Jay Allardyce, Γενικός Διευθυντής, Δεδομένα & Αναλυτικά στο insightsoftware – Σειρά Συνεντεύξεων

Jay Allardyce είναι ο Γενικός Διευθυντής, Δεδομένα & Αναλυτικά στο insightsoftware. Είναι Εκτελεστικός Διευθυντής Τεχνολογίας με 23+ χρόνια εμπειρίας σε εταιρείες Enterprise B2B όπως η Google (GOOGL ), η Uptake, η GE και η HP. Είναι επίσης ο συνιδρυτής της GenAI.Works, η οποία ηγείται της μεγαλύτερης κοινότητας τεχνητής νοημοσύνης στο LinkedIn.

insightsoftware είναι ένας παγκόσμιος πάροχος λύσεων λογισμικού χρηματοοικονομικών και λειτουργικών. Η εταιρεία προσφέρει εργαλεία που υποστηρίζουν την χρηματοοικονομική lậpοονσία και ανάλυση (FP&A), τη λογιστική και τις λειτουργίες. Τα προϊόντα της σχεδιάζονται για να βελτιώσουν τη διαθεσιμότητα των δεδομένων και να βοηθήσουν τις οργανώσεις να λαμβάνουν έγκαιρες και ενημερωμένες αποφάσεις.

Έχετε τονίσει την επείγουσα ανάγκη για τις επιχειρήσεις να υιοθετήσουν τη τεχνητή νοημοσύνη ως απάντηση στις αυξανόμενες προσδοκίες των πελατών. Ποια είναι τα βασικά βήματα που πρέπει να λάβουν οι επιχειρήσεις για να αποφύγουν την πτώση στην παγίδα του «AI FOMO» και να υιοθετήσουν γενικές λύσεις τεχνητής νοημοσύνης;

Οι πελάτες ενημερώνουν τις επιχειρήσεις με σαφήνεια ότι θέλουν αυξημένες ικανότητες τεχνητής νοημοσύνης στα εργαλεία που χρησιμοποιούν. Σε απάντηση, οι επιχειρήσεις βιάζονται να ικανοποιήσουν αυτές τις απαιτήσεις και να διατηρήσουν το ρυθμό με τους ανταγωνιστές τους, δημιουργώντας ainsi έναν ταραχώδη κύκλο για όλα τα εμπλεκόμενα μέρη. Και ναι, το τελικό αποτέλεσμα είναι το AI FOMO, το οποίο μπορεί να οδηγήσει μια επιχείρηση να βιαστεί να καινοτομήσει με την απλή ικανοποίηση της φράσης «έχουμε τεχνητή νοημοσύνη!»

Η μεγαλύτερη συμβουλή που έχω για τις εταιρείες για να αποφύγουν αυτή την παγίδα είναι να διαθέσουν χρόνο για να κατανοήσουν ποια πόνοι των πελατών ζητούν να λυθούν από τη τεχνητή νοημοσύνη. Υπάρχει ένα ζήτημα διαδικασίας που είναι πολύ χειροκίνητο; Υπάρχει μια επαναλαμβανόμενη εργασία που πρέπει να αυτοματοποιηθεί; Υπάρχουν υπολογισμοί που θα μπορούσαν εύκολα να υπολογιστούν από μια μηχανή;

Μόλις οι επιχειρήσεις έχουν αυτή την απαραίτητη контέκστ, μπορούν να αρχίσουν να υιοθετούν λύσεις με σκοπό. Θα μπορέσουν να προσφέρουν στους πελάτες εργαλεία τεχνητής νοημοσύνης που λύνουν ένα ζήτημα, αντί για αυτά που απλώς προστίθενται στη σύγχυση των υφιστάμενων προβλημάτων τους.

Πολυάριθμες εταιρείες βιάζονται να εφαρμόσουν τη τεχνητή νοημοσύνη χωρίς να κατανοούν πλήρως τις περιπτώσεις χρήσης. Πώς μπορούν οι επιχειρήσεις να αναγνωρίσουν τις σωστές λύσεις που βασίζονται στη τεχνητή νοημοσύνη, προσαρμοσμένες στις συγκεκριμένες τους ανάγκες, αντί να βασίζονται σε γενικές εφαρμογές;

Στην πλευρά του πελάτη, είναι σημαντικό να διατηρείται μια συνεχής επικοινωνία για να κατανοηθεί καλύτερα ποίες περιπτώσεις χρήσης είναι οι πιο επείγουσες. Τα διοικητικά συμβούλια των πελατών μπορούν να προσφέρουν μια χρήσιμη λύση. Αλλά πέρα από τους πελάτες, είναι επίσης σημαντικό για τις ομάδες να κοιτάξουν εσωτερικά και να κατανοήσουν πώς η προσθήκη νέων εργαλείων τεχνητής νοημοσύνης θα επηρεάσει την εσωτερική λειτουργικότητα. Για κάθε νέο εργαλείο που εισάγεται σε einen πελάτη, οι εσωτερικές ομάδες δεδομένων αντιμετωπίζουν ένα βουνό νέων μεταβλητών και νέων δεδομένων που δημιουργούνται.

Ενώ όλοι θέλουμε να προσθέσουμε νέες ικανότητες και να τις δείξουμε στους πελάτες, καμία εφαρμογή τεχνητής νοημοσύνης δεν θα είναι επιτυχημένη χωρίς την υποστήριξη των εσωτερικών ομάδων δεδομένων και των επιστημόνων πίσω από την ανάπτυξή τους. Συναρμολογήστε εσωτερικά για να κατανοήσετε τη χωρητικότητα και στη συνέχεια κοιτάξτε προς τα έξω για να αποφασίσετε ποια αιτήματα πελατών μπορούν να ικανοποιηθούν με την κατάλληλη υποστήριξη πίσω από αυτά.

Έχετε βοηθήσει εταιρείες Fortune 1000 να υιοθετήσουν μια προσέγγιση που βασίζεται στα δεδομένα. Τι σημαίνει πραγματικά για μια εταιρεία να είναι «βασισμένη στα δεδομένα» και ποια είναι κάποια από τα συνήθη εμπόδια που αντιμετωπίζουν οι επιχειρήσεις κατά τη διάρκεια αυτής της μεταμόρφωσης;

Για να είναι μια εταιρεία «βασισμένη στα δεδομένα», οι επιχειρήσεις πρέπει να μάθουν πώς να εκμεταλλεύονται αποτελεσματικά τα δεδομένα. Μια πραγματικά βασισμένη στα δεδομένα ομάδα μπορεί να εκτελέσει σωστά την λήψη αποφάσεων που βασίζονται στα δεδομένα, η οποία περιλαμβάνει τη χρήση πληροφοριών για να υποστηρίξει και να ενημερώσει τις επιχειρηματικές επιλογές. Αντί να βασίζονται αποκλειστικά στη διαίσθηση ή την προσωπική εμπειρία, οι λήπτες αποφάσεων συλλέγουν και αναλύουν σχετικές δεδομένα για να οδηγήσουν τις στρατηγικές τους. Η λήψη αποφάσεων που βασίζονται στα δεδομένα μπορεί να βοηθήσει τις επιχειρήσεις να εξάγουν πιο ενημερωμένες, αντικειμενικές επισημάνσεις, οι οποίες σε μια ταχέως μεταβαλλόμενη αγορά μπορεί να σημαίνουν τη διαφορά μεταξύ μιας στρατηγικής και μιας εύκολης απόφασης.

Ένα συνήθες εμπόδιο για την επίτευξη αυτού είναι η ανεπαρκής διαχείριση δεδομένων, η οποία οδηγεί σε μια «περίπτωση υπερφόρτωσης δεδομένων», όπου οι ομάδες επιβαρύνονται με μεγάλα ποσά δεδομένων και δεν μπορούν να κάνουν τίποτα με αυτά. Όταν οι επιχειρήσεις προσπαθούν να εστιάσουν τις προσπάθειές τους στα πιο σημαντικά δεδομένα, το να έχουν πολύ δεδομένα στη διάθεσή τους μπορεί να οδηγήσει σε καθυστερήσεις και ανεπάρκειες αν δεν διαχειριστούν σωστά.

Δεδομένης της εμπειρίας σας στη δουλειά με τεχνολογίες IoT και βιομηχανικές τεχνολογίες, πώς βλέπετε την τομή της τεχνητής νοημοσύνης και του IoT να εξελίσσεται σε βιομηχανίες όπως η ενέργεια, η μεταφορά και η βαρέα κατασκευή;

Όταν το IoT εμφανίστηκε, υπήρχε η πεποίθηση ότι θα επέτρεπε μεγαλύτερη σύνδεση για να βελτιώσει την λήψη αποφάσεων. Κατά συνέπεια, αυτή η σύνδεση άνοιξε ένα νέο κόσμο οικονομικής αξίας, και πράγματι αυτό ήταν, και συνεχίζει να είναι, η περίπτωση για τον βιομηχανικό τομέα.

Το ζήτημα ήταν ότι πολλοί επικεντρώθηκαν στο «έξυπνο σωλήνα», χρησιμοποιώντας το IoT για να συνδέσουν, να εξάγουν και να επικοινωνήσουν με διανεμημένα συσκευές, και λιγότερο στο αποτέλεσμα. Πρέπει να καθορίσετε το ακριβές πρόβλημα που πρέπει να λυθεί, τώρα που είστε συνδεδεμένοι με 400 βαρέα κατασκευαστικά περιουσιακά στοιχεία ή 40 ιδιοκτησιών σταθμών ηλεκτρικής ενέργειας. Το αποτέλεσμα, ή το πρόβλημα που πρέπει να λυθεί, τελικά κατέχει τη κατανόηση ποίου KPI θα μπορούσε να βελτιωθεί, που οδηγεί στην πρώτη γραμμή, την παραγωγικότητα της ροής εργασίας ή τις αποταμιεύσεις της τελευταίας γραμμής (αν δεν είναι μια συνδυασμένη). Κάθε επιχείρηση διέπεται από ένα σύνολο κορυφαίων KPI που μετρούν την απόδοση λειτουργίας και μετόχων. Μόλις καθοριστούν αυτά, το πρόβλημα που πρέπει να λυθεί (και επομένως ποια δεδομένα θα ήταν χρήσιμα) γίνεται σαφές.

Με αυτή τη βάση στη θέση της, η τεχνητή νοημοσύνη – είτε προβλεπτική είτε γενετική – μπορεί να έχει μια 10-50 φορές μεγαλύτερη επίδραση στη βοήθεια μιας επιχείρησης να είναι πιο παραγωγική σε αυτό που κάνει. Βελτιωμένα αποθέματα, κυκλοφορίες φορτηγών και κύκλοι υπηρεσιών για επισκευές βασίζονται όλα σε ένα σαφές μοτίβο σήματος ζήτησης που αντιστοιχούν στις εισαγωγικές μεταβλητές που χρειάζονται. Για να το εικονογραφήσετε, η έννοια της διαθέτησης του «σωστού μέρους, στην σωστή ώρα, στη σωστή τοποθεσία» μπορεί να σημαίνει εκατομμύρια για μια εταιρεία κατασκευής – γιατί έχουν λιγότερες απαιτήσεις αποθήκευσης για αποθέματα και βελτιωμένες τεχνικές υπηρεσιών που βασίζονται σε ένα μοντέλο τεχνητής νοημοσύνης που γνωρίζει ή προβλέπει πότε μπορεί να αποτύχει μια μηχανή ή πότε μπορεί να συμβεί ένα γεγονός υπηρεσίας. Κατά συνέπεια, αυτό το μοντέλο, σε συνδυασμό με δομημένα δεδομένα λειτουργίας και δεδομένα IoT (για διανεμημένα περιουσιακά στοιχεία), μπορεί να βοηθήσει μια εταιρεία να είναι πιο δυναμική και οριακά βελτιστοποιημένη χωρίς να θυσιάζει την ικανοποίηση του πελάτη.

Έχετε μιλήσει για τη σημασία της αποτελεσματικής αξιοποίησης των δεδομένων. Ποια είναι κάποια από τα πιο συνήθη τρόπους με τους οποίους οι εταιρείες κακοχρησιμοποιούν τα δεδομένα, και πώς μπορούν να τα μετατρέψουν σε einen πραγματικό ανταγωνιστικό πλεονέκτημα;

Ο όρος «τεχνητή νοημοσύνη», όταν λαμβάνεται με την πλήρη αξία του, μπορεί να είναι κάπως παραπλανητικός. Η εισαγωγή οποιωνδήποτε δεδομένων σε einen κινητήρα τεχνητής νοημοσύνης δεν σημαίνει ότι θα παράγει χρήσιμα, σχετικά ή ακριβή αποτελέσματα. Όπως οι ομάδες προσπαθούν να跟πουν το ρυθμό της καινοτομίας της τεχνητής νοημοσύνης στον κόσμο σήμερα, περιστασιακά ξεχνάμε τη σημασία της πλήρους προετοιμασίας και ελέγχου των δεδομένων, τα οποία είναι κρίσιμα για να διασφαλίσουμε ότι τα δεδομένα που τροφοδοτούν την τεχνητή νοημοσύνη είναι εντελώς ακριβή. Όπως το ανθρώπινο σώμα εξαρτάται από υψηλής ποιότητας καύσιμα για να τροφοδοτήσει τον εαυτό του, η τεχνητή νοημοσύνη εξαρτάται από καθαρά, συνεπή δεδομένα που διασφαλίζουν την ακρίβεια των προβλέψεών της. Ιδιαίτερα στον κόσμο των οικονομικών ομάδων, αυτό είναι της υψίστης σημασίας, ώστε οι ομάδες να μπορέσουν να παράγουν ακριβείς αναφορές.

Τι είναι κάποια από τα καλύτερα πρακτικά για την ενδυνάμωση των μη τεχνικών ομάδων μέσα σε μια οργάνωση για να χρησιμοποιήσουν τα δεδομένα και την τεχνητή νοημοσύνη αποτελεσματικά, χωρίς να τις καταπιέζουν με σύνθετα εργαλεία ή διαδικασίες;

Η συμβουλή μου είναι για τους ηγέτες να εστιάσουν στην ενδυνάμωση των μη τεχνικών ομάδων για να παράγουν τις δικές τους αναλύσεις. Για να είναι πραγματικά ευέλικτοι ως επιχείρηση, οι τεχνικές ομάδες πρέπει να εστιάσουν τις προσπάθειές τους στην κάνων το proceso πιο直觀 για τους υπαλλήλους σε όλη την οργάνωση, αντί να εστιάζουν στο不断 αυξανόμενο backlog των αιτήσεων από τις οικονομικές και λειτουργικές ομάδες. Η αφαίρεση των χειροκίνητων διαδικασιών είναι πραγματικά το πρώτο σημαντικό βήμα σε αυτή τη διαδικασία, καθώς επιτρέπει στους ηγέτες λειτουργίας να δαπανήσουν λιγότερο χρόνο στη συλλογή δεδομένων και περισσότερο χρόνο στην ανάλυση τους.

Το insightsoftware εστιάζει στη διαμόρφωση της τεχνητής νοημοσύνης στις χρηματοοικονομικές λειτουργίες. Πώς η τεχνητή νοημοσύνη αλλάζει τον τρόπο με τον οποίο οι CFO και οι οικονομικές ομάδες λειτουργούν, και ποια είναι τα κορυφαία οφέλη που η τεχνητή νοημοσύνη μπορεί να φέρει στις χρηματοοικονομικές αποφάσεις;

Η τεχνητή νοημοσύνη έχει einen βαθύ αντίκτυπο στις χρηματοοικονομικές αποφάσεις και τις οικονομικές ομάδες. Πράγματι, 87% των ομάδων χρησιμοποιούν την τεχνητή νοημοσύνη σε ένα μέτριο έως υψηλό βαθμό, το οποίο είναι ένα φανταστικό μέτρο της επιτυχίας και του αντικτυπού της. Συγκεκριμένα, η τεχνητή νοημοσύνη μπορεί να βοηθήσει τις οικονομικές ομάδες να παράγουν ζωτικά προβλέψεις γρηγορότερα και επομένως πιο συχνά – βελτιώνοντας σημαντικά τις τρέχουσες προβλέψεις, οι οποίες εκτιμούν ότι το 58% των κύκλων προϋπολογισμού διαρκεί περισσότερο από 5 ημέρες.

Με την προσθήκη της τεχνητής νοημοσύνης σε αυτή τη διαδικασία λήψης αποφάσεων, οι ομάδες μπορούν να την αξιοποιήσουν για να αυτοματοποιήσουν τις συνήθεις εργασίες, όπως η δημιουργία αναφορών, η επικύρωση δεδομένων και η ενημέρωση συστημάτων πηγής, απελευθερώνοντας πολύτιμο χρόνο για στρατηγική ανάλυση. Αυτό είναι ιδιαίτερα σημαντικό σε μια ταραχώδη αγορά όπου οι οικονομικές ομάδες χρειάζονται την ευελιξία και την ευελιξία για να οδηγήσουν την ανθεκτικότητα. Πάρτε, για παράδειγμα, την περίπτωση μιας οικονομικής ομάδας στη μέση των κύκλων προϋπολογισμού και σχεδιασμού. Οι λύσεις που βασίζονται στην τεχνητή νοημοσύνη μπορούν να παραδώσουν πιο ακριβείς προβλέψεις, βοηθώντας τους οικονομικούς επαγγελματίες να λαμβάνουν καλύτερες αποφάσεις μέσω πιο σε βάθος σχεδιασμού και ανάλυσης.

Πώς βλέπετε τις ανάγκες για δεδομένα να εξελίσσονται τα επόμενα πέντε χρόνια, ιδιαίτερα σε σχέση με την ολοκλήρωση της τεχνητής νοημοσύνης και τη μετάβαση σε πόρους cloud;

Νομίζω ότι τα επόμενα πέντε χρόνια θα δείξουν μια ανάγκη για βελτιωμένη ευελιξία δεδομένων. Με το πόσο γρήγορα αλλάζει η αγορά, τα δεδομένα πρέπει να είναι αρκετά ευέλικτα για να επιτρέψουν στις επιχειρήσεις να παραμείνουν ανταγωνιστικές. Είδαμε αυτό στη μετάβαση από το on-prem στο off-prem στο cloud, όπου οι επιχειρήσεις είχαν δεδομένα, αλλά κανένα από αυτά δεν ήταν χρήσιμο ή αρκετά ευέλικτο για να τις βοηθήσει στη μετάβαση. Η βελτιωμένη ευελιξία σημαίνει βελτιωμένη λήψη αποφάσεων δεδομένων, συνεργασία, διαχείριση рисκου και eine πλήθους άλλων ικανοτήτων. Αλλά στο τέλος της ημέρας, εξοπλίζει τις ομάδες με τα εργαλεία που χρειάζονται για να αντιμετωπίσουν τις προκλήσεις αποτελεσματικά και να προσαρμοστούν όπως απαιτείται για τις μεταβαλλόμενες τάσεις ή τις απαιτήσεις της αγοράς.

Πώς διασφαλίζετε ότι οι τεχνολογίες της τεχνητής νοημοσύνης χρησιμοποιούνται υπεύθυνα, και ποια είναι κάποια από τις ηθικές σκέψεις που οι επιχειρήσεις πρέπει να προτεραιοποιούν κατά την ανάπτυξη λύσεων τεχνητής νοημοσύνης;

Σχέδια μιας παραλληλίας μεταξύ της άνοδος και της υιοθέτησης του cloud, οι οργανώσεις φοβούνται να δώσουν τα δεδομένα τους σε κάποια άγνωστη οντότητα, να τα διαχειριστούν, να τα διατηρήσουν, να τα προστατεύσουν. Χρειάστηκε ένας αριθμός ετών για να χτιστεί η εμπιστοσύνη. Τώρα, με την υιοθέτηση της τεχνητής νοημοσύνης, ένας παρόμοιος μοτίβο εμφανίζεται.

Οι οργανώσεις πρέπει να εστιάσουν στην εμπιστοσύνη ενός συστήματος για να διασφαλίσουν τις πληροφορίες τους και, σε αυτή την περίπτωση, να παράγουν εγκυρη πληροφορία που είναι πραγματική, αναφορική και επίσης εμπιστευτική. Με το cloud, ήταν για το «ποιος κατέχει ή διαχειρίζεται» τα δεδομένα σας. Με την τεχνητή νοημοσύνη, κεντρίζεται γύρω από την εμπιστοσύνη και τη χρήση των δεδομένων, καθώς και την προέλευση της πληροφορίας που δημιουργείται ως αποτέλεσμα. Με αυτά τα δεδομένα, θα σας προτείνω να εστιάσετε στις ακόλουθες τρεις cosas όταν αναπτύσσετε τεχνολογίες τεχνητής νοημοσύνης:

1. Κοίταξτε – Μην φοβηθείτε να χρησιμοποιήσετε αυτή τη τεχνολογία, αλλά υιοθετήστε και μάθετε.
2. Επίγεια – Τα δεδομένα της επιχείρησης που διαθέτετε και διαχειρίζεστε είναι η αλήθεια όταν πρόκειται για την ακρίβεια των πληροφοριών, υπό την προϋπόθεση ότι οι πληροφορίες είναι αληθινές, πραγματικές και αναφορικές. Βεβαιωθείτε ότι όταν πρόκειται για την κατασκευή πάνω στα δεδομένα σας, κατανοείτε την προέλευση του πώς το μοντέλο της τεχνητής νοημοσύνης εκπαιδεύεται και ποια δεδομένα χρησιμοποιεί. Όπως και όλες οι εφαρμογές ή τα δεδομένα, το контέκστ matters. Οι εφαρμογές που δεν βασίζονται στην τεχνητή νοημοσύνη παράγουν ψευδείς ή ανακριβείς αποτελέσματα. Απλώς και μόνο επειδή η τεχνητή νοημοσύνη παράγει ανακριβή αποτελέσματα, δεν σημαίνει ότι πρέπει να κατηγορήσουμε το μοντέλο, αλλά να κατανοήσουμε τι ταΐζει το μοντέλο.
3. Τιμή – Κατανοήστε την περίπτωση χρήσης με την οποία η τεχνητή νοημοσύνη μπορεί να βελτιώσει σημαντικά την επίδραση.

Ευχαριστώ για τη μεγάλη συνέντευξη, οι αναγνώστες που επιθυμούν να μάθουν περισσότερα μπορούν να επισκεφθούν insightsoftware.