Shadi Rostami, Amplituden SVP of Engineering – Haastattelusarja

Shadi on Amplituden, digitaalisen analytiikan johtajan, SVP of Engineering. Hän on intohimoinen, kokenut teknologiajohtaja ja arkkitehti, jolla on kokemusta korkean suorituskyvyn insinööritiimien rakentamisesta ja johtamisesta. Ennen Amplitudea hän toimi VP of Engineering -tehtävässä Palo Alto Networksissa. Hän on innovoinut ja toimittanut useita tuotelinjoja ja palveluita, jotka ovat erikoistuneet hajautettuihin järjestelmiin, pilvilaskentaan, big dataan, koneoppimiseen ja tietoturvaan.

Amplitude on rakennettu modernin koneoppimisen ja generatiivisen tekoälytekniikan varaan, joka mahdollistaa tuotetiimien rakentaa älykkäämpiä, oppia nopeammin ja luoda parhaat digitaaliset kokemukset asiakkailleen.

Mikä alun perin veti sinut tietokoneen tieteeseen ja insinööritieteeseen?

Jasin Iranissa ja seurasin alun perin lukion polkua, joka olisi mahdollistanut uran lääketieteessä, joka oli polku, jonka isäni halusi minun seuraavan, ja se polku, jota veljeni seurasi. Noin vuoden ja puolen jälkeen päättelin, ettei se ollut polku minulle. Sen sijaan seurasin insinööritieteitä ja päädyin olemaan ensimmäinen tyttö Iranissa, joka osallistui Informatic Olympiad (IOI):n ja voitti pronssimitalin, joka on vuosittainen kilpailu lukio-opiskelijoille ympäri maailmaa, jotka kilpailevat matematiikassa, fysiikassa, informaatikassa ja kemiassa. Se johti minun seuraamiseen insinööritieteitä Sharifin teknillisen yliopiston Iranissa ja myöhemmin suorittamaan tohtorin tutkinnon tietokoneinsinööritieteestä Brittiläisen Kolumbian yliopistossa Kanadassa. Sen jälkeen työskentelin startup-yrityksissä muutaman vuoden ajan ja sitten vietin kymmenen vuotta Palo Alto Networksissa, lopulta tullessani VP:ksi, joka oli vastuussa kehityksestä, laadunvarmistuksesta, DevOpsista ja datasta. Viisi vuotta sitten siirryin Amplitudeen SVP of Engineering -tehtävään.

Voitko keskustella Amplituden ydinteollisuuden filosofian kanssa, jonka mukaan tekoäly tulisi auttaa ihmisiä parantamaan työtään sen sijaan, että se korvaisi heidät?

Tekoäly muuttaa nopeasti melkein jokaista teollisuutta, ja muutoksen myötä tulee kysymyksiä siitä, miten yritykset käyttävät tätä tekniikkaa. Me uskomme vahvasti siihen, että tekoäly on oikein. Tämä usko johti meidät kehittämään asiakaslähtöistä tekoälyfilosofiaa, joka perustuu viiteen pääperiaatteeseen: (1) yhteistyöhön kehityksessä ja ajatteluparissa, (2) datan hallintaan ja käyttäjien datansuojeluun, (3) avoimuuteen, (4) yksityisyyden, turvallisuuden ja sääntelyn mukaisuuteen ja (5) asiakkaan valintaan ja hallintaan. Tiedämme, että nämä periaatteet ovat avainasemassa, kun yritykset jatkavat tekoälyn omaksumista ja testaamista ja lopulta tulevat todella datajohtaisiksi. Meidän tarkoituksenamme tämä tarkoittaa tekoälytyökalujen rakentamista, jotka auttavat ihmisiä pääsemään oivalluksiin nopeammin. Kun tekoäly käytetään oikein, se johtaa nopeampiin, parempiin päätöksiin, jotka johtavat parempiin tuloksiin. Tekoälyn käyttäminen työkaluna, joka täydentää ihmisen älykkyyttä ja luovuutta, on siellä, missä näen tekoälyn vaikuttavan eniten.

Voitko selittää “datademokratian” käsitteen nykyisessä tekoälyajohtaisessa liiketoimintaympäristössä?

“Datademokratia perustuu tietoon, että tiimit toimivat paremmin, nopeammin ja tehokkaammin, kun he voivat päästä oikeisiin dataoivalluksiin oikeaan aikaan. Nykyisessä nopeasti kehittyvässä tekoälyympäristössä tiimit eivät voi odottaa päiviä tai viikkoja datasta. Tämän vuoksi yritysten on tehostettava tiimien kykyä hyödyntää dataa itsepalvelutavalla. Nyt tämä ei tarkoita datakaosta ilman mitään rajoituksia. Lopulta huonot datat johtavat huonoon tekoälyyn. Oikeiden työkalujen ja prosessien ollessa paikallaan yritykset voivat tasapainottaa datademokratisointia datan hallinnan kanssa, mikä mahdollistaa paremmat liiketoimintatulokset.”

Mitä avainmuutoksia organisaatiokulttuurissa uskot olevan välttämättömiä datademokratian mahdollistamiseksi tekoälyajan alla?

Datademokratian perustaminen organisaatiossasi alkaa kahdesta perustavalta kulttuurimuutoksesta: oikeiden, helposti saatavien työkalujen tarjoamisesta ja laajasta datakirjallisuuden parantamisesta koko organisaatiossa. Tämä tarkoittaa itsepalvelutyökalujen omaksumista, jotka sallivat ei-tekniikkaisten tiimien, kuten markkinointi- tai asiakastyytyväisyytiimi, pääsyn datan analysointiin ja toimimiseen sen perusteella. Uskon, että itsepalvelu-data-analytiikka voi ja tulisi polttaa yhteistyötä tiimien välillä, herättää uteliaisuutta ja tutkimusta, skaalata datakirjallisuutta ja asettaa toiminnan ja vaikutuksen prioriteetiksi. On myös tärkeää tehdä yhteisiä ponnisteluita keskusdatatiimin ja liiketoimintatiimien kanssa jatkuvan datan hallinnan toteuttamiseksi, jotta data-laatu ei heikkene ajan myötä.

Miten organisaatiot voivat ylittää datademokratisoinnin haasteet, ja mitkä ovat tärkeimmät haasteet, joita he kohtaavat datademokratisoinnin saavuttamisessa?

Menneisyydessä yritykset ovat yrittäneet keskittää dataa yhteen tiimiin asiantuntijoita, jättäen loput organisaatiosta riippuvaiseksi tästä tiimistä saadakseen analyysin ja avainoivallukset, jotka ovat kriittisiä heidän päivittäisille operaatioilleen ja päätöksenteolleen. Vaikka datan saatavuuden demokratisointi on kriittinen tämän pullonkaulan ratkaisemiseksi, se voi olla myös haasteellista. Kun puhun datajohtajien kanssa itsepalvelun toiminnallistamisesta, on selvää, että on spektri. Toisessa päässä on matalan konfiguraation työkalut ei-tekniikkaisten ja liiketoimintatiimien käyttöön. Lopulta nämä työkalut eivät anna syvyyttä ja leveyttä vastauksia, joita nämä tiimit tarvitsevat. Toisessa päässä on teknisempiä työkaluja teknisemmille tiimille. Ne ovat joustavampia analyysin suhteen, mutta ne ovat hitaampia, ja todennäköisesti vain harvat ihmiset voivat edes käyttää niitä. Kutsuvamme näitä työkaluja “dataruokajonoksi” … olet aina odottamassa vastauksia. Tiimien on tarve ratkaisuun keskellä. Mieti ratkaisuja, jotka rohkaisevat, eivät estä, tutkimusta ja kokeilua. Oikean työkalun ja tiimikoulutuksen avulla yritykset voivat helpommin silittää datademokratisoinnin aukon.

Kuinka tärkeää on datakirjallisuus datademokratisoinnin prosessissa, ja mitkä toimenpiteet yritysten tulisi tehdä sen parantamiseksi työntekijöidensä keskuudessa?

Datademokratian luominen tiimien ympärille on kulttuurinen haaste, joka vaatii koulutusta ja koko yrityksen sitoutumista. Kokemukseni opettamisesta data-prosesseja ei-tekniikkaisten jäsenille on, että parhaan tavoin kehittää nämä taidot on yhdistelmä koulutusta ja käytännön oppimista. Suosittelen kehittämään kattavan koulutusohjelman, jotta työntekijät tuntevat olonsa mukavasti ja luottavaisesti oivalluksiin, jotka he vetävät datastaan. Varmista, että käytät työkalua, joka ei estä ei-tekniikkaisten käyttäjiä: esimerkiksi mitkään työkalut, jotka vaativat SQL-tietämystä, syrjäyttäisivät henkilöitä ilman ohjelmointitaitoja. Sen jälkeen tarjoa mahdollisuuksia työntekijöille pulahtaa ja aloittaa leikkiminen datan kanssa. Lopulta toteuta työkalu, joka edistää tutkimusta ja yhteistyötä. Mitä vähemmän ihmiset työskentelevät eristyneisyydessä, sitä enemmän he voivat heittää ideoita toisilleen, mikä johtaa valaistummpiin oivalluksiin. Jos olet data-ammattilainen, joka opettaa ei-tekniikkaista tiimijäsentä, muista, että olet viettänyt vuosia datan hankkimiseen ja käyttöön, joten ajattelet sitä toisin kuin satunnainen käyttäjä. Ole avoin opettamaan muita sen sijaan, että teet kaiken itse. Muuten et koskaan ole vapaa aikaa tekemään mitään muuta kuin vastaamaan ihmisten kysymyksiin.

Miten yritysten tulisi sopeuttaa strategioitaan nopeasti kehittyvien data-työkalujen ja generatiivisen tekoälytekniikan myötä?

Datahallinta on yksi päähaasteista, joita yritykset edelleen kohtaavat, ja se on asia, jonka jokaisen organisaation on ratkottava voidakseen mahdollistaa merkitykselliset tekoäly- ja datakokemukset. Tekoäly on yhtä hyvä kuin data, joka sitä voimassa pitää, ja puhdas data johtaa vaikuttavampiin oivalluksiin, onnellisimpiin käyttäjiin ja liiketoiminnan kasvuun. Tällä tavoin yritysten on oltava proaktiivisia datan puhdistamisessa ja taksonomiassa, ja on mahdollisuuksia käyttää generatiivista tekoälyä hallitsemaan tekoälyhallintaa ja -laatua. Esimerkiksi Amplitudessa lanseerasimme viime vuonna AI-pohjaisen Data Assistant -tuotteen, joka tarjoaa älykkäitä suosituksia ja automaatiota datan hallinnan helpottamiseksi ja käyttäjien avustamiseksi datan laadun parantamisessa.

Miten Amplitude mahdollistaa yritysten paremman ymmärtämisen asiakaspolusta?

Hyvien digitaalisten tuotteiden ja kokemusten luominen on haasteellista, etenkin nykyisessä kilpailutilanteessa. Tänään monet yritykset eivät vieläkään tiedä, kuka heidän asiakkaidensa ovat tai mitä he haluavat. Amplitude auttaa yrityksiä vastaamaan kysymyksiin, kuten “Mitä asiakkaamme rakastavat? Missä he jäävät jumiin? Mitä pitää heidät tulemasta takaisin?” kvantitatiivisen ja kvalitatiivisen data-oivalluksen kautta. Meidän alustamme auttaa yrityksiä ymmärtämään asiakaspolun loppuun asti datan avulla, joka auttaa ajamaan asiakasluomisen, rahoituksen ja säilyttämisen kierron. Tänään yli 2 700 asiakasta, mukaan lukien Atlassian, NBC Universal ja Under Armour, käyttävät Amplitudea luodakseen parempia tuotteita.

Kiitos haastattelusta, lukijat, jotka haluavat oppia lisää, voivat vierailla Amplitudessa.