Dr. Rich Sonnenblick, Chief Data Scientist, Planview – Série d’entretiens

Dr. Rich Sonnenblick, le chef des données scientifiques de Planview, possède des années d’expérience dans le travail avec certaines des plus grandes entreprises pharmaceutiques et des sciences de la vie dans le monde. Grâce à cette étude approfondie et à son application, il a élaboré avec succès des processus de priorisation et d’examen de portefeuille, des systèmes de notation et des méthodes de valorisation et de prévision financières pour améliorer à la fois la prévision de produits et l’analyse de portefeuille. Dr. Sonnenblick détient un doctorat et un master de l’Université Carnegie Mellon en ingénierie et en politique publique, ainsi qu’un baccalauréat en physique de l’Université de Californie, Santa Cruz.

La plateforme de travail connecté de Planview est conçue pour améliorer le temps de mise sur le marché et la prévisibilité, améliorer l’efficacité pour maximiser la capacité et soutenir la livraison d’initiatives stratégiques visant à atteindre les résultats commerciaux optimaux.

Vous avez eu une carrière étendue en passant de la consultation de gestion à la direction des initiatives de science des données. Qu’est-ce qui vous a inspiré pour faire ce changement, et comment votre parcours a-t-il façonné votre approche de l’utilisation de l’IA dans les entreprises aujourd’hui ?

La consultation de gestion m’a donné une vue d’ensemble des inefficacités commerciales et des opportunités inexploitées, où il y a un écart distinct entre les conseils stratégiques et les connaissances actionnables. La science des données comble cet écart, transformant les données brutes en actifs stratégiques qui ont le pouvoir d’éclairer la prise de décision en temps réel. Mon parcours m’a enseigné à considérer l’IA comme un outil d’amélioration qui peut raffiner les processus, accélérer la prise de décision et débloquer la créativité de manière à amplifier l’expertise humaine.

Au sein de Planview, vous avez dirigé l’intégration de solutions avancées d’IA dans diverses fonctions commerciales. Pouvez-vous partager comment votre rôle de chef des données scientifiques a influencé la stratégie d’IA de l’entreprise et quels sont les plus grands défis que vous avez rencontrés sur votre chemin ?

Chez Planview, l’IA est intégrée dans notre plateforme en tant qu’outil pour débloquer les connaissances et améliorer la prise de décision. J’ai concentré mes efforts sur l’utilisation de l’IA pour optimiser la gestion des ressources, la planification de projet et l’efficacité opérationnelle. Notre assistant Copilot AI offre une formation sur le tas pour les utilisateurs de tous niveaux de compétence, automatise les tâches fastidieuses comme la génération de rapports et utilise les meilleures pratiques pour suggérer des parcours d’action productifs, permettant ainsi aux équipes de prendre des décisions éclairées rapidement.

Comment l’IA peut-elle aider les entreprises à identifier les inefficacités au sein des équipes et à améliorer l’allocation des ressources ?

L’IA excelle à identifier les modèles dans les données qui sont trop complexes pour être rapidement reconnus par les humains. Elle peut mettre en évidence les ressources sous-utilisées, identifier les goulets d’étranglement et prévoir les déséquilibres de charge de travail. Par exemple, en analysant les objectifs de portefeuille, les délais de projet et les métriques de performance d’équipe, l’IA peut suggérer de réaffecter des tâches ou de réallouer des ressources à travers les portefeuilles pour créer un impact maximum sans ajouter de ressources supplémentaires.

Quelles sont les inefficacités les plus courantes dans la gestion des ressources que l’IA est particulièrement efficace pour résoudre ?

L’IA est particulièrement habile à mettre en évidence les initiatives hors-stratégie et à faible rendement, et nous avons intégré ces compétences essentielles dans Planview Copilot. À mesure que Copilot évolue, il est de mieux en mieux capable de mettre en évidence et de suggérer des mesures d’atténuation. Il peut également signaler les gaspillages dans les processus, tels que les tâches redondantes ou les passes excessives, et suggérer des optimisations.

Pourquoi le gaspillage est-il un défi important pour les équipes de développement logiciel, et de quelle manière l’IA peut-elle le réduire ?

Le gaspillage dans le développement logiciel provient souvent d’inefficacités comme une mauvaise priorisation, un débogage excessif ou des efforts d’équipe mal alignés. L’IA peut réduire le gaspillage en agissant comme un assistant de codage, en automatisant les tâches répétitives et en offrant des connaissances prédictives sur les délais de projet et les risques potentiels. Par exemple, elle peut analyser les projets passés pour identifier les modèles qui conduisent aux retards, aidant ainsi les équipes à éviter ces pièges.

Existe-t-il des modèles ou des outils d’IA spécifiques qui sont particulièrement adaptés à l’optimisation du cycle de vie du développement logiciel ?

Pour optimiser le cycle de vie du développement logiciel, nous recherchons une efficacité et une alignement améliorés. Planview Copilot dans Viz identifie les goulets d’étranglement et les obstacles à la vitesse de flux, et fournit des connaissances actionnables adaptées aux données de l’organisation. Les équipes peuvent utiliser un langage clair pour interpréter les métriques de flux, identifier les ralentissements systématiques de livraison et recevoir des recommandations détaillées. Cette optimisation est la clé pour accroître la productivité, en fin de compte, pour rationaliser la livraison.

Comment les relations sous-jacentes entre les données créent-elles une valeur supplémentaire lors du déploiement de l’IA en tant qu’assistant de travail ?

En cartographiant les relations entre les points de données — qu’il s’agisse de délais de projet, d’utilisation des ressources ou de communication d’équipe —, l’IA peut faire surface des connaissances qui vont au-delà de l’évident. Par exemple, relier les tendances de sentiment dans les mises à jour de statut aux résultats de projet peut aider les gestionnaires à anticiper les obstacles avant que l’équipe ne les signale à la direction, leur laissant ainsi le temps de prendre des ajustements proactifs.

Quelles étapes les petites organisations devraient-elles prendre pour adopter l’IA de manière abordable sans compromettre l’impact ?

Les petites organisations devraient commencer par des outils d’IA génératifs accessibles qui servent de passerelles à des solutions plus sophistiquées. Les outils qui résument les documents, aident à la création de contenu marketing ou assistent à la génération de code sont des moyens rentables pour ces organisations de commencer leur adoption de l’IA sans investissement important. Commencer par une offre d’IA horizontale applicable à une large gamme de cas d’utilisation sera une meilleure valeur que d’investir dans des applications spécialisées qui adaptent l’IA générative à des tâches très spécifiques. Cela permet à l’organisation d’identifier les cas d’utilisation à impact élevé spécifiques à leur organisation plutôt que de surinvestir dans plusieurs offres.

Quel rôle l’analyse prédictive joue-t-elle dans l’amélioration des résultats de projet ?

L’analyse prédictive aide les équipes à prévoir les obstacles potentiels et les résultats en fonction des données historiques et des tendances actuelles. Les agents d’IA peuvent prédire la probabilité de retards de projet ou de pénuries de ressources, permettant ainsi aux gestionnaires de produits d’ajuster les plans de manière proactive. Cette prévoyance minimise les risques et maximise l’efficacité, permettant en fin de compte aux organisations de réaliser leurs objectifs stratégiques plus rapidement.

En regardant vers l’avenir, comment voyez-vous l’IA transformer les opérations commerciales au cours de la prochaine décennie, et quels sont les tendances émergentes d’IA qui vous excitent le plus pour leur impact potentiel sur les industries ?

L’IA continuera à transformer les opérations commerciales dans la décennie à venir. Elle créera de nouveaux rôles, améliorera les capacités prédictives et rationalisera l’innovation.

Les développeurs natifs de LLM, experts dans l’intégration de la collaboration d’IA, deviendront la norme et remplaceront les développeurs qui n’adoptent pas l’IA dans leurs tâches quotidiennes. L’IA générative continuera à brouiller les frontières avec l’IA prédictive, enrichissant les algorithmes avec des scénarios synthétiques pour la prise de décision stratégique basée sur des facteurs internes et externes. Dans le domaine de la biotechnologie, l’IA générative créera des profils de patients complexes pour découvrir de nouveaux traitements, tandis que dans la cybersécurité, l’IA simulerait de nouvelles menaces pour les modèles prédictifs pour les contrer. Les tendances émergentes comme l’inférence adaptative et les modèles d’IA plus petits et plus efficaces répondront aux défis de calcul dans les années à venir. Ils assureront des solutions plus rapides et plus ciblées.

De la planification stratégique à la sécurité proactive, l’intégration de l’IA permettra aux entreprises de pivoter avec agilité, dévoilant des stratégies résilientes et une excellence opérationnelle dans un monde de plus en plus dynamique.

Merci pour cette grande entrevue, les lecteurs qui souhaitent en savoir plus peuvent visiter Planview.