizik a řadu dalších schopností. Ale na konci dne to vybavuje týmy nástroji, které potřebují k řešení problémů efektivně a přizpůsobení se podle potřeby měnícím se trendům nebo požadavkům trhu.

Jak zajišťujete, aby technologie AI byly používány zodpovědně, a jaké etické úvahy by podniky měly priorizovat při nasazování řešení AI?

Vyvozující paralelu mezi vzestupem a přijetím cloudu, organizace byly obávány, že dají svá data neznámé entitě, aby je spustila, spravovala, spravovala a zabezpečila. Trvalo to několik let, než se tato důvěra vyvinula. Nyní, s přijetím AI, se podobný vzorec objevuje.

Organizace musí opět důvěřovat systému, aby chránil jejich informace a produkoval životaschopné, ověřitelné a důvěryhodné informace. S cloudem to bylo o „vlastnictví“ nebo „řízení“ vašich dat. S AI se to točí kolem důvěry a použití těchto dat, stejně jako odvození informací vytvořených v důsledku. S tím řečeno, navrhuji organizacím, aby se soustředily na následující tři věci, když nasazují technologie AI:

1. Připojte se – Nebojte se použít tuto technologii, ale přijměte a naučte se.
2. Zakotvení – Podnikové data, která vlastníte a spravujete, jsou základní pravdou, pokud jde o přesnost informací, za předpokladu, že tyto informace jsou pravdivé, faktické a ověřitelné. Ujistěte se, že když stavíte na svých datech, rozumíte původu, jak je AI model trénován a jaké informace používá. Jako všechny aplikace nebo data, kontext záleží. Ne-AI poháněné aplikace produkují falešné nebo nepřesné výsledky. Jen protože AI produkuje nepřesný výsledek, neznamená to, že bychom měli obviňovat model, ale spíše pochopit, co krmí model.
3. Hodnota – Pochopíte případ použití, ve kterém může AI významně zlepšit dopad.

Děkuji za skvělý rozhovor, čtenáři, kteří chtějí se dozvědět více, by měli navštívit insightsoftware.