Shadi Rostami, SVP for Ingeniørarbejde i Amplitude – Interviewserie

Shadi er SVP for Ingeniørarbejde i den digitale analyseleder Amplitude. Hun er en passioneret, erfaren teknologileder og arkitekt med erfaring i opbygning og ledelse af højt kvalificerede ingeniørhold. Før Amplitude, var hun VP for Ingeniørarbejde i Palo Alto Networks (PANW ). Hun har innovativt og leveret flere produktlinjer og tjenester, der specialiserer sig i distribuerede systemer, cloud computing, big data, machine learning og sikkerhed.

Amplitude er bygget på moderne machine learning og generative AI-teknologier, der giver produktteams mulighed for at bygge smartere, lære hurtigere og skabe de bedste digitale oplevelser for deres kunder.

Hvad var det, der oprindeligt tiltrak dig til datalogi og ingeniørarbejde?

Jeg voksede op i Iran og fulgte oprindeligt en high school-vej, der ville give mulighed for en karriere inden for medicin, som var den vej, min far ville have mig til at følge, og den vej, min bror fulgte. Omkring et år og en halv tid inde i dette, besluttede jeg, at det ikke var vejen for mig. I stedet fulgte jeg ingeniørarbejde og endte med at blive den første pige i Iran, der deltog i Informatic Olympiad (IOI) og vandt bronze-medaljen, en årlig konkurrence for high school-elever verden over, der konkurrerer i matematik, fysik, informatik og kemi. Dette ledte mig til at følge ingeniørarbejde på Sharif University of Technology i Iran og senere få min ph.d. i computeringeniørvidenskab på University of British Columbia i Canada. Efter dette arbejdede jeg for startups i nogle år og tilbragte derefter et årti på Palo Alto Networks, hvor jeg til sidst blev VP med ansvar for udvikling, QA, DevOps og data science. For fem år siden flyttede jeg til Amplitude som SVP for Ingeniørarbejde.

Kan du diskutere Amplitudes kerne-AI-filosofi, der går ud på, at AI skal hjælpe mennesker med at forbedre deres arbejde i stedet for at erstatte dem?

AI er hurtigt ved at transformere næsten alle brancher, og med denne transformation kommer spørgsmål om, hvordan virksomheder vil bruge teknologien. Vi er stærkt overbeviste om at gøre AI rigtigt. Denne overbevisning har ført os til at udvikle vores kundeorienterede AI-filosofi, der hviler på fem grundlæggende principper: (1) samarbejdende udvikling og tænkepartnerskab, (2) datastyring og brugerdata beskyttelse, (3) gennemsigtighed, (4) privatliv, sikkerhed og overholdelse af regler, og (5) kundevalg og kontrol. Vi ved, at disse principper er nøgle, når virksomheder fortsætter med at adoptere og teste AI og til sidst bliver sandt data-drevne. For vores formål betyder dette at bygge AI-værktøjer, der hjælper mennesker med at komme til indsigt hurtigere. Når AI udnyttes korrekt, fører disse indsighter til hurtigere og bedre beslutninger, der driver bundlinje-resultater. At bruge AI som et værktøj til at supplere menneskelig intelligens og kreativitet er, hvor jeg ser AI har sin største indvirkning.

Kan du forklare begrebet “data-demokrati” i sammenhæng med i dagens AI-drevne forretningsmiljø?

“Data-demokrati drives af kendskab til, at hold fungerer bedre, hurtigere og mere effektivt, når de kan få adgang til de rigtige data indsighter på det rigtige tidspunkt. I dagens hurtigt udviklende AI-drevne miljø kan hold ikke engang vente i dage eller uger på data-træk. For at afhjælpe dette skal virksomheder give deres hold mulighed for at udnytte data på en selvbetjeningssmåde. Dette betyder ikke data-kaos med ingen parametre. Til sidst fører dårlig data til dårlig AI. Men med de rigtige værktøjer og processer på plads kan virksomheder balancere data-demokratisering med data-styring, hvilket giver bedre forretningsresultater.”

Hvad er de nøgleændringer i organisationskulturen, du mener er essentielle for at muliggøre sandt data-demokrati i AI-alderen?

At etablere sandt data-demokrati inden for din organisation starter med to grundlæggende kulturelle ændringer: tilbydelse af de rigtige, mest tilgængelige værktøjer og gennemførelse af organisationsomfattende bestræbelser på data-læskhed. Dette betyder at antage selvbetjeningsværktøjer, der giver ikke-tekniske teammedlemmer, såsom marketing- eller kundesucces teams, mulighed for ikke kun at få adgang til data, men også at analysere og tage handling på det. Jeg mener, at selvbetjeningsdata-analyse kan og skal drive samarbejde på tværs af hold, inspirere nysgerrighed og udforskning, skala data-læskhed og lægge vægt på handling og indvirkning. Det er også vigtigt at bruge fælles bestræbelser mellem den centrale data-team og forretningshold til at gennemføre kontinuerlig data-styring, så datakvaliteten ikke forringes over tid.

I din erfaring, hvad er de mest betydningsfulde udfordringer, organisationer står over for i opnåelse af data-demokratisering, og hvordan kan de overvinde disse hindringer?

I fortiden har virksomheder forsøgt at centralisere data inden for ét team af eksperter, hvilket efterlader resten af organisationen afhængig af dette team til at levere analyse og nøgle indsighter, der kan være kritiske for deres dag-til-dag operationer og beslutningstagning. Mens det at demokratisere data-adgang er afgørende for at løse denne flaskehals, kan det også være udfordrende. Når jeg taler med data-ledere om operationalisering af selvbetjening, er det tydeligt, at der er et spektrum. På den ene side har du lavt opsætningsværktøjer for ikke-tekniske og forretningshold. Disse værktøjer giver ikke dybden og bredde af svar, disse hold har brug for. På den anden side har du mere tekniske værktøjer for mere tekniske hold. De er mere fleksible i forhold til analyse, men de er langsomme, og kun få mennesker kan overhovedet bruge dem. Vi kalder disse værktøjer for at skabe en “data-brødkø” … du venter altid på svar. Hold har brug for en løsning midt imellem. Tænk uden for boxen-løsninger, der opmuntrer, ikke hæmmer, udforskning og eksperimentering. Med den rigtige værktøjsudstyr og holduddannelse kan virksomheder mere let brokke data-demokratiseringsgapet.

Hvor afgørende er data-læskhed i processen med data-demokratisering, og hvilke skridt skal virksomheder tage for at forbedre det hos deres medarbejdere?

At fremme en kultur af data-demokrati på tværs af dine hold er en kulturel udfordring, der kræver uddannelse og virksomhedsomfattende accept. I mine erfaringer med at undervise data-processer til ikke-tekniske medlemmer er den bedste måde at udvikle disse færdigheder gennem en kombination af uddannelse og praktisk læring. Jeg anbefaler at udvikle et omfattende uddannelsesprogram for at sikre, at medarbejdere føler sig trygge og sikre på de indsighter, de trækker fra deres data. Sørg for, at du bruger et værktøj, der ikke fratager ikke-tekniske brugere: for eksempel et værktøj, der kræver viden om SQL, ville marginalisere folk uden programmeringskompetence. Derefter giver mulighed for, at medarbejdere kan dykke ned og begynde at lege med dataene. Endelig implementer et værktøj, der fremmer udforskning og samarbejde. Jo mindre mennesker arbejder i siloer, jo mere kan de bøje ideer af hinanden, hvilket fører til mere oplysende indsighter. Hvis du er en data-professionel, der underviser en ikke-teknisk medarbejder, husk, at du har brugt år på at lære, hvordan du får og bruger data, så du tænker om det anderledes end den almindelige bruger. Vær åben for at undervise andre i stedet for at gøre alt selv. Ellers vil du aldrig have noget fritid til at gøre andet end at besvare folks spørgsmål.

Med den hurtige udvikling af data-værktøjer og generative AI-teknologier, hvordan skal virksomheder tilpasse deres strategier for at holde sig foran i data-styring og udnyttelse?

Data-styring er en af de største udfordringer, virksomheder stadig står over for, og det er noget, hver organisation må løse for at give meningsfulde AI- og data-oplevelser. AI er kun så god som de data, der driver det, og ren data fører til mere betydningsfulde indsighter, glade brugere og forretningsvækst. På denne måde må virksomheder være proaktive om data-rensning og taksonomi, og der er muligheder for at bruge generative AI til at styre AI-styring og kvalitet. For eksempel lancerede Amplitude vores AI-drevne Data Assistant-produkt sidste år, der tilbyder intelligente anbefalinger og automatisering for at gøre data-styring ubesværet og hjælpe brugere med at tage ansvar for data-kvalitetsindsats.

Hvordan giver Amplitude virksomheder mulighed for bedre at forstå kunde-rejsen?

At bygge fantastiske digitale produkter og oplevelser er svært, især i dagens konkurrencemæssige landskab. I dag ved mange virksomheder stadig ikke, hvem de bygger for, eller hvad deres kunder ønsker. Amplitude hjælper virksomheder med at besvare spørgsmål som “Hvad elsker vores kunder? Hvor bliver de fast? Hvad holder dem tilbage?” gennem kvantitative og kvalitative data indsighter. Vores platform hjælper virksomheder med at forstå den end-to-end kunde-rejse ved at fremme data, der kan drive kunde-tilvækst, monetering og fastholdelse. I dag bruger mere end 2.700 kunder, herunder enterprise-mærker som Atlassian (TEAM ), NBC Universal og Under Armour (UAA ), Amplitude til at bygge bedre produkter.

Tak for det gode interview, læsere, der ønsker at lære mere, skal besøge Amplitude.